Ítalo Moiá Blog

Growth marketing: o resumão de um campo que todo mundo cita e poucos explicam

Fri, 05 Jun 2026 00:00:00 GMT

Você já ouviu falar em "growth" umas duzentas vezes este ano. Aparece numa vaga, num pitch de startup, num post de LinkedIn, na boca de um consultor que promete dobrar o seu faturamento. Growth marketing, growth hacking, growth team, time de growth. E aí fica aquela dúvida: isso é coisa séria ou é só um nome novo e bonito para anúncio?

Isso acontece porque o próprio mercado usa esses termos de formas diferentes, cada blog define de um jeito, e aí a pessoa lê dez artigos que se contradizem e sai mais perdida do que entrou. Se você está nesse ponto, está em boa companhia. A maior parte das pessoas que trabalha com isso também patinou na definição no começo.

O objetivo desse post é fazer um grande resumão desse assunto. Não vou esgotar nenhum dos tópicos, vou te dar o mapa básico de quatro pontos: o que é growth de fato, de onde isso veio, quem são os nomes que vale a pena conhecer e como se faz na prática. Depois desse panorama, cada um desses quatro pontos rende um aprofundamento próprio. Mas primeiro o mapa, porque sem ele você não sabe nem o que está perguntando.

O que é growth, afinal

Quem cunhou o termo foi Sean Ellis, em 2010, e ele descreveu growth hacking como um processo de experimentação rápida ao longo de toda a jornada do cliente para acelerar o crescimento de clientes e de receita. Traduzindo para o português de quem toca empresa: é um jeito sistemático de testar ideias rápido, com dados, sobre todas as etapas pelas quais o cliente passa.

Repara em duas palavras dessa definição, porque elas desfazem dois mal-entendidos comuns.

A primeira é "processo".

Growth não é um saco de truques.

Ryan Holiday, que popularizou o conceito num livro de 2013, diz que growth hacking é muito mais um jeito de pensar do que uma caixa de ferramentas. Sean Ellis e Morgan Brown, no livro deles, descrevem o método por três peças: um time que junta marketing e produto em vez de mantê-los em departamentos separados, pesquisa qualitativa misturada com análise de dados para entender o comportamento do usuário, e geração e teste rápido de ideias com métricas rigorosas para decidir o que fica e o que sai.

A segunda palavra é "toda a jornada".

Growth não é só conseguir cliente novo. Cobre o funil inteiro: atrair, ativar, reter, monetizar. Ellis e Brown colocam isso de forma direta, dizendo que os times de growth deveriam estar envolvidos em todas as fases e todas as alavancas de crescimento, do encaixe entre produto e mercado até a aquisição, a ativação, a retenção e a monetização. Quem reduz growth a "rodar mais anúncio" está olhando só a boca do funil e perdendo o resto da máquina.

E quem faz isso? O perfil clássico é o do híbrido. Andrew Chen, que ajudou a popularizar o termo, descreveu o growth hacker como uma mistura de profissional de marketing com programador, alguém que pega a pergunta de sempre, "como consigo clientes para o meu produto", e responde com teste A/B, landing page, fator viral, entrega de email. Não significa que você precisa virar engenheiro. A literatura fala em "T-shaped skills", a ideia de ter uma base larga de conhecimento em várias áreas e uma especialidade funda em uma delas.

Falta encaixar uma peça que confunde quase todo mundo: a diferença entre growth hacking e growth marketing. A forma mais comum de distinguir os dois é dizer que growth hacking é o lado mais hacky, de curto prazo, focado em aquisição e em startup, enquanto growth marketing seria a versão mais madura, de longo prazo, cobrindo o funil inteiro e cuidando de marca. Essa separação ajuda na didática e eu vou usá-la, mas vale ser honesto com você sobre o que ela é.

Na prática, essa separação é mais convenção de mercado do que uma definição fechada. Não existe um documento oficial dividindo as águas, e muita gente boa usa as duas expressões como sinônimo. Então trate como uma forma de organizar a ideia na cabeça, não como uma fronteira sagrada.

Uma coisa que eu acho ruim da banalização do termo por conta de vendedores de curso barato é tratar "growth hacking" como sinônimo de truque que explode o negócio. Isso é só hype pra conseguir vender cada vez mais cursos. As fontes primárias, Ellis, Chen, Balfour, descrevem growth como processo sistemático e orientado a dados sobre toda a jornada, não como saco de truques.

De onde veio: os casos que fundaram a ideia

A melhor forma de entender growth não é decorar a definição, é olhar os casos que deram origem a ela.

O caso mais antigo é o do Hotmail, lá em 1996. O time pôs uma frase no rodapé de cada email enviado pelos usuários: "PS: I love you. Get your free email at Hotmail". Cada pessoa que mandava um email estava, sem querer, anunciando o Hotmail para quem recebia. O resultado foi 12 milhões de usuários em mais ou menos um ano e meio, numa época em que existiam só uns 70 milhões de pessoas na internet no mundo inteiro. Ryan Holiday dá o contraste de custo que fecha a conta: uma marca de cerca de 400 milhões de dólares, que foi quanto a Microsoft pagou pelo Hotmail no fim de 1997, construída com algo perto de 300 mil dólares de investimento. Isso é o que se chama de viral loop, o produto carregando dentro de si o convite para o próximo usuário.

Vale uma ressalva aqui, porque você vai ler em vários lugares que o Hotmail foi "o nascimento do growth hacking". Eu particularmente acho que esse rótulo é meio mítico. O termo "growth hacking" só seria inventado catorze anos depois, então chamar o Hotmail de primeiro growth hack da história é uma leitura retrospectiva, contada pelos vencedores. O caso ilustra muito bem o que é um viral loop, mas tratar aquele rodapé como a data de nascimento do campo já é mais folclore do que história.

O nascimento de verdade, do termo, veio em 2010, quando Sean Ellis escreveu o tal post procurando um "growth hacker" para uma startup. Dois anos depois, em abril de 2012, Andrew Chen popularizou a ideia com o ensaio "Growth Hacker is the new VP Marketing". E nesse meio tempo já tinha acontecido o caso que talvez seja o mais simbólico de todos: o Facebook montou, no fim de 2007, um time formal de crescimento, com cinco pessoas, apelidado de "The Growth Circle". Conta a história que Mark Zuckerberg, numa reunião, pegou um marcador e escreveu uma palavra só no quadro branco: "Growth". Era a prioridade única.

Depois do Hotmail, o caso que melhor mostra growth virando processo é o Dropbox. O programa de indicação deles dava 500MB de espaço extra para os dois lados, quem convidava e quem era convidado. O Dropbox saiu de uns 100 mil usuários, em setembro de 2008, para cerca de 4 milhões no fim de 2010, um número que costuma ser citado como "3900% de crescimento em 15 meses". Mas temos uma nuance aqui que precisamos analisar:

Um terço dos usuários do Dropbox já vinha de indicação espontânea antes do programa existir. Isso sustenta um argumento que eu acho importante você levar: o programa de indicação não criou o crescimento do nada, ele sistematizou e amplificou um boca a boca que já estava acontecendo. As fontes não medem esse ponto diretamente, mas creio que serve de antídoto contra a fantasia de que basta plugar um botão de "indique um amigo" para o negócio explodir.

E tem um caso que eu gosto especialmente, porque mostra o motor de growth funcionando longe da aura de startup descolada: o Bing, da Microsoft. Um engenheiro teve uma ideia simples de mudar a forma como o buscador exibia os títulos dos anúncios. Não dava nem trabalho, uns poucos dias de código. A ideia ficou seis meses parada na fila, classificada como baixa prioridade, até alguém finalmente rodar um teste A/B para medir o efeito. Em poucas horas o número apareceu tão alto que disparou um alerta de "bom demais para ser verdade". A mudança aumentou a receita em 12%, o que dava mais de 100 milhões de dólares por ano só nos Estados Unidos. Foi a ideia que mais gerou receita na história do Bing, e tinha ficado meio ano esquecida numa lista porque ninguém sabia o que ela valia até medir. O que esse caso ensina é que uma ideia de poucos dias de código pode mover mais de 100 milhões por ano, e você só descobre o tamanho dela quando para de tentar adivinhar e mede de verdade.

Costuma-se dizer que o campo passou por duas ondas. A primeira foi o growth hacking como um conjunto de atividades de marketing para escalar um negócio, a visão original do Sean Ellis. A segunda, em curso desde a pandemia, é o growth como metodologia de testar e melhorar processos, produtos e serviços com experimentos guiados por dados. Foi nessa transição que apareceram rótulos como "growth marketing" e o product-led growth.

Se essa segunda onda é amadurecimento ou só rebranding, e quem exatamente cunhou cada termo derivado, é coisa que as fontes contam de jeitos diferentes. Essa parte eu leio pela minha própria cabeça, porque cada fonte conta de um jeito. A própria autoria de "product-led growth" tem versões divergentes nas fontes. Para o que interessa aqui, o que fica é: do truque do Hotmail à experimentação data-driven de hoje, a ideia foi ficando mais método e menos mágica.

A régua de bolso: quem ler e quais são as ferramentas

Abaixo vou te entregar duas coisas: uma lista curta de quem vale a pena ler e a caixa de ferramentas com os nomes que você vai esbarrar o tempo todo. A ideia não é dar aula de cada um, é situar, para que da próxima vez que aparecer a sigla você saiba do que se trata.

Os nomes para conhecer, em ordem de importância para um iniciante:

Sean Ellis e Morgan Brown, do livro Hacking Growth. É o ponto de partida natural. De Ellis saíram três ferramentas que você vai ver muito: o ICE, o teste dos 40% e a North Star Metric.
Andrew Chen (hoje na a16z), a voz da definição "marketer mais coder" e de uma autocrítica madura sobre os limites do método.
Dave McClure, criador do AARRR, o framework de métricas em formato de funil.
Brian Balfour (ex-HubSpot, hoje na Reforge), referência em growth loops.
Ryan Holiday (Growth Hacker Marketing), o livro curto que popularizou o termo para fora do Vale do Silício.
Weinberg e Mares (Traction), com o framework Bullseye e os 19 canais de aquisição.
Wes Bush (Product-Led Growth) e Thomke e Kohavi, a dupla Harvard mais Microsoft que dá o lastro de gestão sobre experimentação.

Sobre a caixa de ferramentas, nós podemos organizar em quatro gavetas.

1 - O motor de tudo é a experimentação, o teste A/B.

Isso aqui é algo que ninguém vai querer te contar: no Google e no Bing, só 10% a 20% dos experimentos dão resultado positivo. Na Microsoft como um todo, um terço dá certo, um terço é neutro e um terço sai pior do que estava.

Como os próprios autores dizem, a empresa precisa beijar muito sapo para achar um príncipe. Isso é o oposto do hype. Growth de verdade convive com fracasso na maior parte das tentativas, e isso é o esperado, não o sinal de que algo está errado.

2 - A segunda gaveta é a dos frameworks de medição.

O AARRR (aquisição, ativação, retenção, indicação, receita) é a espinha para entender o funil.

O ICE (impacto, confiança, facilidade) serve para priorizar qual experimento rodar primeiro, dando nota de 1 a 10 para cada ideia.

O teste dos 40%, ou Sean Ellis test, mede se você tem encaixe com o mercado, perguntando ao cliente como ele se sentiria se não pudesse mais usar o seu produto: se 40% ou mais respondem "muito decepcionado", há sinal forte de que o produto virou must-have.

E a North Star Metric é a ideia de eleger uma métrica única que captura o valor central que você entrega, como noites reservadas no Airbnb ou mensagens enviadas no WhatsApp.

3 - A terceira gaveta é a dos conceitos de produto

O aha moment, que é o instante em que o usuário finalmente "pega" o valor da coisa; os growth loops, sistemas em que o resultado de um ciclo alimenta o próximo e geram crescimento composto, em contraste com o funil que só cresce em linha reta; e o viral loop, a indicação embutida no produto, medida pelo coeficiente viral.

4 - A quarta gaveta são os 34 padrões de growth hack

Essa gaveta tem lastro acadêmico e é útil de conhecer: Bohnsack e Liesner catalogaram 34 padrões de growth hack, validados por 12 especialistas, organizados justamente pelas etapas do AARRR. Vale como mapa de "o que já foi feito e tem nome", do freemium do Spotify ao programa de indicação do Dropbox.

Esses catálogos são organizados por dois critérios: quanto recurso cada coisa exige e quanto tempo demora pra dar retorno. Esses valores não saíram de teste nem medição: são estimativas baseadas em experiência. Então use como referência pra se orientar, não como número exato.

Com isso nós podemos identificar duas coisas:

O sinal de growth sério é processo de experimentação disciplinada, que isola variáveis e estabelece causa e efeito, ancorado numa métrica única que importa.
O sinal de amadorismo é o oposto, que é apenas jogar ideia na parede para ver o que cola, comemorar métrica de vaidade que enche o olho e não muda decisão nenhuma, e pegar o número mágico de outra empresa como se fosse receita universal.

[!WARNING] Esse ponto do número mágico merece um parágrafo só. O Facebook descobriu que o usuário que chegava a 7 amigos em 10 dias parava de evadir, e esse virou o número de ativação deles. Volta e meia alguém pega esse "7 em 10" e tenta colar no próprio negócio. Não funciona assim. O número é do Facebook, daquele momento, daquele produto. O que se transfere é o método de achar o seu próprio número de ativação, não o número dos outros.

