SMS Memory para IA Conversacional: Como Armazenar Contexto de Interações Anteriores e Personalizar o Próximo Disparo

IA conversacional sem memória é só automação com nome bonito

Muito do que o mercado chama de “IA conversacional em SMS” é, na prática, uma sequência de mensagens disparadas por gatilho de tempo. O modelo não lembra que o usuário clicou no link da semana passada, ignorou o disparo anterior ou respondeu “não tenho interesse” há 30 dias. Cada mensagem começa do zero, como se o cliente nunca tivesse existido. O resultado é previsível: copy genérico, timing errado e opt-out acelerado.

O que diferencia automação de inteligência real é contexto acumulado. E o SMS, por razões técnicas que a maioria ignora, é o canal mais robusto para construir essa memória, sem depender de app instalado, cookie de browser ou sessão autenticada.

Por que o número de celular é a melhor chave primária de contexto que você já teve

Cookies expiram. IDs de dispositivo mudam com reset de fábrica. E-mails se multiplicam. O MSISDN (o número de celular no formato internacional) é um identificador que persiste por anos, atravessa canais e não depende de nenhuma ação do usuário para existir. Quando alguém recebe um SMS, o número já é conhecido antes mesmo de abrir a mensagem.

Isso transforma o número em um identity anchor poderoso: uma chave primária que une histórico de entrega, comportamento de clique, respostas MO e preferências declaradas em um único perfil server-side. Nenhum SDK precisa ser instalado no dispositivo. Nenhum login precisa ocorrer. A memória existe independentemente do comportamento do usuário fora do canal.

O que é SMS Memory: sessão, contexto e memória de longo prazo

Antes de arquitetar qualquer solução, vale distinguir três camadas de memória que operam em janelas de tempo diferentes:

• Estado de sessão: o que aconteceu nos últimos minutos dentro de uma conversa MO ativa. Útil para chatbots responsivos, mas volátil por natureza.
• Contexto de curto prazo: eventos das últimas duas a quatro semanas, cliques, entregas confirmadas, respostas recentes. Alimenta personalização tática de próximo disparo.
• Memória de longo prazo: padrões comportamentais acumulados ao longo de meses, frequência de engajamento, temas de interesse revelados por clique, histórico de opt-out e reativação. Alimenta segmentação estratégica e supressão inteligente.

Uma arquitetura de SMS Memory madura opera nas três camadas simultaneamente, com TTLs (Time to Live) diferentes para cada tipo de sinal. Um clique em link tem alta relevância preditiva por 7 a 14 dias; um evento de entrega sem clique perde valor em 48 horas; uma resposta MO pode ser relevante por meses dependendo do conteúdo.

Os quatro sinais nativos do SMS que já são memória bruta

O canal SMS emite eventos que a maioria das plataformas coleta mas raramente usa como dado de treinamento para o próximo disparo. São quatro sinais fundamentais:

• DLR (Delivery Receipt): confirma entrega no dispositivo. Ausência de DLR pode indicar número inativo, roaming ou problema de operadora, sinal importante para como medir a taxa de entrega real e interpretar DLRs antes de qualquer decisão de reenvio.
• Clique em link rastreado: o evento de maior valor preditivo. Revela intenção, interesse em categoria e momento de consideração. Base da segmentação comportamental por clique, RFM e ciclo de vida.
• MO (Mobile Originated): resposta textual do usuário. O sinal mais rico em semântica, contém intenção declarada, objeção ou confirmação. Deve ser armazenado com timestamp e classificação de intent.
• Opt-out / Opt-in: sinais binários de consentimento que funcionam também como indicadores de percepção de relevância. Um opt-out após três disparos sem clique diz algo sobre frequência; um opt-in espontâneo diz algo sobre momento de vida.

Arquitetura server-side: do Event Store ao vetor de features por usuário

A implementação técnica começa com um Event Store centralizado que registra cada sinal com MSISDN, tipo de evento, timestamp, campanha de origem e payload relevante. A partir daí, um processo de Entity Resolution agrupa todos os eventos pelo mesmo número, construindo um perfil incremental.

Cada perfil gera um vetor de features que inclui: dias desde último clique, contagem de entregas sem engajamento (sequência de silêncio), categorias de interesse inferidas por URL clicada, horário modal de abertura e status de consentimento atualizado. Esse vetor é o que a IA consome, não o histórico bruto de eventos.

