Resposta direta: não, uma empresa não precisa automaticamente de 12 meses de dados “limpos” para começar. Ela precisa de evidência suficiente para a decisão específica que pretende automatizar, com resultado observável, baseline comparável e risco de liberação compatível. Um copiloto que resume pedidos aprovados pode começar com dezenas de exemplos revisados; um modelo que prioriza leads raros precisa de resultados maduros positivos e negativos; uma decisão de incentivo exige comparador para separar resposta de causalidade. A pergunta correta não é “quantos dados temos?”, mas “que afirmação este workflow fará, em qual unidade, antes de qual ação, e como provaremos que é melhor e seguro o bastante?”.
O mito dos 12 meses mistura três problemas diferentes. Calendário cobre sazonalidade; volume permite estimar padrões; e maturação mostra o resultado final. Doze meses podem conter milhares de compras para um ecommerce e apenas vinte contratos para um negócio enterprise. Também podem registrar uma política antiga, um CRM trocado e uma campanha que já não existe. Mais linhas não consertam rótulo errado, vazamento de informação futura ou ausência de comparador. Comece pelo plano de primeiro fluxo em https://makinai.co/insights/pt/por-onde-comecar-ia-marketing-plano-90-dias, mas só promova a IA quando o contrato abaixo estiver completo.
Escreva um Contrato de Evidência Mínima
- Decisão — qual recomendação, classificação ou ação será produzida; para quem; em que momento e canal.
- Unidade — pessoa, conta, pedido, sessão, campanha ou ativo; nunca misture grãos sem uma regra explícita.
- Resultado — evento que representa sucesso, fracasso e dano; fonte autorizada e responsável pelo rótulo.
- Maturação — tempo até o resultado ficar estável, incluindo cancelamento, devolução, venda ou churn tardio.
- Janela — intervalo histórico necessário para capturar ciclos relevantes, mudança de política e sazonalidade material.
- Prevalência — frequência do evento positivo, do negativo e dos casos críticos; o total bruto pode esconder raridade.
- Representação — mercados, produtos, canais, segmentos e condições que o workflow encontrará em produção.
- Baseline — regra atual, decisão humana ou fluxo sem IA que será comparado na mesma métrica e horizonte.
- Separação — treino, validação, teste e, quando o tempo importa, um período futuro não usado no desenvolvimento.
- Gate — métricas mínimas, limites de dano, owner, modo de revisão, rollback e prazo para reavaliar.
Esse contrato cabe numa página e precisa existir antes da compra de plataforma ou do pedido de modelo. Ele evita que o fornecedor declare “dados suficientes” olhando apenas contagem de registros. Também evita o oposto: adiar um fluxo determinístico de alto valor porque a empresa ainda não tem um data lake perfeito. A avaliação geral de prontidão em https://makinai.co/insights/pt/avaliar-prontidao-dados-antes-contratar-empresa-ia continua útil, mas aqui o escopo é menor: evidência necessária para uma decisão e uma liberação concretas.
Diferencie quatro tipos de workflow
Um copiloto de recuperação de informação pode começar pequeno se usa fontes aprovadas, cita a origem e não executa a ação. O conjunto inicial deve cobrir perguntas reais, respostas corretas, recusas e casos de fronteira. Meça precisão factual, cobertura, tempo economizado e taxa de correção humana. Volume de documentos não substitui um conjunto de avaliação representativo.
Um workflow determinístico com IA assistindo exceções — por exemplo, validar nomenclatura de campanhas e encaminhar divergências — pode operar com regras, replay de casos e shadow mode. A evidência mínima é cobertura das rotas, falsos bloqueios, falsos passes e capacidade de rollback. Se a parte crítica cabe em regra, preserve-a em código; não a esconda num prompt.
Um modelo preditivo, como propensão de conversão, precisa de exemplos com resultado já maduro, positivos e negativos, e um corte temporal que imite produção. O Google recomenda treino, validação e teste separados; o teste deve representar o mundo real e não conter duplicatas do treino. A documentação também alerta que a verdade muda com o tempo. Portanto, um split aleatório pode parecer ótimo e falhar quando aplicado ao mês seguinte.
Uma decisão causal — desconto, canal, frequência ou tratamento — precisa de comparação. Histórico de compradores mostra correlação, não o que teria ocorrido sem a ação. Use holdout, teste aleatório quando viável ou outro desenho aprovado por analytics. Sem comparador, limite a afirmação a previsão ou priorização; não prometa incremento.
Calcule a janela pelo resultado, não pelo calendário
Comece pela latência. Se um lead leva 45 dias para virar receita e há mais 15 dias para confirmar cancelamentos, a safra recente ainda não tem rótulo. Treinar com ela como “perdida” ensina o atraso operacional. Congele uma data de observação, espere a janela de maturação e documente quais eventos podem corrigir o rótulo.
