November 13, 2026
A força da IA generativa na construção de relacionamentos emocionais com os consumidores
Giovanna Paniguel da Silva; Leonardo Carlim
DOI: 10.22167/2675-6528-202604401
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
O marketing evoluiu para uma abordagem centrada no relacionamento, impulsionado pelo avanço da inteligência artificial generativa em canais conversacionais como o WhatsApp. O estudo objetivou identificar a capacidade da inteligência artificial generativa de construir relacionamentos emocionais com consumidores em fluxos de comunicação simulados, considerando elementos como linguagem afetiva, proximidade e personalização. Adotou-se uma abordagem exploratória qualitativa, com procedimento experimental. Aplicou-se um roteiro padronizado de interação em quatro marcas que utilizam IA generativa via WhatsApp. As respostas foram coletadas por observação direta não participante e analisadas segundo critérios como tom de linguagem, presença de elementos afetivos e continuidade do diálogo. Os resultados evidenciaram diferentes níveis de maturidade no uso da IA, destacando sistemas que, configurados com intencionalidade relacional, simularam empatia, mantiveram coerência contextual e sustentaram o vínculo ao longo da jornada, mesmo em situações de ruptura. Concluiu-se que a capacidade da IA generativa de construir relacionamentos emocionais não é inerente à tecnologia, mas depende de seu design estratégico, incluindo definição de persona, estruturação de prompts e uso de memória contextual, reforçando a integração entre tecnologia e estratégia de marketing de relacionamento.
Palavras-chave: Atendimento automatizado; Inteligência artificial conversacional; Linguagem afetiva; Marketing de relacionamento; Personalização.
1. Introdução
O marketing, tradicionalmente percebido como uma ferramenta de vendas, evoluiu para um processo social mais abrangente, focado na compreensão dos desejos dos consumidores, na construção de valor e na promoção de trocas significativas entre indivíduos e organizações (Kotler, 2018). Essa transformação posiciona o marketing como um elemento estratégico na criação de conexões duradouras entre marcas e seus públicos (Kotler e Keller, 2012).
Nesse contexto, o marketing de relacionamento ganha destaque por sua busca em estabelecer vínculos baseados em confiança e lealdade, transcendendo a mera transação comercial (Berry, 1995; Grönroos, 2009). A priorização da satisfação e lealdade do cliente reflete uma mudança estrutural no comportamento do consumidor e nas dinâmicas de mercado, reconhecendo o valor do cliente ao longo de todo o seu ciclo de vida com a marca (Kotler e Keller, 2012; Grönroos, 2009).
Para compreender a profundidade desses vínculos, é essencial diferenciar os tipos de relacionamento. O relacionamento racional é caracterizado por interações baseadas em atributos tangíveis, como preço e funcionalidade, seguindo uma lógica utilitária na decisão de compra (Schmitt, 1999). Em contrapartida, o relacionamento emocional incorpora dimensões afetivas, como identificação, pertencimento e conexão simbólica com a marca (Pine e Gilmore, 1999). Embora as relações apresentem aspectos racionais e emocionais, um vínculo emocionalmente significativo se distingue pela capacidade da marca de atender às necessidades subjetivas do consumidor.
Com o avanço das tecnologias digitais, a interação com o consumidor expandiu-se do ambiente físico para o digital. Ferramentas de Customer Relationship Management (CRM) permitem a integração de dados, o registro do histórico de interações e a personalização de experiências, possibilitando uma gestão mais estratégica do relacionamento (Payne e Frow, 2005). Nesse cenário, o marketing conversacional emerge como um modelo que substitui campanhas unilaterais por diálogos contínuos e personalizados (Rappaport, 2011). Aplicativos de mensageria, como o WhatsApp, intensificam essa dinâmica ao oferecer interações síncronas, personalizadas e com alta taxa de engajamento, facilitando a construção de relações mais próximas.
A inteligência artificial (IA) desempenha um papel crescente nesse ambiente. Enquanto a IA baseada em regras opera com instruções pré-definidas e a IA preditiva utiliza algoritmos para identificar padrões e antecipar comportamentos, a inteligência artificial generativa se destaca por sua capacidade de criar conteúdos originais e adaptar a comunicação de forma dinâmica, simulando padrões de linguagem humana (Russell e Norvig, 2021; Brown et al., 2020). Essa tecnologia permite automatizar interações e personalizá-las em escala, aprimorando a experiência do cliente (OpenAI, 2023; Ramanuj, 2025; Jurafsky e Martin, 2026; Bommasani et al., 2021). A incorporação de elementos emocionais na comunicação, como a linguagem afetiva (Tannen, 1987), pode ser operacionalizada por meio da programação de instruções específicas, conhecidas como prompts, transformando a IA em uma extensão da voz da marca com intenção relacional clara.
