Durante anos, os compradores do setor B2B reclamaram da falta de informações.
Hoje, eles enfrentam o problema oposto.
Com o ChatGPT, o Claude, o Perplexity e as buscas baseadas em IA, os compradores podem comparar fornecedores, analisar requisitos, criar listas de finalistas e avaliar alternativas em minutos, em vez de semanas. Eles podem solicitar uma visão geral do mercado, uma comparação de recursos, uma lista de verificação para compras ou uma recomendação de fornecedor e obter uma resposta confiável quase que instantaneamente.
O resultado parece óbvio: mais informações devem levar a melhores decisões.
Mas será mesmo?
Ou será que estamos confundindo acesso à informação com precisão da informação?
Essa distinção é mais importante do que nunca. A IA está mudando a forma como os compradores pesquisam, avaliam e selecionam soluções. Ela pode reduzir o esforço, acelerar a descoberta e tornar mercados complexos mais fáceis de entender. Às vezes, as informações subjacentes a uma resposta gerada por IA podem estar incompletas, desatualizadas, tendenciosas ou simplesmente repetidas com frequência suficiente para parecerem confiáveis. Quando isso acontece, uma pesquisa mais rápida pode não levar a melhores decisões.
Pode apenas levar a decisões mais confiantes.
O restaurante que nunca existiu
Há alguns anos, identificar um negócio falso na internet era relativamente fácil. Talvez o site parecesse suspeito ou as fotos não parecessem reais. Ou talvez a presença nas redes sociais fosse escassa, ou a história não fizesse sentido.
Hoje, nem sempre é assim.
Veja o caso do Ethos, o restaurante gerado por IA em Austin que atraiu ampla atenção, apesar de não ser um restaurante real. Ele apresentava os sinais que as pessoas associam à legitimidade: presença online, fotos de pratos com aparência profissional, engajamento nas redes sociais, cobertura da mídia e dezenas de milhares de seguidores no Instagram. Vários veículos de comunicação noticiaram que o restaurante não existia, embora muitas pessoas interagissem com seu conteúdo como se fosse real.
E embora possa ser fácil chegar à conclusão de que as pessoas são simplesmente crédulas, essa não é a lição aqui. A lição é que, no mundo digital, a visibilidade é frequentemente confundida com a verdade.
O Ethos parecia confiável porque apresentava os sinais nos quais fomos treinados a confiar: sofisticação, atividade, atenção e alcance. Mas esses sinais não provavam nada sobre o restaurante, a não ser que se tratava de uma ilusão profundamente convincente.
Esse mesmo problema está agora se estendendo a decisões de maior risco.
A IA não “sabe” de verdade
Um comprador pode supor que, se a IA diz algo, ela deve ter validado a resposta.
Mas não é assim que os grandes modelos de linguagem (LLMs) funcionam.
As ferramentas de IA são poderosas na recuperação de informações, na comparação de fontes, na agregação de perspectivas, na identificação de padrões e na síntese de conclusões. Elas podem sintetizar grandes quantidades de conteúdo mais rapidamente do que qualquer comprador individual poderia razoavelmente fazer sozinho.
O que elas nem sempre fazem é determinar de forma independente se cada fonte está factualmente correta, atualizada, é objetiva ou relevante para um contexto de negócios específico.
Se um número suficiente de fontes repetir o mesmo argumento, um sistema de IA pode considerá-lo confiável. Por exemplo, se um fornecedor for mencionado com frequência em páginas de comparação, listas, conteúdo de parceiros, páginas de avaliações e posts de blog, ele pode parecer um líder de mercado para um LLM. Ou, se uma afirmação desatualizada aparecer em vários lugares, ela pode continuar a influenciar respostas futuras muito tempo depois que o mercado já tiver seguido em frente.
Em resumo, a IA é excelente em identificar consenso. Mas nem sempre é tão excelente em identificar a verdade.
E essa diferença é importante, porque os compradores B2B estão cada vez mais utilizando a IA em etapas iniciais de suas jornadas de compra.