"Isso não é pra minha empresa": o mito que mais atrapalha

Tem uma objeção que aparece toda vez que alguém de empresa mais tradicional ouve falar de growth: "isso é coisa de startup de tecnologia, não serve para o meu negócio". Se você pensou isso lendo até aqui, eu entendo perfeitamente, e quero te tirar dessa ideia, porque ela é o mal-entendido que mais afasta gente que se beneficiaria.

A pesquisa séria desmonta justamente isso. Um paper revisado por pares de 2024 (Bargoni e colegas) derruba três mitos de uma vez:

Growth hacking não é só para plataformas de alta tecnologia;
Não é só estratégia de marketing;
Não é um processo predefinido com passos fixos.

A tese central do artigo é que é uma abordagem que pode ser aplicada por qualquer tipo de empresa. E o caso que eles escolhem para provar não é uma startup nenhuma: é a IKEA, uma gigante de lojas físicas, usando growth hacking na transformação digital do negócio. Do outro lado, na literatura de experimentação, empresas sem nenhuma raiz digital, como Walmart, Hertz e Singapore Airlines, rodam experimentos controlados com regularidade, em escala menor que as big techs, mas rodam.

Você precisa entender uma coisa simples, Growth não é bala de prata, e o motivo é que a maior parte do crescimento vem do acúmulo de pequenos ganhos que se somam ao longo do tempo, parecido com juro composto. Quem entrega esse crescimento quase nunca é um gênio sozinho numa sala, é um time inteiro testando, errando e ajustando junto, um experimento atrás do outro.

E tem um detalhe de postura que separa o pessoal sério de quem só quer o atalho. Growth de verdade joga dentro das regras da plataforma, tanto que, quando o assunto vira o velho truque do Airbnb com o Craigslist, quem está há mais tempo no campo já torce o nariz. A mesma coisa vale para a fantasia de viralidade fabricada no grito: Chamath Palihapitiya, que liderou o crescimento do Facebook, chegou a proibir planos baseados em viralidade artificial, dizendo aos times que aquilo não dava para fazer e que nem era para tocar na ideia. Viralidade boa é consequência de um produto que as pessoas querem passar adiante, e não algo que você força na marra.

A regra que fica, então, é simples. Growth é uma metodologia de experimentação que praticamente qualquer empresa com alguns milhares de usuários ativos pode adotar, desde que tenha duas pré-condições no lugar: uma cultura de coletar e olhar dados, e uma estrutura que não seja tão hierárquica a ponto de matar o experimento antes dele rodar. Não precisa ser do Vale do Silício. Precisa estar disposto a testar e a aceitar que a maioria dos testes vai falhar.

Na prática: por onde começar

Você chegou aqui com o mapa na mão. Da próxima vez que alguém falar "growth" na sua frente, você já sabe o que ler. Você já sabe que é um processo de experimentação sobre o funil inteiro, e não um truque solto. Sabe que tem uma história legível, do rodapé do Hotmail até a onda data-driven de agora. Sabe os nomes e os frameworks que dá para ir consultar quando precisar (Ellis, Chen, AARRR, ICE, North Star). E sabe que isso serve para muito mais empresa do que só startup.

O passo prático não é sair copiando o hack famoso do momento, porque o número mágico dos outros não cabe no seu negócio. O caminho é começar pequeno e disciplinado, e é assim que os pequenos ganhos vão se acumulando, um teste de cada vez, até virarem crescimento de verdade.

[!TIP] Se você quer um primeiro passo concreto hoje, faça nesta ordem: escolha uma única métrica que importa de verdade para o seu negócio agora, escreva uma hipótese clara do que você acha que move essa métrica, rode um experimento honesto só para medir o efeito, e use o resultado para decidir o próximo. Repita. É o ciclo inteiro de growth em quatro passos.

Cada um dos quatro pontos deste resumão (o que é, de onde veio, quem ler, como se faz) abre num assunto inteiro que vale aprofundar depois. Por enquanto, se você sair daqui sabendo ler a palavra "growth" sem cair no hype nem fugir achando que não é para você, este mapa já cumpriu o seu papel.

Por que o marketing parece uma feira de buzzwords (e o que 100 anos de história te contam sobre isso)

Fri, 29 May 2026 00:00:00 GMT

Se você acompanha marketing hoje, já deve ter sentido aquele cansaço de quem chega numa feira barulhenta onde cada banca grita uma verdade diferente.

De um lado, o pessoal de growth dizendo que o que importa é teste, dado e funil. Do outro, o time de branding jurando que sem marca forte você não vai a lugar nenhum. Mais adiante, performance, CX, social, comunidade, e agora IA no marketing, cada um com seu guru, seu vocabulário e sua certeza de que descobriu o que de fato move o jogo. Bate uma sensação de que ninguém está falando da mesma coisa, e de que o campo virou uma bagunça sem pé nem cabeça.

Eu quero te oferecer outra leitura disso. Essa confusão que você está sentindo não é um caos novo que a internet inventou. Ela é o capítulo mais recente de uma história que já tem mais de cem anos, em que o marketing começou como um galho discreto e meio entediante da economia e, devagar, foi virando o centro de gravidade de quase tudo que a gente pensa sobre valor.

E o melhor é que essa história tem um desenho que se repete. Toda vez que o marketing conquista um território novo de valor, acontecem duas coisas quase ao mesmo tempo: ele se quebra num monte de escolas que brigam para enxergar o todo, e o que ele entende por "valor" escorrega mais um passo, saindo da coisa tangível que se vende e indo na direção do conhecimento, da relação e do serviço que se entrega. Eu vou caminhar com você por essa linha do tempo, era por era, para você ver esse desenho aparecer. Quando ele aparecer, a feira de buzzwords de hoje vai fazer muito mais sentido.

Era A: o marketing nasce só para mover mercadoria (1900 a 1950)

Vamos voltar para o começo do século XX. Naquela época, "marketing" nem existia como palavra com o peso que tem hoje. Os primeiros cursos numa universidade americana foram dados por volta de 1902, e o próprio termo só foi se firmar lá por 1910, somando-se a palavras que já existiam como "distribuição", "comércio" e "troca". Antes disso, o assunto era tratado como um pedaço da economia, a tal "economia aplicada", e a economia estava ocupada com a produção. Sobrava pouca atenção para uma pergunta que incomodava muita gente: como é que a mercadoria sai da fábrica e chega na mão de quem compra?

Era essa, e só essa, a preocupação do marketing recém-nascido. Um dos pioneiros, o Arch Shaw, chegou a descrever o marketing como "matéria em movimento", aquele problema concreto de mover coisa de um ponto a outro. Não havia decisão estratégica nenhuma ali. Havia gente querendo catalogar o mundo do comércio e responder a perguntas bem pé no chão.

Para dar conta disso, brotaram as três primeiras escolas formais, e repare que todas elas são descritivas, no sentido de que descrevem o que existe em vez de mandar você fazer alguma coisa. Uma olhava para os produtos e tentava classificá-los, que é a escola das commodities. Outra olhava para quem movia a mercadoria, os intermediários e os canais, e tentava entender o papel de cada um, que é a escola institucional. A terceira olhava para o trabalho em si e listava quais atividades compunham o marketing, que é a escola funcional. Logo depois apareceu ainda uma quarta, preocupada com o "onde": os fluxos de mercadoria entre regiões. São quatro escolas, e o que elas faziam o tempo todo era catalogar e descrever o mundo do comércio, sem que nenhuma delas chegasse a tomar uma única decisão de negócio.

Vale uma observação aqui, porque ela vai voltar lá na frente. Toda essa história fundadora é contada de um ponto de vista americano. O Bartels, que é o grande historiador dessa fase, traçou o nascimento do marketing dentro da academia americana do século XX, e outros pesquisadores depois notaram que as fontes dele eram só livros-texto americanos. Guarde isso, porque o marketing tem CEP desde o berço.

[!NOTE] Antes de seguir, preciso ser honesto sobre uma coisa que vai aparecer em várias passagens. Há divergência de fonte sobre onde o marketing acadêmico de fato nasceu. O Bartels localiza a origem nos EUA por volta de 1906 a 1911, mas o Shaw e o Tamilia, citando Jones e Monieson, anotam que cursos de marketing podem ter sido oferecidos na Alemanha antes dos americanos, e que o uso acadêmico do termo aparece já em 1897. A leitura que eu acho honesta é que o Bartels descreveu com segurança a origem do marketing como disciplina acadêmica nos Estados Unidos do início do século XX, e não necessariamente o primeiro curso do mundo. Então eu trato a primazia geográfica americana como contestada, não como fato fechado.

Era B: o marketing aprende a decidir e inventa os 4 Ps (1950 a 1980)

Aí o centro de gravidade dá o primeiro grande passo. Saindo da Segunda Guerra, com a indústria sobrando produto e a modelagem matemática que tinha sido usada no esforço de guerra entrando nas escolas de negócios, o marketing parou de só descrever o mundo e começou a perguntar outra coisa: o que o gestor deve fazer? Foi uma virada e tanto. O foco saiu do "o que existe lá fora" e foi para o "qual decisão eu tomo aqui dentro".

Dois empurrões pesados ajudaram nisso. O primeiro foi o pensamento do Wroe Alderson, considerado o estudioso mais influente do seu tempo. O segundo foram os relatórios de duas fundações grandes, a Ford e a Carnegie, lá em 1959, cobrando que o ensino de negócios tivesse mais relevância. Desse caldo nasceu a escola que ia engolir o campo: a managerial, a escola gerencial.

E é dela que vem o vocabulário que até hoje você usa sem pensar. Em 1960, o McCarthy criou o mnemônico dos 4 Ps (produto, preço, praça e promoção), e a coisa pegou de um jeito que, nas palavras dos historiadores da disciplina, "varreu o campo e derrotou todos os textos de gestão de marketing que vieram antes" (tradução livre). Mais para frente, nos anos 1980, foi a vez do "Marketing Management" do Kotler virar o livro-texto dominante. Quando você desenha um plano de marketing hoje e organiza tudo em produto, preço, praça e promoção, você está usando uma ferramenta que tem mais de sessenta anos.

E, fiel ao padrão, essa conquista não veio sozinha. Junto com a managerial brotaram outras escolas ao mesmo tempo: a do comportamento do consumidor, querendo entender por que as pessoas compram; a de sistemas; a da troca; a do macromarketing, olhando o impacto do marketing na sociedade. Mais um território novo, mais um enxame de escolas. A história já estava se repetindo, só que numa época de prosperidade pós-guerra em vez de no comércio empoeirado do começo do século.

Aqui entra, por dentro, uma camada que vale a pena você conhecer, que é a da seriedade. Em 1988, três pesquisadores (Sheth, Gardner e Garrett) montaram uma régua para avaliar as escolas de marketing em seis critérios e dar nota de 1 a 10 para cada uma. Na régua deles, a escola managerial tirou a maior pontuação de todas, e o comportamento do consumidor veio logo atrás. Ou seja, as duas escolas que dominaram o ensino de marketing nas faculdades de negócio são exatamente as que pontuaram no topo dessa régua. Não é coincidência que sejam essas que você aprendeu na faculdade.

Só que aqui eu preciso baixar a bola da minha própria afirmação. Chamar a managerial de "a mais séria" é juízo de valor, não medida neutra. A própria régua de Sheth, Gardner e Garrett é declarada pelos próprios autores como "os nossos pontos de vista pessoais" (tradução livre), numa escala de 1 a 10. Então a leitura certa é que, na régua que os próprios teóricos montaram, a managerial pontuou no topo, e não que a managerial seja objetivamente a escola superior.

Era C: o valor começa a morar no intangível (1980 a 2004)

Agora a coisa fica interessante, porque chega o território que de fato vira a chave de tudo: o intangível. A partir dos anos 1980, o marketing percebe que o valor não está só no produto que sai da fábrica. Ele também está na marca que mora na cabeça do cliente, na relação que se mantém ao longo do tempo, na qualidade do serviço prestado, na cultura de uma empresa virada para o mercado. E, de novo fiel ao padrão, isso não veio numa teoria só. Brotaram cinco frentes seminais quase ao mesmo tempo, cada uma fincando bandeira num pedaço diferente desse intangível.

Antes de listar as cinco, preciso ser honesto com você sobre uma coisa. Eu estou organizando essas cinco correntes lado a lado porque assim fica mais fácil de enxergar, mas isso é arrumação minha, didática. A historiografia do marketing não trata todas elas como "escolas formais" do mesmo jeito que trata a managerial ou a funcional. São correntes e subcampos, e parte deles vive dentro da própria escola gerencial. Dito isso, vamos às cinco frentes.

A primeira é o positioning, o posicionamento, que o Ries e o Trout popularizaram entre 1972 e 1981. A ideia central é que a batalha competitiva não se ganha no produto, ela se ganha na mente do cliente: o que importa é a posição que você ocupa na cabeça da pessoa, comparada à dos concorrentes. A segunda é o marketing de relacionamento, com o Berry em 1983 e depois Dwyer, Schurr e Oh em 1987. Aqui a troca deixa de ser um evento isolado, aquela venda única, e vira uma relação contínua que você atrai, mantém e amplia ao longo do tempo.

