Inteligência ArtificialArtigo
Pontuação de leads com IA no CRM: como a pequena empresa decide quem atender primeiro
Em resumo
Lead scoring por regras ou preditivo: o que RD Station, HubSpot e Pipedrive oferecem e em qual plano (out/2026), quantos dados a nota com IA exige, como testar a nota com os leads antigos, exemplo resolvido com números hipotéticos e o que a LGPD (arts. 6º e 20) diz sobre perfil e decisão automatizada.
Em resumo: pontuar leads é dar a cada contato uma nota que diz por onde o vendedor começa. Há dois jeitos: regras que a própria empresa escreve (tantos pontos por perfil, tantos por ação) e modelos preditivos, em que o software aprende com quem já comprou e devolve uma probabilidade. Para a pequena empresa, regras escritas são o ponto de partida mais fácil de conferir; a nota preditiva só faz sentido com histórico de vendas registrado no CRM e depois de testada contra esse histórico. Se a nota passar a decidir sozinha quem é descartado, ela se aproxima do que descreve o art. 20 da LGPD, que dá ao titular o direito de pedir revisão de decisões tomadas unicamente de forma automatizada, incluídas as que definem seu perfil.
O problema que a nota resolve
Quando entram mais contatos do que a equipe consegue atender, alguém escolhe a ordem, nem que seja por chegada. A pontuação troca esse critério implícito por um explícito: cada lead recebe um número, e o número define a fila. Ela não substitui a conversa de qualificação, aquela em que o vendedor confirma necessidade, prazo e quem decide, assunto tratado em como usar o CRM para encurtar o ciclo da venda consultiva. A nota vem antes: decide com quem essa conversa acontece primeiro.
Duas dimensões aparecem na documentação das ferramentas consultadas. A primeira é o perfil (ou encaixe): porte da empresa, segmento, cargo, região. A segunda é o interesse (ou engajamento): pediu orçamento, voltou à página de preços, clicou no e-mail. O RD Station descreve a pontuação com base no comportamento e no perfil dos contatos; a HubSpot fala em fit score e engagement score e permite combinar as duas numa grade em que a letra mede o encaixe (A alto, C baixo) e o número mede o engajamento (1 alto, 3 baixo). Um contato C1 é muito engajado, mas fora do perfil.
Regras manuais ou modelo preditivo
Na pontuação por regras, a empresa decide os pesos. Na preditiva, o software compara os contatos abertos com os que viraram cliente e calcula uma chance. A diferença prática está em quem consegue explicar a nota.
| Critério | Regras escritas pela empresa | Modelo preditivo da ferramenta |
|---|---|---|
| Quem define os pesos | A equipe, a partir do que sabe do cliente | O algoritmo, a partir do histórico de conversões |
| Dados de que precisa | Campos preenchidos e eventos rastreados | Histórico com leads que compraram e que não compraram |
| Explicação da nota | Direta: soma de pontos visíveis | Limitada; na HubSpot, a documentação diz que não é possível saber quanto cada dado pesou |
| Manutenção | Revisar pesos quando o funil muda | O modelo se atualiza, mas a faixa de cada nível pode mudar com a base |
| Risco principal | Peso dado por palpite | Repetir padrões do passado, inclusive os injustos |
A HubSpot ilustra a opacidade no próprio material: a propriedade preditiva Likelihood to close estima a chance de o contato virar cliente em 90 dias, é preenchida automaticamente, não pode ser editada e, segundo a central de ajuda, não permite ver a contribuição exata de cada dado para a nota. Os níveis de prioridade (muito alta, alta, média e baixa) dividem os contatos em grupos de tamanho parecido, por isso a faixa de nota de cada nível muda conforme a base muda.
Regra prática sugerida pelo ConnectWeek, sem base em estudo: comece por regras com no máximo dez critérios, meça por um trimestre e só então compare com uma nota preditiva. As regras viram a referência contra a qual a IA precisa provar que acerta mais.
O que RD Station, HubSpot e Pipedrive oferecem
A tabela resume o que as páginas oficiais devolvidas pela busca dizem, consultadas em outubro de 2026. Plano e recurso mudam; confirme na página da empresa antes de contratar.
| Ferramenta | Pontuação por regras | Nota com IA ou preditiva | Condição informada |
|---|---|---|---|
| RD Station Marketing | Lead Scoring: pontos automáticos para cada ação do contato, com base em comportamento e perfil | Lista Inteligente de Leads: probabilidade de compra, valor estimado e posição no ranking | Lead Scoring disponível a partir do plano Pro (página do produto); Lista Inteligente apresentada como exclusiva do Advanced (página de gestão de leads) |
| HubSpot | Notas de engajamento, de encaixe e combinadas, com teto padrão de 100 pontos e redução automática de pontos antigos | Nota criada com IA a partir de quem mudou de etapa; e a propriedade preditiva de chance de fechar em 90 dias | Regras para contato (lead): Marketing Hub Professional ou Enterprise; no Sales Hub, só notas de negócios. Nota com IA: Marketing Hub Enterprise. Preditiva: Marketing Hub Enterprise e Sales Hub Enterprise |
| Pipedrive | Scores, em Pulse > Scores: nota de 0 a 100 com critérios definidos pela empresa, calculada hoje só para negócios (deals) | Pontuação de leads por IA a partir de sinais de intenção, descrita pela empresa como em beta | Scores no plano Premium ou superior (central de ajuda); a pontuação por IA aparece no blog da Pipedrive como beta, sem plano confirmado |
Na RD Station, a central de ajuda informa que a Lista Inteligente compara os seus leads com leads que já compraram, da própria conta ou de outros clientes da plataforma, o que permite usar o recurso com base própria menor, mas torna a nota menos específica do seu negócio.
