Um agente pode ocupar a cadeira de CMO, mas quem responde pelo resultado?
Empresas já delegam campanhas, atendimento e análise a agentes, mas os números mostram que autonomia sem dados e supervisão ainda produz uma conta incompleta.
O agente de inteligência artificial já começou a ocupar tarefas que pertenciam ao diretor de marketing, mas os resultados publicados até agora apontam para uma conclusão menos cinematográfica: a máquina executa, testa e acompanha rotinas, enquanto a decisão sobre marca, público e risco continua dependendo de uma pessoa. A diferença aparece nos números. A Salesforce ouviu 4.450 profissionais de marketing e encontrou 75% usando alguma forma de IA, porém só 13% usando IA agentic, capaz de agir com autonomia. Entre os dois percentuais existe uma distância de 62 pontos que define o estágio real do mercado.
O caso mais concreto vem da SaaStr, empresa americana de eventos e conteúdo para negócios de software. Em 2025, a companhia passou de zero para mais de 20 agentes em produção, segundo balanço publicado por Jason Lemkin, fundador da empresa. Os sistemas enviam mensagens, marcam reuniões, atendem conversas da comunidade e sincronizam chamadas com o Salesforce. A operação chegou a oito dígitos de receita com uma equipe humana de um dígito, afirma a própria SaaStr.
Isso não transforma o agente em CMO no sentido tradicional. O que muda é a distribuição do trabalho. Uma parte da cadeira deixa de ser ocupada por reuniões, produção de variações e leitura manual de dados. Outra parte, a que envolve posicionamento, aprovação e responsabilidade, permanece humana. Para uma pequena empresa, essa separação importa porque uma ferramenta que reduz horas pode ampliar a capacidade de execução, mas também pode multiplicar uma decisão ruim.
O que um agente de marketing faz que uma automação comum não fazia?
Uma automação tradicional segue regras definidas: dispara um e-mail depois de um cadastro, separa contatos por uma condição ou atualiza um campo no CRM. O agente trabalha com uma meta e escolhe uma sequência de ações para persegui-la. A explicação da IBM diferencia os dois modelos pela autonomia. O agente pode interpretar uma entrada, dividir um objetivo em etapas, consultar sistemas externos e adaptar o fluxo conforme a resposta recebida.
Em marketing, isso pode significar selecionar uma audiência, criar versões de uma campanha, observar o desempenho, alterar a distribuição e registrar o resultado. A IBM cita funções como relacionamento com clientes, produção de conteúdo, administração de campanhas e análise de performance. A fronteira não está na capacidade de escrever uma mensagem. Está na possibilidade de agir depois de escrevê-la, usando CRM, APIs e regras comerciais.
A mudança também altera o perfil do trabalho humano. O profissional deixa de revisar cada tarefa isolada e passa a definir objetivo, fonte de dados, limites de atuação e critérios de aprovação. Quando o agente recebe acesso a uma base desorganizada, ele pode produzir uma sequência coerente na forma e errada no conteúdo. Autonomia sem contexto vira velocidade para a direção errada.
Por que a SaaStr colocou mais de 20 agentes em produção?
A SaaStr opera em uma área com tarefas repetitivas e grande volume de interação: eventos, conteúdo, comunidade e vendas para empresas de software. No balanço de 2025, a companhia informa que seus agentes de IA enviavam mais de 15 mil mensagens, com taxa de resposta entre 5% e 7%, enquanto agentes de desenvolvimento comercial marcavam reuniões. Outro sistema atendia 150 mil conversas da comunidade e um agente de operações de receita sincronizava cada chamada com o Salesforce.
O caso mostra uma decisão de marketing baseada em distribuição de capacidade. A empresa não usou IA somente para gerar texto. Ela conectou agentes a etapas que começam na prospecção e terminam na organização do dado comercial. A própria SaaStr informa que o gerenciamento dessa força digital consumia 30% do tempo do seu Chief AI Officer. O ganho, portanto, não veio sem custo de coordenação.
O balanço registra também dois resultados de audiência: 340 mil assinantes da newsletter, 138 mil inscritos no YouTube e crescimento de 47% nas visualizações do blog em 2025, depois de uma queda de 19% no início do período. Esses números são divulgados pela empresa, não constituem uma prova isolada de que cada avanço veio dos agentes. Eles mostram uma associação temporal entre a adoção e a recuperação do alcance, mas não permitem atribuir todo o efeito à inteligência artificial.

O agente já consegue tomar decisões de campanha sozinho?
Consegue executar decisões limitadas, desde que receba acesso aos dados e às ferramentas que sustentam a tarefa. O relatório Marketers and AI: Navigating New Depths, produzido pela SAS em parceria com a Coleman Parkes, registra que 21% dos profissionais pesquisados já testavam IA agentic e 73% planejavam adotá-la nos dois anos seguintes. A pesquisa também mostra que 48% defendiam a aprovação humana das decisões geradas por IA.
Esse segundo número é decisivo. A intenção de delegar uma tarefa não equivale à disposição de entregar a decisão final. O agente pode distribuir uma campanha para uma audiência definida, sugerir uma variação de assunto ou interromper uma mensagem com baixa resposta. Já a escolha de reposicionar uma marca, alterar uma promessa comercial ou abordar uma crise envolve reputação, contexto e responsabilidade jurídica.
Na prática, a autonomia precisa ser fatiada. Uma empresa pode liberar a coleta de dados e a preparação de alternativas, exigir aprovação para publicar e impedir qualquer alteração em preço, promessa ou público sensível. O limite é operacional, não filosófico. Quanto maior o impacto de uma ação sobre receita, privacidade ou reputação, mais clara deve ser a regra de revisão.