A terceira frente é o marketing de serviços, com o modelo de qualidade do Parasuraman, Zeithaml e Berry, entre 1985 e 1988, que ficou conhecido como SERVQUAL. A sacada deles é que qualidade de serviço é o tamanho da distância entre o que o cliente esperava e o que ele de fato percebeu que recebeu, medida em cinco dimensões. A quarta é a orientação para o mercado, com Kohli e Jaworski e também Narver e Slater, ambos em 1990, propondo que a organização inteira (e não só o departamento de marketing) gire em torno de gerar inteligência sobre o mercado e responder a ela. E a quinta é o brand equity, o valor de marca, com o Aaker em 1991 e o Keller em 1993, que passa a tratar a marca como um ativo da empresa, algo que tem lealdade, reconhecimento e qualidade percebida acumulados.

Repara no que aconteceu aqui. Cada uma dessas cinco frentes pegou o aparato gerencial dos 4 Ps e o esticou em direção a alguma coisa que você não toca: a mente, a relação, a percepção de qualidade, a cultura, o valor da marca. É o mesmo movimento, do tangível e transacional para o intangível e relacional, que uma teoria de 2004 vai pegar e dar nome. Em outras palavras, esse período de 1980 a 2004 é a ponte concreta entre os 4 Ps de antes e a lógica de serviço que vem depois. Não dá para pular esse pedaço, porque é nele que o valor termina de mudar de endereço.

Uma ressalva de bastidor antes de seguir, porque eu não quero te vender gato por lebre. As definições dessas cinco correntes vieram de extração de busca, não de citação direta das fontes primárias, porque os journals não abriram para mim. Por isso eu as conto como paráfrase rastreável, e não entre aspas como se fossem citação literal. A expressão "a batalha pela sua mente", associada ao positioning, é citação recorrente na literatura, e fica como algo a conferir na fonte primária.

E ainda devo um aviso sobre o recorte. Tratar positioning, relationship marketing, serviços, orientação para o mercado e brand equity como cinco "escolas" paralelas e bem delimitadas é arrumação didática minha, não recorte que a historiografia sustente. As taxonomias acadêmicas falam em escolas como a funcional, a managerial e a do comportamento do consumidor. Estas cinco são correntes ou subcampos, parte deles dentro da grande escola gerencial. Das cinco frentes, a AMS de 2021 chancela serviços e relacionamento como escolas emergentes próprias, enquanto positioning, orientação para o mercado e brand equity ficam abrigadas sob a escola emergente de marketing strategy. (A AMS lista quatro emergentes no total: marketing strategy, serviços, relacionamento e international marketing.) Então leia o que vem a seguir como "as cinco frentes da virada de valor", e não como cinco escolas canônicas.

Era D: a lógica de serviço e o capítulo digital (2004 até hoje)

Chegamos no ponto de chegada da linha do tempo, e ele tem duas frentes correndo em paralelo: o que a academia estava pensando e o que a prática de mercado estava fazendo.

Na academia, o marco é a Service-Dominant Logic, ou lógica dominante de serviço, que Vargo e Lusch publicaram em 2004. A tese deles fecha o arco de um jeito bonito. O marketing herdou da economia um modelo de troca de bens, em que o que importa são recursos tangíveis e transações pontuais. Vargo e Lusch dizem que estamos migrando para uma lógica em que o que de fato produz efeito não é a coisa, é o conhecimento e a habilidade aplicados, e em que o valor não é entregue pronto ao cliente, ele é cocriado junto com o cliente. Eles dão nome às duas pontas: na lógica antiga a empresa age sobre recursos passivos, e na nova os recursos que contam são o conhecimento e a habilidade, que não acabam e não são estáticos. É exatamente aquele escorregamento do tangível para o intangível que vinha acontecendo desde 1900, agora batizado e organizado numa teoria só.

E tem um detalhe que eu acho lindo nessa história. Os próprios Vargo e Lusch reconhecem que, ao fazer isso, eles estão reabilitando uma das escolas mais antigas do marketing, a escola institucional, num novo nível. Aquela escola lá da Era A, que olhava para os intermediários e as instituições da troca, volta agora pela porta dos fundos como teoria geral, e é assim que o arco aberto lá no comecinho do século acaba se fechando. Para você ter ideia do tamanho do impacto, esse paper de 2004 já foi citado em torno de catorze mil vezes e é descrito como o artigo mais citado do Journal of Marketing desde o ano 2000 (tradução livre).

Enquanto a academia debatia isso, a prática de mercado contava a mesma história com números redondos. É a narrativa do Kotler indo do Marketing 1.0 ao 5.0. No 1.0, o marketing era centrado no produto e na razão. No 2.0, no consumidor e na emoção. O 3.0, lá por 2010, vira o marketing centrado no ser humano. O 4.0, em 2017, integra o mundo digital e a jornada do cliente. E o 5.0, em 2021, coloca a tecnologia e a IA a serviço do humano. É a mesma migração, do produto para a pessoa e a relação, só que contada para quem está no mercado e não na universidade.

E aí, bem na hora em que tudo parecia se encaixar, a fragmentação volta, agora vestida de internet. Em 2020, Busca e Bertrandias repetem para o marketing digital exatamente a queixa antiga: a disciplina está cada vez mais fragmentada, com tantos subcampos brotando que o conhecimento não se acumula direito. Eles propõem quatro sistemas culturais da internet (collaborative, traditional market, co-creation e prosumption) e fazem questão de dizer que essas eras não se substituem, elas convivem. E olha que interessante: dois desses sistemas, o de cocriação e o de prosumption, são o marketing de relacionamento e a cocriação da lógica de serviço aparecendo de novo, agora numa roupa digital, ou seja, o mesmo padrão de antes voltando mais uma vez. Para fechar, a retrospectiva da AMS de 2021 ainda pede uma "re-institucionalização" do marketing, diante de uma disciplina fragmentada, com influência declinante nos negócios e uma virada do foco em impacto para o foco em método.

Aqui eu preciso de novo segurar a minha própria empolgação com a lógica de serviço, porque ela não venceu o debate nem virou o novo mainstream, por mais que o impacto em citações seja enorme. Os periódicos de ponta seguem dominados por temas gerenciais e quantitativos, como precificação, publicidade e satisfação. Então, na minha leitura, a lógica de serviço é uma corrente de grande influência teórica, e não um novo mainstream já consolidado.

E vale a mesma cautela com o Kotler. A narrativa do "Marketing 1.0 ao 5.0" é uma periodização didática, de prática de mercado, não uma cronologia acadêmica validada de escolas de pensamento. Ela é útil para contar "como chegamos até hoje" para quem é de negócios, mas as fases são rótulos de divulgação, não categorias da historiografia. Eu uso como framework do Kotler, não como consenso histórico-acadêmico.

Antes de juntar tudo, uma passada rápida em quem é quem

Já entrou muita escola nessa conversa, então deixa eu fazer um respiro e retomar quem é cada uma, na ordem em que você as encontrou. No comecinho, as descritivas, que só catalogavam o mundo: a das commodities olhando os produtos, a institucional olhando os intermediários, a funcional olhando as atividades, e a do comércio entre regiões olhando o "onde". Depois, na virada gerencial, a managerial assumindo o trono com os 4 Ps, e o comportamento do consumidor crescendo ao lado dela. E mais recentemente, as cinco frentes da virada de valor: posicionamento, relacionamento, serviços, orientação para o mercado e valor de marca.

Tem uma imagem antiga que os próprios pesquisadores usam para descrever isso, a dos cegos e o elefante. Cada escola é como um cego apalpando uma parte diferente do bicho e jurando que aquilo ali é o animal inteiro. Uma pegou na tromba, outra na orelha, outra na perna, e cada uma descreve um elefante diferente. Nenhuma está errada sobre a parte que tocou. Todas estão erradas sobre o todo. É com essa imagem na cabeça que o desenho da história inteira vai começar a se montar.

Junta os pontos: o desenho que aparece quando você afasta a câmera

Para de olhar era por era um instante e afasta a câmera comigo, porque é aqui que o desenho aparece inteiro.

Em todas as quatro eras, a mesma coisa aconteceu duas vezes. Primeiro, o marketing ganhou um território novo de valor, e o centro de gravidade escorregou um passo na mesma direção. Saiu da distribuição da mercadoria, foi para a decisão gerencial, de lá para a marca, a relação e o serviço, e terminou na ideia de que toda troca é, no fundo, serviço. É sempre o mesmo movimento, do que você toca para o que você não toca, do produto para a relação.

E segundo, em todas as eras, essa conquista nunca produziu uma teoria só. Ela produziu um enxame de escolas brotando ao mesmo tempo, cada uma enxergando seu pedaço do elefante, e sempre apareceu alguém precisando subir no telhado para remapear a bagunça. Foi o Sheth e companhia em 1988, foi o Shaw e o Jones em 2005, é a AMS em 2021. Sempre a mesma cena: território novo, explosão de escolas, e um pedido de "alguém organiza isso aqui".

Esse é o padrão. O marketing fragmenta toda vez que ganha território novo, e o que ele entende por valor não para de migrar para mais perto da relação e do serviço. Quando você enxerga as duas batidas juntas, a fragmentação de hoje deixa de parecer uma anomalia da internet e vira simplesmente o que esse campo sempre fez.

A confusão de hoje é o capítulo mais novo do mesmo filme

Agora pega aquela feira de buzzwords do começo, a do growth contra o branding contra o performance contra o CX contra a IA, e encaixa ela no molde, que você vai ver como ela se acomoda direitinho.

O território novo da vez é o digital, os dados e a IA. E o que ele fez? A mesma coisa de sempre. Fez brotar um enxame de subcampos que não conversam entre si, que é a tal fragmentação digital que o Busca e o Bertrandias descreveram. E o centro de gravidade segue escorregando para a relação e a cocriação, tanto que os sistemas de cocriação e prosumption da internet são, no fundo, o marketing de relacionamento e a lógica de serviço reaparecendo numa roupa nova, o mesmo padrão de cem anos atrás batendo mais uma vez. Cada peça do padrão que a gente nomeou tem um equivalente exato no presente.

E tem uma camada a mais, que talvez seja a mais incômoda de encarar: a confusão também tem CEP. Aquela história lá da Era A, de o marketing nascer americano, não ficou no passado. A corrente gerencial e quantitativa que domina os grandes periódicos é americana de fato. Uma análise de oito periódicos de ponta mostrou que os Estados Unidos respondem por volta de 57% dos artigos, e que 86% das universidades do topo da lista ficam lá. A lógica de serviço e relação tem raiz escandinava, na chamada Nordic School, que nasceu na Finlândia e na Suécia quando os serviços entraram na agenda nos anos 1970. E a corrente crítica e interpretativa tem bolsões em instituições orientadas ao qualitativo na Europa, no Canadá e na Austrália, em lugares como Wisconsin, York, Lancaster, Durham, Lille e Sydney, e é nela que a CCT se destaca. Quando alguém te diz com toda a convicção "este aqui é o marketing certo", muitas vezes o que está falando mais alto é de onde vem a escola daquela pessoa.

Aqui eu preciso traçar uma linha com cuidado, porque é fácil escorregar de fato para palpite. A correlação geográfica é fato ancorado, com números de bibliometria. Já a causa cultural, a ideia de que o pragmatismo americano levou ao quantitativo, a tradição de serviços nórdica levou à Nordic School e a tradição crítica europeia levou à CCT, é hipótese minha. Há explicações alternativas que competem com a cultural, como a infraestrutura e o financiamento concentrados nos EUA, o idioma inglês, o controle dos periódicos e a dependência de trajetória institucional. Então eu deixo claro: a correlação está ancorada, mas a causa, não.

Inclusive, levo a hipótese cultural ainda mais longe num ponto, e prefiro confessar que ali é só palpite meu. A sugestão de que o pragmatismo filosófico americano (de James e Dewey) explica diretamente a preferência por métodos quantitativos é uma associação intuitiva minha, sem fonte que estabeleça esse vínculo causal. Fica como especulação do autor, e nada além disso.

E tem ainda a tese mais afiada de todas, a de Korai e Souiden, de que a hegemonia quantitativa é fruto de disputas de poder e do controle de uma rede influente. Essa é uma posição crítica deles, uma genealogia de inspiração foucaultiana, não uma medição neutra. Eu uso como voz de denúncia, deixando claro que é a leitura dos autores. Os fatos institucionais (datas, periódicos, fatores de impacto) é que são ancoráveis.

O que se repete, e o que dessa vez é mesmo diferente

Eu não vou fingir que está tudo igual, porque não está, e seria desonesto da minha parte te vender uma história em que nada mudou. Mudaram algumas coisas de verdade, e vale colocá-las na mesa.

A primeira é a velocidade. Antes, uma era durava décadas. A virada descritiva levou meio século, a virada gerencial levou outras três décadas. Hoje um subcampo digital nasce, vira moda e satura em poucos anos. A segunda é a escala da fragmentação. A internet multiplicou os subcampos a tal ponto que a própria disciplina pede socorro e fala em re-institucionalização, ao mesmo tempo em que vê a sua influência nos negócios encolher e os cursos de teoria de marketing sumirem dos programas de doutorado. E a terceira é que a ferramenta da vez, os dados e a IA, está batendo numa parte que a gente jurava ser intocável, a do julgamento criativo e estratégico.

Tem ainda um ponto em que eu mesmo reconheço o limite mais frágil de tudo que te contei. Aquela parte sobre a geografia das escolas, sobre cada corrente ter nascido num canto do mundo, está bem ancorada na correlação, nos números de quem publica onde. Mas a explicação cultural disso, o porquê de cada lugar ter gerado a sua escola, é a parte que eu não consigo provar. É a minha leitura, não um fato.