Quantos dados a nota preditiva precisa
Modelo preditivo aprende com exemplos dos dois lados: quem comprou e quem não comprou. A HubSpot publica um piso para a nota criada com IA: amostra mínima de 50 contatos, sendo 25 convertidos e 25 não convertidos, avaliados numa mudança de etapa escolhida pela empresa. É o mínimo para o recurso funcionar, não garantia de nota confiável. RD Station e Pipedrive não informaram volume mínimo nas páginas devolvidas pela busca.
Antes do volume, vem a qualidade do registro. Três perguntas para fazer à própria base:
- O resultado está marcado? Se o vendedor não registra no CRM quando o lead vira cliente ou é perdido, o modelo não tem o que aprender.
- A origem está preenchida? Lead sem canal de entrada e sem data de criação não serve para comparar períodos.
- Os perdidos foram mantidos? Apagar contatos frios deixa a base só com quem comprou, e o modelo passa a achar que todo mundo compra.
Montar a nota numa planilha com ajuda de um assistente de IA genérico também é possível, desde que a exportação não leve nome, e-mail e telefone sem necessidade; os cuidados estão em o que a equipe pode e não pode colar no ChatGPT.
Exemplo resolvido: a nota funciona?
Os números a seguir são hipotéticos, escolhidos para mostrar o método. Uma confecção de uniformes que vende para empresas recebeu 800 leads de janeiro a junho de 2026, e 80 viraram clientes (10%). A única vendedora consegue abordar com calma cerca de 200 leads por semestre.
- Regras escritas: +20 se a empresa tem mais de 20 funcionários; +15 se o segmento já é atendido; +10 se está na área de entrega; +30 se pediu orçamento; +15 se visitou a página de preços duas vezes ou mais. Teto de 90 pontos.
- Teste no passado: a dona aplica as regras aos 800 leads usando só o que se sabia no dia em que cada um chegou. Campo preenchido depois (como "proposta enviada") fica de fora, porque já carrega o resultado e infla o acerto.
- Faixa alta: os 200 leads de nota mais alta contêm 48 dos 80 clientes. A taxa de conversão nessa faixa é 48 ÷ 200 = 24%, contra 10% da base inteira.
- O que ficou de fora: os outros 600 leads tinham 32 clientes (5,3%). A faixa alta capturou 48 ÷ 80 = 60% dos clientes do semestre.
- Comparação com ordem de chegada: 200 leads escolhidos sem critério teriam, na média da base, 20 clientes. A regra entrega 48 na mesma capacidade de atendimento.
- Comparação com a IA: num teste da ferramenta preditiva nos mesmos 800 leads, os 200 de maior probabilidade contêm 56 clientes (28%, capturando 70% do total). São 8 clientes a mais no semestre. Essa diferença é o que se compara com o custo do plano que traz o recurso, como mostra a conta de retorno e payback antes de contratar IA.
As duas medidas do exemplo têm nome no curso de aprendizado de máquina do Google: a taxa de acerto da faixa alta é a precisão (quantos dos marcados como bons de fato eram bons), e a parcela de clientes capturada é a revocação (quantos dos bons foram encontrados). Subir a nota de corte costuma aumentar a primeira e reduzir a segunda; o corte certo depende de quantos leads a equipe consegue atender.
Como acompanhar a nota depois de ligada
Teste no passado é o começo. Depois de ligada, a nota precisa de conferência mensal com três números: taxa de conversão por faixa (alta, média, baixa), quantos clientes vieram da faixa baixa e quanto tempo o lead da faixa alta esperou pelo primeiro contato. Se a faixa baixa começa a produzir clientes, algum critério envelheceu.
A HubSpot mostra a distribuição de notas por faixa e o histórico de cada registro. Na falta de relatório pronto, uma exportação mensal com nota, faixa e resultado resolve numa planilha.
Ao avaliar uma ferramenta preditiva de terceiro, peça para rodar o teste com os seus leads antigos antes de assinar e compare com as suas regras, como no exemplo. O roteiro de piloto está em como avaliar fornecedor de IA antes de contratar.
