Por que a IA chega ao anúncio antes de chegar ao resultado da empresa?

O uso semanal de inteligência artificial avançou entre executivos, mas os casos que geram retorno ainda dependem de processo, medição e decisão humana.

14/10/2026 - 03:49

0 1

Por que a IA chega ao anúncio antes de chegar ao resultado da empresa?

A inteligência artificial já entrou na rotina de marketing de muitas empresas, mas isso não significa que tenha virado resultado. O relatório de 2024 da Wharton School e da GBK Collective mostra que 72% dos líderes entrevistados usavam IA generativa ao menos uma vez por semana, contra 37% em 2023. Ainda assim, o mesmo estudo registra que as organizações continuavam tentando provar o retorno dos investimentos.

Minha leitura é que a distância entre adoção e desempenho aparece com clareza no marketing. Criar uma imagem, adaptar uma oferta ou resumir dados ficou mais rápido. O que continua difícil é escolher o uso certo, colocar a ferramenta dentro do fluxo comercial e comparar o efeito com uma referência confiável. A experiência do Mercado Livre com o GenAds ajuda a separar automação de promessa: a empresa publicou métricas de impressões e cliques e apresentou como a tecnologia entrou na operação.

O que mudou quando a IA deixou de ser teste de ferramenta?

Na pesquisa Growing Up: Navigating Gen AI’s Early Years, conduzida pela Wharton e pela GBK Collective com 802 decisores de grandes empresas dos Estados Unidos, o uso semanal quase dobrou em um ano. A evolução foi particularmente forte em áreas que estavam atrás na adoção, como marketing e vendas. O relatório também informa que 55% das organizações usavam IA em diferentes funções e que 58% dos usuários avaliavam o desempenho desses casos como ótimo.

O dado mais útil está na diferença entre experimentar e escalar. Entre as empresas pesquisadas, 72% previam aumentar o orçamento de IA no ano seguinte, enquanto 57% esperavam que o crescimento dos gastos desacelerasse no horizonte de dois a cinco anos. O movimento sugere uma cobrança mais concreta: a equipe pode continuar testando, mas cada aplicação precisa mostrar onde economiza tempo, reduz erro, melhora conversão ou protege margem.

Por que 53% de adoção não significam 53% de resultado?

O AI Index 2026, produzido pelo Stanford Institute for Human-Centered Artificial Intelligence, informa que a IA generativa alcançou quase 53% de adoção populacional em três anos. O relatório compara a velocidade com a expansão do computador pessoal e da internet. Na mesma publicação, a adoção organizacional chega a 88%, número que descreve presença nas empresas, não uma transformação completa de processos.

A diferença importa para quem administra marketing. Uma pessoa pode usar um chatbot para gerar variações de texto, enquanto a empresa continua sem uma regra para aprovação, sem conexão com o CRM e sem indicador de receita. A ferramenta está presente, porém o trabalho permanece fragmentado. O Stanford também registra que o valor econômico para consumidores americanos chegou a US$ 172 bilhões anuais no início de 2026. Esse cálculo mede benefício estimado para usuários, não faturamento automático das companhias que usam IA.

Em outras palavras, adoção mede acesso e uso. Resultado mede consequência. Confundir os dois leva a decisões ruins de orçamento, porque uma equipe pode produzir mais peças sem saber se atraiu público qualificado ou apenas aumentou o volume de publicação.

Como o Mercado Livre transformou geração de imagem em métrica de mídia?

O caso mais concreto desta apuração é o GenAds, solução desenvolvida pelo Mercado Livre com a Mutt Data e a AWS. A ferramenta usa modelos de geração de imagem para criar banners de produtos anunciados por vendedores da plataforma. O problema de marketing era específico: pequenos vendedores precisavam de peças visuais para publicidade, mas nem todos tinham tempo, orçamento ou equipe para produzir várias versões.

A própria página do estudo de caso informa que 80% dos vendedores do Mercado Livre são pequenas e médias empresas. O sistema seleciona produtos, combina os itens com fundos contextualizados e passa as imagens por critérios de resolução, corte e adequação para anúncio. O processo usa Amazon Bedrock, Stable Diffusion, Amazon S3 e DynamoDB, com modelos responsáveis por gerar prompts e organizar os ativos.

O resultado divulgado pela empresa e pela AWS é mensurável. O GenAds gerou e atualizou mais de 90 mil criativos, alcançou sete países e elevou em 45% as impressões dos anúncios. A taxa de cliques ficou 25% acima da média de campanhas de display sem GenAds na Hispanoamérica. O caso não prova que toda imagem criada por IA aumenta vendas, mas mostra uma cadeia completa: necessidade comercial, automação de produção, distribuição e comparação com campanhas de referência.

Mulher sorri enquanto organiza panfletos coloridos sobre mesa de madeira em escritório.

Qual foi a conta que transformou produção de peça em decisão?

Os números publicados pela AWS permitem uma conta simples. Se uma campanha sem GenAds recebesse 100 impressões, uma campanha comparável com o aumento de 45% chegaria a 145 impressões. A taxa de cliques relativa também seria 25% maior. A primeira medida mostra alcance; a segunda mostra a proporção de pessoas que avançou depois de ver o anúncio. São indicadores diferentes e, juntos, evitam chamar qualquer aumento de exposição de sucesso.

