Quem compra e quem vende IA: o que empresas líderes exigem de um parceiro de tecnologia

Comprar inteligência artificial não deveria começar pela tecnologia. E vender inteligência artificial também não deveria começar pelo produto.

Essa foi uma das principais conclusões do episódio 13 da temporada 2026 do Roda B2B, podcast da Econodata, apresentado por Paulo Krieser, CEO da Econodata. A conversa reuniu Djalma Brighenti, diretor de TI da Ford América do Sul, e Emerson Pelizzon, Sales Director da Nokia, para discutir o que muda na relação entre quem compra e vende IA e, principalmente, o que empresas de grande porte esperam de seus parceiros de tecnologia.

Emerson trouxe uma perspectiva particularmente interessante por ter trabalhado dos dois lados da mesa, tanto em compras quanto em vendas. No início da conversa, ele também ressaltou que suas opiniões no episódio representam seu ponto de vista pessoal, e não necessariamente a posição institucional da Nokia. Djalma, por sua vez, compartilhou exemplos concretos de como dados e inteligência artificial estão sendo aplicados na Ford, tanto na engenharia dos veículos quanto na experiência dos consumidores.

Ao longo da conversa, uma tese aparece repetidamente: tecnologia pela tecnologia não é suficiente. Para entender quem compra e vende IA no mercado B2B, é preciso compreender problemas de negócio, resultados esperados, integração, segurança, dados, capacidade de execução e, acima de tudo, a qualidade do relacionamento entre fornecedor e cliente.

Essa transformação faz parte de uma mudança maior nas vendas B2B, em que compradores chegam mais informados e fornecedores precisam elevar o nível da abordagem comercial.

Quem compra e vende IA precisa entender que o jogo mudou

O episódio começa colocando comprador e fornecedor na mesma discussão. Não se trata apenas de descobrir quais novas ferramentas de inteligência artificial chegaram ao mercado, mas de entender como a IA modifica a própria cadeia de fornecimento de tecnologia.

Essa perspectiva é importante porque, quando se discute quem compra e vende IA, é fácil reduzir o debate às funcionalidades de modelos, agentes, automações e softwares. Para grandes organizações, porém, essa é apenas uma das camadas da decisão.

A tecnologia precisa fazer sentido dentro de um contexto operacional real. Ela precisa encontrar dados, processos, sistemas já existentes, requisitos de segurança, equipes com diferentes níveis de maturidade e, sobretudo, problemas que justifiquem o investimento.

Por isso, a discussão rapidamente sai da pergunta sobre “qual IA utilizar” para entrar em questões mais profundas: qual problema será resolvido, como provar que existe valor, como colocar uma solução em escala, como proteger dados e como construir uma relação entre comprador e fornecedor que sobreviva ao primeiro projeto.

O comprador conhece mais e o vendedor precisa conhecer o cliente

Para Emerson, houve uma mudança importante na dinâmica entre compradores e vendedores B2B. Com muito mais informação disponível, o comprador consegue estudar produtos, soluções e mercados antes de conversar com um representante comercial.

Isso significa que, em determinadas situações, o comprador chega a uma reunião conhecendo profundamente a tecnologia que está avaliando. Consequentemente, o vendedor que entra em uma conversa apenas para repetir especificações do próprio produto perde relevância.

A preparação comercial muda de direção. Segundo Emerson, o vendedor precisa dominar cada vez mais o cliente, sua necessidade e sua dor. O conhecimento técnico do produto continua necessário, mas deve ser usado para demonstrar como aquela solução se encaixa no problema que está sendo discutido.

Em uma venda enterprise, essa diferença é ainda mais relevante. O fornecedor pode se encontrar diante de um comitê de compras formado por pessoas que já estudaram a tecnologia. Chegar nesse ambiente com uma apresentação predominantemente descritiva sobre o produto significa começar a conversa em desvantagem.

Esse cenário dialoga diretamente com um dos maiores erros das operações de vendas B2B: estruturar o pitch em torno das funcionalidades da solução antes de compreender profundamente o problema do potencial cliente.

O ponto central é simples: comprador e vendedor precisam elevar seu nível de preparação. O comprador precisa entender o que está adquirindo, enquanto o vendedor precisa entender profundamente para quem está vendendo e por que sua solução faria sentido naquele contexto.