A Gartner constatou que os compradores de tecnologia já estão utilizando a IA para orientar suas decisões de compra, sendo que a IA generativa é comumente empregada nas etapas de exploração e avaliação. Mas a empresa também faz uma distinção importante: os melhores compradores utilizam a IA para tomar decisões melhores, e não apenas mais rápidas.
De restaurantes falsos a recomendações de software
Agora imagine a versão do problema do Ethos no setor de tecnologia B2B.
Um comprador pede à IA para comparar plataformas de gerenciamento de dados mestres (MDM), recomendar a melhor solução para o varejo ou criar uma lista de fornecedores pré-selecionados para um projeto complexo de transformação digital.
Decisões de tecnologia B2B como essas trazem um nível de complexidade que a maioria das interações diárias com a IA simplesmente não exige. Escolher um restaurante, planejar uma viagem ou comparar produtos geralmente envolve um conjunto restrito de variáveis. Mas as compras corporativas envolvem várias partes interessadas, prioridades conflitantes, resultados comerciais de longo prazo, requisitos de integração, considerações de governança, compromissos futuros — e a lista continua. Essa complexidade altera o papel que a IA desempenha no processo de tomada de decisão.
Por exemplo, digamos que você esteja pesquisando soluções de MDM. Você poderia fazer perguntas como estas:
- Quais são as melhores plataformas de MDM?
- Qual solução é a melhor para o varejo?
- Compare o fornecedor A com o fornecedor B.
- Crie uma lista de finalistas para minha empresa.
As respostas que você receber podem parecer estruturadas e convincentes. Elas podem incluir nomes de fornecedores, pontos fortes, pontos fracos e recomendações. Podem até parecer objetivas.
Mas e se as fontes por trás dessas respostas incluírem informações desatualizadas sobre produtos, recursos omitidos, classificações tendenciosas, posicionamento impreciso, alegações criadas pelos próprios fornecedores ou conteúdo comparativo que nunca foi avaliado de forma independente?
Um analista humano poderia identificar esses pontos fracos. Um consultor de compras poderia questionar as suposições. Um especialista no assunto poderia saber quais alegações não são mais precisas.
Mas um resumo gerado por IA pode simplesmente incorporar as informações porque elas aparecem em fontes que parecem confiáveis.
Agora, isso não é motivo para evitar completamente a IA no processo de compra. Pelo contrário, é um motivo para compreender os pontos fortes e as limitações da IA, para que você saiba em que aspectos a IA ainda precisa conquistar sua confiança.
Pois, embora seja verdade que a IA possa agilizar a avaliação de softwares, essa rapidez não melhora automaticamente o julgamento. E, em alguns casos — e possivelmente com mais frequência do que imaginamos —, ela pode fazer com que informações fracas ou incorretas se espalhem ainda mais.
O problema do ciclo de retroalimentação
Há outro risco ainda maior escondido sob a superfície.
A IA agora é capaz de gerar conteúdo persuasivo em grande escala. Isso inclui resumos de produtos, páginas de comparação, avaliações, comentários de mercado e análises de fornecedores. Assim que esse conteúdo é publicado, outros sites podem citá-lo, os mecanismos de busca podem indexá-lo e os sistemas de IA podem utilizá-lo. Recomendações futuras podem, então, basear-se nessas mesmas informações.
Com o tempo, a repetição pode começar a parecer conhecimento especializado.
Pesquisas já demonstraram o quão difícil isso pode ser no contexto do consumo. Um estudo constatou que os seres humanos não conseguiam distinguir com confiabilidade entre avaliações genuínas e falsas geradas por IA, com uma precisão relatada de 53,2%. Outro artigo constatou que avaliações falsas de produtos geradas por LLMs eram difíceis de distinguir das avaliações reais tanto para humanos quanto para máquinas, com os humanos apresentando uma precisão média geral de 50,8%.
Não é difícil imaginar o equivalente no setor B2B.
A IA gera conteúdo, os sites o publicam, outros sites o citam, os LLMs o consomem e, então, as recomendações futuras geradas por IA se baseiam nessas mesmas informações. O ciclo se repete perpetuamente, e a visibilidade e a repetição passam gradualmente a ser confundidas com conhecimento especializado.
