Eram líderes, diretores e alguns convidados. Todos na sala para pegar o briefing de uma nova campanha de beleza.
As perguntas vieram rápido: por que a estratégia anterior focou só em influenciadores? Quais foram os resultados? Por que o cliente achou que foi um fiasco?
Ninguém sabia. A conta tinha trocado de mãos. Os arquivos estavam espalhados pela rede, as pesquisas não eram acessíveis, os relatórios traziam dados conflitantes. O silêncio na sala durou mais do que deveria. No fim, tivemos que admitir ao cliente que não havia histórico aproveitável. Fomos para a próxima etapa do zero.
Aquela reunião me incomodou por muito tempo. Não pelo constrangimento, mas pela pergunta que ficou: isso é falha humana ou sistêmica?
"O problema não é a falta de dados. É a falta de memória."
Toda empresa acumula conhecimento. Estratégias que funcionaram, pesquisas que custaram caro, relatórios que levaram semanas para ser produzidos. O problema é que esse conhecimento sai pela porta junto com as pessoas que o carregavam na cabeça.
Pesquisas de mercado sobre retenção de dados corporativos mostram um padrão consistente: uma parcela significativa dos profissionais que mudam de emprego leva consigo informações da empresa anterior, e parte deles pretende usar esses dados em um novo contexto. Não necessariamente por má-fé. Muitas vezes porque aquele conhecimento simplesmente não estava registrado de forma que pudesse ficar para trás.
O que sobra nas redes corporativas, quando sobra alguma coisa, costuma ser o oposto: um acúmulo de arquivos desorganizados, versões antigas, apresentações sem contexto. De acordo com dados validados pela IBM e IDC, cerca de 80% dos dados corporativos são não estruturados e permanecem intocados. Esse volume compõe o que o Gartner define como Dark Data: ativos de informação coletados na rotina operacional, mas que a empresa falha em utilizar para análises ou geração de novos negócios.
RAG: transformar arquivos em memória institucional
Uma das respostas mais concretas que encontrei para esse problema chama RAG, Retrieval-Augmented Generation. Em termos simples: é uma técnica que permite que uma IA acesse e processe os arquivos da sua própria rede antes de responder a qualquer pergunta. Não a base pública do ChatGPT ou do Gemini. Os seus arquivos, dentro da sua casa.
O que isso muda na prática? Três coisas fundamentais:
- Primeiro, seus dados ficam onde devem ficar. Dentro dos seus servidores, sem alimentar a base de conhecimento pública das grandes LLMs.
- Segundo, qualquer colaborador pode acessar essa inteligência acumulada. É como ter um analista que leu tudo que a empresa já produziu e consegue responder perguntas com base nisso.
- Terceiro, o processo de organizar os dados para o RAG obriga a empresa a decidir o que vale guardar de verdade. E isso, por si só, já é um ganho estratégico.
O que aprendemos usando isso na própria Shaper
Não falo de RAG como quem leu sobre o assunto. A Shaper usa esse modelo internamente, como parte do nosso processo de consultoria.
O maior desafio não foi tecnológico. Foi convencer a equipe a registrar apenas três tipos de arquivo que realmente importam para uma memória estratégica funcionar: briefings e transcrições de reuniões estratégicas, apresentações em suas versões finais, e dados estratégicos como pesquisas, brand lifts e brand tracking. Tudo fora disso é ruído. E ruído alimentado em um sistema de IA produz respostas ruins.
Depois dessa curadoria, o ganho foi direto: em vez de presumir se uma estratégia funciona para determinado segmento, conseguimos verificar se já passamos por algo parecido, qual foi o resultado, o que mudamos ao longo do caminho. Para uma consultoria, ter uma base para balizar decisões ao invés de operar só por intuição muda a qualidade das recomendações.
Aquela reunião de briefing que descrevi no início teria sido diferente com isso. Não necessariamente mais fácil. Mas diferente.
Nos próximos artigos vou trazer casos mais detalhados de como agências e departamentos de marketing estão usando isso na prática, incluindo os erros que cometemos no caminho.