Diante desse panorama, surge a questão central deste estudo: a inteligência artificial generativa, quando aplicada ao atendimento via WhatsApp, é capaz de construir relacionamentos emocionais com consumidores ou se limita a respostas meramente funcionais? A compreensão dessa capacidade é crucial, pois o desempenho relacional da IA não é inerente à tecnologia, mas depende diretamente de seu design estratégico, incluindo a definição de persona, a estruturação de prompts e o uso de memória contextual. Este trabalho justifica-se pela necessidade de aprofundar o conhecimento sobre como a IA generativa pode ser utilizada para fomentar vínculos emocionais, um diferencial competitivo no mercado atual.
Dessa forma, estabelece-se como objetivo deste trabalho identificar, em fluxos de comunicação simulados, se a inteligência artificial generativa é capaz de construir uma relação emocional com o consumidor a partir de elementos como linguagem afetiva, proximidade, autenticidade e fidelização.
2. Material e Métodos
A pesquisa adotou uma abordagem exploratória de natureza qualitativa, buscando compreender em profundidade a manifestação da construção de relacionamento emocional em interações mediadas por inteligência artificial. Este fenômeno, ainda recente na literatura, foi investigado para identificar como a IA generativa pode fomentar vínculos emocionais com consumidores (Gil, 2008). Do ponto de vista dos procedimentos, configurou-se como um estudo de caráter experimental, envolvendo a aplicação controlada de um roteiro padronizado de interações (Malhotra, 2012).
O objeto empírico da pesquisa consistiu em fluxos de comunicação simulados com sistemas de inteligência artificial generativa. Foram analisadas interações com quatro marcas reais que utilizam essa tecnologia em seus atendimentos via WhatsApp. As marcas pertencem a segmentos distintos do varejo de consumo, mas todas empregam o WhatsApp como canal de relacionamento com o cliente.
A seleção das marcas baseou-se na classificação do apelo emocional dos produtos, diferenciando entre hedônicos e utilitários, conforme a literatura de comportamento do consumidor (Dhar e Wertenbroch, 2000; Babin, Darden e Griffin, 1994; Pine e Gilmore, 1999). Três marcas (A, B e C) foram escolhidas por apresentarem produtos com alto apelo emocional, enquanto uma marca (D), com produto de baixo apelo funcional, foi incluída como caso de contraste. Essa distinção permitiu observar a influência do setor ou de limitações técnicas na afetividade da IA.
A coleta de dados ocorreu entre 10 e 25 de janeiro de 2026. Para tanto, desenvolveu-se um roteiro único com cinco etapas sequenciais, fundamentado nos pressupostos teóricos do marketing de relacionamento (Kotler, 2018) e da linguagem afetiva (Tannen, 1987). O roteiro simulou uma jornada de compra, incluindo expressão de dúvidas, vínculo emocional e situações de urgência, para provocar diferentes tipos de resposta da IA.
As interações foram realizadas via WhatsApp das marcas, utilizando um número de teste sem identificação prévia. A coleta de dados empregou a técnica de observação direta não participante, na qual a pesquisadora interagiu com os sistemas sem interferir em sua lógica de funcionamento. Todas as respostas geradas pelas IAs foram registradas por meio de capturas de tela e posteriormente transcritas para análise (Marconi e Lakatos, 2017).
O funcionamento técnico dos sistemas de inteligência artificial generativa no atendimento via WhatsApp envolveu a integração de três camadas: a interface de comunicação com o usuário (API do WhatsApp Business), uma plataforma intermediária de gestão conversacional e o modelo de inteligência artificial generativa, geralmente baseado em Large Language Models (LLMs) (Russell e Norvig, 2021; Ramanuj, 2025; OpenAI, 2023). Esses LLMs são treinados com grandes volumes de dados textuais para gerar respostas coerentes em linguagem natural (Brown et al., 2020).
A interação da IA generativa foi moldada por três elementos principais: o conteúdo da mensagem do usuário, o histórico da conversa (memória contextual) e um conjunto de instruções pré-definidas, denominado “prompt”. O prompt desempenhou um papel central na definição do tom de voz, estilo de comunicação e presença de elementos afetivos, como empatia e proximidade (OpenAI, 2023; Bommasani et al., 2021). A memória contextual permitiu à IA manter coerência ao longo do diálogo, influenciando o nível de personalização (Jurafsky e Martin, 2026).
A análise dos dados baseou-se na observação e interpretação do conteúdo das respostas das IAs. As interações foram categorizadas segundo critérios predefinidos, que incluíram o tom de linguagem (formal, casual, afetivo), a presença de elementos afetivos (como vocativos, empatia e expressões de cuidado), a continuidade do diálogo (cumprimento das etapas do roteiro) e a capacidade de recuperação do sistema após uma ruptura proposital na interação. Não foram inseridos achados empíricos ou percentuais nesta etapa.
3. Resultados e Discussão
A análise das interações simuladas, conforme o roteiro previamente estabelecido, revelou que todas as quatro marcas conseguiram responder às etapas propostas, demonstrando uma aderência operacional básica ao fluxo de comunicação. Contudo, observaram-se variações significativas na maneira como cada sistema de inteligência artificial conduziu o diálogo, especialmente no que tange à construção de vínculos emocionais, ao emprego de linguagem afetiva e à capacidade de adaptação ao contexto específico apresentado pelo consumidor. Essas diferenças foram cruciais para identificar os distintos níveis de maturidade e intencionalidade relacional na aplicação da IA generativa.
