Encore AI arrecada US$ 30 milhões para transformar chamadas de clientes em playbooks para agentes

A Encore AI arrecadou US$ 30 milhões para criar agentes a partir de conversas com clientes, oferecendo aos leitores do Google News uma visão mais precisa da disputa por IA corporativa. A rodada Série A apoia uma premissa incomum: o melhor material de treinamento de uma empresa talvez já exista em suas chamadas, mensagens e sistema de gestão de relacionamento com clientes.

A startup analisa como os funcionários lidam com interações com clientes e identifica as táticas associadas a resultados bem-sucedidos. Em seguida, transforma essas descobertas em playbooks para agentes que conversam com clientes ou auxiliam funcionários humanos. A aposta não é apenas que agentes possam automatizar conversas. A Encore acredita que eles podem absorver os hábitos práticos dos profissionais mais eficientes de uma organização.

Isso coloca a Encore diante de Salesforce, SAP, Zoho, HubSpot e outras plataformas que já concentram dados valiosos de clientes. As empresas estabelecidas controlam os sistemas de registro. A Encore quer controlar a camada de interpretação que decide qual comportamento humano um agente deve reproduzir.

O financiamento dá à Encore espaço para seguir essa estratégia em grandes instituições financeiras. Não resolve, porém, se a empresa possui uma vantagem duradoura. Fornecedores consolidados de CRM têm distribuição, integrações e relacionamentos existentes com clientes que uma empresa mais jovem precisa contornar.

A rodada de US$ 30 milhões financia uma estratégia específica para agentes

A Encore está financiando um sistema que aprende com interações concluídas com clientes, e não um bot de voz genérico treinado com scripts estáticos.

A Encore AI levantou a Série A em uma rodada liderada pela Team8, segundo a cobertura original do financiamento. Planven, Lukatz e Garage também participaram. Bancos e seguradoras integraram o financiamento, incluindo instituições financeiras que, segundo relatos, já usavam a Encore antes de investir.

Essa participação de clientes importa porque os serviços financeiros representam um teste exigente para softwares conversacionais. Um agente útil precisa lidar com produtos detalhados, processos regulados, históricos de clientes e linguagem cuidadosamente controlada. Também deve operar dentro de sistemas que as empresas não podem simplesmente substituir.

A Encore planeja usar o dinheiro para ampliar sua operação de vendas nos Estados Unidos e alcançar mais grandes instituições financeiras. A empresa já possui mais de 40 clientes corporativos em todo o mundo, segundo o CEO Dvir Ginzburg. A maioria são instituições financeiras.

Ginzburg também disse ao TechCrunch que a receita recorrente anual aumentou mais de cinco vezes desde a rodada seed da Encore. Esse financiamento anterior ocorreu menos de 18 meses antes da Série A. Ele não divulgou a receita subjacente, a avaliação da empresa nem os valores dos contratos com clientes.

Essas omissões limitam o que observadores externos podem inferir a partir da alegação de crescimento. Um grande aumento percentual pode partir de uma base modesta. A contagem de clientes também diz pouco sobre o tamanho das implantações, as taxas de renovação ou quanto trabalho os agentes realizam sem intervenção humana.

Ainda assim, a rodada reforça uma direção clara de produto. A Encore reúne gravações de chamadas, e-mails e mensagens de texto e, em seguida, conecta esses materiais a registros de CRM. Seu sistema divide as interações em etapas e procura comportamentos associados a progresso ou fracasso.

A Encore chama o processo de “interaction mining”. O termo descreve a extração de táticas, padrões e resultados recorrentes a partir de conversas com clientes. Em vez de tratar uma transcrição como um documento a ser resumido, a Encore a trata como evidência de como o trabalho é realizado.

A distinção é central para a proposta da empresa. Ferramentas de inteligência de conversação normalmente transcrevem reuniões, identificam tópicos e produzem notas de acompanhamento. A Encore quer converter interações históricas em instruções operacionais para agentes.

Seus agentes podem se comunicar por voz ou texto, segundo a empresa. Eles também podem auxiliar funcionários durante conversas ao vivo, recomendando respostas e táticas. Isso permite que a Encore dê suporte tanto a fluxos de trabalho conduzidos por humanos quanto automatizados, sem apostar tudo em autonomia imediata.