Como a IA pode preparar melhor vendedores e fornecedores

A própria inteligência artificial pode ser utilizada para responder a essa mudança. Emerson cita como exemplo situações nas quais uma empresa recebe uma RFP ou outro documento detalhando uma necessidade de compra.

Em vez de depender exclusivamente de uma leitura manual extensa, o profissional pode utilizar IA para analisar informações, aprofundar o conhecimento sobre o cliente e identificar elementos que merecem investigação adicional antes da elaboração de uma proposta.

Agentes de IA também podem apoiar essa preparação. A ideia não é deixar a máquina decidir o que deve ser vendido, mas utilizar sua capacidade de processar informações para ajudar o vendedor a compreender mais rapidamente quais assuntos merecem atenção.

Na prática, isso significa chegar a uma reunião comercial com perguntas melhores. Em vez de utilizar boa parte do encontro para descobrir aspectos básicos do negócio, o vendedor tem a oportunidade de chegar com hipóteses, dúvidas e possíveis caminhos que demonstram estudo prévio.

A Econodata aprofunda essa combinação entre tecnologia e atuação humana no conteúdo sobre agentes de IA e vendedores no B2B. O princípio é semelhante: a inteligência artificial pode ampliar a capacidade de quem já conhece vendas, mas não elimina a necessidade de julgamento e contexto.

Para a prospecção B2B, isso significa que o valor da IA não está apenas em escrever e-mails ou produzir textos em menos tempo. Ela também pode ajudar o vendedor a chegar ao contato humano mais preparado para fazer aquilo que continua sendo essencialmente humano: entender contexto, relacionar informações e construir confiança.

O que uma grande empresa procura em um parceiro de IA

Quando a discussão passa para o ponto de vista de quem compra tecnologia em uma grande corporação, Djalma começa por alguns requisitos básicos. Conhecer a solução é importante. Entender sua arquitetura também. Saber como os dados serão protegidos é fundamental. Mas isso representa a base e não necessariamente o principal diferencial.

A conversa precisa partir da pergunta: como essa tecnologia será aplicada ao negócio? Djalma explica que espera que um parceiro procure entender as necessidades e os problemas da organização antes de apresentar uma solução genérica. Quando a apresentação não conversa com aquele contexto, ocorre uma desconexão.

A tecnologia precisa estar vinculada a resultados de negócio. Se essa relação não existe, a discussão dificilmente evolui. Essa é uma distinção fundamental para empresas que querem entender quem compra e vende IA: grandes organizações não estão necessariamente procurando “ter IA”. Elas procuram resolver problemas, e a inteligência artificial pode ser uma das maneiras de fazer isso.

No caso de tecnologias que ainda estão em processo de evolução, Djalma destaca ainda a importância de uma cultura de experimentação. Um caminho apresentado durante a conversa começa pela identificação de uma dor de negócio, passa por uma prova de conceito pequena para verificar a viabilidade técnica e evolui para um piloto com situações reais e critérios claros de medição.

Somente depois de validar que aquela hipótese realmente funciona surge uma discussão mais ampla sobre escala. Emerson complementa essa visão diferenciando a prova de conceito daquilo que chama de prova de valor: não basta demonstrar que a tecnologia funciona; é preciso verificar se ela efetivamente produz o benefício esperado e justifica o investimento.

Para fornecedores de IA, essa diferença muda a maneira de vender. Uma PoC que apenas comprova capacidade tecnológica pode não ser suficiente. O fornecedor precisa ajudar o cliente a conectar tecnologia, impacto e retorno esperado.

Como a Ford usa IA com mais de 400 mil veículos conectados

Para transformar os conceitos em situações concretas, Djalma apresenta dois casos de aplicação dentro da Ford. O primeiro está ligado à engenharia e aos veículos conectados.

Segundo ele, a Ford já tinha mais de 400 mil veículos conectados na América do Sul no momento da conversa. Diferentes módulos do carro gerenciam sistemas como motor, ar-condicionado e câmbio e, mediante autorização do cliente, dados sobre a operação desses veículos podem ser enviados para a empresa.

O volume informado no episódio chama atenção: aproximadamente 100 milhões de linhas de dados por dia provenientes da operação desse parque de veículos conectados. É justamente aí que a utilização de inteligência artificial se torna relevante, porque acompanhar manualmente essa quantidade de informação seria impraticável.