A partir da observação detalhada das interações, foi possível delinear três perfis comportamentais distintos entre as IAs, que se alinham diretamente com os conceitos de design conversacional e marketing de relacionamento. É importante notar que, mesmo entre as marcas que operam em segmentos de alto apelo emocional, a performance relacional da IA não foi uniforme. Isso sugere que a capacidade de construir um vínculo afetivo não é intrínseca à natureza do produto ou serviço, mas sim um reflexo direto da forma como a tecnologia é configurada e implementada estrategicamente pela marca.
Análise por etapas do roteiro de interação
A primeira etapa, de abertura, teve como propósito avaliar a capacidade inicial da inteligência artificial em estabelecer o tom da interação. A Marca A destacou-se por adotar, desde o primeiro contato, um tom acolhedor e próximo, empregando linguagem conversacional e elementos que incentivaram o engajamento. Essa abordagem inicial indicou uma clara predisposição para a construção de um vínculo relacional desde o início da jornada do consumidor, estabelecendo uma base para interações futuras mais profundas e personalizadas, alinhando-se aos princípios do marketing de relacionamento (Kotler, 2018).
As Marcas C e D demonstraram um desempenho intermediário na etapa de abertura. Embora suas interações iniciais fossem adequadas do ponto de vista informacional, a intensidade relacional foi menor. Observou-se a presença pontual de elementos de proximidade, mas com uma predominância de respostas mais focadas na orientação do usuário do que na criação de uma conexão emocional. Já a Marca B adotou uma abordagem predominantemente funcional, caracterizada pelo uso de menus e respostas padronizadas, com poucos elementos de acolhimento ou personalização, limitando o engajamento inicial e posicionando a interação como meramente transacional.
Na segunda etapa, que envolve a explicitação da intenção de compra pelo consumidor, as diferenças entre as marcas tornaram-se ainda mais evidentes na condução da jornada e na consistência da comunicação. A Marca A manteve um desempenho elevado, com respostas altamente personalizadas, coerentes com o contexto e alinhadas ao objetivo do consumidor. A comunicação adaptou-se de forma precisa, sustentando o tom relacional construído anteriormente e conduzindo a interação de maneira fluida e eficiente até a potencial conversão, demonstrando uma compreensão aprofundada das necessidades do usuário.
A Marca B, que iniciou a interação com um tom mais simpático, perdeu consistência ao longo do fluxo. Na etapa de intenção de compra, sua comunicação tornou-se mais genérica e superficial, com uso pouco estratégico de emojis e menor exploração do contexto. Isso resultou em uma percepção reduzida de personalização e aprofundamento, limitando a capacidade de construir um relacionamento duradouro. A Marca C, por sua vez, apresentou fragilidades estruturais, interrompendo o fluxo e exibindo uma comunicação menos objetiva e excessivamente prolixa, o que dificultou o avanço da interação e a efetividade da resposta.
Em contraste, a Marca D demonstrou um desempenho consistente, destacando-se pelo uso de dados prévios do consumidor, como o histórico de carrinho abandonado. Sua comunicação foi mais objetiva, com uso moderado de elementos relacionais, e se sobressaiu pela oferta ampla e estruturada de opções de presente, conseguindo equilibrar personalização e direcionamento. Esse conjunto de fatores contribuiu para a conclusão satisfatória do fluxo, mesmo com uma abordagem mais funcional, evidenciando a capacidade de integrar dados para otimizar a experiência do cliente (Payne e Frow, 2005).
A terceira etapa, que introduziu uma dúvida com carga emocional, tornou ainda mais evidente a diferença de maturidade entre as IAs. A Marca A demonstrou uma elevada capacidade de reconhecer o contexto emocional apresentado, incorporando linguagem empática e personalização em sua resposta. Houve uma tentativa clara de estabelecer conexão com o consumidor, aproximando-se de um padrão de comunicação interpessoal e utilizando elementos de linguagem afetiva (Tannen, 1987) para simular empatia e cuidado, o que reforça o vínculo emocional.
As Marcas C e D apresentaram respostas parcialmente adequadas, reconhecendo o contexto emocional, mas com uma presença limitada de elementos afetivos. A Marca B demonstrou maior dificuldade em adaptar a resposta ao conteúdo emocional, enquanto a Marca C conseguiu manter um tom mais equilibrado, porém sem aprofundar significativamente o vínculo. Esse comportamento geral das IAs, exceto a Marca A, evidenciou uma limitação importante na capacidade de atuação em cenários que exigem maior sensibilidade comunicacional, indicando que a programação de prompts precisa ser mais robusta para lidar com nuances emocionais.
Na quarta etapa, de encerramento positivo, a Marca A manteve a consistência em seu comportamento relacional, reforçando o vínculo estabelecido ao longo da interação. A resposta apresentou elementos de reciprocidade e continuidade, contribuindo para a consolidação da experiência do consumidor e a percepção de um relacionamento duradouro. Esse desempenho sublinha a importância de uma IA que não apenas resolve problemas, mas também cultiva a lealdade e a satisfação do cliente, conforme preconizado pelo marketing de relacionamento (Berry, 1995).
