O elefante na sala: a IA chegou antes de os dados estarem prontos.
A minha convicção, formada ao longo de anos de trabalho com dados de marketing, é que a inteligência artificial só produz valor com alicerces limpos. Precisamos de pontes sólidas entre dados auditados, modelos de cálculo e decisões de negócio.
O marketing apaixonou-se pelas interfaces de conversação. Contudo, continua a ignorar a canalização por onde a informação corre. Várias equipas procuram comandar campanhas com instruções de texto livre, mas operam sobre infraestruturas analíticas partidas.
“Acelerar investimentos de media através de modelos de linguagem sem assegurar a qualidade dos dados em marketing não representa inovação. Trata-se de uma fuga descontrolada que queima capital com rapidez.”
O entusiasmo superficial com ferramentas generativas tornou-se um “biombo” conveniente. Este esconde uma realidade técnica incómoda: a maioria das marcas europeias depende de dados primários dispersos, eventos duplicados de conversão e premissas aritméticas frágeis.
A ilusão dos dashboards: dados errados com ar de rigor
Ao longo de mais de uma década de consultoria, vi muitas equipas de liderança sofrerem de fadiga de painéis. Várias empresas investem verbas elevadas em plataformas de Business Intelligence. Criam dashboards elegantes, as administrações observam os gráficos coloridos e sentem controlo total.
Essa segurança é uma mentira estatística.
A maioria destes ecrãs apenas mascara métricas agregadas incorretas. Neles residem eventos duplicados de conversão, disparos cegos de scripts no navegador e modelos de atribuição enviesados pelas redes de anúncios.
Considere um cenário ilustrativo: abre os gestores de anúncios dos canais pagos. O Meta Ads reporta duzentas compras geradas por uma campanha de vídeo. O Google Ads atribui cento e oitenta vendas aos seus anúncios de pesquisa. Ao cruzar estes identificadores com o ERP transacional e o CRM, encontra apenas cento e cinquenta encomendas reais faturadas. Ambas as plataformas reclamam o mesmo euro de receita, e o painel valida esse erro sem qualquer verificação.
O CMO Insights Report 2026, assente em inquéritos e entrevistas a cinquenta líderes de marketing, aponta no mesmo sentido. A confiança dos diretores de marketing na sua visão estratégica atinge 7,5 numa escala de 1 a 10. Porém, quando questionados sobre a confiança nos dados de atribuição, a média desce para 2,8 numa escala de 1 a 5. Trata-se da avaliação mais baixa de todo o relatório.
O entusiasmo superficial com ferramentas generativas tornou-se um “biombo” conveniente. Este esconde uma realidade técnica incómoda: a maioria das marcas europeias depende de dados primários dispersos, eventos duplicados de conversão e premissas aritméticas frágeis.
Não existe estratégia de marketing e comercial viável sobre números instáveis. Várias empresas decidem orçamentos de milhões de euros em planeamento cross-channel com base em dados inflacionados.
O retorno do investimento em anúncios (ROAS) reportado pelas plataformas transformou-se num sedativo executivo. Ele esconde margens de contribuição em queda e custos reais de aquisição insustentáveis.
Quando a IA escala o erro, o caos multiplica-se
O perigo financeiro aumenta quando os gestores ligam modelos de inteligência artificial a estes ecossistemas contaminados.
Se introduzir linhas imprecisas numa folha de cálculo normal, obtém um relatório trimestral incorreto. Se alimentar um modelo de linguagem ou um agente com eventos corrompidos, cria um desastre em escala. O antigo princípio de lixo à entrada, lixo à saída ganha uma dimensão desproporcional.
A inteligência artificial não corrige a falta de precisão do anunciante. A inteligência artificial escala os desvios existentes.
Pense num sistema autónomo que gere licitações e orçamentos em tempo real. Se o modelo ler uma tabela onde as conversões de utilizadores em browsers privados surgem reduzidas, ele assume que o canal falhou. O sistema transfere de imediato essa verba para campanhas saturadas de retargeting, que apenas compram utilizadores que já iriam converter de forma orgânica.
O gestor da conta observa um painel com um ROAS aparente de quatro para um. Na conta bancária, a empresa perdeu quota de mercado e reduziu o lucro líquido. Devem também utilizar o POAS (Profit On Advertising Spending) para uma gestão mais eficaz do ponto de vista da contribuição efetiva de cada canal.
Este desperdício ocorre de forma silenciosa. O modelo de linguagem gera justificações bem escritas, mas os números de suporte não correspondem à verdade. A qualidade dos dados em marketing funciona como a única proteção real contra essa perda financeira.
As IAs (LLMs) não calculam: geram números plausíveis
Devemos analisar a mecânica dos “Large Language Models” com clareza. Ferramentas como o GPT, o Claude ou o Gemini são motores probabilísticos semânticos. O seu trabalho consiste em prever o próximo token de texto com base em pesos matemáticos.
Estes sistemas operam num espaço vetorial multidimensional de linguagem. Não representam calculadoras determinísticas. Não possuem uma unidade aritmética lógica capaz de garantir rigor matemático por si só.
Se introduzir linhas imprecisas numa folha de cálculo normal, obtém um relatório trimestral incorreto. Se alimentar um modelo de linguagem ou um agente com eventos corrompidos, cria um desastre em escala. O antigo princípio de lixo à entrada, lixo à saída ganha uma dimensão desproporcional. A inteligência artificial não corrige a falta de precisão do anunciante. A inteligência artificial escala os desvios existentes.
