A camada de verificação e governança para a prospecção com IA

Um verificador determinístico decide o que a sua prospecção com IA tem permissão de enviar.

SDRs de IA otimizam por volume, e modelos de passagem única enviam intactas afirmações com fonte desatualizada, entidade errada e alegação excessiva. O Veracity Engine deixa um LLM redigir e, em seguida, checagens em Python puro removem toda afirmação não comprovada, pontuam o que resta e encaminham pelo portão de política calibrado por risco. Agentes aconselham, o código decide.

100%

Integridade do envio quando uma afirmação sobrevive

Toda afirmação no e-mail enviado tem respaldo na fonte

25/25

Precisão de veredito no conjunto dourado rotulado

Determinístico e reproduzível (benchmark de 25 casos)

Checagens determinísticas antes do envio

Fundamentação, correspondência de entidade, validade temporal

Esta é uma demonstração executável. Recuperação, CRM e envio de e-mail são simulados, e os leads são sintéticos, com exceção da Werner Enterprises, cujos trechos do 10-K são registro público real.

Volume sem verificação destrói mais pipeline do que cria

O modo de falha por trás dos colapsos bem publicizados de SDR de IA.

SDRs de IA são construídos para enviar mais. LLMs de passagem única alucinam uma parcela mensurável de afirmações específicas do prospect, e as ferramentas de personalização nunca reverificam a afirmação resultante contra uma fonte atual e correta quanto à entidade. Assim, afirmações com fonte desatualizada, entidade errada e alegação excessiva saem intactas, e a verificação é acoplada depois do envio ou simplesmente nunca acontece.

O contexto do setor é contundente. LLMs de passagem única alucinam de 12 a 18% das afirmações específicas do prospect (AI SDR Industry Report, 2026). A rotatividade de SDR de IA corporativo fica entre 50 e 70% ao ano (UserGems, 2026). A 11x.ai levantou US$ 74 milhões e colapsou em 2025 com rotatividade de 70 a 80% (TechCrunch). Apenas 7% das empresas têm governança específica para agentes (Deloitte, 2026), e a Gartner projeta que mais de 40% dos projetos de IA agêntica serão abandonados até 2027. Desde novembro de 2025, uma taxa de spam acima de 0,3% aciona rejeição no nível SMTP do Gmail e uma recuperação de domínio de 6 a 12 semanas.

O verdadeiro problema não é gramática ruim. A gramática é perfeita, o que piora a situação. O perigo é uma afirmação corretamente citada, mas usada de forma enganosa: um fato verdadeiro extraído de uma fonte desatualizada, um fato verdadeiro sobre a empresa errada de mesmo nome, ou uma afirmação de fornecedor que a fonte contradiz. Chamamos isso de uso contextual indevido, e modelos-base melhores não o eliminam. Um modelo perfeito ainda não consegue provar à FINRA ou ao GDPR qual fonte atual respaldou qual afirmação.

Como o Veracity Engine funciona

Um LLM redige. Código determinístico decide o que é enviado. Isso é neurossimbólico: autoria neural, verificação simbólica.

O pipeline executa Lead, depois Pesquisa (uma Ficha de Fatos em que cada fato está ligado a uma fonte datada), depois Rascunho (um LLM redator restrito apenas à Ficha de Fatos), depois Verificar (checagens determinísticas), depois um Portão de Política, depois um recibo de auditoria assinado, depois uma gravação simulada de volta no CRM. A etapa de verificação não é um LLM julgando um LLM. É Python puro, então a mesma entrada produz o mesmo veredito em toda execução.

As três checagens determinísticas

Cada afirmação factual é testada contra a fonte citada. A primeira checagem que falha prevalece, em ordem de prioridade: unsourced, depois contradicted, depois entity mismatch, depois stale.

1. Fundamentação

A afirmação é implicada por um trecho da fonte? A sobreposição de tokens deve ser de pelo menos 0,5 dos tokens de conteúdo, e os tokens do nome da empresa são excluídos para que uma afirmação não pontue alto só por repetir o nome da empresa.

2. Correspondência de entidade

A fonte é sobre este prospect exato, e não outra empresa de mesmo nome? Uma fonte sobre uma firma diferente com o mesmo nome falha, mesmo quando as palavras coincidem.

3. Validade temporal

Se a afirmação usa linguagem de atualidade ("recently", "just", "now", "this week"), a fonte deve estar dentro de 365 dias. Fontes mais antigas são marcadas como stale, mesmo quando o fato é verdadeiro.

