Lead scoring com IA para B2B — o que funciona em 2026

O lead scoring evoluiu de regras estáticas em MAPs para sistemas híbridos combinando regras firmográficas com raciocínio LLM. Este guia cobre a arquitetura prática, quais modelos funcionam melhor em 2026, padrões de integração com ferramentas de prospecção e as cinco armadilhas mais comuns.

A arquitetura de duas camadas

O lead scoring com IA moderno combina duas camadas sequenciais. A primeira é uma camada de regras estruturadas que produz um score base a partir de dados firmográficos: tamanho da empresa, setor (CNAE no Brasil, NAICS nos EUA), geografia, stack tecnológico, estágio de captação e visitas à página de preços. As regras tipicamente geram um score 0-100 com features ponderadas calibradas contra dados de closed-won dos quatro trimestres anteriores.

A segunda é uma camada de raciocínio LLM que ingere tanto o baseline estruturado quanto contexto não-estruturado (copy do site, notícias recentes, padrões de contratação, presença social). O LLM ajusta o score em ±20 pontos e explica o raciocínio em linguagem natural para o SDR ler antes do outreach. Crucialmente, o LLM é fundamentado em dados estruturados — ele não inventa fatos sobre empresas.

Escolhendo o LLM

Em 2026-05, os líderes em produção são Claude Sonnet 4.6 e GPT-4o. O Claude tende a produzir raciocínio mais fundamentado com menos alucinações dado outputs estruturados de tools; o GPT-4o é mais rápido e barato por token com qualidade similar. Para scoring de alto volume (>10K leads/dia), variantes menores (Claude Haiku, GPT-4o-mini) reduzem o custo em 5-10× com queda de qualidade aceitável, mas leads do decil superior devem passar pelos modelos maiores.

Cinco armadilhas comuns

1. Treinar em closed-won sem controlar habilidade do SDR: se seu top SDR fecha 3× mais, treinar um modelo de scoring em closed-won codifica habilidade do representante, não qualidade do lead. Estratifique por representante antes de treinar.
2. Scoring LLM sem dados fundamentados: pedir ao LLM para pontuar um lead com apenas o nome da empresa leva a fatos inventados. Sempre forneça dados firmográficos estruturados como output de tool.
3. Modelos desatualizados: o ICP evolui. Recalibre o modelo de scoring trimestralmente contra dados recentes de closed-won/closed-lost.
4. Otimizar apenas por taxa de conversão: um lead de deal pequeno com alta conversão pode superar um lead de deal grande com conversão menor. Pondere por receita esperada, não só por conversão.
5. Tratar scores LLM como determinísticos: o mesmo prompt pode produzir scores diferentes entre execuções. Amostre 5% dos leads com execuções duplicadas e monitore variância (>15% indica prompt instável que precisa de revisão).