Assim, o financiamento muda mais do que o balanço patrimonial da Encore. Ele dá à startup mais tempo para provar que o histórico de interações pode se tornar um ativo de treinamento defensável. Essa questão define a importância mais ampla desta notícia do Google News.

Por que leitores do Google News devem olhar além do valor do financiamento

A disputa importante é sobre quem consegue converter históricos dispersos de clientes em comportamentos que melhoram a cada interação.

As equipes de vendas já geram enormes quantidades de material conversacional. As chamadas contêm objeções, explicações, táticas de negociação, preocupações dos clientes e exemplos que nunca chegam à documentação formal. As mensagens revelam a linguagem de acompanhamento que obtém respostas. Os registros de CRM mostram quais oportunidades avançaram e quais desapareceram.

A maioria das organizações armazena esses sinais em locais separados. As gravações ficam em plataformas de chamadas, as trocas escritas permanecem em e-mails ou ferramentas de mensagens, e os resultados vivem em um CRM. Mesmo quando os gestores conseguem pesquisar cada fonte, ainda precisam conectar comportamento a resultados.

A abordagem da Encore tenta automatizar essa conexão. O sistema analisa interações por etapa, relaciona-as aos resultados registrados e cria playbooks a partir de padrões que parecem bem-sucedidos. Um agente pode então usar esses playbooks em uma conversa posterior com o cliente.

Esse mecanismo difere da geração aumentada por recuperação, ou RAG, que fornece a um modelo documentos relevantes antes de ele responder. O RAG ajuda um agente a encontrar fatos sobre produtos ou políticas da empresa. O interaction mining tenta ensinar o agente a aplicar informações da mesma forma que funcionários eficazes fazem em conversas reais.

Os dois métodos podem se complementar. Um agente pode recuperar uma política aprovada e, em seguida, usar um playbook aprendido para explicá-la com clareza. Contudo, a fonte e a confiabilidade de cada instrução continuam diferentes. Um documento de política declara o que a organização permite. Uma conversa histórica mostra o que um funcionário realmente disse.

Pesquisas sobre assistência de vendas ao vivo ilustram por que o acesso imediato a informações relevantes pode ser importante. Um estudo sobre copilotos de vendas de 2026 testou um sistema que detectava perguntas de clientes e recuperava respostas de uma base de dados estruturada de produtos.

Os pesquisadores relataram um tempo médio de resposta de 2,8 segundos em seu ambiente de teste. A referência interna de busca manual variou de 25 a 65 segundos. O experimento envolveu um cenário de seguros com 50 produtos e uma base de conhecimento gerada, portanto não foi um teste de campo em empresas reais.

A Encore mira além da velocidade de recuperação. Ela quer decidir qual explicação, anedota ou movimento conversacional se encaixa em uma etapa específica. Ginzburg afirmou que seus agentes às vezes reutilizam os tipos de piadas ou exemplos empregados por gerentes de relacionamento bem-sucedidos.

Esse detalhe torna o produto memorável, mas também expõe a dificuldade central. Uma tática que funcionou para um funcionário pode depender de tom, timing, identidade ou de uma relação já estabelecida com o cliente. Copiar as palavras não garante o mesmo resultado.

Por isso, as empresas precisam distinguir técnicas repetíveis de hábitos pessoais. Também precisam separar sinais causais genuínos de correlações. Um representante experiente pode ter sucesso depois de contar uma história específica porque o cliente já confia nessa pessoa.

É por isso que o financiamento importa para compradores corporativos. A Encore agora tem recursos para testar seu método em mais implantações, especialmente em serviços financeiros. As evidências mais fortes virão de resultados controlados, e não de agentes que pareçam mais humanos.

Para profissionais do conhecimento, a ideia vai além das vendas. As organizações acumulam conhecimento informal em reuniões, mensagens e decisões. Uma base de conhecimento pesquisável pode preservar informações explícitas, enquanto a análise de interações tenta capturar comportamentos incorporados ao trabalho diário.