As Marcas B, C e D demonstraram um desempenho intermediário nesta etapa. Embora tenham respondido de forma adequada, observou-se uma menor intensidade na utilização de elementos emocionais. As três marcas conseguiram manter um tom cordial e coerente, mas a Marca C, em particular, foi a única que não ofereceu a funcionalidade de auxiliar o consumidor a colocar os itens desejados no carrinho para finalização da compra. Essa ausência de proatividade em facilitar a conversão, mesmo após uma interação positiva, pode ser um ponto de fricção na jornada do cliente.
A quinta e última etapa, de ruptura proposital, evidenciou de forma mais clara as diferenças nos níveis de maturidade das IAs analisadas. As Marcas A, C e D demonstraram alta capacidade de recuperação, mantendo o tom afetivo e buscando reverter a desistência por meio de estratégias de reengajamento. A Marca A, por exemplo, ofereceu a busca de itens de menor valor, enquanto a Marca D possibilitou o envio do orçamento desejado. Esse comportamento indica uma abordagem orientada à retenção e à continuidade do relacionamento, buscando ativamente a manutenção do vínculo mesmo diante de um obstáculo.
Em contraste, a Marca B não apresentou qualquer estratégia de recuperação, encerrando a interação de forma direta e funcional. A ausência de tentativa de reengajamento evidencia uma abordagem centrada exclusivamente na eficiência operacional, sem preocupação com a manutenção do relacionamento. Esse comportamento reflete uma visão transacional, onde a IA não é configurada para ir além da resolução imediata de uma solicitação, perdendo a oportunidade de fortalecer o vínculo com o consumidor, mesmo em um momento de potencial abandono de compra.
Perfis de comportamento das IAs analisadas
A análise consolidada das interações permitiu identificar três perfis distintos de comportamento das IAs, diferenciados principalmente pelo nível de construção de vínculo e uso de linguagem afetiva. O primeiro perfil, denominado relacional afetivo, foi exemplificado pela Marca A, que apresentou o mais alto nível de maturidade na construção de relacionamento. Suas respostas foram caracterizadas pelo uso consistente de vocativos, emojis e expressões de cuidado, como “com carinho”, além de forte personalização e uso adequado da memória contextual.
A IA da Marca A foi capaz de conduzir o consumidor por todas as etapas do roteiro de forma fluida, mantendo a coerência narrativa e reforçando o vínculo ao longo da interação. Sua capacidade de resposta diante da ruptura (etapa 5) foi notável, pois não apenas sustentou o tom afetivo, mas também buscou reverter a desistência oferecendo a busca de itens de menor valor. Esse comportamento está alinhado ao conceito de linguagem afetiva proposto por Tannen (1987), evidenciando que a incorporação de elementos emocionais na comunicação pode ser tecnicamente operacionalizada por meio da programação de “prompts”.
Nesse sentido, a IA da Marca A deixou de atuar como um simples canal automatizado e passou a representar uma extensão da voz da marca, com uma intenção relacional clara. Esse perfil demonstra que, com um design estratégico e uma configuração cuidadosa dos prompts, a inteligência artificial generativa pode simular padrões de linguagem humana e contribuir significativamente para a construção de relacionamentos emocionais, transformando a interação em uma experiência mais engajadora e menos transacional, conforme a literatura de marketing de experiência (Pine e Gilmore, 1999).
O segundo perfil, classificado como relacional híbrido, foi observado nas Marcas B e D, representando um estágio intermediário de maturidade, marcado por abordagens distintas dentro de um mesmo nível de desenvolvimento. A Marca B iniciou a interação com sinais de proximidade e uso de linguagem afetiva, mas não conseguiu sustentar esse padrão ao longo da jornada. Na etapa de intenção de compra, a comunicação tornou-se mais genérica e superficial, com uso pouco estratégico de emojis e baixa exploração do contexto, resultando em uma experiência mais padronizada e com menor percepção de personalização.
Em contrapartida, a Marca D demonstrou maior consistência na condução do fluxo, mesmo com uso mais moderado de elementos afetivos. A IA da Marca D utilizou informações prévias do consumidor, como histórico de navegação ou intenção de compra (ex.: carrinho abandonado), e se destacou pela oferta ampla e estruturada de opções, mantendo objetividade sem comprometer completamente a proximidade. Esse comportamento evidencia uma orientação mais forte à conversão, com uso funcional da personalização para direcionar a decisão de compra, o que se alinha à gestão estratégica do relacionamento com o cliente (Payne e Frow, 2005).
Esse perfil híbrido indica que a dimensão relacional está presente, mas sua execução varia entre uma afetividade inconsistente, como no caso da Marca B, e uma abordagem mais estratégica e orientada a resultados, como na Marca D, ainda que com menor carga emocional. Isso sugere que a capacidade da IA de construir relacionamentos emocionais não é binária, mas existe em um espectro, onde a intencionalidade e a sofisticação da programação dos prompts desempenham um papel crucial na determinação do nível de engajamento e conexão emocional alcançado.