Djalma explica que a engenharia utiliza um Command Center que monitora esses sinais. A IA ajuda a encontrar anomalias e comportamentos fora do padrão. Dessa forma, padrões potencialmente problemáticos podem aparecer antes mesmo de determinado motorista experimentar uma falha em seu veículo.

Em determinadas situações, a engenharia pode estudar a ocorrência e realizar uma atualização de software no módulo envolvido. Djalma compara o processo às atualizações de aplicativos em um celular. As configurações podem ser enviadas ao veículo por meio de atualização over the air, permitindo corrigir ou melhorar determinados aspectos sem depender necessariamente de uma visita física para aquela atualização específica.

O exemplo mostra algo importante para quem compra e vende IA: o valor não está apenas no modelo utilizado. Existe uma combinação de conectividade, autorização para uso de dados, infraestrutura, arquitetura, capacidade de monitoramento, conhecimento de engenharia e inteligência artificial trabalhando sobre todo esse ecossistema.

IA generativa aplicada à experiência do consumidor

O segundo exemplo apresentado por Djalma está ligado à experiência do consumidor. Ele descreve uma iniciativa que nasceu de experimentação e de um hackathon, passou por uma prova de conceito, foi experimentada com distribuidores e depois evoluiu.

No episódio, ele menciona resumos chamados de Vehicle Tweet e Customer Tweet. A proposta é reunir informações relevantes para o consultor técnico que atenderá o cliente.

No lado do consumidor, informações provenientes das interações com a Ford, como registros no CRM, pesquisas e contatos anteriores, podem ser resumidas com o auxílio de IA generativa. No lado do veículo, entram elementos como histórico de revisões, problemas registrados e códigos de falha.

Assim, quando o atendimento começa, o consultor consegue receber um contexto resumido do consumidor e do automóvel. Em vez de obrigar o cliente a reconstruir toda a história desde o início, o profissional pode iniciar a conversa mais bem informado.

Esse tipo de centralização de informações também mostra por que um CRM bem estruturado se torna relevante na construção de uma visão mais completa sobre clientes e suas interações.

É uma aplicação diferente da manutenção preditiva, mas baseada no mesmo princípio: diante de uma grande quantidade de informação, a IA ajuda a identificar e apresentar o que é relevante naquele momento específico.

IA na Nokia: velocidade, preparação e propostas mais aderentes

Emerson reforça que não existe uma “receita única” para aplicar inteligência artificial. Dentro de uma organização de tecnologia, os casos podem aparecer em pré-vendas, vendas, desenvolvimento e várias outras áreas.

Ele comenta que a Nokia possui uma IA própria utilizada em atividades relacionadas aos seus produtos. Na área mais próxima de sua atuação, um exemplo é o apoio à análise das necessidades enviadas pelo cliente para construir uma resposta mais aderente.

Imagine novamente um documento detalhando o que determinada companhia pretende adquirir. A IA pode apoiar os profissionais na análise desse material e na identificação de qual configuração ou solução se encaixa melhor naquela demanda.

Isso não elimina a necessidade de especialistas humanos. Pelo contrário: Emerson ressalta que quem utiliza esse tipo de recurso conhece o produto e a solução. A inteligência artificial reduz parte do trabalho de navegação por uma enorme quantidade de informação para que esses profissionais consigam aprofundar o que realmente importa.

O benefício mais tangível apontado por ele é a velocidade de resposta. Trabalhos que anteriormente poderiam demandar dias, semanas e, em determinados casos, períodos ainda maiores de estudo passam a ter etapas significativamente aceleradas. Em algumas situações mencionadas por Emerson, é possível chegar a uma resposta inicial em horas.

Para vendas B2B, a consequência é relevante. A IA não deveria simplesmente gerar uma proposta mais rápido. Ela pode liberar tempo para que profissionais especializados estudem justamente os pontos da solução que apresentam maior aderência ao problema do cliente.

A IA muda até a forma como profissionais conversam com seus líderes

A discussão então avança para um impacto menos óbvio: a IA pode alterar a própria natureza da comunicação dentro das organizações.

Em vez de levar uma dúvida ainda pouco desenvolvida para um gestor, o profissional pode utilizar inteligência artificial para fazer uma investigação preliminar, testar hipóteses e estruturar diferentes possibilidades.