Duas salvaguardas adicionais rodam em paralelo: uma checagem de contradição do fornecedor e um piso de fidelidade da frase de 0,3 que impede que um LLM em execução associe um id de fato válido a uma frase alucinada. O vocabulário de veredito define as cores da interface: supported (verde) passa; stale (âmbar), entity_mismatch (vermelho), contradicted (vermelho) e unsourced (vermelho) não passam.

O portão de política

O portão remove toda afirmação que não seja supported e, em seguida, reporta dois números. A Pontuação de Veracidade é o número de afirmações supported dividido pelo total de afirmações factuais no rascunho, ou seja, quanto do que a IA escreveu era de fato verdadeiro. A integridade do envio é 100% sempre que pelo menos uma afirmação sobrevive, porque o e-mail enviado então contém apenas afirmações respaldadas por fonte. Essa é a garantia de desenho.

O roteamento segue o risco. O e-mail é reformulado se nada seguro sobrevive ou se a cobertura do rascunho cai abaixo de 0,5. Ele é enviado para revisão humana se for de alto valor (regulado, ou C-suite, ou um negócio de pelo menos US$ 100.000), mesmo em um rascunho 100% limpo. Caso contrário, é automaticamente elegível. O modo de comparação, SDR de IA padrão, pesquisa, redige e envia com 0 afirmações verificadas antes do envio; o aplicativo mostra isso como uma checagem-sombra a posteriori do que já saiu.

O ponto crítico, trabalhado de ponta a ponta

Três leads do corpus da demonstração (data âncora 2026-06-17). Cada imagem abaixo é uma captura de tela do aplicativo em execução.

Um fato verdadeiro de uma fonte desatualizada ainda é a coisa errada a enviar

Para o lead Northwind Logistics (um 3PL sintético de médio porte), o rascunho afirma que a empresa "recently expanded into APAC". A fonte é uma notícia real da Northwind sobre a APAC, a sobreposição de fundamentação é 100% e a entidade está correta. Mas a fonte está datada de 2019-03-14, o que dá 2.652 dias de idade (cerca de 7,3 anos) contra uma janela de atualidade de 365 dias, então a validade temporal falha e a afirmação é removida. O Veracity Engine mantém as afirmações supported (lideradas por um esforço para contratar seis administradores Salesforce, evidenciado por uma vaga datada de 2026-06-09), captura as duas afirmações ruins e envia um e-mail 100% respaldado por fonte.

Resultado do Veracity Engine para o lead Northwind: 100% do e-mail enviado respaldado por fonte, 60% do rascunho verificável, duas afirmações capturadas e removidas com os motivos exibidos em linha. — Resultado do Veracity Engine: integridade do envio 100%, rascunho verificável 60%, duas afirmações capturadas e riscadas com os motivos.

Painel de evidências mostrando fundamentação em 100% e entidade OK, mas a checagem temporal falhando: a idade da fonte de 2.652 dias excede 365 dias para uma afirmação de atualidade, então o veredito é stale. — O painel de evidências: a fundamentação passa, a entidade passa, a validade temporal falha (idade da fonte de 2.652 dias acima da janela de 365 dias). Veredito: stale.

A mesma lacuna em um registro real da SEC

Werner Enterprises, Inc. é uma empresa de capital aberto real, e as fontes W1 e W2 são trechos literais do seu Formulário 10-K do FY2023 (SEC EDGAR, CIK 0000793074, protocolado em 2024-02-26). A afirmação do rascunho "recently growing your One-Way Truckload fleet to 2,735 trucks" é factualmente real, mas o documento tem mais de dois anos, então um enquadramento com "recently" é capturado como stale. Esta é exatamente a lacuna de uso temporal indevido que as ferramentas de personalização a partir de registros da SEC deixam aberta. (O contato e a vaga neste lead são sintéticos; apenas a Werner e os trechos do 10-K são reais.)

Uma afirmação real da Werner Enterprises respaldada pelo 10-K da SEC do FY2023, capturada como stale porque o documento tem mais de dois anos contra a janela de atualidade de 365 dias. — Uma afirmação real do 10-K da Werner, factualmente precisa, capturada como stale por um enquadramento de atualidade.

Uma colisão de entidade de mesmo nome

De volta ao lead Northwind, o rascunho também afirma uma "Série B de US$ 40 milhões". A fonte citada é real, mas trata da "Northwind Inc.", uma startup de cibersegurança de Austin, e não da "Northwind Logistics". A checagem de correspondência de entidade falha e a afirmação é removida antes de poder ser enviada.

Painel de evidências mostrando uma falha de correspondência de entidade: a fonte de financiamento citada trata da Northwind Inc., uma startup de cibersegurança de Austin, não da Northwind Logistics. — Divergência de entidade: a fonte de financiamento descreve a Northwind Inc., não a Northwind Logistics.