Delegar decisões financeiras a um prompt de texto puro constitui um erro de gestão grave. Imagine um diretor de marketing a introduzir o seguinte comando num assistente comum:
“Analisa as folhas de cálculo anexas de Google Ads e Meta Ads, calcula o ROAS incremental e indica onde investir os próximos 50 mil euros.”
O modelo responde com elegância. Apresenta tabelas organizadas e argumentos fluidos.
O problema reside no resultado: o valor numérico é, quase sempre, uma alucinação plausível.
O sistema gera números convincentes para o contexto textual. Todavia, esses valores não resultam de cálculo determinístico. O modelo de linguagem não calcula curvas reais de saturação, falha em equações não lineares e ignora interações complexas entre canais.
No planeamento de media econométrico (MMM), o modelo aproxima valores por inferência puramente linguística.
Basear a distribuição de orçamentos de media em previsões probabilísticas de texto conduz ao desperdício de capital.
A solução: a IA interpreta, o código calcula
A engenharia dispõe de uma resposta funcional para este desafio: separar a interpretação da linguagem da computação matemática.
O modelo de linguagem deve operar apenas como interface cognitiva e tradutor de intenção. O modelo compreende a questão comercial do gestor, converte essa necessidade num plano de consulta estruturado e redige a síntese executiva final.
Toda a matemática, sem qualquer exceção, deve ser executada num ambiente isolado de código determinístico.
Este requisito deve ser um princípio de conceção de qualquer plataforma conversacional de marketing.
O modelo não pode fazer contas de cabeça. A arquitetura correta recorre ao Model Context Protocol (MCP) para ligar o assistente conversacional a bases de dados seguras no Google BigQuery, no GA4 e nas APIs dos canais de anúncios.
Quando um decisor questiona a elasticidade de preços ou a distribuição de investimento entre o Google Ads e o Meta Ads, o modelo redige o código SQL ou o script Python necessário. Esse código é processado por um motor computacional determinístico.
O número entregue à administração não é uma estimativa de texto. Trata-se do resultado exato de uma operação matemática verificável.
Esta separação protege a soberania dos dados. Nenhuma informação confidencial de clientes ou registos de faturação serve para treinar modelos públicos, respeitando as normas do RGPD e o Regulamento da UE sobre Inteligência Artificial.
O que a IA não escala: auditoria contínua e dados primários
Nenhuma aplicação moderna recupera uma infraestrutura analítica abandonada.
Durante anos, o mercado encarou a auditoria de medição como uma tarefa anual. Uma empresa contratava consultores para configurar o Google Tag Manager e o Google Analytics 4, arquivava o documento final e presumia que tudo funcionaria sem falhas.
No ecossistema atual, essa postura não funciona.
Os navegadores web atualizam restrições de privacidade com frequência. As plataformas de media alteram pontos de ligação das suas APIs. O Consent Mode e as regras europeias sofrem revisões jurídicas regulares.
O modelo de linguagem deve operar apenas como interface cognitiva e tradutor de intenção. O modelo compreende a questão comercial do gestor, converte essa necessidade num plano de consulta estruturado e redige a síntese executiva final. Toda a matemática, sem qualquer exceção, deve ser executada num ambiente isolado de código determinístico. Este requisito deve ser um princípio de conceção de qualquer plataforma conversacional de marketing.
A auditoria de medição tem de funcionar como um processo contínuo de verificação de esquemas de dados, integridade de eventos e reconciliação de vendas.
Esta disciplina exige um enquadramento que torne o percurso visível, mensurável e compreensível para os conselhos de administração.
A verdadeira vantagem competitiva de uma empresa não depende de ferramentas públicas de inteligência artificial que qualquer concorrente subscreve. O diferencial reside na qualidade e governação dos seus dados primários (first-party data).
A união entre o registo de compras do seu CRM, os dados de faturação do seu ERP e os sinais recolhidos através de etiquetagem do lado do servidor (server-side tagging) gera um património proprietário exclusivo. Nenhum modelo público consegue replicar este contexto.
Esta base sólida permite correr modelos preditivos de valor do cliente no tempo (LTV) e afinar curvas de media com segurança financeira.
Conclusão: antes da IA, o rigor
Os líderes de marketing no mercado europeu enfrentam uma escolha clara.
Podemos continuar a correr atrás de interfaces novas, produzindo relatórios automáticos sobre bases de dados inconsistentes enquanto vemos os orçamentos de media perderem rendimento. Ou podemos assumir a responsabilidade pela integridade dos números que apresentamos à administração.
A função de um líder de marketing não passa por promover ferramentas tecnológicas do momento. O nosso trabalho consiste em alocar capital com eficiência e provar o contributo das nossas campanhas para os resultados da empresa.
A literacia sobre dados já não constitui um tema exclusivo para analistas de suporte. É um requisito essencial para diretores de marketing, diretores financeiros e presidentes executivos.
Se pretendemos que o conselho de administração veja o marketing como um motor de crescimento, temos de abandonar o ruído dos gráficos decorativos e adotar a precisão computacional.
A disciplina técnica é a única inovação que perdura. Deixo por isso uma pergunta a cada líder de marketing: se amanhã o conselho de administração pedisse para reconciliar cada euro de receita atribuída com a faturação real, quanto do que hoje reportamos sobreviveria?