Introdução
A inteligência artificial pode participar em tarefas de marketing muito diferentes: estimar a probabilidade de um clique, organizar comentários, sugerir produtos ou preparar uma primeira versão de um anúncio.
Estas aplicações não surgiram todas ao mesmo tempo nem funcionam da mesma forma.
Antes da divulgação dos atuais assistentes de escrita, já existiam sistemas que aprendiam padrões nos dados para apoiar decisões comerciais e publicitárias. A IA generativa acrescentou novas possibilidades de produzir texto, imagem e outros conteúdos através de instruções.
Para compreender esta evolução, importa distinguir o que o sistema analisa, o que prevê, o que produz e que decisões continuam a exigir conhecimento do público e responsabilidade da organização.
Uma história anterior aos assistentes de escrita
A expressão «inteligência artificial» aparece na proposta de 1955 para o projeto de investigação de Dartmouth, previsto para o verão de 1956. O documento incluía questões sobre linguagem, aprendizagem e resolução de problemas. [F1]
Esse marco pertence à história da investigação. Não corresponde ao início de uma utilização generalizada de IA no marketing.
A ligação ao marketing desenvolveu-se através de aplicações concretas: analisar informação, apoiar escolhas e interagir com pessoas.
Também os programas de conversação têm antecedentes antigos. Em 1966, a descrição do ELIZA apresentava um sistema que construía respostas através de regras e palavras-chave. Não era um assistente comercial contemporâneo nem demonstrava compreensão humana. [F2]
Estes antecedentes ajudam a perceber que a aparência de conversa e a capacidade de executar uma tarefa são questões diferentes.
Da informação à previsão
Uma base de dados conserva registos. Um modelo de aprendizagem automática pode utilizar exemplos para identificar padrões e produzir estimativas.
No marketing, uma estimativa pode ajudar a avaliar a probabilidade de resposta a uma comunicação ou a pertinência de apresentar determinada oferta.
A diferença está entre aplicar uma regra fixa e utilizar um modelo aprendido a partir de dados.
Uma regra pode encaminhar todos os pedidos de um setor para uma equipa. Um modelo pode estimar quais os contactos que apresentam características associadas a respostas anteriores.
Nenhuma destas abordagens revela completamente a intenção de uma pessoa.
Uma previsão é condicionada pelos dados, pelo objetivo definido e pelo contexto em que o modelo foi desenvolvido. Pode apoiar uma decisão, mas não transforma uma possibilidade numa certeza.
Publicidade: prever uma interação
A publicidade digital tornou a previsão de comportamentos uma aplicação importante da aprendizagem automática.
Um trabalho publicado em 2013 descreveu experiências e desafios de um sistema de previsão da taxa de cliques em anúncios utilizado pela Google. O estudo abordava aprendizagem, avaliação e calibração das probabilidades previstas. [F3]
O interesse para o marketing estava em apoiar decisões sobre a apresentação de anúncios através de estimativas produzidas em grande escala.
Mas prever um clique não equivale a prever satisfação, uma compra rentável ou uma relação duradoura.
Se o objetivo utilizado pelo sistema estiver demasiado afastado do objetivo de negócio, uma melhoria na previsão pode não representar uma melhoria equivalente para a organização ou para o público.
A escolha daquilo que se pretende otimizar continua a ser uma decisão de marketing.
Recomendações e escolha das ofertas
Os sistemas de recomendação podem ordenar opções com base em características dos produtos, preferências indicadas ou padrões de interação.
Esta área liga-se à evolução da personalização explorada no tema anterior.
Para o marketing, a recomendação pode ajudar uma pessoa a descobrir uma alternativa relevante dentro de um catálogo extenso. Também pode apoiar a apresentação de produtos complementares.
Contudo, uma associação entre compras não demonstra uma necessidade atual. Uma recomendação pode ser inadequada se o sistema não considerar o contexto de utilização, limitações importantes ou informação recente.
Não se deve assumir que todos os sistemas de recomendação utilizam o mesmo método ou que todos precisam de IA.
A utilidade depende da adequação das sugestões à tarefa que a pessoa procura realizar.
A IA entra no planeamento de marketing
A discussão académica passou também a organizar as aplicações de IA em torno de funções de marketing.
Um enquadramento publicado online em 2020 e integrado num volume de 2021 relacionava IA com investigação de mercado, estratégia e ações de marketing. [F4]
Esta perspetiva ajuda a olhar para além da produção de anúncios.
