Os problemas que ainda não resolvemos (e queremos você junto)

A maioria das páginas de carreira te vende um mundo onde tudo já funciona. Aqui a gente prefere te contar onde ainda dói. Não por modéstia — por estratégia. As pessoas de quem mais precisamos são as que se acendem diante de um problema não resolvido, não as que querem operar uma máquina já pronta. Se você é assim, este post é praticamente uma vaga descrita em prosa.

O ClubPetro conecta fidelidade, Customer Success e dados para redes de postos de combustível no Brasil. Somos AI-native, e isso significa que resolvemos problemas com IA no núcleo. Mas ser AI-native não torna os problemas fáceis — torna-os interessantes. Aqui estão os que ainda estão em aberto.

O dado brasileiro é caótico — e ninguém domou isso ainda

Postos rodam ERPs diversos, sistemas de bomba, conveniência, meios de pagamento variados. Cada um exporta de um jeito. O sync atrasa. O schema do banco não bate com o que o código espera. A mesma "venda" aparece com três valores diferentes em três lugares.

O problema em aberto: como construir uma camada de dados que seja simultaneamente confiável, em tempo quase-real e barata de operar na escala de milhares de postos?

• Reconciliação automática que detecta e explica divergências, em vez de só engolir o erro.
• Ingestão resiliente que não quebra o pipeline inteiro porque um posto mandou lixo.
• Modelos que sabem quando os dados de entrada não são confiáveis o suficiente para decidir.

Ninguém resolveu isso bem no nosso setor. Quem resolver primeiro tem uma vantagem que dura anos.

Até onde a IA pode decidir sozinha?

Temos IA lendo conversas, priorizando redes em risco, rascunhando comunicações, resumindo atendimentos. Funciona. Mas há uma fronteira que ainda estamos aprendendo a desenhar: o que a IA faz sozinha e o que exige um humano?

Cobrar um cliente automaticamente? Talvez. Encerrar uma negociação? Não. Sugerir a próxima ação de retenção? Sim, com revisão. Executar essa ação sem ninguém olhar? Depende do risco.

• Como calibrar confiança: quando o modelo deve agir, quando deve sugerir, quando deve calar a boca e chamar um humano.
• Como projetar "human-in-the-loop" que não vire gargalo — se todo passo precisa de aprovação, você não escalou nada.
• Como auditar decisões automáticas para que, quando algo der errado, seja possível entender o porquê.

Essa é uma das perguntas de design mais difíceis e mais importantes que temos. Não tem resposta pronta em nenhum livro.

Customer Success que escala sem perder a alma

Já falamos disso: existe um teto para quantas redes um CSM humano cuida bem. Queremos multiplicar esse teto sem transformar o cuidado em spam automatizado.

O problema em aberto é de produto e de julgamento ao mesmo tempo:

• Como o sistema decide o que é urgente hoje de um jeito que o CSM confia?
• Como automatizar o trabalho mecânico (follow-up, régua, fechamento) preservando o toque humano onde ele é o diferencial?
• Como medir se estamos ajudando a rede de verdade, e não só empurrando métricas para cima?

Errar aqui é fácil: dá pra automatizar até o ponto em que o cliente sente que está falando com uma máquina indiferente. Acertar exige gosto, empatia e engenharia — na mesma pessoa, ou no mesmo time.

Performance e custo na escala real

Rodar modelos de fronteira é caro. Rodar em cima de milhares de postos, com dashboards que precisam abrir rápido, com crons que sincronizam dados a cada poucos minutos, é um problema de engenharia de verdade.

• Como manter latência baixa e custo sob controle quando cada decisão pode chamar um modelo.
• Como cachear inteligência sem servir resposta velha.
• Como desenhar pipelines que degradam com elegância em vez de cair inteiros.

Não é glamouroso. É o tipo de problema que separa protótipo de produção. E é onde muita ideia bonita morre — a menos que alguém que se importa esteja cuidando dela.

O que estamos pedindo

Repare no que não fizemos neste post: não fingimos que está tudo resolvido. Os problemas acima são reais, estão abertos agora, e vão continuar abertos por um bom tempo. Alguns vamos resolver de um jeito que depois vai parecer óbvio. Outros vamos ter que reabordar três vezes.

O que estamos pedindo é específico. Queremos gente que:

• Fica desconfortável com o "quase funciona" e vai atrás do porquê.
• Não confunde IA com mágica — entende que o trabalho de verdade é a fundação embaixo dela.
• Junta julgamento e execução — sabe decidir onde o humano importa e onde a máquina resolve.

Se você leu esta lista e sentiu vontade de discordar de alguma coisa, de propor uma abordagem melhor, de meter a mão — é exatamente esse impulso que procuramos. Nós não temos as respostas todas. Temos os problemas certos, um setor gigante e ainda mal digitalizado, e clientes reais na ponta de milhares de postos.

Vem resolver com a gente o que ninguém resolveu ainda.