A oportunidade é significativa, mas o peso da governança também. Transformar trabalho passado em comportamento automatizado exige mais julgamento do que convertê-lo em notas pesquisáveis.

O mecanismo da Encore AI transforma conversas em playbooks

A vantagem proposta pela Encore vem de vincular o que os funcionários disseram ao que aconteceu em seguida e, então, empacotar os padrões úteis para um agente.

O processo começa com a ingestão. A Encore reúne gravações, e-mails, mensagens de texto e informações de CRM. Essa combinação fornece ao sistema tanto o conteúdo conversacional quanto um relato do movimento do cliente ao longo de um processo de vendas ou atendimento.

Em seguida, a plataforma divide as interações em etapas. Uma primeira consulta exige um comportamento diferente de uma discussão sobre renovação ou de uma reclamação. Segmentar o processo ajuda a evitar que o sistema trate toda frase bem-sucedida como universalmente útil.

A plataforma então procura técnicas associadas a resultados desejados. Elas podem incluir a ordem das perguntas, a explicação de um termo difícil ou o tratamento de uma objeção. A Encore afirma que também pode expor pontos de atrito e partes ineficientes de um fluxo de trabalho existente.

Por fim, esses padrões se tornam playbooks. Um agente pode aplicar vários playbooks durante uma interação, dependendo do cliente e da etapa. Um funcionário humano também pode receber respostas sugeridas em vez de entregar o controle ao software.

Esse modelo híbrido de implantação é importante. Muitas empresas não começarão com um agente lidando de forma independente com conversas relevantes. Elas podem começar com recomendações, observar o desempenho e aumentar a autonomia onde as evidências derem suporte.

Um representante diante de uma pergunta complexa sobre seguros oferece um exemplo plausível. O sistema poderia recuperar informações aprovadas sobre a apólice, reconhecer a etapa da interação e sugerir uma explicação que já ajudou clientes semelhantes. O funcionário manteria o controle sobre a apresentação e as correções.

Uma versão mais autônoma poderia gerenciar acompanhamentos rotineiros por voz ou texto. Ela poderia responder a perguntas básicas, identificar questões não resolvidas e encaminhar casos complicados a uma pessoa. Cada interação concluída criaria mais material para avaliação.

Isso cria um possível ciclo de feedback. Conversas históricas informam playbooks, playbooks orientam novas interações e novos resultados afetam playbooks posteriores. Se as medições forem confiáveis, o sistema se torna mais específico para a organização ao longo do tempo.

No entanto, um ciclo de feedback pode reforçar erros com a mesma facilidade com que reforça sucessos. Se o rótulo de resultado for incompleto, o sistema poderá recompensar comportamentos que produziram uma conversão de curto prazo, mas prejudicaram a retenção. Ele também poderá aprender com tratamentos históricos enviesados de diferentes grupos de clientes.

A seleção de resultados, portanto, torna-se uma decisão de produto. Uma organização de vendas pode otimizar para reuniões marcadas, inscrições concluídas, receita fechada, renovações ou satisfação do cliente. Cada métrica incentiva um comportamento diferente do agente.

A conexão com o CRM fornece alguns rótulos, mas não estabelece qualidade automaticamente. Os registros de CRM podem estar ausentes, atrasados ou ser moldados por práticas inconsistentes dos funcionários. Um negócio marcado como perdido pode refletir preço, timing ou adequação do produto, e não um erro conversacional.

A Encore precisa tornar essas distinções compreensíveis para os clientes. Os gestores precisam saber por que um playbook existe, quais interações o sustentam e quando o agente o aplica. Caso contrário, “aprender com chamadas” se torna uma frase que esconde um processo impossível de inspecionar.

A mesma exigência se aplica a recomendações individuais. Os funcionários devem conseguir ver se uma sugestão vem de uma política aprovada, de histórico de clientes recuperado ou de um padrão inferido de chamadas anteriores. Essas fontes carregam diferentes níveis de autoridade.

Esse é o mecanismo que separa a Encore de um resumidor de chamadas padrão. Ele também cria a maior parte do risco técnico e operacional. O sistema não está apenas condensando informações. Ele está decidindo quais comportamentos merecem ser repetidos.