Uma recomendação pode ser bem escrita, coerente e até útil. Mas, se foi gerada por IA, isso não significa que se baseie nas melhores evidências disponíveis para fundamentar decisões reais.
O que significa que há aqui um risco potencialmente mais perigoso do que apenas a desinformação: a confiança mal depositada.
Por que isso importa agora
Ainda assim, seja arriscada ou não, a IA está se tornando parte integrante da pesquisa e avaliação no setor B2B.
Um analista constatou que as decisões de compra agora estão sendo conduzidas ou complementadas pela IA e que a adoção da IA está se tornando um imperativo estratégico em todas as iniciativas, incluindo a tomada de decisões e a arquitetura de negócios. A Forrester corrobora essa afirmação, relatando que a pesquisa impulsionada por IA é um fator de rápido crescimento do tráfego de pesquisa orgânica B2B e que os compradores utilizam IA generativa em todas as etapas da compra, incluindo a descoberta, a avaliação e a escolha de soluções.
A IA pode ser uma ferramenta de compra poderosa, mas a confiança em suas respostas ainda precisa ser conquistada.
À medida que a IA se torna uma das primeiras etapas na jornada de compra, os compradores precisam de uma maneira melhor de avaliar não apenas o que a IA recomenda, mas também se a recomendação é suficientemente fundamentada para ser confiável.
Cinco coisas que toda empresa deve fazer antes de decidir como expandir o uso da IA
Isso é importante para qualquer compra assistida por IA. Mas é ainda mais importante quando o que você está comprando é a base para uma empresa governada, precisa e autônoma.
Essa é a armadilha. Os compradores podem usar a IA para pesquisar, comparar e selecionar justamente as soluções destinadas a tornar sua IA futura mais confiável. Mas, como vimos, a IA pode confundir visibilidade com verdade e consenso com precisão. Portanto, se um comprador confiar excessivamente em um sistema que pode estar errado com toda a certeza, ele poderá escolher a base errada para todas as iniciativas de IA que se seguirem.
O resultado é que uma falha é incorporada à camada da qual tudo o mais depende. Mas, para esses compradores, o pensamento crítico não é apenas um diferencial. É o cerne da questão.
Portanto, antes de permitir que uma lista de finalistas gerada por IA influencie a decisão, faça estas cinco coisas.
1. Analise a lista de finalistas antes de confiar nela
Uma lista de finalistas gerada por IA pode parecer confiável, e é exatamente por isso que merece um exame minucioso. Ela pode refletir quais fornecedores têm maior visibilidade em suas fontes, mas não necessariamente aqueles que são mais capazes de oferecer suporte a uma IA controlada e precisa em grande escala.
Faça a mesma pergunta no ChatGPT, no Claude, no Perplexity e em outras ferramentas de IA. Observe como as classificações mudam. Em seguida, pergunte a cada uma delas o que foi deixado de fora, quais suposições foram feitas e por que certos fornecedores apareceram enquanto outros não.
As diferenças entre as respostas muitas vezes revelam mais do que qualquer lista de finalistas isolada. Elas expõem onde a visibilidade, a repetição e a disponibilidade das fontes podem estar influenciando a recomendação mais do que a adequação real.
2. Pergunte o que a IA está realmente medindo
Quando a IA classifica uma solução como “a melhor”, a pergunta óbvia a seguir é: “A melhor em quê?”
Muitas recomendações geradas por IA são discretamente otimizadas com base na popularidade, na presença no mercado, na variedade de recursos ou na quantidade de conteúdo disponível online. Esses indicadores podem ser úteis, mas não indicam se uma solução é capaz de manter os dados corporativos precisos, controlados, contextualizados e utilizáveis em grande escala.
Exija que os critérios sejam revelados. A recomendação se baseia em governança de dados? Confiabilidade? Capacidade de fornecer contexto confiável aos sistemas de IA? Consistência entre domínios? Resultados comprovados de implementação? Ou trata-se simplesmente de uma classificação de fornecedores com base na frequência com que aparecem nas fontes disponíveis?
