Por Marcelo Andrade
5 de novembro de 2026
Um agente pode recuperar uma conversa corretamente e, mesmo assim, responder com uma informação vencida. No atendimento B2B, lembrar o que o cliente disse não basta: é preciso identificar o que continua válido. Essa diferença importa quando uma conta muda de unidade, altera seu processo de atendimento ou corrige uma orientação registrada anteriormente.
A Salesforce informa que uma mudança nas regras do Agentforce Memory aumentou a recuperação de fatos explícitos em 1,8 vez e de fatos que mudam ao longo do tempo em 2,2 vezes, comparada à política anterior. Os resultados vêm de uma avaliação da própria empresa no sistema em funcionamento, descrita na atualização do Agentforce Memory.
Para líderes de customer success e operações de receita, o anúncio oferece um caminho de avaliação, não uma comprovação de retenção ou expansão. A questão prática é verificar se o agente incorpora correções e preserva contexto entre contatos, inclusive quando precisa passar o atendimento a uma pessoa.
O framework gera conversas longas, distribuídas por várias sessões, com fatos inseridos em momentos determinados. Depois, faz perguntas cuja resposta depende dessas informações. As conversas vêm do ConvoMem, benchmark público que a Salesforce afirma ter lançado em 2025.
A avaliação percorre o caminho entre a informação comunicada pelo cliente e seu uso posterior pelo agente. Isso amplia o teste para além de localizar um trecho de conversa: permite investigar falhas no registro e no aproveitamento da memória. A empresa atribui a melhora a uma política que retém mais informações e trata atualizações como correções, sem trocar a arquitetura subjacente.
Os multiplicadores exigem cuidado. A publicação não apresenta taxas absolutas, tamanho da avaliação ou intervalos de incerteza. Portanto, não permite calcular quantos erros restaram nem estimar o desempenho numa carteira brasileira. Também não demonstra redução de churn, aumento de receita ou melhoria equivalente em todas as tarefas de atendimento.
Considere um exemplo hipotético: em março, uma empresa informa que sua operação está em Campinas. Em junho, comunica a mudança para Sorocaba. Em julho, pergunta qual unidade receberá uma visita técnica. Um mecanismo de busca pode encontrar as duas mensagens. O desafio é reconhecer qual endereço vale para aquela solicitação.
Há uma segunda dificuldade: a atualização pode valer apenas para parte da conta. A filial mudou, mas a matriz permaneceu no mesmo local. Apagar toda referência a Campinas seria tão inadequado quanto ignorar Sorocaba. A memória precisa preservar escopo e vigência, não apenas dar preferência automática à última mensagem.
No Brasil, o IMTV — Índice de Maturidade Tecnológica em Vendas B2B, da Ibramerc, de 2026, mostra um contexto relevante: 83% das empresas respondentes utilizam CRM, mas 50% não têm integração entre ERP e CRM. O pilar Dados marcou 44 pontos, enquanto IA ficou em 31, na escala de 0 a 100. Para esta discussão, o contraste reforça a necessidade de avaliar a circulação e a qualidade da informação, não somente a presença de ferramentas.
As abordagens abaixo são alternativas de desenho operacional, não uma descrição da arquitetura interna do Agentforce. Elas podem coexistir. Cada uma resolve uma parte do problema e cria exigências próprias de controle.
Para uma conta complexa, combinar mecanismos pode ser mais adequado do que escolher apenas um. O histórico explica uma decisão; o resumo orienta a retomada; o registro estruturado identifica o estado vigente. Antes de atribuir tudo ao modelo, vale revisar documentação, integrações e transferência no suporte B2B.
Uma base de conhecimento responde como configurar um produto. A memória da conta registra o que aquele cliente usa, quais decisões tomou e quais restrições comunicou. Misturar essas camadas dificulta o diagnóstico: uma resposta pode falhar por documentação contraditória, não por esquecimento.
Em seu relato sobre preparação de conhecimento para agentes com Data 360, a Salesforce recomenda avaliar cobertura, lacunas e contradições antes da indexação. A empresa relata um teste com 195 pares de consulta e documento. A avaliação automática sinalizou oito falhas, cerca de 4%; após revisão humana, a taxa considerada real ficou próxima de 1%.
Esse teste trata de recuperação de conteúdo, não de memória da conta. Sua contribuição é mostrar por que o indicador automático precisa de interpretação. Na avaliação de memória, o mesmo cuidado significa verificar se o agente usou uma informação válida para o contexto, e não apenas se repetiu o registro esperado pelo avaliador.
O piloto deve reproduzir sequências de contatos, não apenas perguntas isoladas. Uma bateria pode começar com um dado inicial, introduzir uma correção em outra sessão e testar seu uso depois. Inclua mudanças por filial, informações contraditórias e situações em que a resposta correta é pedir confirmação.
Quatro indicadores ajudam a transformar a discussão em critérios verificáveis:
Registre também gravidade, tempo de resposta e custo por atendimento. Uma correção de preferência não tem o mesmo risco de uma alteração que afeta compromisso contratual. Como discutido na necessidade de definir critérios antes de adotar agentes em marketing e vendas, o aceite precisa anteceder a contratação ou ampliação do uso.
Uma mensagem do cliente não deve, por si só, alterar qualquer registro corporativo. O desenho precisa distinguir lembrar uma preferência de modificar uma condição comercial. Para cada tipo de informação, defina quem pode atualizar, qual sistema prevalece e quando a confirmação humana é obrigatória.
Também é necessário testar separação entre contas e permissões de acesso. Uma memória precisa pode continuar insegura se entregar contexto ao usuário errado. Os testes de atualização devem caminhar com os de isolamento de contratos e dados entre clientes, inclusive em buscas e resumos.
O próximo passo para CS é montar uma bateria validada por pessoas, comparar configurações sob os mesmos cenários e acompanhar reaberturas e transferências após a implantação. O anúncio da Salesforce sustenta uma conclusão limitada, mas útil: políticas de memória podem melhorar o aproveitamento do contexto sem reconstruir o sistema. Demonstrar efeito em retenção ou expansão exige outra avaliação, com resultados da própria operação.
Este conteúdo foi produzido com apoio de inteligência artificial e revisado pela equipe editorial da Live University.