Um sistema pode apoiar a organização de informação sobre públicos, a análise de alternativas ou a preparação de hipóteses para uma campanha. O contributo deve ser avaliado em função da tarefa e dos dados utilizados.
Não basta existir um modelo sofisticado. É necessário saber que pergunta de marketing está a ser respondida e como será verificada a utilidade da resposta.
O enquadramento académico é uma proposta conceptual, não uma demonstração de que todas as aplicações descritas funcionam em qualquer empresa.
Da análise à geração de conteúdos
A IA generativa acrescenta a capacidade de produzir conteúdos a partir de instruções e outros elementos de entrada.
Um marco técnico relevante foi a apresentação da arquitetura Transformer em 2017, num trabalho inicialmente centrado em tarefas de processamento de sequências, incluindo tradução automática. Não era uma ferramenta de marketing, mas tornou-se uma base importante para muitos modelos de linguagem posteriores. [F5]
Em 30 de novembro de 2022, o ChatGPT foi apresentado publicamente como uma experiência de interação conversacional. O lançamento não corresponde à invenção de toda a IA generativa, mas constitui um marco na disponibilização desse tipo de interface ao público. [F6]
Para o trabalho de marketing, a interação por instruções abriu possibilidades de preparar propostas de texto e explorar diferentes formulações sem construir uma aplicação específica para cada tarefa.
O conteúdo produzido continua a precisar de avaliação: fluência não demonstra veracidade nem adequação à marca.
Imagens e materiais de divulgação
A produção visual também passou a integrar ferramentas de IA generativa.
Em maio de 2023, a Google apresentou o Product Studio, anunciando funcionalidades para criar cenários e trabalhar imagens de produtos destinadas à presença comercial online. [F7]
Este exemplo mostra a aproximação entre geração de imagens e apresentação de ofertas.
Uma equipa pode explorar ambientes visuais ou versões de uma composição. A revisão deve confirmar que o resultado não altera características relevantes do produto nem sugere uma utilização que ele não permite.
Um cenário ilustrativo é diferente de uma fotografia documental. Uma imagem convincente não deve ser tratada automaticamente como prova do aspeto, desempenho ou utilização real de um produto.
O objetivo de chamar a atenção precisa de continuar ligado a uma representação fiel da oferta.
Onde pode apoiar o trabalho de marketing?
A utilização deve começar por uma tarefa concreta.
Na investigação, pode ajudar a organizar materiais e a identificar assuntos para análise. Na preparação de campanhas, pode propor alternativas de mensagem ou adaptar um texto a diferentes formatos. No acompanhamento, pode apoiar a classificação de pedidos e a preparação de respostas.
Estas possibilidades não têm todas o mesmo nível de exigência.
Explorar títulos para revisão interna é diferente de responder publicamente sobre condições comerciais. Resumir comentários é diferente de concluir o que todo o mercado pensa.
O trabalho deve distinguir:
- Material de apoio para exploração interna.
- Conteúdo destinado a revisão antes de publicação.
- Informação factual que precisa de confirmação.
- Ações que produzem efeitos sobre clientes ou campanhas.
Quanto maior o efeito da ação, maior a necessidade de definir fontes, limites e responsáveis.
Investigar pessoas não é simular pessoas
Um modelo pode propor hipóteses sobre dúvidas ou objeções de um público. Essas hipóteses podem ajudar a preparar entrevistas ou a organizar uma investigação.
Não equivalem a respostas recolhidas junto de clientes reais.
Pedir a um sistema que «responda como um consumidor» não cria uma amostra do mercado. A resposta depende do modelo e das instruções, não de uma experiência efetivamente observada nessa pessoa.
Também uma síntese de comentários precisa de conservar o contexto: quem participou, em que canal e em que circunstâncias.
A IA pode apoiar a preparação e a análise da investigação. Não deve converter suposições em testemunhos, resultados de inquéritos ou estatísticas.
Informação convincente pode estar errada
Os sistemas generativos podem apresentar conteúdo incorreto com uma formulação segura. Este risco, frequentemente chamado alucinação, é identificado no perfil de IA generativa publicado pelo NIST em 2024. [F8]
No marketing, o problema pode aparecer numa característica de produto inventada, numa referência inexistente ou numa afirmação sobre o mercado sem fundamento.
O mesmo documento aborda riscos relacionados com informação, privacidade e enviesamentos. A sua relevância está em tratar a avaliação como parte da utilização do sistema, e não como consequência opcional.
Uma resposta bem escrita precisa de ser confrontada com fontes e critérios adequados à tarefa.