O que muda, então, é a intensidade e a superfície. É mais rápido, mais barulhento, e bate mais perto de onde dói. Mas a lógica de fundo continua sendo a mesma de cem anos atrás, porque o marketing ganha território, fragmenta, e o valor migra para a relação e o serviço, exatamente como sempre fez. Assustar mais não quer dizer obedecer a uma lógica diferente.

E agora, o que fazer com isso

Então deixa eu fechar do jeito que abri, no presente e sem pânico, mas agora com a história inteira na mão.

A pergunta que te deixa correndo em círculos é "qual escola de marketing é a certa, qual buzzword eu sigo?". Essa pergunta não tem resposta útil, porque, como você viu nessa caminhada toda, nunca houve uma escola que enxergasse o elefante inteiro, e o que conta como "o certo" muda de era em era e de país para país. Você vai gastar energia atrás de uma resposta que não existe.

[!TIP] A pergunta que de fato te serve é outra, mais calma e mais prática: dada a escola ou a ferramenta da moda que está na minha frente agora, que pedaço do elefante ela está me mostrando, e que pedaços ela está deixando de fora? Quando o growth te entrega dado e funil, ele está te mostrando um pedaço real e está te escondendo a marca e a relação. Quando o branding te entrega marca, está te mostrando outro pedaço real e está deixando o número de lado. Nenhum dos dois é a verdade final, e nenhum dos dois é ruído descartável.

Cada um é uma banca daquela feira, gritando a parte do elefante que conseguiu apalpar.

Quem entende o desenho dessa história de cem anos para de correr atrás da moda e passa a ler cada moda nova com calma, sabendo que ela é só o capítulo mais recente de uma trama conhecida. A IA no marketing não é a mágica que vai resolver tudo no seu lugar, e também não é o monstro que veio acabar com a profissão. Ela é o território mais novo de um campo que já mudou de território várias vezes, e que vai continuar fazendo a mesma coisa: fragmentar, confundir, e empurrar o valor mais um passo na direção da relação. Você já sabe como esse filme costuma terminar para quem aprende a enxergar o todo em vez de brigar com a banca do lado.

Tabela de consulta: as escolas e correntes desta história

A tabela abaixo reúne as escolas e correntes que apareceram no texto, para você consultar depois. Vale lembrar do que ficou marcado lá em cima: a separação entre "escola formal" e "corrente" é uma arrumação didática, não uma taxonomia que a historiografia sustente linha a linha. As cinco correntes de 1980 a 2004, em especial, são subcampos, parte deles dentro da grande escola gerencial, e não escolas canônicas no sentido das taxonomias clássicas.

Escola / corrente	Período	Autores principais	Visão central
Funcional (marketing functions)	~1910–1970	Shaw, Weld, Cherington, Clark	Quais atividades compõem o marketing e que valor elas agregam
Commodities	~1916–1980+	Shaw, Copeland, Cherington	Como classificar os tipos de bens e ligá-los às funções de marketing
Institucional	~1915–1970	Weld, Nystrom, Clark, Stern	Quem executa as funções de marketing (intermediários, canais de distribuição)
Comércio entre regiões	~1930–1960s	Reilly, Converse, Huff, Grether	O "onde" do marketing: fluxos entre regiões e localização do varejo
Gerencial (managerial)	1950s– (dominante)	Levitt, McCarthy (4 Ps), Kotler	Como o gestor deve fazer marketing: mix, segmentação, posicionamento
Sistemas	1957–	Alderson, Fisk, Dixon	Holismo: o todo é mais que a soma das partes
Comportamento do consumidor	1950s–	Dichter, Engel, Howard & Sheth	Por que o consumidor compra; psicologia e sociologia aplicadas
Macromarketing	1970s–	Holloway, Fisk, Hunt	Impacto recíproco entre os sistemas de marketing e a sociedade
Troca (exchange)	1965–	Alderson, Kotler, Bagozzi	A troca como núcleo do marketing; ampliação para troca genérica e social
História do marketing	~1976– (como escola formal; Bartels e Hollander já escreviam antes)	Grether, Hollander, Bartels	Quando práticas, ideias e escolas de marketing surgiram e evoluíram
Nordic School / service logic	anos 1970–80–	Grönroos, Gummesson	Dissolve a divisão bens/serviços; relacionamento e marketing em rede
Consumer Culture Theory (CCT)	anos 1980– (rótulo 'CCT' a partir de 2005, Arnould & Thompson)	Arnould & Thompson, Belk, Holt	Significados culturais do consumo; alternativa qualitativa ao econométrico
Lógica de serviço (SDL)	2004–	Vargo & Lusch	Toda troca é serviço por serviço; o valor é cocriado; o bem é veículo de serviço
Positioning (corrente)	1972/1981	Al Ries & Jack Trout	Criar uma posição na mente do cliente; a batalha competitiva se dá na mente
Relationship marketing (corrente)	1983; 1987	Berry; Dwyer, Schurr & Oh	Atrair, manter e ampliar relacionamentos; troca contínua, não transação
Services marketing / SERVQUAL (corrente)	1985; 1988	Parasuraman, Zeithaml & Berry	Qualidade de serviço como o gap entre expectativa e percepção; cinco dimensões
Market orientation (corrente)	1990	Kohli & Jaworski; Narver & Slater	Orientar a organização inteira ao mercado: gerar inteligência e responder
Brand equity (corrente)	1991; 1993	Aaker; Keller	A marca como ativo: lealdade, reconhecimento, qualidade percebida, associações
Marketing strategy (escola emergente)	últimos ~30 anos	AMS 2021 / Parvatiyar & Sheth	Guarda-chuva gerencial sob o qual cabem positioning, market orientation e brand equity
International marketing (escola emergente)	últimos ~30 anos	AMS 2021 / Parvatiyar & Sheth	Marketing através de fronteiras e culturas; resposta à globalização

Uma última ressalva sobre a própria tabela, porque ela carrega um juízo meu. A coluna que separa "escola" de "corrente" assume que as cinco frentes de 1980 a 2004 (positioning, relacionamento, serviços, orientação para o mercado e brand equity) não são escolas formais no sentido das taxonomias de Sheth e de Shaw & Jones, e sim correntes ou subcampos, parte deles dentro da managerial. Das cinco, a AMS de 2021 chancela relacionamento e serviços como escolas emergentes próprias, enquanto positioning, orientação para o mercado e brand equity ficam sob a escola emergente de marketing strategy, que aparece nas linhas da tabela junto com international marketing como as outras duas emergentes da AMS. Então leia a tabela como arrumação didática útil, e não como taxonomia que a historiografia sustente linha a linha.

Andrômeda e o Ecossistema de IA de Ads da Meta: O Guia Completo

Thu, 28 May 2026 00:00:00 GMT

1. Glossário de termos técnicos

Referência rápida para os termos usados neste artigo. Organizado por contexto de uso.

Termos do sistema de entrega de ads

Retrieval: A primeira fase do pipeline de entrega. O sistema varre o universo de anúncios ativos e pré-seleciona os candidatos mais relevantes para aquela pessoa. O Andromeda opera nessa fase. Pense na triagem de currículos antes da entrevista.

Ranking: A segunda fase do pipeline. Entre os candidatos pré-selecionados pelo retrieval, o sistema avalia em detalhe e decide qual anúncio entregar. GEM, Lattice e Adaptive Ranking operam nessa fase.

Leilão (Auction): O processo que acontece a cada oportunidade de exibir um anúncio. Não é apenas quem paga mais, combina lance do anunciante, taxa de ação estimada e qualidade do anúncio para determinar o vencedor. Detalhado no Capítulo 3.

Valor Total (Total Value): A pontuação que cada anúncio recebe no leilão. Calculado a partir de: lance × taxa de ação estimada × qualidade do anúncio. O anúncio com maior valor total vence o leilão.

Taxa de Ação Estimada (Estimated Action Rate): A previsão da IA sobre a probabilidade de uma pessoa realizar a ação desejada pelo anunciante (clicar, comprar, assistir). Quanto mais relevante o anúncio para aquela pessoa, maior essa taxa.

Qualidade do Anúncio (Ad Quality): Avaliação automática da qualidade do criativo. Penaliza atributos de baixa qualidade como clickbait, linguagem sensacionalista, retenção de informação. Combinada com a taxa de ação estimada, forma a medida de relevância do anúncio.

Impressão: Uma exibição de anúncio para uma pessoa. Cada impressão dispara todo o pipeline (retrieval → ranking → entrega).

Superfície: O local dentro do app onde o anúncio aparece: Feed, Stories, Reels, Messenger. Cada superfície tem comportamentos de usuário diferentes, e o Lattice otimiza entre elas.

Termos técnicos de machine learning

Features: Sinais ou variáveis que o modelo usa para tomar decisões. Exemplo: “número de cliques nos últimos 7 dias” é uma feature. No sistema antigo, eram criadas manualmente. O Andromeda aprende features automaticamente.

Embeddings: Representações numéricas densas de informações complexas (como o perfil de um usuário ou as características de um anúncio) em um formato que o modelo consegue processar. Pense como uma “impressão digital matemática” de algo complexo.

Inferência: O processo de rodar um modelo treinado para fazer previsões em tempo real. Quando o Andromeda avalia candidatos, está fazendo inferência. Diferente de treinamento, que é quando o modelo aprende.

Latência: O tempo que o sistema leva para responder. No contexto de ads, precisa ser de milissegundos. Latência alta = anúncio demora a carregar = experiência ruim.

Throughput (QPS): Quantidade de consultas que o sistema processa por segundo (Queries Per Second). O Andromeda melhorou 3x em QPS, permitindo avaliar mais candidatos por ciclo.

Recall: No contexto de retrieval, é a proporção de anúncios relevantes que o sistema consegue colocar na lista de candidatos. Recall de +6% significa que o Andromeda acerta mais na pré-seleção.

Cold Start: Problema que ocorre quando um modelo tem poucos dados para trabalhar (produto novo, superfície nova, anunciante novo). O Lattice resolve isso transferindo conhecimento de outros domínios.

Destilação de Conhecimento (Knowledge Distillation): Técnica onde um modelo grande e poderoso (teacher) transfere seu aprendizado para um modelo menor e mais rápido (student). O GEM usa isso para propagar conhecimento para centenas de modelos menores.

Custo Sublinear: Quando a capacidade do modelo cresce mais rápido que o custo computacional. O Andromeda tem custo sublinear: 10.000x mais capacidade sem 10.000x mais custo.

Termos de métricas de campanha

CTR (Click-Through Rate): Porcentagem de pessoas que clicam no anúncio após vê-lo. CTR = cliques ÷ impressões.

CVR (Conversion Rate): Porcentagem de pessoas que realizam a ação desejada (compra, cadastro, etc.) após interagir com o anúncio.

ROAS (Return on Ad Spend): Retorno sobre o investimento em publicidade. ROAS de R$4,52 significa que cada R$1 gasto gerou R$4,52 em receita.

CPA (Cost Per Action): Custo médio para cada ação/conversão gerada. Menor CPA = maior eficiência.

Atribuição Incremental: Método de mensuração que isola o impacto real dos anúncios, descontando conversões que teriam acontecido de qualquer forma. Mais preciso que last-click.

Hardware e infraestrutura

NVIDIA Grace Hopper Superchip: Chip que combina CPU Grace (ARM) e GPU Hopper em uma única placa, com interconexão NVLink de 900 GB/s. O Andromeda foi projetado para rodar nele.

MTIA (Meta Training and Inference Accelerator): Acelerador de IA desenvolvido pela própria Meta. Ainda em escalabilidade, posicionado como futuro da infraestrutura de ads.

GPU: Processador originalmente projetado para gráficos, hoje usado massivamente para IA por sua capacidade de processamento paralelo. O Andromeda usa GPUs para extração de features em tempo real.

2. O que é o Andromeda e para que serve

Definição

O Andromeda é o sistema de machine learning proprietário da Meta responsável pelo retrieval (recuperação e pré-seleção) de anúncios. Foi introduzido em 2024 e é um sistema co-projetado do início ao fim, hardware, software e modelo de ML trabalhando juntos como uma coisa só.

Na prática, o Andromeda é o primeiro filtro do sistema de entrega de anúncios da Meta. Toda vez que alguém abre o Instagram ou Facebook, o sistema precisa decidir qual anúncio mostrar. O problema é que existem dezenas de milhões de anúncios ativos competindo por aquele espaço. Avaliar todos eles em detalhe a cada impressão seria computacionalmente impossível.

É aí que entra o Andromeda. Ele opera na fase de retrieval: a primeira etapa do funil. Sua função é escanear esse universo de anúncios e selecionar rapidamente os milhares de candidatos mais relevantes para aquela pessoa específica, naquele momento específico. Só depois dessa pré-seleção é que os sistemas de ranking (GEM, Lattice) fazem o refinamento fino para escolher o anúncio final.

Analogia simples

Se o sistema de ads da Meta fosse um processo seletivo para uma vaga de emprego, o Andromeda seria a triagem de currículos. Ele não decide quem é contratado, ele decide quais candidatos merecem ir para a entrevista. Sem ele, o recrutador teria que ler milhões de currículos um por um.

O que mudou com o Andromeda

Antes dele, o sistema de retrieval usava modelos mais simples com features (sinais) criadas manualmente por engenheiros. O Andromeda substituiu isso por redes neurais profundas que aprendem sozinhas quais sinais são importantes, reconstruindo dinamicamente as interações entre usuário e anúncio em tempo real via GPU.