O verdadeiro adversário é o CRM estabelecido

A Encore precisa provar que sua arquitetura centrada em conversas importa mais do que o controle dos concorrentes estabelecidos sobre registros de clientes, fluxos de trabalho e distribuição.

Salesforce, SAP, Zoho e HubSpot já operam próximos aos dados de que a Encore precisa. Seus produtos armazenam detalhes de contas, oportunidades, casos de atendimento, históricos de atividades e regras de fluxo de trabalho. Eles podem adicionar recursos de agentes sem pedir aos clientes que adotem outra plataforma central.

A Encore argumenta que o acesso aos dados, por si só, não produz o mesmo sistema. Ginzburg disse ao TechCrunch que grandes concorrentes não tratam o histórico de conversas como um dado fundamental. Segundo ele, mudar isso exigiria alterações em sua implementação e em suas pilhas tecnológicas.

Esse argumento define a principal disputa. A Encore aposta em uma arquitetura centrada em conversas. Os concorrentes estabelecidos podem responder com uma arquitetura centrada em registros, que incorpora transcrições, mensagens e ações de agentes aos fluxos de trabalho existentes.

A vantagem da startup seria mais forte se a mineração de conversas exigisse modelos especializados, métodos de avaliação e práticas de implantação. Ela enfraqueceria se os provedores de CRM pudessem reproduzir os recursos úteis por meio de integrações ou aquisições.

Os concorrentes estabelecidos também possuem uma vantagem de confiança. Os compradores empresariais já utilizam suas permissões, registros de auditoria, controles de dados e ferramentas de administração. Adicionar um agente nesse ambiente pode parecer mais seguro do que enviar conversas sensíveis para um sistema mais novo.

A Encore pode responder com foco. Um provedor especializado pode se concentrar em um problema sem precisar proteger um amplo portfólio de produtos mais antigos. Ele também pode atuar em vários CRMs, oferecendo aos clientes uma camada compartilhada de inteligência em vez de limitar a análise a um único fornecedor.

O mercado já contém outras abordagens. A Attention, por exemplo, anunciou sua própria rodada Série B de US$ 30 milhões em junho de 2026. A empresa afirma que seus agentes redigem acompanhamentos, atualizam CRMs e executam etapas posteriores, em vez de apenas registrar chamadas.

De acordo com o anúncio de ações de agentes da Attention, seu software realiza mais de 20 milhões de ações de agentes por mês em mais de 500 clientes. Esses números vêm da empresa e exigem validação independente.

A Attention enfatiza um ciclo fechado entre a ação de um agente e o resultado obtido. A Encore enfatiza o aprendizado de playbooks a partir das interações humanas da organização. Ambas as estratégias vão além da transcrição, mas partem de fontes diferentes de conhecimento operacional.

Empresas de agentes de atendimento ao cliente oferecem outra comparação. A Sierra tem buscado agentes empresariais especializados, em vez de uma substituição geral para CRM. Uma reportagem sobre financiamento de 2025 afirmou que a empresa se aproximava de uma receita recorrente anual substancial enquanto atendia grandes empresas.

O progresso da Sierra mostra que especialistas podem conquistar a atenção de empresas apesar dos concorrentes estabelecidos de CRM. Ele não prova que toda estratégia especializada de dados permanecerá defensável. Suporte ao cliente, operações de receita e gestão de relacionamentos também exigem integrações e métodos de avaliação diferentes.

Os mais de 40 clientes da Encore oferecem uma base inicial, não proteção de mercado. A questão decisiva é se essas implantações produzem aprendizado proprietário que melhora renovações e expansão. Se os clientes puderem recriar os mesmos resultados dentro de seu CRM, a pressão para mudar aumentará.

Instituições financeiras que investiram depois de usar a Encore oferecem um sinal positivo. Elas tiveram exposição direta ao produto antes de participar da rodada. Ainda assim, investimento estratégico não revela profundidade de implantação, desempenho ou decisões de compras de longo prazo.