O caso também informa que mais de 90 mil criativos foram gerados e atualizados para milhares de vendedores. Dividindo 90 mil criativos por mil vendedores, o mínimo implícito seria uma média de 90 peças por vendedor. Como a fonte diz “milhares”, e não informa o número exato, essa média não representa a distribuição real. Ela serve apenas para mostrar a escala de produção possível quando a criação deixa de depender de uma peça manual por vez.

Essa cautela é parte do trabalho de marketing. O número de imagens produzidas não deve ser confundido com número de vendas. O indicador de volume mede capacidade operacional. Impressões e cliques medem resposta inicial. Receita, margem e recompra ficam em outra camada e precisam de dados adicionais.

Por que o retorno costuma parar no piloto?

O levantamento State of AI 2025, da McKinsey, ouviu 1.993 participantes em 105 países e encontrou um contraste parecido. Quase dois terços dos respondentes disseram que suas organizações ainda não tinham começado a escalar IA pela empresa. Em paralelo, 64% afirmaram que a tecnologia favorecia a inovação e apenas 39% relataram algum impacto no EBIT em nível corporativo.

A diferença entre os percentuais indica onde muitos projetos travam. O piloto mostra que a ferramenta funciona em uma tarefa isolada. A escala exige governança, integração de dados, treinamento, orçamento e uma pessoa responsável por acompanhar o indicador. Sem esses elementos, a empresa acumula provas de conceito, mas não muda a economia da operação.

No marketing, o risco aparece quando a equipe mede apenas produção. Quantidade de peças, velocidade de publicação e número de variações são dados úteis para a operação. Eles não substituem custo por aquisição, receita incremental, margem por campanha e qualidade dos leads. Uma ferramenta que triplica a produção pode piorar o negócio se também triplicar o desperdício de mídia.

Que decisão de marketing o caso do Mercado Livre realmente mostra?

O Mercado Livre não começou pelo pedido genérico de “usar IA no marketing”. A solução partiu de uma restrição concreta dos vendedores: criar imagens adequadas para anúncios demandava recursos que muitos pequenos negócios não tinham. O sistema foi desenhado para uma etapa específica do fluxo de mídia, a criação de banners para produtos selecionados.

O desenho também preservou filtros humanos e técnicos. A descrição da AWS informa que as imagens passam por seleção de qualidade, resolução e corte antes de aparecerem nas campanhas. Isso reduz o risco de escalar automaticamente uma peça inadequada. A IA acelera a variação, mas a plataforma define critérios para decidir o que pode seguir.

Essa escolha é mais relevante que o nome do modelo usado. Uma decisão de marketing bem formulada identifica o gargalo, delimita o público, escolhe uma métrica de comparação e estabelece uma barreira de qualidade. A tecnologia entra depois. Quando a ordem se inverte, a empresa tende a produzir demonstrações impressionantes sem responder qual problema comercial foi resolvido.

Como medir uma aplicação de IA sem chamar volume de retorno?

Uma medição consistente começa com uma linha de base. No caso de uma campanha visual, a empresa pode registrar impressões, cliques, taxa de cliques, custo da produção, conversões e receita atribuída antes da automação. Depois, compara grupos semelhantes ou períodos equivalentes. O caso do GenAds oferece um exemplo de comparação ao informar desempenho superior ao de anúncios de display sem a solução.

O relatório da Wharton acrescenta outro critério: os líderes apontaram precisão, privacidade, integração com a equipe e questões éticas entre as principais preocupações. Para o marketing, isso significa que o painel de resultado precisa conviver com controles de uso. Uma peça mais barata não compensa o vazamento de informação de cliente nem uma promessa publicitária que a marca não consegue sustentar.

Uma boa avaliação separa quatro perguntas. A equipe produziu mais rápido? O ativo passou pelo controle de marca? A campanha melhorou a resposta do público? O ganho compensou custo de ferramenta, revisão e mídia? Cada resposta pede uma métrica diferente. Juntar tudo em uma taxa de cliques isolada empobrece a decisão.

O que o dono de negócio consegue testar na segunda-feira?

O primeiro passo é escolher uma tarefa de marketing repetitiva e de baixo risco, como adaptar formatos de um anúncio já aprovado ou organizar descrições de produtos. O responsável deve registrar o tempo gasto pelo método atual, o custo da revisão e o resultado da campanha anterior. Dados pessoais, informações confidenciais e materiais sem autorização não devem entrar em ferramentas externas.

Depois, a equipe pode produzir uma pequena amostra, revisar cada peça e comparar o desempenho com um grupo que mantenha o processo original. O teste precisa ter prazo, responsável e critério de interrupção. Se a IA reduzir tempo, mas aumentar correções ou piorar a taxa de conversão, a aplicação não passou. Se melhorar o indicador sem elevar risco e custo, pode avançar para outra etapa.

A regra final é manter o caso de uso ligado a uma decisão de negócio. O Mercado Livre não publicou apenas que gerou imagens. Publicou escala, países, impressões e cliques. É essa ligação entre ferramenta e métrica que transforma adoção em aprendizado de marketing.