Três mudanças fundamentais:

Capacidade do modelo: aumento de 10.000x. Os modelos anteriores eram limitados em complexidade. O Andromeda, rodando no NVIDIA Grace Hopper Superchip, consegue processar modelos 10 mil vezes mais complexos mantendo a velocidade necessária para entrega em tempo real. Mais complexidade = melhor capacidade de personalização.

Velocidade de processamento de features: 100x mais rápido. A extração de sinais que antes rodava em CPU agora roda em GPU, com melhoria de 100 vezes em latência e throughput.

Capacidade de inferência: 3x mais queries por segundo. O sistema inteiro processa 3 vezes mais consultas por segundo, permitindo avaliar mais candidatos em menos tempo.

Onde o Andromeda se encaixa no ecossistema

O Andromeda não trabalha sozinho. Ele é a primeira peça de um pipeline com 4 sistemas de IA (detalhados no Capítulo 5):

Andromeda (retrieval) → GEM (ranking fundacional) → Lattice (otimização multi-objetivo) → Sequence Learning (inteligência temporal)

Cada sistema alimenta o próximo. O Andromeda é o ponto de entrada, se ele não selecionar um bom conjunto de candidatos, o restante do pipeline não tem com o que trabalhar.

Números oficiais de resultado

O deployment do Andromeda no Instagram e Facebook gerou +6% de recall no retrieval e +8% na qualidade de anúncios em segmentos selecionados.

Fontes: Engineering at Meta (Dez/2024), Meta for Business, AI Innovation in Ads Ranking, Meta for Business, Creative Diversification with Andromeda (Abr/2025)

3. O leilão de ads e o papel do Andromeda

Como o leilão da Meta funciona

Toda vez que existe uma oportunidade de mostrar um anúncio a alguém, uma abertura de Feed, um Story carregando, um Reel começando, acontece um leilão. Não é um leilão simples de “quem paga mais vence”. A Meta usa uma fórmula de valor total que combina três fatores.

Valor Total = Lance do Anunciante × Taxa de Ação Estimada × Qualidade do Anúncio

Lance (Bid): O quanto o anunciante está disposto a pagar pela ação desejada. Pode ser definido manualmente ou automatizado via Advantage+ (que é o recomendado, como veremos no Capítulo 6).

Taxa de Ação Estimada (Estimated Action Rate): A previsão da IA sobre a probabilidade daquela pessoa específica realizar a ação que o anunciante quer, clicar, comprar, assistir, cadastrar. É aqui que o pipeline de IA (Andromeda → GEM → Lattice → Sequence Learning) entra no leilão. Quanto mais sofisticado o pipeline, melhor essa previsão.

Qualidade do Anúncio (Ad Quality): Avaliação automática do criativo. Penaliza clickbait, linguagem sensacionalista, retenção de informação, engagement bait. Criativos de alta qualidade ganham pontos aqui.

O anúncio com o maior valor total vence. Isso significa que um anúncio com lance mais baixo pode vencer um com lance mais alto, se tiver melhor taxa de ação estimada e melhor qualidade. Na prática, relevância pode compensar orçamento.

Onde o Andromeda entra no leilão

O leilão não avalia todos os anúncios ativos, seria computacionalmente impossível calcular o valor total de dezenas de milhões de candidatos a cada impressão. O processo tem duas fases:

Fase 1, Retrieval (Andromeda): Antes do leilão propriamente dito, o Andromeda faz a pré-seleção. Varre o universo de anúncios e seleciona milhares de candidatos que fazem sentido para aquela pessoa. Essa é a filtragem bruta, rápida e em escala.

Fase 2, Ranking e Leilão (GEM/Lattice): Só os candidatos selecionados pelo Andromeda participam do leilão real. O GEM calcula a taxa de ação estimada detalhada, o Lattice otimiza entre objetivos, e o valor total é computado para cada candidato. O vencedor é entregue.

A implicação é importante: se o Andromeda não selecionar seu anúncio na fase de retrieval, ele nem chega ao leilão. Não importa quanto você está disposto a pagar, se o sistema não considerar seu anúncio relevante o suficiente para aquela pessoa, ele é descartado antes do lance ser avaliado.

Overlap de leilão entre seus próprios anúncios

Quando dois ou mais anúncios da mesma página/conta entram no mesmo leilão, a Meta escolhe apenas o de maior valor total para competir. Os outros são descartados daquele leilão. Isso tem uma implicação direta: criativos similares competem entre si, reduzindo suas chances. Criativos genuinamente diversos competem em leilões diferentes, para pessoas diferentes, multiplicando oportunidades.

O que isso muda na estratégia

O leilão recompensa a combinação de três coisas: lance adequado (não necessariamente o maior), anúncio relevante para aquela pessoa (taxa de ação estimada alta) e criativo de qualidade (sem clickbait ou truques).

O Andromeda amplificou a importância da relevância. Com modelos 10.000x mais complexos avaliando o match pessoa-anúncio, a capacidade do sistema de identificar o que é genuinamente relevante (vs. genérico) cresceu enormemente. Antes, com modelos simples, a diferença entre um criativo genérico e um personalizado era pequena no retrieval. Agora, é determinante.

Para anunciantes com orçamento limitado, isso é uma boa notícia: criativos altamente relevantes para nichos específicos podem vencer leilões contra concorrentes com orçamento maior, desde que o match pessoa-anúncio seja forte.

Fontes: Meta Business Help Center, About Ad Auctions, Meta for Business, Ad Auction Explained, Meta Business Help Center, Understanding Auction Overlap

4. Como o Andromeda funciona por dentro

O problema técnico

O sistema anterior de retrieval dependia de features construídas manualmente por engenheiros. Um engenheiro decidia que “número de cliques nos últimos 7 dias” era um sinal importante, codificava isso como feature, e o modelo usava. Essa abordagem tinha um teto claro: features manuais perdem informação (a ordem dos cliques se perde quando você agrega), carregam viés humano (o engenheiro pode não perceber padrões não-óbvios), e criam redundância computacional.

O Andromeda reconstruiu o sistema do zero, integrando hardware e software de forma que um reforce o outro.

Arquitetura: três inovações integradas

1. Redes neurais profundas com custo sublinear

A arquitetura foi projetada para ter custo de inferência sublinear, a capacidade do modelo cresce muito mais rápido que o custo computacional. Na prática, é a diferença entre “modelo maior que custa mais” e “modelo muito mais inteligente que custa proporcionalmente pouco a mais”. É o que permite personalização sofisticada em escala de bilhões de usuários.

2. Extração de features via GPU em tempo real

Em vez de features pré-calculadas e estáticas, o Andromeda reconstrói sinais de interação usuário-anúncio dinamicamente, em tempo real, usando processamento paralelo das GPUs. O Grace Hopper tem uma interconexão de alta largura de banda entre CPU e GPU que permite isso sem gargalos. Features que antes eram calculadas de forma simplificada (perdendo informação) agora são reconstruídas com toda a riqueza dos dados brutos.

3. Indexação hierárquica para escalar criativos

Com mais de 1 milhão de anunciantes usando ferramentas de GenAI da Meta e criando 15 milhões de anúncios por mês, o volume de criativos explodiu. O Andromeda organiza esse volume em hierarquias que permitem descartar ramos inteiros rapidamente, como uma árvore de decisão, ao invés de avaliar cada criativo individualmente numa lista plana. Sem isso, o crescimento de criativos via Advantage+ tornaria o sistema inviável.

Hardware: por que o co-design importa

O Andromeda não é um software qualquer rodando num hardware genérico, porque modelo e hardware foram projetados juntos, um pensando no outro.

O NVIDIA Grace Hopper Superchip combina uma CPU Grace (ARM) com uma GPU Hopper numa única placa, conectados por NVLink com 900 GB/s de largura de banda. A GPU acessa a memória da CPU (e vice-versa) quase sem penalidade. Para o Andromeda, isso é crucial: embeddings pré-computados ficam na memória local, e a GPU os acessa diretamente para processamento em tempo real, sem o gargalo de transferência que existiria com hardware convencional.

O MTIA (Meta Training and Inference Accelerator) é o acelerador próprio da Meta, desenvolvido internamente. Ainda está em fase de escalabilidade, mas a Meta o posiciona como o futuro da infraestrutura de ads, rodando lado a lado com o Grace Hopper.

A co-design é o que permite os saltos de performance. Não dá pra explicar isso só com mais hardware, porque o ganho vem de o hardware e o modelo terem sido projetados juntos, um para explorar o outro.

Fontes: Engineering at Meta, Meta Andromeda (Dez/2024), Engineering at Meta, Adaptive Ranking Model (Mar/2026)

5. O ecossistema completo de IA de Ads da Meta

O pipeline em um diagrama

┌─────────────────────────────────────────────────────────────────────┐
│                    IMPRESSÃO: alguém abre o app                     │
└─────────────────────┬───────────────────────────────────────────────┘
                      │
                      ▼
┌─────────────────────────────────────────────────────────────────────┐
│  SEQUENCE LEARNING                                                  │
│  Processa a jornada temporal da pessoa: ações recentes, ordem,      │
│  intervalos. Essa inteligência alimenta todas as etapas seguintes.  │
│  Resultado: +2-4% conversões                                        │
└─────────────────────┬───────────────────────────────────────────────┘
                      │
                      ▼
┌─────────────────────────────────────────────────────────────────────┐
│  ANDROMEDA (retrieval)                                              │
│  Varre dezenas de milhões de anúncios. Seleciona milhares de        │
│  candidatos relevantes para essa pessoa, nesse momento.             │
│  Resultado: +6% recall, +8% qualidade de ads                        │
└─────────────────────┬───────────────────────────────────────────────┘
                      │
                      ▼
┌─────────────────────────────────────────────────────────────────────┐
│  GEM + LATTICE + ADAPTIVE RANKING (ranking)                         │
│                                                                     │
│  GEM: modelo fundacional que prevê qual ad gera melhor resultado    │
│  Resultado: +5% conversões (IG), +3% conversões (FB)                │
│                                                                     │
│  LATTICE: otimiza entre objetivos (clique, conversão, view) e       │
│  superfícies (Feed, Stories, Reels) simultaneamente                 │
│  Resultado: +12% qualidade de ads, +6% conversões                   │
│                                                                     │
│  ADAPTIVE RANKING: escala complexidade de LLM com ~100ms latência   │
│  Resultado: +3% conversões, +5% CTR (IG)                            │
└─────────────────────┬───────────────────────────────────────────────┘
                      │
                      ▼
┌─────────────────────────────────────────────────────────────────────┐
│  ENTREGA: anúncio vencedor é exibido                                │
│  O resultado (clique, conversão, nada) vira dado que alimenta       │
│  o próximo ciclo de aprendizado de todos os sistemas.               │
└─────────────────────────────────────────────────────────────────────┘

GEM (Generative Ads Model), o cérebro do ranking

O GEM é o modelo fundacional de ranking da Meta, lançado em 2025. Construído num paradigma inspirado em LLMs e treinado em milhares de GPUs, ele é quem toma a decisão sobre qual anúncio entregar entre os candidatos selecionados pelo Andromeda.

O GEM processa dois tipos de informação: features de sequência (histórico de atividade, o que a pessoa clicou, assistiu, comprou, em que ordem) e features não-sequenciais (atributos da pessoa e do anúncio, interesses, tipo de criativo, objetivo da campanha). Combina as duas dimensões para prever qual anúncio tem maior probabilidade de gerar o resultado desejado.

Três componentes técnicos se destacam. O Wukong é a arquitetura para features não-sequenciais, factorization machines empilháveis que identificam combinações críticas entre atributos. O Pyramid-Parallel processa sequências de comportamento com milhares de eventos, capturando padrões complexos na jornada. O InterFormer cruza os dois tipos de feature, preservando a informação sequencial completa enquanto permite interações eficientes.

O GEM também resolve como propagar conhecimento para centenas de modelos verticais menores sem retreinar tudo. Usa três mecanismos: destilação de conhecimento com um Student Adapter que corrige staleness, representação aprendida que alinha teacher-student semanticamente, e compartilhamento de parâmetros para modelos sensíveis a latência.

A arquitetura é 4x mais eficiente que a geração anterior. No Q4 2025, a Meta dobrou o poder de GPU do GEM, e os ganhos praticamente dobraram junto.

Meta Lattice, o unificador de objetivos

Antes do Lattice, a Meta mantinha centenas de modelos pequenos e isolados, um para cliques no Feed, outro para conversões em Stories, outro para views em Reels. Cada um aprendia só com seus próprios dados. Formato novo ou objetivo com poucos dados? O modelo correspondente sofria.

O Lattice substitui todos por uma arquitetura unificada que aprende entre domínios. Otimiza simultaneamente diferentes objetivos (cliques, conversões, views, adições ao carrinho) em diferentes superfícies, compartilhando conhecimento entre eles. Um aprendizado sobre conversões em Reels pode melhorar a otimização de cliques no Feed porque o Lattice identifica padrões transferíveis.

Isso é especialmente poderoso em cenários de cold start: superfície ou objetivo novo com poucos dados. O Lattice compensa com conhecimento transferido dos outros domínios.

Backbone de Transformers com trilhões de parâmetros, treinado em centenas de bilhões de exemplos. Usa otimalidade de Pareto para garantir que melhorar um objetivo nunca prejudique outro. Projetado para funcionar com dados menos granulares, ponto que aprofundaremos no Capítulo 7.