O terceiro perfil, denominado funcional com ruptura de jornada, foi identificado na Marca C, sendo o mais limitado em termos de construção de relacionamento e condução da interação. Embora a IA da Marca C tenha apresentado respostas informativas, a comunicação se mostrou pouco objetiva e, em alguns momentos, excessivamente prolixa, dificultando o entendimento e o avanço do consumidor na jornada. Além disso, a IA não conseguiu sustentar o fluxo completo, interrompendo a interação antes da conclusão das etapas propostas, o que representa uma falha significativa na experiência do usuário.
A ausência de direcionamento claro, somada à baixa capacidade de adaptação ao contexto, comprometeu a progressão da experiência e reduziu significativamente o potencial de conversão. Esse comportamento evidencia uma abordagem ainda centrada na transmissão de informação, com fragilidades tanto na dimensão relacional quanto na eficiência da condução da jornada. A IA da Marca C posicionou-se como um canal de apoio limitado, sem capacidade de aprofundar ou sustentar o vínculo com o consumidor, o que contrasta com os princípios do marketing conversacional (Rappaport, 2011).
Funcionamento técnico da IA generativa no atendimento via WhatsApp
O comportamento observado nas interações analisadas decorre diretamente das configurações dos sistemas de inteligência artificial generativa (Russell e Norvig, 2021). O atendimento automatizado via WhatsApp opera a partir da integração de três camadas principais: a interface de comunicação com o usuário (API do WhatsApp Business), uma plataforma intermediária de gestão conversacional (orquestra fluxos, armazena dados e integra sistemas) e o modelo de inteligência artificial generativa, geralmente baseado em Large Language Models (LLMs), responsável pela interpretação e geração das respostas (Ramanuj, 2025; OpenAI, 2023).
Os LLMs são sistemas baseados em redes neurais profundas, treinados com grandes volumes de dados textuais, capazes de compreender padrões linguísticos e gerar respostas coerentes em linguagem natural (Brown et al., 2020). Quando o usuário envia uma mensagem, essa entrada é capturada pela API do WhatsApp e direcionada à plataforma intermediária, que realiza o processamento inicial, incluindo identificação de intenção, classificação de contexto e definição de fluxo conversacional (Jurafsky e Martin, 2026). A partir dessa interpretação, a solicitação é encaminhada ao modelo de IA generativa.
A resposta textual da IA é produzida com base em três elementos principais: o conteúdo da mensagem do usuário, o histórico da conversa (memória contextual) e um conjunto de instruções previamente definido, conhecido como “prompt”. O prompt desempenha um papel central no comportamento da IA, pois estabelece o tom de voz, o estilo de comunicação, o nível de formalidade e a presença de elementos afetivos, como empatia e proximidade (OpenAI, 2023; Bommasani et al., 2021). Dessa forma, características observadas nas interações, como o uso de vocativos, demonstrações de empatia e tentativas de manutenção do vínculo, não são aleatórias, mas resultado direto da configuração do sistema.
Outro elemento fundamental é a memória contextual, que permite à IA manter a coerência ao longo da conversa. Essa memória pode incluir tanto informações fornecidas durante a interação quanto dados previamente armazenados, quando disponíveis. A capacidade de utilização desse contexto influencia diretamente o nível de personalização percebido, sendo um fator determinante para a construção de interações mais naturais e contínuas (Jurafsky e Martin, 2026). Apesar desses avanços, os sistemas de IA generativa ainda apresentam limitações, como a geração de respostas genéricas, falhas na manutenção de contexto em interações mais longas e a dependência da qualidade das instruções definidas no prompt. Além disso, a IA não possui compreensão emocional genuína, operando a partir de padrões linguísticos aprendidos, o que pode resultar em simulações de empatia que nem sempre se sustentam ao longo da interação (Bender et al., 2021).
Ao comparar as marcas inseridas em segmentos de alto apelo emocional (Marcas A, B e C), tornou-se evidente que o fator determinante para o desempenho relacional não foi o setor de atuação, mas sim o design do sistema de IA. A Marca A destacou-se pela sofisticação na construção do diálogo, enquanto as Marcas B e C apresentaram soluções tecnicamente competentes, porém com limitações pontuais relacionadas à memória e à recuperação emocional. Esse achado reforça a ideia de que a capacidade de construir relacionamento emocional por meio da IA generativa não está condicionada ao porte da empresa ou à categoria do produto, mas sim a decisões estratégicas de implementação, como definição de persona, estruturação de prompts e incorporação de gatilhos emocionais.
O caso de contraste, representado pela Marca D, reforça ainda mais essa interpretação. Apesar de atuar em um segmento tradicionalmente associado a decisões de compra mais racionais, não há impedimento técnico para a incorporação de linguagem afetiva nesse contexto. A ausência desses elementos, se fosse o caso, seria uma escolha estratégica, ou uma limitação na configuração do sistema, e não uma imposição do setor. Esse contraste evidencia que a IA generativa possui potencial para construir vínculos emocionais em diferentes contextos de consumo, desde que haja intencionalidade no seu design, o que demonstra a flexibilidade da tecnologia quando bem direcionada.