Se a IA não consegue explicar o que está medindo, sua recomendação pode não estar avaliando o que realmente importa.
3. Exija provas que um “sósia” não possa apresentar
A Ethos parecia confiável porque apresentava muitos dos sinais que as pessoas associam à legitimidade. As alegações dos fornecedores podem funcionar da mesma maneira. Linguagem refinada, posicionamento abrangente e frases repetidas como “regulamentado”, “preciso” ou “pronto para IA” não são suficientes.
Peça evidências que um produto semelhante não conseguiria falsificar facilmente.
Isso significa referências nominais de clientes corporativos, estudos de caso com resultados mensuráveis, validação por analistas, documentação do produto que possa ser inspecionada e exemplos claros de como a governança funciona na prática. Para uma base de IA, as provas de governança são especialmente importantes: linhagem de dados, controles de qualidade, modelos de propriedade, processos de validação e auditabilidade.
Qualquer fornecedor pode descrever a confiança, mas somente a base certa pode comprovar como a confiança é criada, mantida e ampliada em ambientes corporativos reais.
4. Verifique se a solução compreende o significado, e não apenas os dados
Uma IA precisa de mais do que apenas dados limpos. Ela precisa de dados com contexto, relações e significado comercial.
Uma solução que apenas transfere registros, campos e atributos de um sistema para outro pode ainda deixar a IA na dúvida. Ela pode repassar a mesma ambiguidade, duplicação e inconsistência que, em primeiro lugar, tornam as decisões automatizadas pouco confiáveis.
Procure a camada que captura o significado. A solução consegue reconhecer quando dois registros representam o mesmo cliente? Ela consegue conectar um produto às regulamentações, fornecedores, mercados e canais que afetam como ele deve ser utilizado? Ela consegue mostrar como termos, entidades e relações se encaixam em toda a empresa?
Essa base semântica é importante. É a diferença entre uma IA capaz de raciocinar a partir de um contexto estruturado e uma IA que improvisa a partir de dados desconexos.
5. Avalie a base, não a lista de recursos
Os recursos ficam bem em demonstrações. As bases são escaláveis.
É fácil se deixar impressionar por um único recurso de IA em um caso de uso controlado. Mas a verdadeira questão é se dados governados, precisos e ricos em contexto podem ser confiáveis e reutilizados na próxima iniciativa de IA — e na seguinte.
Pergunte se cada novo caso de uso herdaria automaticamente a mesma base de confiança ou se suas equipes teriam que reconstruir a governança, o contexto e a validação do zero todas as vezes. Pergunte se a solução pode dar suporte à IA em todos os domínios, departamentos, fluxos de trabalho e futuras iniciativas de agência, e não apenas ao caso de uso que você tem diante de si hoje.
Uma lista de recursos mostra o que uma solução pode fazer agora, mas a base mostra se sua IA continuará sendo confiável à medida que for crescendo.
Estar mais bem informado nem sempre significa estar mais bem preparado
A IA pode apresentar aos compradores uma lista de opções em segundos. O que ela nem sempre consegue dizer é se as soluções nessa lista são capazes de oferecer a base regulamentada, precisa e rica em contexto necessária para uma IA confiável em escala.
Essa distinção é importante. Especialmente quando a decisão de compra afeta não apenas um fluxo de trabalho, mas a qualidade de todos os sistemas de IA que a empresa desenvolverá no futuro.
Acertar nisso significa usar a IA para acelerar o processo de compra sem permitir que ela substitua o processo de avaliação. Cada recomendação ainda precisa ser submetida a testes rigorosos: quais evidências a sustentam, quais suposições a moldaram, qual contexto está faltando e se essa base pode tornar as futuras decisões de IA mais confiáveis.
À medida que a IA faz recomendações com mais rapidez e confiança, a verdadeira vantagem vem de saber quais respostas são suficientemente fundamentadas para orientar o próximo passo.
Pois, em uma era de recomendações instantâneas e confiantes, a verdadeira vantagem pertence àqueles que sabem quais respostas merecem moldar o que virá a seguir.
