Toda reunião de planejamento tem o mesmo momento: alguém pede mais dados antes de decidir. É um reflexo compreensível. Ninguém quer apostar um orçamento de mídia relevante sobre uma base capenga. Mas a pergunta que quase nunca vem depois é qual é o custo real de esperar. Enquanto a equipe aguarda o relatório completo, o concorrente já está medindo, ajustando e rodando de novo, com os mesmos dados incompletos que todo mundo tem à disposição.
O que divide as duas operações não é a qualidade da informação. É a estrutura de decisão construída para trabalhar com o que falta.
Essa virada atravessa três discussões recentes do setor de marketing e tecnologia, com Matt Emans (Newton Research/AdExchanger), Dan Hagen (Havas) e Amanda Natividad (SparkToro), e interessa direto a quem decide como montar operação de conteúdo e mídia agora.
Dados imperfeitos são material de trabalho normal em qualquer sistema bem desenhado, e deixaram de servir como justificativa para adiar decisão. A pergunta que importa agora é como construir peças que encaixam mesmo quando os dados não são perfeitos. Conseguir dados melhores parou de ser o gargalo.
Dados imperfeitos no marketing: por que esperar custa mais caro
Esperar por dados perfeitos costuma custar mais caro do que agir com dados imperfeitos no marketing. Matt Emans, cofundador da Newton Research, escreveu na AdExchanger que o refrão “garbage in, garbage out” paralisa mais operações do que protege. Dados perfeitos produzem os melhores resultados, ele concorda.
O problema é que quase nenhuma empresa tem dados perfeitos: existe perda de sinal, informação de audiência incompleta, bases que envelhecem. E mesmo assim, esse material incompleto rende muito mais do que a maioria das equipes imagina, quando existe uma estrutura de decisão capaz de lidar com a lacuna.
O argumento de Emans usa uma comparação simples. Um analista experiente, diante de uma planilha mal formatada ou de um painel que mistura fontes diferentes, não trava. Ele reconhece que “receita” num sistema significa a mesma coisa que “vendas líquidas” em outro, identifica as lacunas, ajusta a confiança na leitura e ainda assim entrega uma recomendação útil.
Agentes de IA bem desenhados fazem o mesmo movimento: constroem entendimento semântico do que os dados significam, não apenas de onde eles vêm, e por isso conseguem raciocinar sobre imperfeições em vez de travar diante delas.
Isso muda a lógica de medição. Métodos como MMM, teste de incrementalidade e atribuição são caros e manuais, o suficiente para que a maioria das marcas os rode poucas vezes por ano, com o pouco dado que têm. Emans propõe o oposto: medir com frequência maior sobre dado imperfeito reduz risco, porque corrige o rumo continuamente em vez de apostar tudo numa única leitura anual.
É a lógica de um GPS com ruído de sinal, checado a cada 30 segundos, contra o mesmo GPS checado uma vez por hora. Cada leitura isolada pode errar. O padrão de leituras frequentes mantém o rumo.
Marketing modular: da caixa fechada ao livro que se adapta
Marketing modular é montar a operação com peças que encaixam em qualquer sistema, em vez de depender de uma plataforma fechada e única. É a mesma lógica que aparece em como pensamos sistemas de marketing modulares por aqui. Dan Hagen, diretor global de dados e tecnologia da Havas, parte de uma imagem menos óbvia para chegar num ponto parecido.
Antes dos anos 1950, o transporte marítimo era lento, caro e dependia de trabalho manual intenso. A virada não veio de um navio melhor. Veio do contêiner intermodal, criado por Malcom McLean: uma caixa de aço padronizada que passava de navio para caminhão e trem sem nunca ser aberta. O carregamento que levava dias passou a levar horas, e essa peça simples é a base da globalização como ela existe hoje.
Hagen usa o contêiner para atacar um mito específico do setor: a ideia de que plataformas de ponta a ponta e volume bruto de dados garantem eficiência. Ele chama esse modelo de “caixa preta”, de propriedade da agência, fechada, one size fits all. Contra isso, propõe o que chama de “livro preto”: modular por desenho, de propriedade do cliente por intenção, com lógica visível e adaptável.