A IA generativa, quando bem estruturada, é capaz de simular padrões de linguagem afetiva e contribuir para a construção de vínculo com o consumidor. No entanto, seu desempenho está intrinsecamente ligado à qualidade das instruções que orientam seu funcionamento, bem como à capacidade de manter memória contextual ao longo da interação. A análise dos diferentes perfis de comportamento observados nas marcas permite avançar na compreensão de um elemento central para o desempenho da IA generativa em ambientes conversacionais: a estruturação dos prompts, que se mostra como um diferencial estratégico na construção de relacionamentos duradouros e significativos com os clientes.
Um dos pilares fundamentais nesse processo é a definição da persona da IA. Diferentemente de sistemas tradicionais de atendimento automatizado, nos quais a comunicação tende a ser padronizada e impessoal, a IA generativa permite a construção de uma identidade conversacional própria, alinhada à marca. Essa persona corresponde à forma como a IA se apresenta ao consumidor, incluindo características como nível de formalidade, grau de proximidade, estilo de linguagem e postura diante de situações de dúvida ou emoção, elementos cruciais para estabelecer uma conexão genuína com o público (Schmitt, 1999).
A definição dessa persona não deve ocorrer de forma aleatória, mas sim a partir de uma combinação de fatores estratégicos, como o posicionamento da marca, o perfil do público-alvo, o contexto de uso do canal e o tipo de relacionamento que se deseja construir. Marcas com posicionamento mais próximo e afetivo tendem a adotar personas mais informais, acolhedoras e expressivas, enquanto marcas com comunicação mais institucional podem optar por um tom mais neutro e objetivo, ainda que sem abrir mão de elementos básicos de empatia, garantindo a coerência da voz da marca.
Além disso, o canal de interação exerce influência direta na definição do tom de voz. No caso do WhatsApp, por se tratar de um ambiente de comunicação íntimo, síncrono e predominantemente informal, espera-se uma linguagem mais próxima da conversação cotidiana. Isso implica o uso de vocativos, construções menos rígidas e, em alguns casos, recursos como emojis, desde que alinhados à identidade da marca. A ausência dessa adaptação pode gerar dissonância na experiência, fazendo com que a interação seja percebida como fria ou artificial, comprometendo a construção do vínculo emocional.
Outro aspecto relevante refere-se à consistência do tom de voz ao longo da jornada. Não basta que a IA inicie a conversa de forma acolhedora se não for capaz de sustentar esse padrão em momentos críticos, como situações de dúvida, objeção ou ruptura. Nesse sentido, a definição do tom deve ser acompanhada de diretrizes específicas para diferentes cenários de interação, incluindo instruções sobre como responder a manifestações emocionais do usuário. Essa lógica aproxima o desenvolvimento de prompts de práticas típicas do design de experiência do usuário, nas quais são previstos múltiplos caminhos e estados da jornada, garantindo uma experiência fluida e coesa.
A partir dos resultados observados, nota-se que a Marca A apresenta indícios de uma persona bem definida e coerente, com diretrizes claras de linguagem afetiva e manutenção de vínculo. Esse nível de consistência sugere um trabalho estruturado de prompt engineering, no qual não apenas o conteúdo das respostas, mas também a forma de interação foi cuidadosamente planejada. Em contraste, as marcas B e C indicam uma definição parcial de persona, com presença de elementos afetivos e nome para o bot, porém sem sustentação consistente ao longo da conversa. Já a Marca D demonstra ausência de uma persona relacional, operando com foco predominantemente funcional.
Nesse contexto, a construção de um prompt ideal para estratégias de relacionamento pode ser compreendida como um processo estruturado, que envolve múltiplas etapas. Inicialmente, é necessário definir a persona da IA com base na identidade da marca e no perfil do público. Em seguida, devem ser estabelecidas diretrizes claras de tom de voz, incluindo nível de formalidade, uso de elementos afetivos e de comunicação. Posteriormente, essas diretrizes precisam ser traduzidas em instruções operacionais no prompt, contemplando também o uso de memória contextual e a adaptação a diferentes momentos da jornada, garantindo uma comunicação fluida e personalizada.
Além disso, torna-se fundamental prever cenários específicos de interação, especialmente aqueles que envolvem carga emocional, como dúvidas, inseguranças ou desistências. A programação de respostas para esses momentos permite que a IA atue de forma mais próxima e empática, contribuindo para a manutenção do relacionamento. Por fim, a eficácia do prompt deve ser continuamente avaliada e ajustada com base nas interações reais, em um processo iterativo de melhoria. Dessa forma, o prompt engineering deixa de ser uma atividade puramente técnica e passa a ocupar um papel estratégico na construção da experiência do consumidor.
