Agente Plurio trouxe 38% mais clientes ao neobanco Finom, com gasto em publicidade 8% menor

O neobanco europeu para pequenas empresas Finom divulgou os resultados de cinco meses de trabalho com o agente de IA Plurio, que gerencia a publicidade da empresa. Nesse período, o número de novos clientes cresceu 38%, e os gastos com publicidade caíram 8%. Em uma das redes sociais, cujo nome não costuma ser citado na Rússia, o fluxo de clientes vindos de publicidade de performance dobrou, e o custo de aquisição de cliente (CAC) caiu 57%. No Google e em outros canais, segundo o autor da análise, a dinâmica é semelhante.

Vale fazer uma ressalva logo de início: trata-se de um case publicado no site do próprio fornecedor, a Plurio, e recontado pelo canal do Telegram "Dizraptor". Os números não passaram por verificação independente, e a fonte não traz os valores iniciais de CAC, o volume de orçamento nem a metodologia de atribuição.

Por que a publicidade do

Finom não podia ser avaliada em tempo real

O Finom está entre os três maiores neobancos da Europa com foco em pequenas empresas. A equipe tem cerca de 600 pessoas, e, na última rodada, a empresa captou €115 milhões. O banco foi fundado pelas mesmas pessoas que criaram o Modulbank. A publicidade do Finom já era grande antes: funcionavam ao mesmo tempo mais de 500 criativos em vários países e em diferentes idiomas.

A principal dificuldade estava na estrutura do funil. A pessoa clica no banner, se cadastra, passa semanas no processo de KYC, abre a conta e a ativa. Por isso, a conversão real de "clique para cliente ativo" chegava com atraso de um a dois meses. O orçamento era gasto hoje, mas só dava para saber se o lead havia valido a pena semanas depois.

Nesse intervalo, os criativos têm tempo de se desgastar. Como resultado, o custo por lead subia devagar em centenas de anúncios ao mesmo tempo, e detectar isso manualmente era inviável. Antes, essa característica era vista como um custo inevitável do marketing bancário.

Como o agente contorna o atraso na conversão

A Plurio recebeu dados do data warehouse, do CRM e das contas de anúncios, além do contexto de negócio e das regras de compra de mídia de cada país. A lógica de decisão se divide em dois modos.

Se o criativo já tem contas abertas, o agente calcula o CAC real e o compara com a meta do país. Depois, decide se escala o anúncio, reduz o orçamento ou o interrompe. Se ainda há poucas contas e é cedo para julgar, o agente olha o custo de cadastro e a previsão de qual parcela dos cadastros chegará a uma conta de fato. Isso evita o erro de desligar um criativo bom por causa das "métricas de Schrödinger": os clientes dele ainda estão a caminho, mas não aparecem nos relatórios.

O agente identifica o desgaste por dois sinais simultâneos: a frequência de exibição sobe e o custo por cliente também sobe. Se os dois indicadores aumentam, o criativo é interrompido. Um único sinal não basta, e isso reduz o risco de falsos positivos.

O humano continua no circuito

A equipe do Finom não saiu do processo. O agente monta uma lista de recomendações no formato "escalar este, cortar aquele", os funcionários a aprovam e só então o agente entra nas contas de anúncios e faz os ajustes. Para uma fintech com exigências rígidas de compliance e regras diferentes por país, esse arranjo parece razoável: a decisão sobre o orçamento é de uma pessoa, e a rotina de centenas de anúncios fica com o agente.

Sobre o lado técnico, a fonte não informa nada: não se sabe qual modelo está na base da Plurio, quantos tokens ou quanto poder de computação cada ciclo de análise consome, com que frequência o agente é reiniciado nem quanto custa o sistema em si. Também não há dados sobre a porcentagem de recomendações que as pessoas rejeitam. Sem isso, não é possível calcular a economia da solução, e parte do efeito pode ter vindo não do agente, mas de sazonalidade ou de mudanças no produto e no funil.

O que dá para aproveitar do case

A conclusão prática vai além da publicidade em fintechs. O ponto mais valioso é que o problema do atraso no feedback não foi resolvido com um modelo novo, mas com uma modelagem cuidadosa: primeiro os dados reais, quando eles faltam, a previsão com base em uma métrica intermediária, e regras de interrupção ligadas a dois sinais independentes. Essa estrutura serve para qualquer processo em que o resultado só aparece depois de semanas: assinaturas, vendas B2B, seguros, crédito.

Para as equipes que quiserem repetir a abordagem, são necessárias três coisas: um data warehouse único, em que os cliques estejam ligados aos eventos do CRM; metas de CAC bem definidas por mercado; e um procedimento de aprovação em que uma pessoa valida as ações do agente. Sem o primeiro item, o agente não terá o que calcular, e sem o terceiro ele corre o risco de desligar anúncios que funcionam, de forma silenciosa e em massa.