Essa lógica se conecta diretamente à estratégia de comunicação proativa e antecipação de eventos do ciclo de vida: quando o modelo sabe que o usuário está em fase de reativação, o disparo muda de tom sem nenhuma intervenção manual.

Como a IA consome a memória: prompt enrichment, slot filling e supressão

Com o vetor de features disponível, três mecanismos entram em ação antes de cada disparo:

• Prompt enrichment: o contexto do usuário é injetado no prompt do modelo de linguagem, “este usuário clicou em oferta de plano premium há 9 dias, ignorou dois disparos subsequentes e tem horário de engajamento entre 19h e 21h”, gerando copy e timing calibrados para aquele perfil específico.
• Slot filling: variáveis dinâmicas na mensagem são preenchidas com base na memória, produto visualizado, categoria de interesse, nome da última oferta clicada.
• Regras de supressão: usuários com dois opt-outs nos últimos 90 dias, sequência de seis entregas sem clique ou resposta MO com “não tenho interesse” são suprimidos automaticamente, independentemente da régua de campanha.

Essa lógica de supressão é especialmente crítica na régua de SMS para carrinho abandonado com gatilhos comportamentais, onde o risco de canibalismo entre toques é alto sem contexto acumulado.

Armadilhas reais: data decay, LGPD e hiper-personalização invasiva

Três riscos precisam estar no radar de qualquer implementação:

• Data decay: memória desatualizada é pior que ausência de memória. Um clique em promoção de Natal usado como sinal em março gera personalização irrelevante. TTLs rigorosos por tipo de sinal são inegociáveis.
• Consentimento LGPD: armazenar histórico comportamental de interações SMS para alimentar IA exige base legal clara, geralmente legítimo interesse com registro de finalidade. Consulte o checklist LGPD para armazenamento de dados em SMS e RCS antes de modelar qualquer pipeline de memória.
• Hiper-personalização invasiva: SMS tem visibilidade altíssima, notificação imediata, sem algoritmo de feed. Uma mensagem que demonstra saber demais sobre o comportamento do usuário pode gerar desconforto e opt-out imediato. A regra prática: use a memória para suprimir o irrelevante e calibrar o momento, não para exibir que você sabe tudo.

Métricas para saber se a memória está funcionando de verdade

Três indicadores validam se a arquitetura de contexto está gerando retorno real:

• Lift de CTR por nível de contexto: compare CTR de disparos com zero sinais anteriores vs. disparos enriquecidos com dois ou mais eventos históricos. O delta é o valor direto da memória.
• Redução de opt-out por cohort: usuários que recebem mensagens calibradas por memória devem apresentar taxa de opt-out menor que a baseline. Se não apresentam, a personalização está errada ou invasiva.
• Incrementalidade por cohort de ativação: isole usuários em que a memória mudou o disparo (horário, copy ou supressão) e compare conversão com grupo controle sem memória ativa. Veja como estruturar esse tipo de análise em métricas além do CTR e ROI real de campanhas SMS.

Para validar hipóteses de personalização antes de escalar, o A/B testing em SMS para validar hipóteses de personalização é o método mais seguro, testando variantes com e sem enriquecimento de contexto em amostras controladas.

Checklist de implementação: do modelo de dados ao primeiro disparo enriquecido

• ✅ Definir MSISDN como chave primária no Event Store, nunca e-mail ou ID interno como identificador principal
• ✅ Mapear os quatro sinais nativos (DLR, clique, MO, opt-out) e garantir ingestão em tempo real no pipeline
• ✅ Estabelecer TTL por tipo de sinal (sugestão inicial: clique = 14 dias, DLR sem clique = 48h, MO = 60 dias, opt-out = permanente até reversão)
• ✅ Construir o vetor de features por MSISDN, mínimo 6 dimensões antes de ligar o enriquecimento de prompt
• ✅ Implementar regras de supressão baseadas em memória antes de qualquer lógica de personalização
• ✅ Documentar finalidade de armazenamento comportamental conforme LGPD
• ✅ Rodar primeiro A/B test com grupo sem contexto vs. grupo com vetor de features completo
• ✅ Integrar memória SMS ao modelo de fallback inteligente e arquitetura omnichannel, contexto deve ser compartilhado entre canais, não silado por canal

Memória não é um recurso premium de IA, é o pré-requisito mínimo para que qualquer modelo entregue personalização que valha o custo do disparo. O SMS já tem os sinais. A questão é se a arquitetura está pronta para ouvi-los.