Meu erro não era o modelo de IA. Era a pergunta que eu fazia aos clientes.

Há alguns meses, eu comecei a construir um sistema de previsão de demanda para pequenos negócios.

A ideia parecia simples:

usar histórico de vendas para prever quanto um estabelecimento provavelmente venderia nos próximos dias.

Tecnicamente, eu fui longe.

Testei modelos, criei variáveis de sazonalidade, lags, preços e promoções. Fiz validação walk-forward, bootstrap por blocos, testes de permutação e comparei o modelo com baselines.

Em um dos conjuntos de dados que usei, consegui reduzir o WAPE de aproximadamente 44% para 31%.

Eu estava bastante satisfeito.

Aí veio a parte que nenhum modelo consegue resolver sozinho:

vender.

160 DMs depois...

Fiz aproximadamente 160 contatos com pequenos negócios.

O resultado:

• 13 respostas;
• 6 conversas realmente desenvolvidas;
• 0 clientes;
• 0 pilotos;
• 0 conjuntos de dados enviados.

No começo, achei que o problema fosse a abordagem comercial.

Então tentei melhorar o pitch.

Depois tentei explicar melhor a tecnologia.

Depois tentei destacar os resultados do modelo.

Nada.

Até que percebi uma coisa:

eu estava fazendo a pergunta errada.

Eu chegava para o empresário falando sobre previsão de demanda, IA, modelo e simulação.

Mas quase nunca perguntava primeiro:

“Como vocês decidem isso hoje?”

O problema do “teste gratuito”

Uma das coisas que mais me enganou foi oferecer um teste gratuito.

Eu pensava:

“Se é gratuito e pode gerar valor, por que alguém não mandaria os dados?”

Porque gratuito não significa sem custo.

Para o empresário, ainda existe o custo de:

• procurar os dados;
• exportar uma planilha;
• separar informações;
• tirar fotos de um caderno;
• verificar se pode compartilhar aquilo;
• parar o que está fazendo para responder.

Eu estava tentando eliminar o custo financeiro enquanto ignorava o custo de esforço.

E isso explica boa parte dos meus “sim, depois vejo” que nunca viraram nada.

Então mudei a pergunta

Em vez de começar vendendo a solução, comecei a investigar o processo.

Por exemplo, para uma floricultura:

“Quando vocês precisam decidir a quantidade de flores para o dia seguinte, vocês vão mais pela experiência ou também olham algum histórico de vendas/planilha?”

É uma pergunta muito menos assustadora.

Não estou pedindo dados.

Não estou pedindo um teste.

Não estou tentando convencer ninguém de que minha tecnologia é incrível.

Estou simplesmente tentando entender como aquela pessoa trabalha.

E aconteceu uma coisa interessante.

Uma floricultura me respondeu que decide somente pela experiência.

Quando perguntei por que eu estava perguntando, expliquei que estava estudando como floriculturas tomam essas decisões.

A pessoa então me contou:

“Datas comemorativas, clima, início de mês e fim de mês, sempre muda as vendas.”

E completou:

“Temos variações.”

Nesse momento, a conversa sobre uma possível simulação surgiu naturalmente.

Eu não precisei inventar uma dor.

A própria pessoa descreveu o problema.

E hoje comecei outro experimento

Hoje resolvi testar uma hipótese ainda mais específica:

Instagram ou WhatsApp?

Em vez de abandonar o Instagram, estou usando-o também como ferramenta de descoberta. Quando encontro uma floricultura com WhatsApp comercial público, testo o contato por lá.

No primeiro pequeno lote de hoje, o resultado inicial foi bem diferente:

WhatsApp: 5 respostas em 6 contatos que chegaram ao WhatsApp.

Instagram: 1 resposta em 5 contatos, sendo que essa resposta acabou direcionando para o WhatsApp.

É uma amostra pequena demais para dizer que “WhatsApp é melhor”.

Mas já é um sinal suficientemente interessante para continuar testando.

E existe outra coisa que estou medindo agora:

não quero apenas respostas.

Quero saber quantas conversas avançam.

Quantas pessoas demonstram interesse.

Quantas chegam a uma ação concreta.

Porque uma resposta de “oi” vale muito menos do que alguém realmente disposto a testar a solução.

Também descobri outra barreira

Uma das floriculturas com quem conversei explicou que os documentos de vendas eram internos e não poderiam ser compartilhados.

Eu não insisti.

E isso também é dado.

Talvez o problema não seja apenas convencer alguém de que a previsão é útil.

Pode existir uma barreira de confiança e privacidade entre:

“isso parece interessante”

e

“aqui estão os meus dados.”

Isso muda a forma como eu preciso pensar o produto.

Talvez a primeira demonstração tenha que exigir menos dados.

Talvez seja necessário trabalhar com amostras, anonimização ou até dados fictícios antes de pedir informações reais.

Ainda estou descobrindo.

O que eu aprendi até agora

Eu passei meses tentando melhorar o modelo.

Agora estou tentando melhorar a pergunta.

E talvez essa seja uma das maiores diferenças entre construir tecnologia e construir um produto.

Um modelo pode ter uma ótima métrica.

Uma arquitetura pode ser elegante.

Um algoritmo pode funcionar muito bem nos testes.

Mas isso não significa que alguém queira usá-lo.

O mercado não avalia apenas:

“Isso funciona?”

Ele também avalia:

“Isso resolve um problema que eu realmente tenho?”

“Eu confio nisso?”

“Vale o esforço?”

“É fácil começar?”

E talvez, antes de tentar vender a solução, eu precise aprender a fazer perguntas melhores.

Ainda estou no zero

Não vou terminar este texto dizendo que descobri a fórmula para vender IA.

Ainda não descobri.

Continuo com 0 clientes.

A diferença é que agora tenho uma hipótese melhor para testar:

primeiro entender como o negócio toma decisões; depois descobrir onde existe uma lacuna; só então mostrar a solução.

A partir de agora, quero tratar prospecção da mesma maneira que trato meus experimentos técnicos:

hipótese → pequena amostra → dados → análise → próximo experimento.

Talvez o meu maior erro não tenha sido construir o modelo errado.

Talvez tenha sido tentar vender a resposta antes de entender completamente a pergunta.