Governança é sobre risco, não só correção

A Atlas Capital Markets é um broker-dealer sintético regulado pela FINRA, com um contato de Chief Revenue Officer e um negócio de US$ 220.000. Mesmo um rascunho 100% limpo e totalmente respaldado por fonte é forçado à revisão humana pelo portão de política, porque é regulado, C-suite e acima do limiar de US$ 100.000. Um rascunho limpo não é o mesmo que um rascunho enviável.

A Atlas Capital Markets foi encaminhada para revisão humana porque é regulada, C-suite e um negócio de US$ 220.000, mesmo com o rascunho totalmente respaldado por fonte. — A Atlas foi encaminhada para revisão humana em um rascunho 100% limpo: regulada, C-suite, negócio acima de US$ 100.000.

Um recibo assinado e um benchmark reproduzível

Cada e-mail produz um recibo de auditoria JSON para download: o provedor e a versão do modelo, o prospect e o nível de risco, a Ficha de Fatos, o veredito de cada afirmação com o trecho da fonte e as datas, a pontuação de veracidade, a regra de política que disparou e o aprovador humano. Em um conjunto dourado rotulado de 25 casos, o verificador determinístico pontua 25/25 de precisão de veredito: 10 de 10 afirmações difíceis ou ruins capturadas, 15 de 15 afirmações limpas preservadas. Essa reprodutibilidade é o que o torna certificável, e um juiz LLM não. Atribuímos o 25/25 a este benchmark rotulado, nunca como uma garantia em mundo aberto.

O recibo de auditoria JSON para download com o rastreamento por checagem, a versão do modelo, os vereditos, os trechos da fonte, as datas e a regra de política que disparou. — O recibo JSON assinado, com o rastreamento completo por checagem.

O conjunto dourado rotulado de 25 casos pontuando 25 de 25 de precisão de veredito, determinístico e reproduzível. — O conjunto dourado de 25 casos: precisão de veredito 25/25, o mesmo resultado em toda execução.

SDR de IA padrão versus o Veracity Engine

O mesmo seletor contra o qual a demonstração compara, lado a lado.

Dimensão	SDR de IA padrão	Veracity Engine
Afirmações verificadas antes do envio	0	Toda afirmação factual, de forma determinística
Quem decide o que é enviado	O LLM envia o que redigiu	Checagens em Python puro, não um LLM
Detecção de fonte desatualizada	Nenhuma	Validade temporal, janela de 365 dias
Entidade errada de mesmo nome	Nenhuma	Checagem de correspondência de entidade
Trilha de auditoria	Nenhuma	Recibo JSON assinado para cada e-mail
Tratamento de alto risco	Envia mesmo assim	Encaminhado para revisão humana

O que esta demonstração não faz

✓ Ela não alega uma taxa de alucinação zero. O LLM ainda redige; a garantia é que afirmações não comprovadas são removidas antes do envio. Quem alega taxa zero de alucinação não está sendo honesto.
✓ Ela não usa conectores reais. EDGAR, LinkedIn, Greenhouse, recuperação de notícias, leitura e gravação no CRM e envio de e-mail estão em stub ou são simulados, e a Ficha de Fatos é pré-construída.
✓ Ela não apresenta a Northwind ou a Atlas como empresas reais. Elas são sintéticas. Apenas a Werner Enterprises e os trechos W1/W2 do 10-K são registro público real.
✓ Ela não reporta a faixa de alucinação de 12 a 18% como resultado medido deste produto. Essa cifra é contexto de mercado; o destaque da demonstração é a cobertura de proveniência e a taxa de tratamento automático.
✓ Ela não traz clientes, estudos de caso, depoimentos ou cifras de ROI. Nenhum existe ainda. Esta é uma demonstração que prova o mecanismo, não uma implantação.

Perguntas que os compradores realmente fazem

Isto é só mais um SDR de IA (como a 11x)?

Não. Não acrescentamos mais um SDR de IA ao mercado. O Veracity Engine é uma camada de verificação e governança que fica depois do rascunho: um verificador determinístico em Python puro checa cada afirmação que uma IA escreveu contra uma fonte datada e correspondente à entidade, remove qualquer coisa não comprovada e escreve um recibo de auditoria assinado antes que o e-mail seja autorizado a ser enviado. SDRs de IA otimizam por volume; nós decidimos o que é seguro enviar.

Como vocês verificam afirmações de e-mails de vendas gerados por IA antes do envio?