Emerson dá um exemplo prático. Em vez de chegar à liderança perguntando genericamente o que fazer, o profissional pode estudar anteriormente e formular algo mais parecido com: existem os caminhos A e B, estes são seus aspectos principais e agora preciso de uma decisão ou opinião.

A dúvida chega mais madura à liderança. Isso economiza tempo de quem pergunta e de quem precisa responder.

Djalma acrescenta que essa nova dinâmica exige curiosidade intelectual e pensamento crítico. Utilizar IA não significa aceitar automaticamente a primeira resposta apresentada. O profissional precisa ter capacidade para avaliar, desafiar e contextualizar aquilo que recebeu.

Esse ponto também aparece na fala de Emerson, que alerta para o risco de transformar o profissional em uma espécie de mero intermediário da resposta produzida pela IA. Se a pessoa deixa de questionar, interpretar e desenvolver seu próprio raciocínio, existe uma perda justamente da capacidade que deveria ser amplificada pela tecnologia.

Portanto, a produtividade proporcionada pela IA não deveria ser medida apenas pelo número de tarefas concluídas. Um ganho importante está em permitir que discussões humanas comecem em um nível mais elevado de preparação.

Automatizar o operacional sem pasteurizar o pensamento

Emerson defende que uma utilização importante da IA está na redução de atividades operacionais que consomem tempo. Um exemplo discutido é a criação de apresentações.

Ferramentas de IA podem construir estruturas iniciais e acelerar consideravelmente o trabalho que antes precisava ser feito manualmente. Isso permite que o profissional dedique proporcionalmente mais energia à interpretação e ao conteúdo do que às etapas braçais da produção.

Mas Djalma chama atenção para um efeito colateral: o resultado pode se tornar pasteurizado. Quando todos utilizam as mesmas ferramentas de maneira semelhante, sem personalização e sem refinamento, começam a surgir materiais que carregam uma aparência claramente padronizada.

Esse risco apareceu também em uma experiência comentada por Paulo na Econodata. À medida que ferramentas passaram a facilitar a produção de apresentações, líderes começaram a produzir materiais muito parecidos. A orientação, então, foi manter a eficiência proporcionada pela tecnologia, mas adicionar identidade própria.

Essa discussão vai muito além de slides. Ela vale para e-mails comerciais, propostas, relatórios, apresentações executivas e diversas outras entregas em vendas B2B.

Se todos os fornecedores utilizarem os mesmos modelos para produzir abordagens muito semelhantes, a inteligência artificial poderá aumentar a quantidade de conteúdo enquanto reduz a diferenciação entre eles. A vantagem estará em quem conseguir utilizar a IA como infraestrutura para acelerar o trabalho sem terceirizar para ela a personalidade, o julgamento e o conhecimento do contexto.

Service as a Software, SaaS e o desafio de transformar hype em operação

Durante o episódio, uma enquete perguntou em qual estágio estavam as empresas dos participantes quando o assunto era contratação de soluções de IA de fornecedores externos. Entre os respondentes, 49% estavam pesquisando possibilidades, 34% já tinham soluções em operação, 12% faziam pilotos e 5% estavam avaliando fornecedores.

O resultado reforçou a percepção de que ainda existe muita experimentação acontecendo. Ao mesmo tempo, Paulo trouxe para a conversa uma tese sobre a possível evolução do tradicional Software as a Service para modelos descritos como Service as a Software, nos quais a tecnologia deixa de ser apenas uma ferramenta entregue ao cliente e passa a executar uma parcela maior do próprio serviço.

No episódio, Paulo atribui essa discussão a uma tese da Sequoia e menciona estimativas apresentadas por ela. Como esse dado aparece na conversa como uma referência apresentada pelo host, ele deve ser entendido nesse contexto, e não como uma validação independente do tamanho desses mercados.

A pergunta feita a Djalma foi justamente se o SaaS tradicional estaria se tornando uma commodity ou até sendo substituído por um novo modelo.

A resposta foi de cautela. Djalma diz ter dificuldade com declarações muito impactantes tratadas imediatamente como realidade. Para ele, esse tipo de manchete pode funcionar como um sinal da direção na qual o mercado está caminhando, mas existe uma diferença importante entre tendência tecnológica e adoção concreta.

Uma solução pode funcionar muito bem em um piloto e ainda estar longe de poder sustentar uma operação de missão crítica. Segurança, escala, proteção dos dados, integração, resiliência e transformação de processos continuam existindo depois que a demonstração termina.

A mensagem para quem vende IA é importante: ser capaz de criar algo rapidamente não equivale necessariamente a estar pronto para fornecer aquela solução a uma grande corporação.

Vibe coding: velocidade para experimentar não significa prontidão para escalar

Essa diferença leva a conversa ao vibe coding, abordagem na qual ferramentas baseadas em IA permitem criar aplicações com cada vez mais apoio de instruções em linguagem natural.

Djalma vê valor nesse modelo principalmente para experimentação rápida, prototipagem e aprendizagem. Um grupo pequeno consegue construir algo relevante em pouco tempo e utilizá-lo para compreender melhor determinada necessidade.

A dificuldade surge quando a solução precisa sair daquele grupo e ganhar escala. Uma aplicação departamental ou integrada ao ecossistema tecnológico da empresa passa a exigir características que um experimento isolado talvez não tenha sido projetado para entregar.

Segurança, resiliência, integração e capacidade de atender um número maior de usuários voltam ao centro da discussão. Isso não significa desenvolver sem IA. Djalma explica que a própria forma de trabalho da área de tecnologia pode incorporar inteligência artificial, porém dentro de um processo mais robusto e capaz de atender toda a organização.

Emerson considera o tema ainda relativamente incipiente e defende cautela diante de conclusões definitivas sobre para onde o vibe coding levará o desenvolvimento de software. Na sua avaliação, ainda há amadurecimento pela frente.

O episódio também aborda uma barreira que não está no código: as pessoas. Mudanças profundas na forma de trabalhar encontram resistência. Quanto mais diretamente a tecnologia modifica o cotidiano de determinado profissional, maior pode ser o desconforto com sua adoção.

Para quem compra e vende IA, esse é mais um fator que não aparece em uma simples comparação de funcionalidades. Uma solução tecnicamente superior pode fracassar se ignorar processos, governança e capacidade humana de absorver a transformação.

Sem dados confiáveis, a inteligência artificial perde valor

Ao falar sobre conhecimento organizacional, Djalma explica que a Ford já vinha investindo na estruturação de dados antes da explosão recente da inteligência artificial generativa.

Um dos caminhos adotados foi trabalhar com Data Lakes. Mas a lógica apresentada não começou pela tentativa de construir imediatamente uma arquitetura capaz de armazenar absolutamente tudo o que a organização pudesse imaginar.

O ponto de partida foram casos de uso de negócio. Identifica-se uma necessidade que depende de determinado conjunto de dados e, a partir dela, constrói-se a estrutura necessária para tornar essas informações disponíveis.

Essa abordagem produz uma base importante para a IA. Djalma ressalta que os dados precisam ser estruturados, curados e, sobretudo, confiáveis. Se a área de negócio não confia na informação, adicionar inteligência artificial sobre ela não soluciona o problema.

“Inteligência artificial sem os dados é só artificial.”

A afirmação resume uma questão central da IA corporativa: modelos sofisticados não compensam bases desorganizadas, informações sem contexto ou dados nos quais a organização não consegue confiar.

A evolução seguinte foi acrescentar contexto aos próprios dados. Informações que antes eram compreendidas principalmente pelas pessoas que trabalhavam diretamente com determinadas tabelas passaram a precisar de definições acessíveis para outras áreas e também para sistemas de IA.

IA gerando dicionários de dados

É nesse ponto que aparece outro caso concreto: a utilização de inteligência artificial para gerar dicionários de dados.

Djalma explica que a documentação de tabelas costuma ser uma atividade trabalhosa e nem sempre recebe a atenção necessária. A Ford começou utilizando IA para gerar essas descrições em parte das tabelas. Segundo ele, o resultado foi considerado tão positivo que a iniciativa foi ampliada.

Assim, novas tabelas podem nascer acompanhadas de uma explicação mais estruturada sobre o significado de seus dados. Isso ajuda tanto novos profissionais que precisam consumir a informação quanto a própria IA, que passa a receber mais contexto para interpretá-la.

É um caso interessante porque a inteligência artificial não aparece apenas consumindo dados. Ela é utilizada para tornar os dados mais compreensíveis e, consequentemente, criar condições melhores para outras aplicações de IA.