Sequence Learning, a jornada no tempo

A inovação mais sutil mas talvez a de maior impacto. Os modelos tradicionais tratavam o comportamento do usuário como uma foto estática: “clicou em 15 anúncios nos últimos 7 dias.” Isso perde a informação de ordem e timing.

O Sequence Learning preserva a sequência completa de eventos. Importa em que ordem a pessoa interagiu, com que intervalos, em que contexto. Um clique de ontem tem significado diferente de um clique de uma semana atrás.

A arquitetura usa Event-Based Features (EBFs) que padronizam cada interação em três dimensões: o stream de eventos (sequência de interações), o tamanho da sequência (quantos eventos recentes considerar) e a informação do evento (detalhes semânticos e contextuais). Modelos de sequência com mecanismos de atenção processam essas features para encontrar padrões temporais.

Exemplo concreto: uma pessoa viu um anúncio de tênis na segunda, pesquisou o produto na terça, viu um anúncio de meias esportivas na quarta. O Sequence Learning entende essa jornada e pode priorizar um anúncio de desconto no mesmo tênis na quinta, porque detecta um funil de compra ativo. O sistema anterior veria apenas “3 interações com anúncios esportivos” sem capturar a narrativa.

A Meta planeja estender o comprimento de sequências em 100x e adicionar enriquecimento multimodal (texto, imagens, áudio, vídeo).

Adaptive Ranking Model, a evolução de 2026

Lançado em março de 2026, resolve o que a Meta chama de “trilema de inferência”: servir modelos com complexidade equivalente a LLMs de ponta (10 GFLOPs por token) mantendo latência de ~100ms.

Três técnicas viabilizam isso. Request-Oriented Optimization computa sinais do usuário uma vez por request em vez de repetir para cada candidato, com 1.000 candidatos, o ganho é brutal. In-Kernel Broadcast compartilha embeddings entre candidatos diretamente nos kernels GPU, eliminando cópias desnecessárias. Sequence Scaling processa a sequência de comportamento uma vez e compartilha o resultado entre todos os candidatos.

Opera com trilhões de parâmetros e faz deploy de novos modelos em menos de 10 minutos.

O loop de aprendizado

O pipeline se fecha em círculo. O resultado de cada impressão (clique, conversão, visualização, nada) vira dado que alimenta o próximo ciclo de todos os sistemas. Andromeda mais preciso → ranking mais eficaz → Sequence Learning mais profundo → Andromeda mais preciso. Cada sistema reforça os outros, e o loop acelera com o tempo.

Fontes: Engineering at Meta, GEM (Nov/2025), AI at Meta, Meta Lattice, Engineering at Meta, Sequence Learning (Nov/2024), Engineering at Meta, Adaptive Ranking Model (Mar/2026), About Meta, AI Drives Performance (Jan/2026)

6. Implicações práticas para campanhas

A mudança de paradigma

O paradigma antigo era encontrar “o melhor criativo” e escalar. O paradigma novo é dar ao sistema um arsenal diverso e deixar a IA decidir qual funciona melhor para cada segmento, em cada superfície, em cada momento. Quem insiste no modelo antigo acaba trabalhando contra o sistema em vez de tirar proveito do que ele faz de melhor.

Diversificação vs. Iteração

A Meta define essa distinção com clareza, e o sistema trata as duas coisas de forma completamente diferente.

Iteração é ajuste sutil no mesmo conceito: texto diferente no mesmo visual, mesma foto com fundo de cor diferente. O Andromeda enxerga tudo isso como variações de um único criativo.

Diversificação é criar peças fundamentalmente diferentes: um Reels com humor para público jovem e um carrossel explicativo para tomadores de decisão. O Andromeda trata cada um como candidato independente no retrieval.

A consequência: 20 variações de cor de fundo geram muito menos retorno do que 5 criativos genuinamente diferentes, cada um mirando uma persona ou ângulo distinto.

Estratégia criativa para alimentar o pipeline

Diversifique por persona, e não só pela estética. Em vez de “3 versões desse anúncio”, pense “1 anúncio para cada tipo de cliente”. Um para quem busca preço, outro para quem busca qualidade, outro para quem busca conveniência. Cada um é um candidato independente no retrieval.

Diversificar por formato. O Lattice otimiza entre superfícies, Feed, Stories, Reels. Criar nativamente para cada formato (não apenas redimensionar) dá ao sistema mais opções reais.

Usar Advantage+ creative e GenAI. Essas ferramentas não são enfeite, elas são parte da infraestrutura que o sistema espera receber. Segundo os dados oficiais: image generation gera +11% CTR e +7.6% CVR; text generation gera +3% CTR. Essas ferramentas existem especificamente para alimentar o Andromeda com volume.

Advantage+ campaigns como configuração padrão. Automatizam orçamento, segmentação e lances. Com o pipeline inteiro por trás, o sistema é objetivamente melhor que humanos em decidir para quem e quando mostrar cada anúncio, desde que tenha criativos diversos. Anunciantes que ativaram viram +22% em ROAS (R$4,52 para cada R$1).

Monitorar fadiga e similaridade separadamente. Fadiga é quando a mesma pessoa vê o mesmo anúncio muitas vezes, se resolve com rotação. Similaridade é quando criativos diferentes parecem iguais para o sistema, e isso se resolve com diversificação real. São dois problemas distintos, e cada um pede a sua própria solução.

O impacto do Sequence Learning na jornada

O sistema agora entende jornadas temporais, não apenas interações isoladas. A ordem em que alguém vê seus anúncios importa.

Isso favorece estratégias de funil dentro do próprio Meta Ads: criativo de awareness → consideração → conversão. O Sequence Learning entende essa narrativa e otimiza a sequência para cada pessoa. Dados de engajamento no Instagram (curtidas, saves, compartilhamentos) também alimentam essa inteligência, não são apenas cliques e conversões que contam.

Números consolidados

Todos oficiais da Meta:

Sistema / Feature	Métrica	Resultado
Andromeda	Recall do retrieval	+6%
Andromeda	Qualidade de anúncios	+8%
GEM	Conversões (Instagram)	+5%
GEM	Conversões (Facebook Feed)	+3%
Lattice	Qualidade de anúncios	+12%
Lattice	Conversões	+6%
Sequence Learning	Conversões (segmentos testados)	+2-4%
Adaptive Ranking	Conversões (Instagram)	+3%
Adaptive Ranking	CTR (Instagram)	+5%
Advantage+ com IA	ROAS	+22%
Image generation	CTR	+11%
Image generation	CVR	+7.6%
Text generation	CTR	+3%
Atribuição incremental	Conversões incrementais	+24%

Esses ganhos são cumulativos, cada sistema melhora o anterior. A tendência é de aceleração.

Resumo prático

Três orientações concretas: investir mais em produção criativa diversificada (o sistema recompensa volume diverso), abraçar o Advantage+ como configuração padrão (não exceção), e medir resultados com atribuição incremental em vez de last-click. O sistema ficou sofisticado demais para ser microgerenciado, o papel do anunciante agora é alimentá-lo bem e medir corretamente.

Fontes: Meta for Business, Creative Diversification with Andromeda (Abr/2025), Meta for Business, Demystifying Creative Diversification, About Meta, AI Drives Performance (Jan/2026), Engineering at Meta, todas as fontes técnicas citadas nos capítulos anteriores

7. Privacidade, dados e o futuro sem tracking

O problema: perda de sinal

A partir de 2021, o ecossistema de ads digital sofreu uma mudança estrutural. A App Tracking Transparency (ATT) da Apple passou a exigir que apps pedissem permissão explícita para rastrear usuários entre apps e sites. A maioria das pessoas recusou. De um dia para o outro, a Meta perdeu acesso a uma fatia significativa dos dados de conversão que alimentavam seus modelos.

As consequências foram imediatas: a janela de atribuição padrão caiu de 28 dias para 7 dias de clique; a atribuição por visualização (view-through) foi eliminada como padrão; anunciantes ficaram limitados a 8 eventos de conversão por domínio; e a capacidade de mensuração caiu, com relatórios menos precisos e mais atrasados.

Para o sistema de ads, menos dados de conversão significam previsões piores sobre quem vai comprar, o que significa anúncios menos relevantes, o que significa pior performance para anunciantes. O pipeline inteiro é alimentado por dados, sem eles, o loop de aprendizado desacelera.

Como os sistemas de IA da Meta compensam

A resposta da Meta não foi tentar recuperar os dados perdidos, foi reconstruir a IA para funcionar bem com menos dados. Cada sistema do ecossistema foi projetado (ou redesenhado) com essa restrição em mente.

Lattice e o cold start. O Lattice foi explicitamente projetado para cenários com dados limitados. Ao aprender entre domínios, ele transfere conhecimento de áreas com dados abundantes para áreas com dados escassos. Se as conversões de um segmento no Feed são bem rastreadas mas as conversões no Stories sofrem com a perda de sinal, o Lattice compensa com transferência cross-domain.

Sequence Learning e first-party data. O Sequence Learning se alimenta do comportamento dentro das plataformas da Meta, curtidas, views, saves, compartilhamentos, tempo de tela, padrões de navegação. Esses dados de primeira parte (first-party) não dependem de tracking entre apps. São coletados dentro do ecossistema Meta e não são afetados pelo ATT. Ao construir a inteligência temporal com base nesses sinais internos, o sistema reduz a dependência de dados externos.

GEM e generalização. O GEM, como modelo fundacional treinado em centenas de bilhões de exemplos, consegue generalizar padrões mesmo quando dados específicos são escassos. Se um segmento perde sinal de conversão, o GEM pode inferir propensão de compra a partir de padrões comportamentais correlacionados que observa em outros segmentos. A escala do modelo é o que permite isso, trilhões de parâmetros aprendem relações que modelos menores nunca veriam.

Andromeda e sinais on-platform. O Andromeda extrai features em tempo real via GPU. Ao reconstruir sinais dinamicamente em vez de depender de features pré-calculadas (que poderiam incluir dados de tracking externo), o sistema opera naturalmente com o que está disponível no momento da impressão, majoritariamente sinais internos.

O que o anunciante precisa fazer

A Meta oferece ferramentas para maximizar o sinal disponível, e usá-las deixou de ser opcional:

Conversions API (CAPI). Transmissão de dados de conversão diretamente do servidor do anunciante para a Meta, contornando limitações do browser/app. Não depende de cookies ou tracking de terceiros. Quem não tem CAPI implementado está deixando sinal na mesa.

Meta Pixel otimizado. Ainda útil para capturar conversões web, mas agora funciona melhor em conjunto com a CAPI. Os dois juntos cobrem mais conversões do que cada um sozinho.

Dados de primeira parte (first-party data). Listas de clientes, dados de CRM, eventos offline. Alimentam o sistema com sinais de conversão que não dependem de tracking. O pipeline de IA consegue usar esses dados para calibrar previsões.

Atribuição incremental. Com mensuração tradicional comprometida pela perda de sinal, a atribuição incremental mede o impacto real dos anúncios comparando grupos expostos vs. não expostos. É o método mais confiável no cenário atual, e já mostrou +24% em conversões incrementais vs. atribuição padrão.

O cenário macro

A tendência é clara: tracking entre plataformas vai continuar diminuindo. Regulamentações de privacidade (GDPR, LGPD, propostas de legislação nos EUA) seguem na direção de mais restrições. A Meta está apostando que IA poderosa + dados first-party + ferramentas como CAPI são o futuro, e todo o ecossistema Andromeda/GEM/Lattice reflete essa aposta.

Na prática, isso significa que investir em infraestrutura de dados (CAPI, CRM limpo, dados first-party) é tão importante quanto otimizar criativos. Sem sinal entrando no sistema, nem a melhor IA do mundo vai performar.

Fontes: Meta for Developers, Preparing Partners for iOS 14 (Jan/2021), AI at Meta, Meta Lattice, Meta for Business, Ads Ecosystem, Meta Business Help Center, Attribution Settings Changes

8. Limitações e cenários problemáticos

O que a documentação oficial não diz

Os capítulos anteriores apresentam os sistemas da Meta como a Meta os descreve, com números positivos e linguagem otimista. Isso é natural: é documentação de produto. Mas um leitor crítico precisa entender onde o sistema provavelmente funciona menos bem, para calibrar expectativas e estratégia.

As limitações a seguir não são afirmadas pela Meta. São inferências lógicas a partir de como o sistema funciona, combinadas com experiência prática de quem roda campanhas.

Cenário 1: Anunciante com poucos criativos

O Andromeda foi projetado para brilhar com volume e diversidade. Um anunciante que roda 2-3 criativos similares está subutilizando todo o pipeline. O sistema não tem opções para personalizar, está essencialmente entregando a mesma coisa para todo mundo e torcendo para funcionar. Os ganhos de +8% em qualidade de anúncios que a Meta reporta provavelmente refletem anunciantes com volume criativo significativo. Para quem tem poucos criativos, o ganho é muito menor ou inexistente.

Cenário 2: Nicho ultra-específico com público pequeno

O Sequence Learning precisa de volume de interações para aprender jornadas. O GEM precisa de dados para prever taxas de ação. O Lattice transfere conhecimento entre domínios, mas se o nicho é tão específico que não tem domínios comparáveis, a transferência perde eficácia.

Um exemplo: uma empresa que vende equipamento industrial especializado para um público de 5.000 pessoas provavelmente não vai ver os mesmos ganhos que um e-commerce de moda com público de milhões. O pipeline é otimizado para escala. Nichos muito pequenos podem ver pouca diferença entre o sistema novo e o antigo.

Cenário 3: Fase de aprendizado e orçamento baixo

Todo modelo de ML precisa de dados para calibrar. O sistema da Meta tem uma “fase de aprendizado” onde performa abaixo do potencial enquanto coleta dados sobre a campanha. Anunciantes com orçamento muito baixo podem ficar presos nessa fase, o sistema não gera conversões suficientes para sair do aprendizado, e o anunciante corta o orçamento antes de ver resultado.

Aqui não estou inferindo nada: isso é regra oficial da Meta. A própria documentação do Meta Business Help Center afirma que cada ad set precisa de no mínimo 50 eventos de otimização em 7 dias para sair da fase de aprendizado. Se não atingir esse limiar, o ad set entra em status “Learning Limited”, onde o sistema continua funcionando mas com performance abaixo do potencial e custos por resultado mais altos. A Meta recomenda orçamento suficiente para pelo menos 7 dias de veiculação, e lances altos o bastante para não travar a coleta de eventos.

Cenário 4: Produto novo sem histórico

Cold start do lado do anunciante. Se o produto nunca foi anunciado, não existem dados de conversão, interação ou engajamento para alimentar o pipeline. O Lattice ajuda com transferência cross-domain, mas os primeiros dias/semanas vão ter performance inferior ao steady state.

Para lançamentos, isso significa que esperar resultados imediatos do dia 1 não é realista. O sistema precisa de uma fase de calibração que pode levar de dias a semanas dependendo do volume.

Cenário 5: Público frio sem dados comportamentais

O Sequence Learning brilha quando tem histórico de comportamento. Para públicos completamente frios (prospecting puro, sem nenhum dado prévio), o sistema perde sua vantagem temporal. Funciona, mas com menos precisão do que para retargeting ou públicos com algum histórico de interação.

Cenário 6: Excesso de confiança na automação

O Advantage+ e o pipeline de IA são poderosos, mas “deixar a IA decidir tudo” pode mascarar problemas. Se o criativo é ruim, o sistema vai otimizar a entrega do melhor entre os ruins, mas o resultado absoluto ainda será medíocre. A IA otimiza a distribuição do que você já tem, mas não cria qualidade no seu lugar. Um anunciante que terceiriza tudo para a automação sem investir em criativo está construindo sobre base fraca.

Cenário 7: Números reportados vs. realidade individual

Todos os números citados neste artigo (+8%, +12%, +5%, etc.) são médias de todo o ecossistema ou de segmentos selecionados. Isso significa que alguns anunciantes viram ganhos muito acima da média, e outros viram ganhos muito abaixo, ou até zero. Os resultados dependem de quanto o anunciante alimenta o sistema (criativos, dados, orçamento) e de quão competitivo é o leilão no seu segmento.

Repare que a Meta reporta esses números em cenários controlados (“segmentos selecionados”, “testes iniciais”). Não há dados públicos sobre a distribuição desses ganhos, não sabemos se 80% dos anunciantes viram +8% ou se 20% viram +40% enquanto o resto viu zero. A ausência dessa informação é, por si só, uma limitação da documentação oficial.

Resumo: quando o sistema funciona melhor e pior

O pipeline performa melhor quando há volume criativo diverso, orçamento suficiente para sair do aprendizado, histórico de dados comportamentais, e infraestrutura de mensuração implementada (CAPI, Pixel).

Performa pior quando há poucos criativos ou criativos similares, orçamento muito baixo, público pequeno ou ultra-nichado, produto novo sem histórico, e ausência de infraestrutura de dados.

Nota sobre as fontes deste capítulo

Os cenários 1, 2, 5 e 6 são inferências lógicas baseadas em como os sistemas funcionam, não são afirmações da Meta. O cenário 3 é baseado em documentação oficial (Meta Business Help Center, About the Learning Phase, About Learning Limited). Os cenários 4 e 7 combinam dados oficiais com análise crítica. Essa transparência sobre a natureza das fontes é intencional.

9. O que mudou em 2026, custos, atribuição e impacto real

Por que este capítulo existe

Os capítulos anteriores explicam como o sistema funciona segundo a documentação oficial da Meta. Este capítulo cruza essa teoria com dados reais do mercado, o que gestores de tráfego estão vivendo na prática entre março e abril de 2026. A Meta fala em ganhos de eficiência; o mercado fala em custos subindo. Ambos estão certos, e entender por quê é fundamental.

A mudança de atribuição: o que realmente mudou

A partir de março de 2026, a Meta alterou seu modelo de atribuição de forma significativa. Três mudanças principais: somente cliques em links passaram a contar como conversão atribuída (cliques em perfil e engajamento saíram da conta); o threshold de engaged-view caiu de 10 para 5 segundos; e a janela de atribuição por visualização foi reduzida.

O impacto imediato foi que campanhas que antes mostravam bons números “perderam” conversões da noite para o dia. Mas atenção: em muitos casos, as vendas reais não caíram, o que mudou foi como a performance é medida. Gestores que não entenderam essa distinção entraram em pânico e tomaram decisões ruins baseadas em dados que não refletiam a realidade do negócio.

Uma queda na atribuição não quer dizer que as suas vendas caíram de verdade. Esse é o ponto mais importante deste capítulo. Antes de cortar orçamento ou mudar estratégia, é essencial verificar se as vendas reais caíram ou se apenas o relatório do Ads Manager está mostrando números diferentes por conta da nova atribuição.

O aumento de custos: dados concretos

Os dados agregados de Q1 2025 para Q1 2026 mostram uma tendência clara de aumento:

Métrica	Variação
CPM médio	+20%
CPA (custo por aquisição)	+8.5%
CPL (custo por lead)	+20.9%
ROAS	-10.6%

Esses números variam drasticamente por vertical:

Vertical	Variação CPM
Saúde & Fitness	+50%
Educação	+42%
Home & Garden	+40%
Vestuário	+35%
Automotivo	+28%
Food & Beverage	+25%
Viagem	+18%
Tecnologia	+15%
Beleza & Skincare	+6%
Finanças	-12%

Fonte: Zentric Digital (Abr/2026)

As causas por trás do aumento

O aumento de CPM não contradiz os ganhos de eficiência da IA. São fenômenos paralelos. Cinco fatores explicam o aumento:

Saturação do leilão. Mais anunciantes competindo pelo mesmo inventário. O Advantage+ facilitou a entrada de anunciantes menores, o que aumentou a competição nos leilões. Verticais como saúde e educação, que tiveram boom de anunciantes digitais, viram os maiores aumentos.

Impacto acumulado de privacidade. O ATT da Apple + regulações europeias continuam reduzindo sinal disponível. Com menos dados, o sistema precisa de mais impressões para encontrar conversões, o que encarece o ciclo.

Mudança algorítmica para otimização por resultado. O sistema fez uma transição de leilão puro para otimização orientada a resultado (outcome-based optimization). Na prática, o algoritmo prioriza entregar conversões acima de tudo, concentrando entrega em públicos que convertem mais. Isso beneficiou campanhas Advantage+ e broad targeting, mas prejudicou campanhas com segmentação manual restrita e campanhas de topo de funil.

Taxas da plataforma. No Brasil especificamente, a Meta implementou uma taxa adicional de 12% sobre o valor investido em anúncios, relacionada a adequações fiscais. Isso impactou diretamente o custo efetivo para anunciantes brasileiros, independente de performance.

Infraestrutura incompleta de muitos anunciantes. Catálogos mal organizados, pixels com problemas, CAPI não implementada, dados de conversão incompletos. Sem esses sinais, o sistema opera às cegas e gasta mais para encontrar resultados.

Fadiga criativa acelerada

Gestores reportam que criativos estão “morrendo” mais rápido. Peças que antes duravam 2-3 semanas agora perdem performance em 7-10 dias. A taxa de refresh necessária aumentou significativamente.

A causa conecta diretamente com o que a Meta documenta sobre o Andromeda (Capítulos 4 e 6): o sistema ficou mais inteligente em detectar similaridade entre criativos. Com o Adaptive Ranking Model (março 2026), essa detecção ficou ainda mais refinada. Criativos que parecem diferentes para o olho humano podem ser tratados como o mesmo pelo sistema, acelerando a fadiga.

Quem se adaptou, e como

Nem todo mundo sofreu. Gestores que reportaram resultados estáveis ou até melhorados compartilham um padrão claro:

Diversificação criativa real. Não apenas mudar texto ou cor de fundo, mas criar peças genuinamente distintas em conceito, formato e mensagem. Um caso notável: uma gestora reportou queda de CPA de $86 para $13.87 após implementar diversificação criativa genuína com Advantage+ e broad targeting.

Advantage+ / broad targeting. Deixar o algoritmo encontrar o público em vez de restringir manualmente. No novo modelo de otimização por resultado, quanto mais liberdade o sistema tem, melhor performa.

CAPI bem implementada. Dados de conversão chegando ao sistema de forma completa e rápida. Sem isso, o algoritmo trabalha com sinal incompleto.

Volume alto de criativos com renovação constante. 5-10 novos criativos por semana, com conceitos genuinamente diferentes entre si.

Estrutura simplificada. Menos campanhas, menos ad sets, mais criativos por ad set. O sistema performa melhor com consolidação do que com fragmentação.

O que isso confirma na documentação oficial

Os relatos do mercado validam três pontos centrais da documentação oficial:

O Capítulo 6 (Implicações Práticas) recomenda diversificação real, Advantage+ e CAPI. Os gestores que seguiram exatamente essas recomendações são os que estão performando melhor. E isso não é coincidência: é o sistema fazendo exatamente o que foi projetado para fazer.

O Capítulo 8 (Limitações) alertava que anunciantes com poucos criativos e orçamento baixo seriam os mais afetados. Os relatos do mercado confirmam: quem opera com poucos criativos similares e segmentação manual restrita foi o mais prejudicado.

O Capítulo 7 (Privacidade) enfatizava que infraestrutura de dados é pré-requisito. Os dados de mercado mostram que anunciantes sem CAPI implementada estão pagando significativamente mais por resultado.

O que a documentação oficial NÃO diz

A Meta apresenta seus sistemas como geradores de eficiência, e são. Mas não menciona que essa eficiência veio acompanhada de aumento real de custos por saturação de leilão. O sistema ficou melhor, mas também ficou mais caro. Os dois fatos coexistem e precisam ser entendidos juntos.

Fontes: Zentric Digital (Abr/2026), Digital Applied (Abr/2026), Three Chapter Media (Mar/2026), Coinis (Mar/2026), comunidades de gestores de tráfego (Reddit, Facebook Groups, fóruns brasileiros)

10. Timeline de evolução e o que vem a seguir

Cronologia: do Sequence Learning ao Adaptive Ranking

Novembro 2024, Sequence Learning A Meta publica o artigo sobre a mudança de paradigma na recomendação de ads. Sai de features manuais agregadas para Event-Based Features que preservam a sequência temporal de ações do usuário. É a fundação conceitual que alimenta todo o ecossistema seguinte. Resultado: +2-4% em conversões.

Dezembro 2024, Andromeda Lançamento do sistema de retrieval co-projetado com hardware (Grace Hopper + MTIA). O sistema de pré-seleção de anúncios ganha 10.000x em capacidade de modelo com custo sublinear. É o marco que redefine a primeira fase do pipeline. Resultado: +6% recall, +8% qualidade de ads.

2025 (primeiro semestre), Meta Lattice Deploy da arquitetura unificada de ranking que substitui centenas de modelos isolados. Introduz aprendizado cross-domain e otimização multi-objetivo. Resultado: +12% qualidade de ads, +6% conversões.

Abril 2025, Documentação sobre Diversificação Criativa A Meta publica orientações sobre como a diversificação criativa se conecta com o Andromeda. É quando o conceito de “diversificação ≠ iteração” é formalizado como estratégia oficial.

Novembro 2025, GEM (Generative Ads Model) O modelo fundacional de ranking baseado em paradigma LLM é anunciado. Processa features sequenciais e não-sequenciais com arquiteturas Wukong, Pyramid-Parallel e InterFormer. Resultado: +5% conversões (IG), +3% conversões (FB).

Q4 2025, Aceleração de hardware A Meta dobra o poder de GPU do GEM. Nova arquitetura de Sequence Learning mais eficiente. Lattice consolida Stories e outras superfícies. Resultado combinado: +3.5% cliques (FB), +1% conversões (IG), +12% qualidade de ads.

Janeiro 2026, Meta reporta resultados consolidados Artigo “2026: AI Drives Performance” consolida os ganhos cumulativos do ecossistema. Atribuição incremental mostra +24% em conversões incrementais.

Março 2026, Adaptive Ranking Model + mudança de atribuição A evolução mais recente resolve o trilema de inferência, complexidade de LLM com ~100ms de latência. Simultaneamente, a Meta altera o modelo de atribuição (detalhado no Capítulo 9). Resultado: +3% conversões, +5% CTR (IG). No mercado: aumento de CPMs e confusão generalizada entre gestores.

O ritmo de evolução

De novembro de 2024 a março de 2026, 16 meses, a Meta lançou 5 sistemas de IA interconectados e pelo menos uma grande atualização de hardware. Isso é aproximadamente uma inovação a cada 3 meses. O ritmo está acelerando, não desacelerando. E cada sistema reforça os anteriores.