A capacidade da IA generativa de estabelecer vínculos emocionais está diretamente relacionada à qualidade dessas definições, evidenciando que o diferencial não está apenas na tecnologia utilizada, mas na forma como ela é projetada e integrada à estratégia de relacionamento da marca. Isso significa que a intencionalidade no design da IA, desde a concepção da persona até a programação dos prompts, é o que realmente permite que a tecnologia transcenda a funcionalidade e construa conexões emocionais significativas com os consumidores, alinhando-se aos objetivos do marketing de relacionamento.
Apuração dos Resultados
Com base nas análises realizadas ao longo das cinco etapas do roteiro, foi possível consolidar os principais padrões observados no comportamento das IAs das marcas analisadas, sintetizando os achados da pesquisa e permitindo uma visualização comparativa dos elementos mais relevantes para a construção (ou não) de relacionamento emocional. A Marca A demonstrou um tom predominante afetivo intenso, com muitos elementos afetivos presentes, como emojis, vocativos e a capacidade de criar uma história. Sua personalização foi alta, utilizando o nome do consumidor e o contexto da mãe e da ocasião, e manteve a continuidade do diálogo em todas as cinco etapas. A capacidade de recuperação após ruptura foi alta, com convite afetivo e manutenção do vínculo, buscando reverter a desistência.
A Marca B apresentou um tom casual afetivo, com elementos afetivos presentes parcialmente. A personalização foi média, utilizando o nome, mas sem explorar o contexto de forma aprofundada. A continuidade do diálogo foi mantida em todas as cinco etapas, porém, sua capacidade de recuperação após ruptura foi parcial, oferecendo um desconto genérico. A Marca C, por sua vez, exibiu um tom casual institucional, com elementos afetivos moderados e personalização média, utilizando o nome, mas sem contexto. O diálogo foi interrompido na etapa quatro (encerramento), sem conduzir a ruptura, e não houve recuperação após a ruptura, evidenciando uma abordagem mais funcional.
Finalmente, a Marca D apresentou um tom casual institucional/neutro, com elementos afetivos moderados. A personalização foi média, mas com o diferencial de ter acesso ao histórico de carrinho abandonado do consumidor. A continuidade do diálogo foi mantida em todas as cinco etapas, e sua capacidade de recuperação após ruptura foi alta, com manutenção do vínculo. Essa síntese demonstra que a intencionalidade no design da IA, a qualidade dos prompts e a capacidade de memória contextual são fatores cruciais para o desempenho relacional, superando a mera natureza do produto ou o porte da empresa.
As estratégias que contribuem para a criação de conexões mais empáticas e personalizadas incluem programar respostas afetivas para gatilhos emocionais, como “estou triste” ou “estou confuso”, e manter a memória contextual dentro da mesma conversa. É eficaz encerrar a interação com um convite ou benefício adicional, usar emojis e vocativos de forma consistente e contar uma história ou criar identificação. Essas práticas fomentam um ambiente de comunicação mais humano e engajador, alinhado com os princípios do marketing de relacionamento (Grönroos, 2009).
Em contrapartida, abordagens que comprometem a experiência do usuário incluem respostas puramente funcionais diante de dúvidas emocionais, redirecionar para FAQ sem tentar resolver o problema, encerrar a interação com um “obrigado pelo contato” seco, e oferecer respostas genéricas que ignoram o histórico do consumidor. Tratar todas as interações como se fossem transações também prejudica a construção de um vínculo. Esses comportamentos resultam em uma experiência fria e impessoal, que não contribui para a fidelização do cliente.
Os principais pontos de fricção a evitar são a ruptura do fluxo quando o consumidor expressa sentimento, a repetição de informações já fornecidas, a falta de fechamento emocional e a quebra de tom, como iniciar a conversa de forma afetiva e terminar de maneira fria. Além disso, não adaptar o tom ao contexto do presente ou ocasião especial pode gerar dissonância. A prevenção desses pontos de fricção é essencial para garantir uma experiência de usuário fluida e coerente, que fortaleça a percepção de cuidado e personalização, elementos-chave para o marketing de relacionamento.
Em síntese, os resultados desta pesquisa demonstram que a inteligência artificial generativa possui a capacidade de construir relacionamentos emocionais com consumidores em fluxos de comunicação simulados, como os observados via WhatsApp. Contudo, essa capacidade não é inerente à tecnologia em si, mas depende diretamente de um design estratégico cuidadoso, que engloba a definição de uma persona coerente, a estruturação de prompts que incorporem linguagem afetiva e a utilização eficaz da memória contextual para personalizar e adaptar as interações, especialmente em momentos de carga emocional ou ruptura, reforçando a integração entre tecnologia e estratégia de marketing de relacionamento.