Toda afirmação factual no rascunho passa por três checagens determinísticas: fundamentação (a afirmação é implicada por um trecho da fonte, com sobreposição de tokens de pelo menos 0,5), correspondência de entidade (a fonte é sobre este prospect exato, não uma empresa de mesmo nome) e validade temporal (se a afirmação usa linguagem de atualidade, a fonte deve estar dentro de 365 dias). Somente as afirmações que passam são marcadas como supported e mantidas; todo o resto é removido. O verificador é código, não um LLM julgando um LLM, então a mesma entrada sempre produz o mesmo veredito.

Como ele captura uma afirmação tecnicamente verdadeira, mas enganosa?

Esse é exatamente o modo de falha para o qual construímos, que a demonstração chama de uso contextual indevido. Em um lead trabalhado, a frase "recently expanded into APAC" está fundamentada e é sobre a empresa certa, mas a única fonte está datada de 2019, então tem 2.652 dias de idade contra uma janela de atualidade de 365 dias e é capturada como stale e removida. Mostramos o mesmo padrão em uma afirmação real da Werner Enterprises respaldada pelo 10-K da SEC do FY2023: factualmente precisa, mas o documento tem mais de dois anos, então um enquadramento com "recently" falha na validade temporal.

A prospecção com IA pode ser usada em setores regulados como serviços financeiros / FINRA?

É aí que uma camada de verificação e governança mais importa, porque uma afirmação alucinada ou atribuída de forma errada carrega consequência regulatória. Na demonstração, o portão de política encaminha para revisão humana qualquer e-mail que seja regulado, enviado a um contato C-suite ou ligado a um negócio de pelo menos US$ 100.000, mesmo quando o rascunho está totalmente respaldado por fonte. Governança aqui é uma função de risco, não só de correção.

Como vocês provam qual fonte respaldou uma afirmação, para uma auditoria de conformidade?

Cada e-mail produz um recibo de auditoria JSON para download que registra o provedor e a versão do modelo, o prospect e o nível de risco, a Ficha de Fatos, o veredito de cada afirmação com o trecho da fonte e as datas, a pontuação de veracidade, a regra de política exata que disparou e o aprovador humano. Qualquer afirmação é rastreada até a sua fonte em segundos. Um modelo perfeito ainda não consegue provar a um auditor qual fonte atual respaldou qual afirmação; um recibo consegue.

Um modelo de IA melhor/mais novo vai simplesmente resolver o problema da alucinação?

Não, e esse é o ponto duradouro. Modelos-base melhores ainda redigem, e quem alega taxa zero de alucinação não está sendo honesto, então a necessidade de provar proveniência, manter uma trilha de auditoria e aplicar um portão com base no risco não desaparece. Proveniência, recibos de auditoria e um portão de política são propriedades duradouras; um redator mais forte não remove a exigência de verificar e governar o que ele escreve.

Isto é um produto em produção ou uma demonstração?

É uma demonstração executável que prova o mecanismo, não um pipeline implantado. As fontes de recuperação (EDGAR, LinkedIn, Greenhouse, notícias), a leitura e a gravação no CRM e o envio de e-mail são simulados, e a Ficha de Fatos é pré-construída; os leads são sintéticos, com exceção da Werner Enterprises, cujos trechos do 10-K são registro público real. O verificador determinístico, o portão de política e o recibo de auditoria são reais e rodam exatamente como mostrado.

Pesquisa Técnica

A pesquisa por trás desta demonstração — a arquitetura, o design de verificação e o blueprint empresarial.

Solução completa

Conheça a solução Inteligência de Vendas com IA & Prospecção Verificada →

Colocando prospecção com IA diante de compradores regulados?

A camada de verificação e governança é a parte difícil. Nós a construímos.

Se a sua equipe está lidando com como colocar prospecção com IA diante de compradores regulados sem arriscar uma afirmação alucinada, gostaríamos genuinamente de ouvir como vocês estão pensando nisso. O problema é de todo o setor e as respostas também serão.

Avaliação de verificação

✓ Mapear onde a sua prospecção com IA pode enviar uma afirmação não comprovada
✓ Definir regras de fundamentação, de entidade e temporais para os seus dados
✓ Desenhar os níveis de risco e o portão de revisão humana
✓ Especificar o recibo de auditoria de que a sua equipe de conformidade precisa

Construa a camada

✓ Um verificador determinístico sobre as suas fontes reais
✓ Um portão de política calibrado para as suas verticais reguladas
✓ Recibos de auditoria assinados e para download por envio
✓ Autoria com modelo intercambiável (Anthropic, OpenAI, Gemini, Ollama)

Conecte-se via WhatsApp Envie um E-mail à Nossa Equipe