A startup agora precisa de provas repetíveis em diferentes instituições. Algumas implementações personalizadas podem demonstrar viabilidade. Uma plataforma escalável precisa lidar com diferentes estruturas de dados, políticas, idiomas, processos de vendas e definições de sucesso.

Esse fardo favorece os concorrentes estabelecidos na distribuição, mas favorece a Encore na especialização. A rodada de US$ 30 milhões compra tempo para descobrir se a especialização pode superar o alcance dos fornecedores de CRM.

O que o playbook de agentes ainda não pode provar

O sucesso histórico não estabelece que uma tática conversacional causou um resultado nem que um agente pode reproduzi-la com segurança.

Um benchmark de CRM amplamente citado mostra o quanto os agentes empresariais ainda precisam evoluir. Em tarefas realistas de CRM, pesquisadores avaliaram agentes em nove tarefas de atendimento ao cliente envolvendo objetos empresariais conectados e variáveis ocultas.

O estudo relatou sucesso abaixo de 40 por cento com prompting ReAct, um método que intercala raciocínio e ações. Agentes com chamada de funções permaneceram abaixo de 55 por cento. Os resultados vieram de um benchmark, não do produto da Encore, mas destacam problemas gerais de cumprimento de regras e uso de ferramentas.

A Encore não divulgou publicamente resultados comparáveis de avaliação. Sua quantidade de clientes e o crescimento de receita relatado indicam atividade comercial, mas não medem a precisão das tarefas. A empresa também não divulgou com que frequência os funcionários aceitam sugestões ou substituem as decisões de seus agentes.

Dados independentes de desempenho esclareciam várias questões. Os compradores precisam de taxas de erro por tarefa, frequência de escalonamento, latência de resposta e a proporção de interações concluídas de forma autônoma. Eles também precisam de comparações de resultados com equipes humanas e automação mais simples.

A privacidade cria outro desafio. Chamadas e mensagens podem conter informações pessoais, detalhes financeiros, reclamações e contexto sensível. Usar essas conversas para treinar playbooks exige consentimento claro, regras de retenção, controles de acesso e procedimentos de exclusão. A própria política de privacidade da Encore afirma que processa dados pessoais para finalidades especificadas e descreve os direitos dos usuários de acesso, correção e exclusão, mas os compradores empresariais ainda precisariam de controles específicos em contrato e garantias técnicas.

O monitoramento de funcionários levanta preocupações distintas. Uma plataforma projetada para identificar técnicas eficazes também pode classificar trabalhadores ou expor fraquezas individuais. As empresas precisam decidir se os funcionários sabem como as gravações são analisadas e como a gestão utiliza as conclusões.

Os próprios playbooks precisam de governança. Um funcionário bem-sucedido pode flexibilizar uma política interna, fazer uma promessa sem respaldo ou usar um humor que não se transfere entre clientes. Dados de frequência e conversão não substituem a revisão de conformidade.

Os serviços financeiros elevam os riscos. A formulação usada por um agente pode afetar a compreensão do cliente sobre produtos, obrigações e riscos. Uma recomendação que soa persuasiva ainda pode omitir o contexto exigido por política ou regulamentação.

O viés pode entrar pelos dados históricos. Funcionários anteriores podem ter tratado clientes de maneira diferente com base em idioma, sotaque, localização ou renda percebida. Um sistema que otimiza resultados históricos pode preservar esses padrões sem compreender seu significado social.

A deriva de dados apresenta outra questão. Uma tática bem-sucedida pode se tornar obsoleta após uma mudança de produto, revisão de política ou alteração de mercado. Os playbooks precisam de regras de expiração e testes contínuos, não de autoridade permanente baseada em chamadas antigas.

Há também um problema básico de atribuição. Os resultados de vendas dependem da qualidade do produto, preços, reconhecimento de marca, momento e orçamentos dos clientes. O comportamento conversacional representa apenas uma parte do resultado. A Encore deve evitar reivindicar crédito por mudanças que seu sistema não causou.

Uma implantação empresarial cuidadosa deve separar três camadas. Fatos e políticas aprovados devem vir de fontes de conhecimento controladas. As táticas conversacionais sugeridas devem permanecer inspecionáveis. As ações autônomas devem operar dentro de limites explícitos e regras de escalonamento.