4. Conclusão
O presente estudo objetivou identificar a capacidade da inteligência artificial generativa de construir relacionamentos emocionais com consumidores em fluxos de comunicação simulados, considerando elementos como linguagem afetiva, proximidade e personalização. Verificou-se que a IA generativa é capaz de estabelecer tais vínculos, mas essa capacidade não é inerente à tecnologia em si. Os resultados evidenciaram que o desempenho relacional depende diretamente do design estratégico do sistema, incluindo a definição de persona, a estruturação de prompts e o uso de memória contextual. Observou-se a existência de diferentes níveis de maturidade no uso da IA, com sistemas que, configurados com intencionalidade relacional, simularam empatia, mantiveram coerência contextual e sustentaram o vínculo ao longo da jornada, mesmo em situações de ruptura. Em contraste, IAs com design menos intencional limitaram-se a interações funcionais ou apresentaram rupturas na jornada. A principal contribuição deste trabalho reside em reforçar a integração entre tecnologia e estratégia de marketing de relacionamento, oferecendo diretrizes para que profissionais de marketing e gestores de marca possam projetar IAs conversacionais que transcendam a funcionalidade e construam conexões emocionais significativas.
Contudo, o estudo apresentou limitações, como o número reduzido de marcas analisadas, o que restringe generalizações mais amplas. A impossibilidade de acesso aos prompts e à arquitetura interna dos sistemas limitou a análise ao comportamento observável, e o caráter interpretativo da análise qualitativa esteve sujeito à percepção da pesquisadora. Para pesquisas futuras, sugere-se a ampliação da amostra, com foco em marcas de um mesmo setor, a fim de reduzir variáveis externas. Recomenda-se também a inclusão da perspectiva de consumidores reais, por meio de entrevistas ou grupos focais, para avaliar a percepção de autenticidade e empatia nas interações. Além disso, a realização de estudos experimentais controlados que investiguem o impacto de diferentes configurações de prompt no desempenho relacional da IA pode aprofundar o conhecimento sobre o tema. Os resultados indicam que a inteligência artificial generativa representa um avanço relevante nas estratégias de relacionamento com o consumidor, mas seu uso eficaz exige uma abordagem intencional em sua implementação.
Referências Bibliográficas
Babin, B.J.; Darden, W.R.; Griffin, M. 1994. Work and/or Fun: Measuring hedonic and utilitarian shopping value. Journal of Consumer Research 20(4): 644-656.
Bender, E. M.; Gebru, T.; McMillan-Major, A.; Shmitchell, S. 2021. On the Dangers of Stochastic Parrots: Can language models be too big?. In: FAccT ’21: 2021 ACM Conference on Fairness, Accountability, and Transparency, Canada. Anais… p. 610-623.
Berry, L.L. 1995. Relationship Marketing of Services: Growing interest, emerging perspectives. Journal of the Academy of Marketing Science 23, 236-245.
Bommasani, R. et al. 2021. On the Opportunities and Risks of Foundation Models. ArXiv preprint arXiv:2108.07258.
Brown, T.B. et al. 2020. Language Models are Few-Shot Learners. Neural Information Processing Systems. ArXiv abs/2005.14165.
Dhar, R.; Wertenbroch, K. 2000. Consumer Choice Between Hedonic and Utilitarian Goods. Journal of Marketing Research 37(1): 60–71.
Gil, A. C. 2008. Métodos e Técnicas de Pesquisa Social. 6ed. Atlas S.A. São Paulo, Brasil.
Grönroos, C. 2009. Marketing: Gerenciamento e Serviços. 3ed. Elsevier. Rio de Janeiro, Brasil.
Jurafsky, D.; Martin, J.H. 2026. Speech and Language Processing. 3ed. Stanford. Estados Unidos. Disponível em: < https://web.stanford.edu/~jurafsky/slp3/ed3book_jan26.pdf>. Acesso em: 10 abr. 2026.
Kotler, P.; Keller, K.L.; Yamamoto, S.M. 2019. Administração de Marketing. 15ed. Pearson, São Paulo, Brasil.
Malhotra, N. 2012. Pesquisa de Marketing: Uma orientação aplicada. 6ed. Bookman, Porto Alegre, Brasil.
Marconi, M.A.; Lakatos, E.M. 2017. Fundamentos de Metodologia Científica. 8ed. Atlas, São Paulo, Brasil.
OpenAI. 2023. GPT-4 Technical Report. Disponível em: <https://arxiv.org/abs/2303.08774>. Acesso em: 10 mar. 2026.
Payne, A.; Frow, P. 2005. A Strategic Framework for Customer Relationship Management. Journal of Marketing 69(4) 167–176, 2005.
Pine, B.J.II; Gilmore, J.H. 1999. The Experience Economy. Harvard Business Review Press, 2011, Boston, Estados Unidos.
Ramanuj, N.G. 2025. Impact of Whatsapp Business API on Business Communication and Customer Engagement: An examination of Pinggo’s implementation. International Journal of Science, Architecture, Technology, and Environment 2(10): 182-190.
Rappaport, S.D. 2011. Listen First!: Turning social media conversations into business advantage. Wiley, Hoboken, NJ, Estados Unidos.
Russell, S.; Norvig, P. 2021. Artificial Intelligence: A modern approach. 4ed. Pearson.
Schmitt, B.H. 1999. Experiential Marketing: How to get customers to sense, feel, think, act, and relate to your company and brands. The Free Press, New York, NY, Estados Unidos.
Tannen, D. 1987. Talking Voices: Repetition, dialogue, and imagery in conversational discourse. Cambridge University Press, Cambridge, Inglaterra.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Marketing do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy