Três cases concretos sobre como times de produto e marketing estão integrando IA nos processos operacionais e o que você pode aprender com eles agora.
Quando alguém pergunta “como vocês estão usando IA no trabalho?”, a resposta mais comum ainda é uma lista de ferramentas: ChatGPT para texto, Midjourney para imagem, Notion AI para resumos. Ferramentas pontuais, usadas de forma reativa, sem arquitetura. Mas não é isso que se deve entender por IA aplicada em marketing.
Três marcas trouxeram cases recentes que contam um caminho diferente. Stripe, Sendbird e SparkToro não estão descrevendo ferramentas que adotaram. Estão descrevendo como reorganizaram seus processos internos em torno de IA. A diferença é estrutural, não cosmética.
Este post percorre os três cases e extrai o que é útil para agências, freelancers e times de marketing que querem sair do modo experimentação e entrar no modo operação.
Leia rápido:
Por que IA genérica produz resultado genérico: o problema que a Stripe foi resolver
Owen Williams, design manager da Stripe, publicou na newsletter How I AI (parte do Podcast Network de Lenny Rachitsky) sobre o Protodash, uma ferramenta interna de prototipagem que sua equipe construiu ao longo de dois anos.
O ponto de partida foi uma frustração recorrente: designers da Stripe testavam ferramentas como v0 para criar protótipos rápidos e o resultado era sempre o mesmo. Layouts com fontes erradas, componentes fora do padrão, aquela sensação de “quase certo” que, no contexto de uma empresa com um design system tão rigoroso quanto o Sail, significa quase sempre errado. Williams nomeou o fenômeno de “blurple slop”: o output azul-roxo genérico que ferramentas de IA produzem quando não conhecem o seu design system.
A resposta não foi abandonar a IA. Foi contextualizar a IA. A equipe construiu o Protodash injetando o design system da Stripe diretamente no ambiente de trabalho das ferramentas de IA, via MCP server e regras específicas no Cursor.
O resultado: designers e PMs conseguem prototipar interfaces de produção em minutos, sem produzir blurple slop, sem precisar dominar engenharia. Um número igual de designers e PMs usa o Protodash hoje, e Williams observa que isso transformou as conversas de design: em vez de “você topa bancar um designer neste projeto?”, o papo passou a ser “aqui está o protótipo, como a gente melhora?”.
A lição para agências e times de marketing é direta. Ferramentas de IA genéricas vão produzir resultados genéricos. O diferencial não está em qual ferramenta você usa, mas em quanto contexto você injeta. Isso vale para design, para texto, para estratégia. Um briefing rico alimenta um resultado rico. Um prompt vago alimenta blurple slop editorial.
Se você ainda não tem um sistema para contextualizar sua IA — um repositório de voz de marca, diretrizes editoriais, exemplos de qualidade — está trabalhando no modo genérico. Vale a pena ler como a Sinapse da Contém Conteúdo trata essa camada de personalização antes de seguir escalonando produção.
Adoção de IA como produto interno: o que a Sendbird construiu e o que você pode replicar
John Kim, co-fundador e CEO da Delight.ai (empresa que surgiu da transformação da Sendbird), descreveu na newsletter de Lenny Rachitsky como sua empresa tratou a adoção de IA internamente como se fosse o desenvolvimento de um produto.
O nome do sistema é Automators: um marketplace interno onde qualquer time pode requisitar uma ferramenta de IA, e engenheiros (ou agentes de IA) a constroem e disponibilizam com templates seguros para deploy em produção.
O resultado prático é que o time de marketing construiu uma loja de swag com integração Stripe em um dia, sem um único engenheiro envolvido. O time de vendas construiu suas próprias ferramentas de CRM. O time de recrutamento automatizou seu fluxo completo de triagem.
O que torna o sistema funcionar não é a tecnologia. É a gestão da adoção. A Sendbird criou um dashboard de uso com cinco tiers, de “beginner” a “AI God”, e acompanha não o volume total de uso, mas a suavidade da curva de adoção por tier.
Kim aponta dois fatores como críticos: liderança visível (o CEO usa IA de forma explícita e pública dentro da organização) e templates de produção seguros (não-técnicos podem fazer deploy sem comprometer compliance). A reescrita das descrições de vagas também entrou no pacote: curiosidade, agência e energia passaram a pesar mais do que anos de experiência nos critérios de seleção.
Para agências e times de marketing, o modelo Sendbird levanta uma pergunta prática: você tem um sistema para capturar e distribuir as melhores soluções de IA que surgem dentro do seu time? Ou cada pessoa está experimentando no seu próprio silo? A diferença entre “empresa que usa IA” e “empresa organizada em torno de IA” está exatamente aqui. Se você ainda opera num modelo always-on sem arquitetura, vale explorar como montar um sistema de conteúdo contínuo que suporte essa camada de operação.
A métrica certa para visibilidade em IA: por que “aparecer no ChatGPT” é a pergunta errada
Rand Fishkin, fundador do SparkToro, conduziu uma sessão de Office Hours sobre uma pergunta que muitos clientes fazem para agências de marketing: “a gente aparece no ChatGPT?”
A resposta curta é: a pergunta está errada.
Em parceria com o Gumshoe.ai, o SparkToro rodou centenas de prompts sobre os mesmos temas em ChatGPT, Claude, Gemini e Google AI Mode. A conclusão, documentada em profundidade no blog do SparkToro, foi que pedir ao ChatGPT uma vez e tirar um screenshot não diz nada de útil sobre visibilidade de marca. A mesma pergunta feita duas vezes retorna marcas diferentes, em ordens diferentes, às vezes com listas completamente distintas. A inconsistência é estrutural, não é bug.
A métrica que faz sentido não é “ranking”: isso pressupõe consistência que os LLMs não têm. É o que Fishkin chama de “visibility percentage”: em N prompts variados sobre o mesmo tema, em quantos a marca aparece? Esse número permite comparação ao longo do tempo, permite benchmark competitivo, e reconhece a natureza probabilística das respostas de IA.
O que influencia visibility percentage também muda o jogo estratégico. Não são técnicas de SEO on-page. São menções em fontes que os LLMs indexam com peso, linguagem consistente usada por outros sobre a sua marca, presença editorial em publicações relevantes. PR e construção de reputação voltam ao centro da estratégia de visibilidade. Para entender como essa lógica se conecta com marketing de conteúdo orientado a motores de resposta, vale ler como a CC está pensando marketing de conteúdo para AEO.
Para agências que atendem clientes que fazem essa pergunta, o SparkToro entrega um reframe que é ao mesmo tempo mais honesto e mais acionável. Não “você aparece no ChatGPT”, mas “com que frequência você aparece quando alguém pergunta sobre [seu território]?”. Essa é a conversa certa.
O que os três cases têm em comum e o que isso exige da sua operação
Stripe, Sendbird e SparkToro estão descrevendo o mesmo fenômeno por ângulos diferentes. A IA deixou de ser um experimento e se tornou infraestrutura. Não plug-in. Infraestrutura.
Na Stripe, isso significa um design system conectado ao ambiente de IA. Na Sendbird, significa um marketplace interno onde o acesso à IA é estruturado, medido e celebrado. No SparkToro, significa uma metodologia de mensuração que reconhece como a IA realmente funciona, em vez de tentar encaixá-la em métricas do SEO tradicional.
Para agências e times de marketing, a pergunta não é “qual ferramenta de IA você está usando?”. É “qual é a arquitetura de IA da sua operação?”. Quem ainda está no modo de experimentação pontual vai produzir resultados pontuais. Quem começa a construir contexto, sistemas de adoção e métricas adequadas está construindo uma vantagem que é difícil de replicar: porque não está na ferramenta. Está em como a ferramenta foi integrada ao processo.
