Quando um cliente diz “está caro”, o vendedor costuma registrar uma conclusão: perdemos por preço. O problema é que essa frase pode significar coisas muito diferentes.
Imagine uma conversa hipotética. O cliente recebe a proposta, pergunta quanto tempo a implantação exige da equipe e, minutos depois, diz que o valor ficou acima do esperado. A objeção pode ser orçamento. Também pode ser receio de pagar por algo que dará trabalho para implantar, falta de urgência, comparação com uma alternativa mais simples ou dificuldade para enxergar o retorno.
A IA não sabe qual dessas interpretações é verdadeira. Ela pode, porém, ajudar a organizar a análise depois da conversa. A pergunta útil é: como transformar uma objeção em hipóteses verificáveis sem fingir que sabemos o que o cliente quis dizer?
Três camadas para analisar a conversa
A primeira camada é a evidência literal. Peça à IA para separar apenas o que apareceu na conversa: frases exatas, perguntas feitas pelo cliente, assuntos retomados, condições mencionadas e o contexto imediatamente anterior à objeção. Neste primeiro passe, evite pedir uma interpretação.
A segunda camada reúne hipóteses ancoradas no que foi dito. Se o cliente perguntou várias vezes sobre horas de implantação, por exemplo, a hipótese de risco operacional tem alguma evidência. Se comparou o preço com outra solução, existe uma hipótese de referência de mercado. Cada possibilidade precisa indicar quais trechos a sustentam e quais informações ainda estão faltando.
A terceira camada é a próxima pergunta capaz de confirmar ou refutar cada hipótese. Para investigar orçamento: “O valor ultrapassa uma verba já definida ou ainda precisa ser justificado internamente?” Para investigar implantação: “A maior preocupação é o investimento ou o esforço que sua equipe teria para colocar isso em funcionamento?” A pergunta não deve responder pelo cliente. Deve criar espaço para ele esclarecer.
Um estudo publicado nos Findings da ACL de 2026, feito por quatro pesquisadores da Gong, criou um conjunto de dados a partir de 50 chamadas B2B reais em inglês. Os autores trataram cinco conceitos comerciais em conversas nas quais sinais importantes podem aparecer de forma implícita. Nos testes, transformar exemplos em critérios ou descrições explícitas produziu resultados melhores do que simplesmente entregar os exemplos ao modelo. Essas representações também deixaram a lógica de classificação mais visível para revisão humana.
Isso não significa que a IA descobriu a intenção dos compradores. O estudo avaliou classificação de trechos, não leitura de pensamento nem diagnóstico definitivo de objeções.
Outro trabalho, divulgado como working paper pelo MIT Sloan, testou a extração de necessidades de clientes em textos. Um modelo ajustado com exemplos produzidos por analistas profissionais igualou ou superou esses especialistas nos experimentos. Já o modelo-base, usado apenas com instruções, não apresentou precisão e especificidade suficientes. O estudo tratava de necessidades expressas em textos, não de objeções em tempo real, mas reforça um princípio útil: exemplos e critérios claros ajudam mais do que um comando genérico para “analisar a conversa”.
A melhor análise não termina com “o cliente achou caro”. Termina com uma hipótese sustentada pelo que foi dito e uma pergunta melhor para a próxima conversa.