O que os números da Salesforce revelam sobre o retorno?
A décima edição do State of Marketing, da Salesforce, aponta quatro efeitos associados ao uso de IA entre as organizações pesquisadas: aumento de 20% no retorno sobre o investimento em marketing, crescimento de 20% na satisfação dos clientes, alta de 19% na conversão e redução de 19% nos custos de marketing. O relatório informa que os profissionais esperam recuperar oito horas semanais com agentes, tempo que seria destinado a trabalho criativo e análise de clientes.
A conta mais simples ajuda a dimensionar a adoção. A cada 100 profissionais ou organizações representados na pesquisa, 75 usam alguma IA e 13 usam agentes. Logo, 62 utilizam ferramentas de IA sem chegar à camada autônoma, enquanto 87 ainda não adotaram agentes. A tecnologia mais comentada representa uma parcela menor que o uso geral de inteligência artificial, e a diferença não pode ser tratada como atraso automático. Ela pode refletir falta de dados integrados, receio de erro ou ausência de processo para controlar a ferramenta.
O mesmo relatório informa que 61% dos profissionais ainda veem a integração completa como um trabalho em andamento. O agente pode produzir uma recomendação rápida, mas precisa enxergar histórico de atendimento, compra anterior, comportamento de navegação e consentimento para transformar essa recomendação em ação útil. Sem a ligação entre essas bases, a personalização fica apoiada em sinais parciais.
Por que tantos projetos de agentes não entregam o que prometem?
Uma pesquisa da Gartner com 413 líderes de tecnologia de marketing encontrou 81% pilotando ou implementando agentes. Entre os que estavam nessa fase, 89% esperavam benefícios relevantes para o negócio. A contradição aparece no resultado: 45% disseram que as soluções oferecidas pelos fornecedores não cumpriam a expectativa de desempenho. Metade também afirmou que faltavam preparo técnico e uma base de dados adequada.
Os principais usos em teste eram produção de conteúdo ou ativos de marketing, citados por 52% dos líderes, enriquecimento de materiais, com 49%, e gestão ou otimização de campanhas, com 43%. São tarefas próximas da rotina editorial e de mídia, mas o desempenho depende de medir o que a ação deveria melhorar. Produzir mais peças não significa elevar conversão. Enviar mais mensagens não significa aumentar vendas. O indicador precisa estar definido antes do agente receber permissão.
O risco cresce quando o fornecedor apresenta uma ferramenta como um funcionário completo. O agente não conhece a intenção da marca por intuição. Ele calcula a partir do material, dos eventos e das regras a que tem acesso. Se o banco mistura clientes ativos com contatos sem consentimento, a plataforma pode encontrar uma segmentação matematicamente eficiente e comercialmente inadequada.
Como uma pequena empresa pode saber se o agente está gerando valor?
O primeiro teste deve começar por uma tarefa delimitada, com uma métrica que já exista. A empresa pode escolher, por exemplo, a triagem de leads recebidos por um canal específico, comparar o tempo de resposta e verificar quantos contatos avançam para uma reunião. Outra possibilidade é usar o agente para criar variações de uma campanha já conhecida, mantendo o público e o orçamento e comparando conversão, custo por oportunidade e taxa de descadastro.
A sequência precisa registrar quatro pontos: qual dado entrou, qual decisão o agente tomou, qual pessoa aprovou a ação e qual resultado apareceu. Esse registro separa ganho operacional de impressão. Se a equipe recuperou oito horas, o dado deve ser medido na rotina. Se o custo caiu, a empresa precisa apontar o período e a base comparável. Sem essa trilha, qualquer melhora pode ser atribuída à ferramenta sem prova.
O caso da SaaStr oferece uma referência útil, mas não uma promessa transferível. A empresa publica volume de mensagens, reuniões, conversas e audiência. Uma loja, uma consultoria ou uma indústria terá outra base de clientes, outro ciclo de venda e outro risco. O agente deve entrar onde existe repetição mensurável, não onde a empresa quer esconder uma decisão estratégica difícil.
Qual é o passo prático para testar um agente na próxima semana?
Na segunda-feira, a equipe pode escolher uma única etapa do funil e escrever em uma página o resultado esperado, a fonte de dados permitida, as ações autorizadas e as ações proibidas. O teste precisa ter prazo curto, uma pessoa responsável pela aprovação e um indicador anterior para comparação. A publicação automática deve ficar bloqueada até que a amostra seja revisada.
Na sexta-feira, a comparação deve usar o mesmo período ou uma base equivalente. O relatório precisa mostrar volume trabalhado, tempo economizado, conversão, custo e ocorrências de erro. Se a ferramenta criou mais atividade sem melhorar o indicador principal, o projeto não provou valor. Se melhorou o resultado, a expansão pode ocorrer por uma segunda etapa, mantendo a revisão humana nos pontos de maior risco.
O agente pode ocupar parte da cadeira de CMO, sobretudo a parte feita de coleta, variação, acompanhamento e execução. A assinatura da decisão continua com quem conhece a promessa da marca, responde pelo cliente e assume o efeito financeiro. O mercado não está diante de um executivo artificial completo. Está diante de uma camada de software que torna a estratégia humana mais rápida, inclusive quando ela está errada.
Fontes consultadas
SaaStr, A Big Year for SaaStr AI: What We Got Done in 2025
Salesforce, Tenth Edition State of Marketing
SAS e Coleman Parkes, Marketers and AI: Navigating New Depths
Comentários (0)