Exemplo hipotético: preparar uma campanha de mochilas
Imagine uma marca que prepara uma campanha de mochilas para deslocações diárias.
A equipa fornece características confirmadas, público pretendido e orientações de comunicação. A IA propõe títulos, versões de texto e ideias para uma composição visual.
Uma proposta descreve a mochila como impermeável, embora a ficha apenas indique resistência limitada à água. A equipa identifica a diferença e corrige o texto antes de publicar.
As imagens também são revistas para confirmar proporções e elementos do produto. As versões selecionadas podem depois ser avaliadas com métodos adequados ao objetivo da campanha.
A IA apoia a preparação. A confirmação das características, a escolha da promessa e a aprovação continuam sob responsabilidade da organização.
A situação é hipotética e não apresenta resultados observados.
Avaliar o contributo para o marketing
Produzir mais versões não significa produzir uma campanha melhor.
A avaliação pode considerar o tempo total de preparação e revisão, a correção factual, a coerência com a marca, a utilidade para o público e os resultados pertinentes para a ação.
Uma redução no tempo de escrita pode ser anulada por correções extensas. Uma mensagem com mais cliques pode criar expectativas que a oferta não cumpre.
Também é necessário comparar o sistema com uma alternativa adequada, em vez de assumir que a utilização de IA representa automaticamente progresso.
O critério deve ser a qualidade do trabalho e da relação com o público.
O que mudou no marketing
A IA ampliou os instrumentos disponíveis para analisar informação, produzir estimativas e preparar materiais de divulgação.
A evolução não corresponde à substituição de todas as tarefas por um único sistema. Diferentes modelos, regras e decisões humanas podem coexistir no mesmo processo.
O trabalho de marketing passa a incluir a definição de instruções, a seleção das informações de apoio e a avaliação dos resultados produzidos.
Continuam a ser essenciais a compreensão das necessidades, a escolha do posicionamento e a responsabilidade pela promessa da marca.
A tecnologia acrescenta capacidade. O seu valor depende da forma como essa capacidade serve os públicos e os objetivos de marketing.
Fontes e leituras
- F1 — McCarthy, John, e coautores : A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, 31 de agosto de 1955 — proposta para o projeto previsto para 1956. Não constitui documentação de uma aplicação comercial de marketing. ↩1
- F2 — Weizenbaum, Joseph : ELIZA—A Computer Program for the Study of Natural Language Communication Between Man and Machine, 1966 — resumo e informação bibliográfica sobre o funcionamento por regras. Não apresentar como leitura integral nem como sistema de marketing contemporâneo. O acesso direto pelo DOI devolveu 403; consultada informação indexada da publicação ACM, sem leitura integral. ↩1
- F3 — McMahan, H. Brendan, e coautores : Ad Click Prediction: a View from the Trenches, 2013 — resumo da publicação sobre um sistema de previsão de cliques. Não generalizar a capacidade de previsão a vendas ou satisfação. ↩1
- F4 — Huang, Ming-Hui; Rust, Roland T. : A strategic framework for artificial intelligence in marketing — resumo e passagens sobre aplicações à investigação, estratégia e ações. Publicado online em 4 de novembro de 2020; volume 49, páginas 30–50, de 2021. É um enquadramento conceptual. ↩1
- F5 — Vaswani, Ashish, e coautores : Attention Is All You Need, 2017 — resumo e identificação da arquitetura Transformer. Não atribuir ao artigo a criação de todas as formas de IA generativa. ↩1
- F6 — OpenAI : Introducing ChatGPT, 30 de novembro de 2022 — anúncio histórico da disponibilização pública. Não usar para descrever funcionalidades, preços ou modelos atuais. ↩1
- F7 — Google : New tools to help small businesses connect with online shoppers, 23 de maio de 2023 — anúncio do Product Studio e de funcionalidades de geração de imagens. Distinguir anúncio, disponibilidade prevista e utilização efetivamente observada. ↩1
- F8 — NIST : Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, julho de 2024 — secções consultadas sobre conteúdo incorreto, riscos e avaliação. É um enquadramento técnico voluntário, não uma certificação do marketing.pt. — Documento — NIST AI 600-1 (PDF) ↩1
As explicações de ligação ao marketing e as perguntas de avaliação são sínteses editoriais. Os marcos de investigação, anúncios comerciais e aplicações observadas não são equiparados. O enquadramento estratégico é conceptual e não estabelece eficácia universal. O exemplo das mochilas é hipotético e não apresenta resultados observados. Respostas simuladas não constituem investigação com consumidores reais.