Essa diferença tem consequência prática direta: numa caixa preta, o cliente fica preso à tecnologia da agência; num livro preto, o cliente pode levar dados, conhecimento e propriedade intelectual embora, mesmo depois que a relação com a agência termina.
O paralelo com o contêiner é direto: a função da IA é consertar vazamentos e lacunas no navio que a marca já tem, sem exigir que ela construa um navio novo. Quem projeta a solução certa, segundo Hagen, costuma ser quem está mais perto do problema, não necessariamente quem entende mais de tecnologia.
McLean era caminhoneiro, e essa proximidade com a rotina de carregar e descarregar caminhões todos os dias foi o que permitiu a ele ver a solução que engenheiros navais não viram. O paralelo para marketing é direto: profissionais próximos do problema real tendem a desenhar as melhores soluções.
Marketplace de dois lados: dois públicos, um problema de confiança
Um marketplace de dois lados vende para dois públicos com incentivos diferentes sob o mesmo teto, e tratar isso como um problema de marketing único é o erro mais comum. É o mesmo tipo de armadilha que aparece quando se pensa em audiência de conteúdo como um bloco só. A terceira peça do cluster vem de um lugar aparentemente distante: como fazer pesquisa de audiência para um marketplace de dois lados.
Amanda Natividad, do SparkToro, usa o exemplo de plataformas como Thumbtack, que conectam prestadores de serviço a quem precisa contratar um. Ela descreve isso como um problema de confiança dividido em dois lados diferentes: quem contrata precisa confiar que vai encontrar um profissional confiável, e quem presta serviço precisa confiar que a plataforma vai mandar demanda real.
A pesquisa de audiência que Natividad conduziu mostra que cada lado busca por caminhos completamente diferentes. Quem contrata pesquisa pelo problema concreto: vazamento no telhado, quanto custa reformar uma cozinha. Quem presta serviço pesquisa por geração de lead e crescimento de negócio: criar um perfil na plataforma fica em segundo plano.
A implicação estratégica é que uma campanha de marketplace bem-sucedida constrói ativos que servem um lado diretamente e, ao mesmo tempo, fortalecem a confiança do outro lado na plataforma como um todo, em vez de repetir a mesma mensagem para os dois públicos.
Operação de conteúdo com IA: o que muda na prática
Na prática, dados imperfeitos no marketing funcionam como matéria-prima de decisão o suficiente para reorganizar três frentes ao mesmo tempo, o tipo de reorganização que já discutimos em automação de conteúdo com IA.
As três leituras convergem numa mesma conclusão prática, mesmo vindo de ângulos diferentes: broadcast, plataforma fechada e mensagem única para todo mundo são os modelos que estão perdendo força. O que ganha espaço é a lógica de sistema, peça encaixável, contexto sobre volume.
Isso tem consequência direta em como uma operação de conteúdo deveria ser montada em 2026. Uma equipe que trata dado incompleto como sinal de que precisa esperar mais está, na prática, adiando decisão que o concorrente já está tomando. Uma agência que vende plataforma fechada como diferencial está, na prática, vendendo dependência disfarçada de eficiência. E uma marca que fala a mesma coisa para dois públicos com interesses opostos, dentro de um mesmo ecossistema, está desperdiçando metade do orçamento de mídia.
Para conectar os pontos desta discussão
O fio que conecta essas três discussões é estrutural: como cada operação decide lidar com o que falta. A pergunta que interessa é se a operação por trás da IA foi desenhada para trabalhar com o que existe de verdade: informação incompleta, sistemas que precisam conversar entre si, públicos com interesses que não coincidem.
É a mesma pergunta que fica mais urgente à medida que a IA agêntica se espalha pela cadeia de marketing.
Quem entende o problema real de quem contrata constrói a peça que encaixa em qualquer sistema. Quem só vende plataforma fechada constrói a caixa que aprisiona o cliente lá dentro. A diferença entre as duas operações vai ficar cada vez mais visível, porque a IA agêntica amplia o resultado de qualquer estrutura de decisão, boa ou má, na mesma proporção.
Isso é o tipo de decisão de processo que vale revisar antes do próximo ciclo de planejamento: sua operação está esperando o dado perfeito, ou já está construindo com o que tem?