Viés e LGPD: quando a nota vira decisão automatizada
Modelo treinado com o histórico aprende o que a equipe fez, não só o que o cliente quis. Se a empresa nunca deu atenção a leads de uma região, eles convertem pouco, o modelo aprende que convertem pouco, e a nota baixa garante que continuem sem atenção. O mesmo vale para critérios que funcionam como substitutos de característica pessoal, como CEP, idade ou gênero do contato. A LGPD lista entre os princípios a não discriminação, definida no art. 6º, IX, como a impossibilidade de tratar dados para fins discriminatórios ilícitos ou abusivos.
Quando o lead é uma pessoa (o dono de uma microempresa, o comprador de um e-commerce), a nota é tratamento de dado pessoal, e o art. 20 da LGPD, com a redação dada pela Lei 13.853/2019, diz:
"O titular dos dados tem direito a solicitar a revisão de decisões tomadas unicamente com base em tratamento automatizado de dados pessoais que afetem seus interesses, incluídas as decisões destinadas a definir o seu perfil pessoal, profissional, de consumo e de crédito ou os aspectos de sua personalidade." (LGPD, art. 20, caput)
O § 1º do mesmo artigo obriga o controlador a fornecer, quando solicitado, informações claras e adequadas sobre os critérios e procedimentos da decisão automatizada, respeitados os segredos comercial e industrial. O § 2º prevê que, se essas informações forem negadas com base no segredo, a autoridade nacional pode fazer auditoria para verificar aspectos discriminatórios. O tema foi objeto de uma tomada de subsídios da ANPD sobre IA e revisão de decisões automatizadas, aberta em 06/11/2024 e encerrada em 24/01/2025, segundo a página oficial no Participa + Brasil.
Na leitura do ConnectWeek, uma nota que só ordena a fila, com uma pessoa decidindo quem recebe contato, se afasta da decisão tomada unicamente pela máquina. Já uma nota que descarta leads sem olhar humano, ou que define quem recebe condição comercial pior, se aproxima do que o art. 20 descreve. Três cuidados reduzem o risco:
- ter os critérios escritos, em linguagem que dê para explicar a quem perguntar;
- revisar por amostragem os leads da faixa baixa e os descartes, com uma pessoa;
- tirar da nota critérios que funcionem como substitutos de característica pessoal e não tenham relação com a compra.
Com nota preditiva opaca, como a da HubSpot descrita acima, o primeiro cuidado depende do fornecedor: pergunte antes de contratar que informação sobre os critérios ele entrega para responder a um pedido com base no § 1º.
Checklist para começar esta semana
- Liste os 5 a 10 sinais de perfil e de interesse que a equipe já usa de cabeça para escolher quem atender.
- Confira se o CRM registra resultado (ganho ou perdido), origem e data de entrada de cada lead.
- Escreva os pesos e aplique a regra aos leads do último semestre, só com dados do dia de entrada.
- Calcule a conversão por faixa e a parcela de clientes capturada pela faixa alta.
- Defina a nota de corte pela capacidade de atendimento da equipe, não por número redondo.
- Marque uma revisão mensal da faixa baixa, feita por uma pessoa.
- Só depois compare com a nota preditiva da ferramenta, no mesmo teste.
Os pesos, faixas e números deste texto são sugestões e exemplos do ConnectWeek, sem base legal ou estatística. Recursos e planos citados valem para as páginas consultadas em outubro de 2026. Este texto tem caráter informativo e não substitui a análise de um advogado para o caso concreto.
Comece por aqui Novo no assunto? Leia primeiro inteligência artificial para pequenas empresas, o texto-base desta cobertura.
Fonte: HubSpot Knowledge Base
Perguntas frequentes
Qual a diferença entre lead scoring por regras e lead scoring preditivo?
Nas regras, a empresa escreve os critérios e os pontos de cada um, e a nota é a soma visível. No preditivo, o software compara os contatos abertos com os que já compraram e devolve uma probabilidade; a explicação da nota é limitada, e na HubSpot a documentação diz que não dá para saber quanto cada dado pesou.
Quantos leads preciso ter para usar pontuação com IA?
Depende da ferramenta. A HubSpot exige para a nota criada com IA uma amostra mínima de 50 contatos, 25 convertidos e 25 não convertidos, e isso é piso de funcionamento, não garantia de acerto. Nas páginas da RD Station e do Pipedrive consultadas em outubro de 2026 não aparece volume mínimo. Mais importante que o volume é ter ganho e perda registrados no CRM.
Como saber se a nota está funcionando?
Aplique a nota aos leads antigos usando só os dados do dia de entrada e compare a conversão da faixa alta com a da base inteira e com a parcela de clientes que a faixa alta capturou. Depois de ligada, confira todo mês a conversão por faixa e quantos clientes vieram da faixa baixa.
A LGPD proíbe pontuar leads?
Não. O art. 20 dá ao titular o direito de pedir revisão de decisões tomadas unicamente por tratamento automatizado que afetem seus interesses, incluídas as que definem perfil, e o § 1º obriga a informar critérios quando solicitado. O art. 6º, IX, veda tratamento para fins discriminatórios ilícitos ou abusivos. Ter critérios escritos e revisão humana da faixa baixa reduz o risco.