A revisão humana não resolve todos os problemas, mas cria um caminho prático de adoção. As empresas podem comparar recomendações com resultados reais antes de conceder autoridade mais ampla. Elas também podem identificar casos em que o sistema copia o estilo sem compreender o contexto.

A alegação mais forte da Encore, portanto, ainda é uma hipótese sob teste comercial. O histórico de conversas contém conhecimento organizacional valioso. A questão não resolvida é se o software pode extrair esse conhecimento sem codificar ruído, viés e comportamento acidental.

Três sinais que decidirão a próxima etapa da Encore AI

O argumento da Encore só se fortalecerá se as implantações se expandirem, os resultados medidos resistirem ao escrutínio e os fornecedores de CRM não conseguirem eliminar sua vantagem técnica.

O primeiro sinal é a expansão entre os clientes financeiros existentes. Novos logotipos importam, mas implantações mais profundas revelam mais. Os compradores devem observar se a Encore passa da assistência aos funcionários para interações autônomas com clientes em vários processos de negócio.

A expansão sugeriria que as instituições confiam tanto nos playbooks quanto nos controles ao redor deles. Pilotos limitados indicariam que a tecnologia permanece útil principalmente para análise ou recomendações. A Encore não divulgou a divisão atual entre uso assistido e autônomo.

O segundo sinal é uma avaliação transparente. A Encore deveria, em algum momento, fornecer evidências em nível de tarefa cobrindo precisão, escalonamento, conformidade e resultados de negócio. Os resultados precisam de linhas de base confiáveis e descrições claras de onde os humanos continuam envolvidos.

O crescimento de receita relatado é encorajador, mas não pode responder a essas questões operacionais. Uma avaliação útil compararia equipes orientadas pela Encore com fluxos de trabalho existentes durante um período definido. Ela também separaria a correlação dos efeitos de preços, equipe ou condições de mercado.

Evidências de que os playbooks melhoram resultados em várias instituições sustentariam a tese central da Encore. Resultados fracos ou altamente personalizados sugeririam que a mineração de interações se comporta mais como consultoria do que como uma vantagem escalável de software.

O terceiro sinal é a resposta dos grandes provedores de CRM. Salesforce, SAP, Zoho e HubSpot já têm acesso a registros de clientes e portfólios crescentes de agentes. A Salesforce, por exemplo, descreve o Agentforce como uma plataforma de agentes conectada a dados empresariais, metadados, fluxos de trabalho e controles de segurança. Esses fornecedores podem adicionar análises mais profundas de conversas, fazer parceria com especialistas ou adquirir capacidades ausentes.

Se os concorrentes estabelecidos tornarem as interações históricas centrais em seus sistemas de agentes, a diferenciação da Encore diminuirá. Se seus produtos continuarem tratando conversas principalmente como resumos e registros pesquisáveis, a Encore ganhará tempo para construir uma vantagem especializada em dados.

Concorrentes como a Attention importam pelo mesmo motivo. Seu progresso mostrará se os compradores favorecem agentes que aprendem com playbooks humanos ou agentes que aprendem com suas próprias ações concluídas. As empresas podem acabar combinando as duas abordagens.

A cobertura do Google News provavelmente se concentrará em futuros financiamentos, conquistas de clientes e anúncios de produtos. Os compradores devem olhar além dessas manchetes. Profundidade de implantação, avaliação independente e reação dos concorrentes estabelecidos revelarão mais do que outra captação de capital.

A rodada de US$ 30 milhões da Encore é significativa porque financia uma ideia testável sobre o conhecimento organizacional. A empresa acredita que as conversas contêm métodos de trabalho que os sistemas formais deixam passar. Agora, ela precisa demonstrar que esses métodos podem se transformar em comportamentos confiáveis de software.

Esse teste é relevante para qualquer organização que esteja considerando agentes de IA. Antes de automatizar um fluxo de trabalho, identifique a origem do julgamento do agente, o resultado que ele otimiza e a pessoa responsável quando o contexto muda. Em seguida, observe se a Encore consegue responder a essas perguntas em escala empresarial.