Depois verifique frequência e prevalência. Uma base com 100 mil linhas e 80 eventos positivos continua frágil para segmentar cinco países e dez produtos. Mostre contagens por classe e por segmento, intervalos de incerteza e erro nos grupos de maior impacto. Quando o evento é raro, agrupar decisões, simplificar o alvo ou começar com revisão humana costuma gerar mais valor do que comprar um modelo complexo.
Sazonalidade só importa quando muda a decisão. Black Friday pode ser essencial para varejo e irrelevante para uma jornada B2B de renovação. Se um ciclo anual é material mas a empresa só tem três meses, não invente cobertura. Comece com regras, restrinja o rollout, mantenha revisão e use os próximos ciclos como coleta planejada. Mudanças de preço, tracking, consentimento, canal ou produto devem virar marcos; dados anteriores podem servir como contexto, não como população idêntica.
Use referências externas como limites, não como resposta universal
As Rules of Machine Learning do Google recomendam primeiro uma infraestrutura sólida e uma abordagem simples; destacam que grande parte do ganho vem de features e dados, não de complexidade prematura. Isso sustenta um baseline simples, não um número universal de linhas. A orientação de datasets reforça teste separado, representatividade e ausência de duplicatas. O NIST, por sua vez, pede baseline, mensuração, validação, monitoramento e tolerância a risco definidos no contexto de uso.
Até plataformas com grande escala usam recomendações específicas por produto. A ajuda do Google Ads recomenda avaliar Target CPA em 30 dias com pelo menos 30 conversões, enquanto a orientação de value-based bidding cita volume, atraso e qualidade do valor e pode recomendar 15 conversões em 30 dias para certos cenários. Esses números não são licença para transplantar uma regra de mídia para lead scoring, churn ou conteúdo. Eles mostram precisamente por que decisão, produto e atraso importam.
Comece antes do modelo, mas não antes da medição
Semana 1: escolha uma decisão frequente, reversível e economicamente legível. Desenhe fonte, unidade, resultado, latência, owner e baseline. Semana 2: extraia uma amostra temporal, reconcilie rótulos com CRM ou receita e registre lacunas. Semana 3: construa a regra mais simples e o conjunto de avaliação; reserve período futuro. Semana 4: rode o workflow em shadow mode sem executar ações. Semana 5: compare por segmento, revise erros e defina limites. Semana 6: libere uma fração pequena com aprovação humana, monitoramento e rollback.
O gate deve combinar utilidade e dano. Para priorização de leads, acompanhe precisão no topo, cobertura, receita madura, tempo poupado e oportunidades perdidas; para geração de conteúdo, factualidade, conformidade de marca, retrabalho e ciclo; para CRM, erros de elegibilidade, reclamações, opt-outs e margem. Métrica offline é condição necessária, não prova de impacto. Mantenha baseline operacional e, quando a ação muda tratamento, experimento.
Custos vêm de backfill, reconciliação de IDs, definição de rótulos, revisão, integração, ambiente de teste, monitoramento, espera de maturação e manutenção. O orçamento completo está em https://makinai.co/insights/pt/quanto-custa-primeiro-workflow-ia-marketing-orcamento. Comprar mais histórico pode ser mais barato que operar erros; em outros casos, rotular uma amostra e restringir o workflow vence um projeto de consolidação amplo. Decida com custo por erro evitado, tempo até evidência e valor do aprendizado.
Defina quem pode dizer “há evidência suficiente”
Marketing responde pela decisão e pelo impacto esperado; CRM e Dados pela unidade, extração e qualidade; Analytics pelo baseline, split e comparador; Vendas, Commerce ou Atendimento pelo rótulo econômico; Privacidade pela finalidade e minimização; Tecnologia pela execução e rollback; o sponsor pela tolerância a dano. O fornecedor pode recomendar, mas não deve aprovar sozinho o conjunto que prova seu próprio trabalho.
A escolha entre copiloto, workflow e agente em https://makinai.co/insights/pt/copiloto-workflow-agente-ia-marketing-o-que-implementar deve seguir esse risco. Quanto mais autônoma e irreversível a ação, maior a evidência, a observabilidade e a aprovação necessárias. Se sua equipe tem uma ideia de IA parada entre “dados insuficientes” e “vamos testar logo”, leve à MAKINAI em https://makinai.co/services/pt/consultoria-estrategia-ia-transformacao uma decisão, uma amostra anonimizada e o atraso do resultado. Podemos delimitar o Contrato de Evidência Mínima e o piloto menor que produz uma resposta real, sem vender um número mágico de meses.