Como escolher uma solução de IA para vendas

Durante as perguntas do público, surgiu uma questão bastante prática: o que observar ao contratar IA para vendas?

A resposta de Emerson retorna ao princípio que atravessa todo o episódio. Antes de escolher tecnologia, a empresa precisa saber o que espera que a IA faça.

Não basta decidir genericamente que o time comercial “precisa de IA”. É necessário especificar o problema, o apoio esperado e o retorno pretendido. Somente com essa definição a empresa consegue avaliar quem tem capacidade de desenvolver ou implementar uma solução adequada.

Emerson menciona ainda que a solução pode envolver um agente construído sobre plataformas que a empresa já utiliza. O ponto não é comprar IA como uma categoria abstrata, mas encontrar uma aplicação que simplifique uma tarefa ou melhore determinado processo.

Para isso, quem está comprando precisa se preparar. Ele resume esse raciocínio dizendo que o comprador precisa estudar aquilo que deseja adquirir.

Essa talvez seja uma das maiores mudanças trazidas pela IA para compras B2B. Como o mercado evolui muito rapidamente, delegar todo o entendimento técnico ao fornecedor aumenta a dependência comercial e dificulta a comparação entre alternativas.

Quanto mais clara for a necessidade, mais fácil será avaliar se determinada solução realmente a atende.

Quanto do trabalho será automatizado pela IA?

Outra pergunta do público provocou Djalma a estimar quanto das operações empresariais estaria automatizado por inteligência artificial nos próximos cinco anos.

Ele evitou apresentar um percentual. Para Djalma, cinco anos representam um horizonte muito longo diante da velocidade atual da evolução tecnológica.

Mais importante do que buscar um número de automação, em sua avaliação, é continuar perguntando qual problema precisa ser resolvido.

Automatizar uma atividade apenas porque isso é tecnicamente possível pode produzir um processo mais caro sem necessariamente entregar maior valor. Em determinados casos, inclusive, a resposta adequada pode continuar sendo uma automação tradicional ou outro tipo de solução, e não necessariamente inteligência artificial.

Ainda assim, Djalma considera provável uma forte evolução no apoio à tomada de decisão e na capacidade de entregar informações mais preparadas aos profissionais. Parte disso também deverá chegar incorporada aos próprios softwares que as empresas já utilizam.

A discussão então se aproxima do conceito de negócios cada vez mais autônomos e de agentes capazes de assumir diferentes etapas operacionais. Mesmo nesse cenário, Djalma ressalta a importância do papel humano na liderança e na administração desses agentes.

Emerson conecta o tema novamente às vendas. Para ele, relacionamento continua sendo uma chave importante para o sucesso comercial. Em compras mais transacionais ou de commodities, níveis maiores de automação podem fazer sentido, mas vendas complexas dependem de compreender pessoas, necessidades e contexto.

A IA, portanto, pode mudar profundamente o trabalho do vendedor sem necessariamente eliminar aquilo que torna as vendas enterprise complexas: relacionamento, negociação, confiança e interpretação.

O que realmente trava uma venda para uma grande empresa

Uma das perguntas mais relevantes para fornecedores veio de uma participante que relatou resistência mesmo depois de oferecer demonstrações e pilotos. O que ainda impede uma negociação de avançar?

Emerson responde voltando novamente ao conhecimento da dor do cliente. Em sua avaliação, muitas outras dificuldades podem ser contornadas, mas é muito difícil vender quando não existe compreensão suficiente do problema.

Há também uma barreira relacional. Quando o fornecedor não conhece ninguém dentro de uma grande organização, a entrada tende a ser mais difícil. Emerson recomenda buscar caminhos que possibilitem começar um relacionamento e, a partir desse ponto, conhecer outras pessoas até chegar às áreas capazes de explicar melhor a necessidade.

A observação dialoga diretamente com a prospecção B2B estratégica. Não basta identificar o CNPJ da empresa que se deseja abordar. É preciso entender contas, segmentos, stakeholders e os contatos mais aderentes ao processo comercial.

Djalma reforça o problema das abordagens descontextualizadas do ponto de vista de quem está comprando. Um fornecedor pode ter cases relevantes e grande capacidade técnica, mas perde credibilidade quando apresenta histórias ou ofertas que claramente não têm relação com o cenário daquele cliente.

Ele dá um exemplo simples: se determinada infraestrutura é global, não faz sentido insistir em vender uma solução local incompatível com aquela arquitetura sem antes compreender o contexto.

Paulo também compartilha uma experiência em que participou de uma reunião com diversas pessoas de um fornecedor. Sua expectativa era esclarecer dúvidas específicas para decidir se valeria a pena avançar. Em vez disso, boa parte do tempo foi consumida por uma apresentação que não respondia ao seu problema.

Somente depois, um profissional técnico presente na conversa respondeu rapidamente à questão que realmente importava.

O episódio transforma essa situação em uma lição comercial bastante direta: apresentações de vendas deveriam começar pela compreensão e pela resolução do problema, e não por uma longa sequência de slides apresentando tudo aquilo que o fornecedor possui.

Para quem vende IA, isso é ainda mais importante. O comprador provavelmente já sabe que existem modelos, agentes, copilotos, automações e integrações. A questão é por que exatamente aquela combinação faz sentido para ele.

Pequenos fornecedores conseguem vender IA para grandes corporações?

A resposta de Djalma à pergunta sobre empresas pequenas é clara: sim, elas podem ter espaço.

Pelo menos no contexto descrito por ele, tamanho não é necessariamente o fator decisivo quando existe uma competência capaz de resolver um problema concreto. Um fornecedor que demonstra capacidade, aceita experimentar e está disposto a construir junto pode chamar atenção mesmo sem possuir a escala de uma grande consultoria.

Djalma observa ainda que grande parte do mercado acaba utilizando algumas das mesmas tecnologias fundamentais. O diferencial passa a estar na forma como aquela tecnologia é aplicada para resolver determinado problema.

Emerson acrescenta uma vantagem potencial dos fornecedores menores: flexibilidade. Enquanto uma organização muito grande pode ter dificuldade para dedicar enorme atenção a uma necessidade específica, um fornecedor menor pode conseguir aprofundar o diagnóstico e construir uma resposta mais focada.

Essa proximidade pode representar uma vantagem competitiva importante para startups e empresas especializadas em inteligência artificial. Em vez de tentar competir com grandes fornecedores em amplitude de portfólio, elas podem ganhar espaço pela profundidade na resolução de uma dor.

Essa lógica também aparece em estratégias de vendas por canais e parceiros, nas quais competência específica, complementaridade e capacidade de construir soluções em conjunto podem abrir portas em ecossistemas maiores.

Isso, porém, não elimina as particularidades de vender para uma grande organização.

Emerson lembra que fornecedores precisam estar preparados para as regras de relacionamento comercial desse mercado. Ele utiliza como exemplo condições de pagamento que, segundo sua experiência no setor de telecomunicações, podem ser de 60, 75 ou 90 dias em empresas maiores.

Ou seja: uma empresa pequena pode ter competência técnica suficiente para vencer a disputa, mas ainda precisa ter estrutura operacional e financeira para jogar o jogo de um cliente enterprise.

A conclusão é particularmente relevante para quem vende soluções de IA. Ser pequeno não impede necessariamente a entrada. Tentar reproduzir exatamente a lógica utilizada para atender clientes pequenos, entretanto, pode gerar dificuldades quando a operação começa a ganhar escala.

O parceiro de tecnologia que grandes empresas querem manter por anos

Nas considerações finais, Djalma resume o perfil de parceria que procura: alguém que entenda sua dor e seu negócio e esteja disposto a construir uma relação de longo prazo.

Não se trata apenas de entrar na empresa, concluir um projeto e desaparecer. Ele fala sobre consistência na entrega, metodologia, proximidade e conhecimento tanto do contexto de negócio quanto do ambiente tecnológico.

Mas existe um nível adicional nessa relação.

Djalma valoriza parceiros que não simplesmente executem tudo aquilo que lhes é pedido. Um bom fornecedor também deve ser capaz de desafiar o cliente, propor maneiras melhores de fazer algo e buscar continuamente evolução e excelência.

Essa postura transforma fornecedor em parceiro. Em vez de esperar uma especificação fechada e apenas entregá-la, a empresa participa do processo de descoberta, experimentação e aprimoramento.

Emerson fecha a conversa olhando novamente para compradores e vendedores. Para quem vende, as duas recomendações finais são compreender a dor do cliente e construir um relacionamento saudável.

Para quem compra, ele afirma que “o comprador do passado não existe mais”. O profissional precisa conhecer aquilo que pretende adquirir e se preparar para dialogar tecnicamente com quem está vendendo.

No fim, é isso que define boa parte da resposta à pergunta sobre quem compra e vende IA. A inteligência artificial acelerou o acesso à informação, aumentou a capacidade de experimentação e criou novas formas de trabalhar. Mas também elevou a régua para os dois lados.

O fornecedor precisa chegar mais preparado, contextualizado e orientado ao problema. O comprador precisa saber melhor o que está procurando, quais resultados espera e como avaliar o valor entregue.

E a relação entre os dois deixa de funcionar bem quando é tratada como uma disputa entre fornecedor versus cliente. A lógica mais produtiva é fornecedor e cliente trabalhando juntos.

Essa mesma visão está no centro de um go-to-market de precisão: usar dados, inteligência e processos para concentrar esforço nas oportunidades certas, em vez de desperdiçar recursos com abordagens genéricas.

Perguntas frequentes sobre quem compra e vende IA

O que grandes empresas avaliam ao contratar um fornecedor de IA?

Além da tecnologia, entram fatores como arquitetura, proteção de dados, aplicabilidade ao negócio e capacidade de demonstrar valor. Djalma destaca especialmente a necessidade de o fornecedor compreender a dor do negócio antes de apresentar uma solução genérica.

Como um fornecedor pode vender IA para uma grande empresa?

O primeiro passo é compreender profundamente o contexto do cliente. A conversa mostra que apresentações centradas apenas no produto tendem a perder força. O fornecedor precisa descobrir o problema, identificar stakeholders, construir relacionamento e demonstrar como sua solução pode gerar valor naquele contexto específico.

Qual é a diferença entre prova de conceito e prova de valor em IA?

Na definição discutida durante o episódio, a prova de conceito ajuda a verificar se uma tecnologia consegue tecnicamente atender determinada necessidade. A prova de valor avança para a pergunta seguinte: mesmo funcionando, essa solução realmente entrega o benefício e o retorno esperados?

Empresas pequenas conseguem fornecer soluções de IA para grandes corporações?

Sim, segundo as experiências discutidas no episódio. Djalma afirma que o tamanho não é necessariamente uma barreira quando o fornecedor possui competência para resolver uma dor e consegue demonstrá-la. Emerson acrescenta que empresas menores podem ter como vantagem maior flexibilidade e capacidade de aprofundar um problema específico.

A inteligência artificial substitui o vendedor B2B?

A conversa aponta mais para transformação do que para simples substituição. A IA pode apoiar pesquisa, análise de documentos, preparação de propostas e tarefas operacionais, mas Emerson reforça que relacionamento continua sendo fundamental em vendas. Quanto mais complexa a negociação, maior tende a ser a importância do entendimento do cliente e da interação humana.

Como escolher uma IA para o time de vendas?

A recomendação central do episódio é não começar pela ferramenta. Primeiro, a empresa precisa especificar claramente o problema que deseja resolver, o que espera que a IA faça e qual resultado pretende alcançar. A partir disso, torna-se possível avaliar fornecedores, agentes, plataformas ou soluções compatíveis com aquela necessidade.

O que concluímos com esta conversa…

A pergunta “qual IA devemos comprar?” provavelmente está um passo adiantada demais.

A discussão do Roda B2B mostra que empresas maduras tendem a começar por perguntas anteriores: qual problema estamos tentando resolver? Qual resultado esperamos? Que dados sustentam essa aplicação? Como vamos provar que existe valor? E quem consegue trabalhar conosco para transformar um experimento em algo seguro, confiável e escalável?

Do lado de quem vende, a mudança é igualmente profunda. O acesso à informação fez com que compradores chegassem muito mais preparados. Repetir uma apresentação de produto já não basta.

O fornecedor que pretende vender IA para grandes empresas precisa combinar tecnologia com conhecimento de negócio, preparação, relacionamento, capacidade de experimentação e consistência de entrega.

No final, talvez a grande mudança provocada pela IA não esteja apenas nos softwares. Ela está também elevando a qualidade da conversa entre quem compra e vende IA.