O ICP com que a tua IA concordou — Gustavo Teixeira Cuco

Pediste a um LLM que te ajudasse a definir o teu cliente ideal. Ele devolveu-te um perfil detalhado, confiante e coerente. Usaste-o para moldar a tua estratégia de GTM.

O problema não é que a IA estivesse errada. É que foi complacente.

O sector está a mover-se depressa nesta frente

Em 2025, a geração de ICPs assistida por IA passou de experiência a prática padrão. Ferramentas como a Clay, a Keyplay e a 6sense oferecem agora agentes de IA que pontuam contas em tempo real, monitorizam sinais de compra em publicações de emprego no LinkedIn, rondas de financiamento e mudanças de stack tecnológico, e destacam as que melhor correspondem ao perfil definido. Um artigo de investigação da Volvo Construction Equipment demonstrou um sistema de personas baseado em RAG — o PersonaBOT — que alcançou 81.82% de avaliações de utilidade ao ancorar os outputs do LLM em dados reais de retrieval, em vez de geração livre.

Os ganhos de eficiência são reais. Tarefas de síntese que costumavam levar semanas a um analista — processar milhares de transcrições de chamadas, notas de CRM e tickets de suporte para extrair sinais de ICP — demoram agora horas.

A lacuna de que ninguém fala

A tecnologia está à frente da epistemologia.

Antes de aplicar qualquer uma destas ideias aos produtos que estou actualmente a construir, passei tempo a mapear o que os profissionais estão realmente a fazer — e o que a investigação diz sobre onde isto falha. Três conclusões pararam-me.

Primeira: a Ask Rally publicou, em 2025, uma investigação baseada em cerca de um milhão de personas geradas por IA. Os LLMs geram sistematicamente personas inclinadas para perfis com formação universitária, urbanos, progressistas e da classe criativa — independentemente do modelo utilizado. Trocar de GPT-4 para Claude ou para Gemini não resolve o problema. O enviesamento é estrutural, não específico do modelo.

Segunda, deram nome a algo a que chamaram o Paradoxo do Realismo. Quanto mais detalhada e "realista" for a persona gerada por IA, maior o desvio face ao comportamento real do mercado. Personas mais ricas, outputs mais confiantes, mais longe da verdade.

Terceira — e esta foi a que mudou a forma como estou a pensar na implementação — os LLMs são concebidos para serem complacentes. Se partires do princípio de que o teu ICP são "CTOs de fintechs em fase de crescimento", o modelo vai construir-te um perfil excelente de CTOs de fintechs em fase de crescimento. Não te vai dizer que podes estar errado. Não vai perguntar como eram os clientes que perdeste por churn. Não vai revelar o segmento que ainda não consideraste.

O que a investigação realmente recomenda

Os profissionais que fazem isto bem não usam os LLMs para definir o ICP. Usam-nos para comprimir e desafiar inputs que vêm de outro lugar.

O fluxo de trabalho que resiste: exportar dados do CRM e transcrições de chamadas → usar o modelo para extrair padrões → depois alimentá-lo deliberadamente com dados de contraste. Não apenas negócios ganhos. Clientes perdidos por churn. Negócios perdidos. E um prompt adversarial explícito: "Que pressupostos deste perfil são mais prováveis de estar errados? Que segmentos estamos a excluir que podem, na verdade, encaixar?"

A outra correcção estrutural: RAG em vez de geração livre. O PersonaBOT funciona porque faz retrieval antes de gerar — ancorando os outputs em dados reais em vez de plausibilidade estatística. O modelo não consegue alucinar um cliente que foi obrigado a procurar.

O que nada disto substitui: dez a quinze entrevistas a clientes por trimestre. A IA comprime. As entrevistas corrigem. As equipas que saltam as entrevistas porque "o modelo já tem os dados" são as que constroem ICPs que parecem correctos e têm um desempenho errado.

O que me surpreendeu

Esperava que o principal risco fosse a alucinação — o modelo a inventar um cliente plausível que não existe. Isso é gerível.

O risco mais difícil é a confirmação. O modelo a validar qualquer que seja a hipótese com que entraste, com detalhe suficiente para deixares de a questionar. Um ICP que volta com dados firmográficos, tecnográficos, sinais de compra e cargos de decisores parece validado. Não está. Foi elaborado.

A disciplina exigida é tratar cada ICP gerado por LLM como uma hipótese com uma fase de desafio obrigatória — não como um entregável.

O princípio

Um ICP com que a tua IA concordou não está validado. Está ensaiado.

Qual é o mecanismo no teu processo que obriga a IA a estar errada antes de lançares?

Fontes

Ask Rally, LLM Generated Persona is a Promise with a Catch — askrally.com, 2025
arXiv, PersonaBOT: Bringing Customer Personas to Life with LLMs and RAG — arxiv.org/abs/2505.17156, 2025
Andreessen Horowitz, A Framework for Defining and Refining Your ICP — a16z.com, 2025
ScienceDirect, "I've never seen a glass ceiling better represented": Bias in LLM-generated personas — sciencedirect.com, 2025
Growth Ahoy, How to build an Ideal Customer Profile with AI and AI agents — growthahoy.com, 2025