Para contextualizar: o salto de modelos de features manuais para o Andromeda levou anos de pesquisa, mas o salto do Andromeda para o Adaptive Ranking levou pouco mais de um ano. A tendência é de ciclos cada vez mais curtos.

O que vem pela frente: roadmap oficial

A Meta indicou publicamente as seguintes direções em suas documentações técnicas:

Sequence Learning 100x. A Meta planeja estender o comprimento de sequências em 100 vezes. Hoje o sistema processa centenas a milhares de eventos por usuário. Com 100x, poderá processar centenas de milhares, praticamente o histórico completo de interação de uma pessoa na plataforma. Isso tornaria a compreensão de jornada drasticamente mais precisa.

Aprendizado multimodal. O GEM vai evoluir para processar não apenas dados comportamentais, mas o conteúdo real dos anúncios e posts, texto, imagens, áudio, vídeo. Isso significa que o sistema entenderá não apenas que a pessoa interagiu com algo, mas o que era aquele conteúdo em detalhe. A implicação para criativos é que a IA vai diferenciar muito melhor entre criativos bons e mediocres.

Automação autônoma para anunciantes. A Meta mencionou explicitamente “autonomous advertiser automation” como direção futura do GEM. Em março de 2026, lançou o Ranking Engineer Agent (REA), um agente de IA autônomo que acelera inovação em ranking de ads. A direção é clara: progressivamente menos decisões humanas e mais automação do início ao fim.

Arquiteturas mais eficientes. Linear attention e state space models para substituir transformers tradicionais. Otimização de cache key-value. O objetivo é manter o crescimento de capacidade sem explodir o custo computacional.

O que isso significa na prática

O ritmo de evolução implica que qualquer metodologia de ads baseada em controle manual granular tem prazo de validade curto. A Meta está claramente construindo um sistema onde o papel do anunciante migra cada vez mais de “operador” para “alimentador”, quem fornece criativos diversos, dados de qualidade, e objetivos claros, e deixa o sistema decidir o resto.

O ciclo de 3 meses entre lançamentos também significa que qualquer material de treinamento ou metodologia precisa ser revisado trimestralmente. Este artigo deve ser atualizado a cada novo artigo técnico da Meta.

Fontes: Todas as fontes oficiais da Meta citadas ao longo do artigo, organizadas cronologicamente. Engineering at Meta, Sequence Learning (Nov/2024), Engineering at Meta, Andromeda (Dez/2024), AI at Meta, Meta Lattice (2025), Meta for Business, Creative Diversification (Abr/2025), Engineering at Meta, GEM (Nov/2025), About Meta, AI Drives Performance (Jan/2026), Engineering at Meta, Adaptive Ranking Model (Mar/2026)

11. Conclusão

Este artigo cobre o ecossistema de IA de ads da Meta do início ao fim, da arquitetura técnica à aplicação prática, da documentação oficial aos dados reais do mercado. Se você leu até aqui e precisa reter apenas o essencial, são cinco conclusões.

O sistema recompensa diversidade de verdade. O Andromeda trata criativos similares como a mesma coisa. Ter 50 variações de cor de fundo conta como 1 candidato no retrieval. Ter 10 criativos genuinamente diferentes, personas distintas, formatos distintos, mensagens distintas, conta como 10. A diversificação real é o que alimenta o pipeline.

O papel do anunciante mudou de operador para alimentador. Com Andromeda, GEM, Lattice e Sequence Learning tomando decisões em milissegundos com trilhões de parâmetros, microgerenciar segmentação e lances manualmente é trabalhar contra o sistema. O papel agora é fornecer matéria-prima de qualidade (criativos diversos + dados via CAPI/CRM) e deixar a IA otimizar, com o Advantage+ entrando como configuração padrão da operação.

Infraestrutura de dados virou pré-requisito. Sem CAPI implementado, sem CRM limpo alimentando o sistema, sem dados first-party, o pipeline inteiro opera com sinal reduzido. Num cenário pós-ATT onde tracking externo diminui a cada ano, quem não investe em infraestrutura de dados está em desvantagem estrutural.

O sistema ficou melhor e mais caro ao mesmo tempo, e você precisa enxergar as duas coisas juntas. A IA de ads da Meta evoluiu muito, mas os CPMs subiram 20% no mesmo período. Gestores que só olham para a eficiência prometida pela Meta sem considerar a saturação do leilão vão se frustrar. Gestores que só olham para o aumento de custos sem adaptar sua estratégia ao novo sistema vão perder para quem se adaptou.

O ritmo de evolução exige atualização constante. De novembro de 2024 a março de 2026, a Meta lançou 5 sistemas de IA interconectados. O ritmo está acelerando. Qualquer metodologia ou material de treinamento precisa ser revisado trimestralmente para acompanhar.

A IA no trabalho é um filme que a humanidade já assistiu

Tue, 26 May 2026 00:00:00 GMT

Tem um movimento grande dizendo que a IA vai acabar tomando o seu emprego, que as pessoas vão ficar sem utilidade nenhuma. Será que isso é verdade? Eu acredito que sim, mas não de forma absoluta. Tarefa repetitiva e automatizável de fato vai tirar a necessidade de algumas pessoas, só que não da profissão em si. Foi exatamente o que aconteceu com os contadores no século passado. Antes eles precisavam de um andar inteiro de um prédio para fechar a contabilidade de uma empresa, e hoje basta um computador. A profissão de contador não deixou de existir. O que sumiu foi o monte de gente que só sabia preencher planilha, substituído por ferramentas mais eficientes e mais à prova de erro.

Eu trago esse exemplo porque ele mostra uma coisa que a gente esquece no meio do barulho: a IA não é uma ruptura sem precedente caindo do céu. Ela é o capítulo mais recente de uma história que se repete sempre que aparece uma ferramenta nova capaz de automatizar uma tarefa.

O roteiro é quase sempre o mesmo

A ferramenta engole a parte repetitiva do trabalho. A profissão não morre, ela sobe de nível. E quem fica para trás é quem tinha se definido apenas pela tarefa que a ferramenta passou a fazer.

Quem se definia pelo julgamento, pela relação, pela responsabilidade de decidir, esse sobe junto com a ferramenta em vez de afundar com ela.

Repare que o medo que você sente hoje com a IA não é um medo inédito. É o mesmo frio na barriga que apareceu em cada grande salto de ferramenta da história. O pânico não tem nada de novo. O que muda de uma vez para outra é só a ferramenta da vez e o nome que a gente dá para ela.

Três vezes que já assistimos a esse filme

O contador. Durante boa parte do século passado, fechar a contabilidade de uma empresa era trabalho de muita gente debruçada sobre livro-caixa, somando coluna na mão, conferindo número três vezes para não errar. Quando a planilha eletrônica chegou, aquele cálculo todo passou a rodar em segundos, primeiro com o Lotus e depois com o Excel. O profissional que entendeu o recado virou consultor fiscal, planejador tributário, conselheiro de quem toma decisão de dinheiro. Esse ganhou. O que continuou se enxergando como "a pessoa que soma as colunas" foi ficando sem chão, porque a coluna agora se soma sozinha.

A datilógrafa. O mesmo enredo passou no escritório. Existia uma função inteira dedicada a bater documento à máquina, e bater bem, sem erro, era um ofício respeitado. Aí veio o computador com processador de texto, e qualquer um passou a digitar, corrigir e reimprimir sem precisar de alguém especializado naquilo. A habilidade de "transformar rascunho em documento limpo" deixou de ser escassa. Quem só vendia essa habilidade perdeu o lugar. Quem fazia mais do que digitar, quem organizava, redigia, cuidava de quem chegava, virou assistente, secretária executiva, gente que segura uma operação de pé.

O caixa de banco. O caixa eletrônico chegou prometendo, na cabeça de muita gente, o fim do bancário. Sacar, depositar, pagar conta, tudo aquilo que era a rotina do caixa humano passou para a máquina e depois para o aplicativo no seu bolso. E mesmo assim o banco não ficou sem gente. A função se deslocou para onde a máquina não alcança: entender a vida financeira do cliente, oferecer crédito na hora certa, resolver a exceção que o sistema não previu, vender o investimento que exige conversa. A tarefa repetitiva foi para a máquina, e o que dependia de relação continuou nas mãos das pessoas.

Junte os pontos

Para de pensar caso a caso e olha o desenho que aparece quando você junta os três.

Em todos eles a ferramenta automatizou a parte repetitiva e previsível. Em todos eles a função não desapareceu, ela mudou de lugar, subiu para a camada que exige julgamento, relação, venda, cuidado com a exceção. E em todos eles quem foi substituído foi a pessoa que tinha reduzido o próprio valor à exata tarefa que a máquina aprendeu a fazer. Não é coincidência que isso se repita, é justamente o padrão aparecendo.

Agora encaixe a IA de hoje

Agora encaixa a IA de hoje nesse mesmo padrão e veja como ela se comporta direitinho. O que a planilha fez com o cálculo e o que o caixa eletrônico fez com o saque, a IA está fazendo com o trabalho cognitivo repetitivo. Escrever o primeiro rascunho de um texto, resumir um documento longo, organizar informação espalhada, fazer a primeira versão de um código, montar o esqueleto de uma proposta. Tudo isso era trabalho que ocupava horas de profissional qualificado e que a máquina agora entrega em minutos. Em qualquer área, do marketing ao jurídico, da contabilidade ao atendimento, a primeira versão de quase tudo virou commodity. A petição inicial padrão, o e-mail de cobrança, o relatório de praxe, a IA cospe em segundos.

O que muda dessa vez

Tem duas coisas, porém, que mudam dessa vez, e eu não vou fingir que não mudam. A primeira é a velocidade. As ferramentas antigas levaram décadas para varrer uma função do mapa, e essa aqui faz o estrago em poucos anos, ou a virada, dependendo de que lado você está. A segunda é mais incômoda: pela primeira vez a automação chegou numa parte do trabalho que a gente jurava ser intelectual demais para virar máquina, a parte de escrever, raciocinar, redigir, criar. Por isso assusta mais do que as anteriores. Mas assustar mais não quer dizer obedecer a outra lógica. A lógica é a velha conhecida, só que mais rápida e batendo numa porta que a gente achava trancada.

A pergunta que de fato te serve

Por isso a pergunta que de fato te serve não é "a IA vai acabar com a minha profissão?". Essa pergunta não tem resposta útil, porque a profissão, como você viu, quase nunca acaba.

A pergunta que vale é mais desconfortável de responder com sinceridade: dentro da minha profissão hoje, o quanto de mim é só a tarefa que a ferramenta vai engolir, e o quanto é o julgamento, a relação e a decisão que ela não faz?

Quem responde isso com honestidade já sabe o que precisa fazer. Se você está colado na tarefa repetitiva, o caminho é usar a ferramenta para se livrar dela e subir para a camada de cima, a do critério, do relacionamento, da responsabilidade por decidir, que é onde o seu valor passa a morar. Quem se mexe nessa direção usa a IA a favor e produz numa escala que antes era impossível. Quem se agarra à tarefa que a máquina já faz melhor repete o destino do contador que só sabia bater planilha.

E aqui eu fecho do mesmo jeito que abri, sem pânico e sem deslumbre, porque os dois atrapalham na mesma medida. A IA não é a mágica que vai resolver tudo no seu lugar e te aposentar rico, e também não é o monstro que veio destruir o trabalho humano. Ela é a ferramenta mais nova de um filme que a humanidade já assistiu várias vezes, com elenco diferente e a mesma trama. Quem entendeu o roteiro nas outras vezes saiu na frente. Dessa vez não vai ser diferente, e a boa notícia é que você já sabe como a história costuma terminar para quem decide subir de nível em vez de brigar com a maré.

Você não precisa de 1 milhão de seguidores para começar a vender na internet

Sun, 24 May 2026 00:00:00 GMT

Para conseguir vender algo você só precisa de duas coisas: ter algo bom para vender e ter gente querendo comprar. O que me irrita no meio dos gurus do marketing digital é vender achismo como se fosse verdade absoluta. Todo mundo repete que primeiro você precisa construir autoridade para só depois conseguir vender. Isso é mentira. Tive um mentorado que não tinha nem 2 mil seguidores no Instagram e com a estratégia certa a gente fez ele vender. Não vou ser hipócrita e dizer que ter audiência é desnecessário, porque facilita bastante a venda, mas facilitar não é o mesmo que ser indispensável. Existem outras formas de chegar em quem quer comprar sem precisar de toda essa parafernalha. Se não fosse assim, um monte de vendedor de churrasquinho, hamburgueria e loja de material de construção já teria falido.

Vale a pena entender por que esse discurso de "autoridade primeiro" é vendido com tanta força. A resposta é simples: ele é conveniente para quem vende. O guru que vive de curso de Instagram, de tráfego e de produção de conteúdo precisa que você acredite que o caminho passa obrigatoriamente pelo produto dele. Se a porta de entrada para vender é construir audiência, adivinha quem lucra enquanto você constrói. Não é você. É quem te vende a pá para cavar um poço que talvez nunca dê água.

E o que faz uma venda acontecer, na prática, é mais simples e mais chato do que esse discurso bonito. São três coisas. Você precisa de uma oferta boa, que resolve um problema real de alguém. Precisa de uma demanda que já existe, gente que tem esse problema e está disposta a pagar para resolver. E precisa de um caminho até essa gente, alguma forma de colocar a sua oferta na frente de quem quer comprar. Repare que autoridade não entra nessa lista como pré-requisito. Quando muito, ela é um dos caminhos possíveis até a demanda, e olha que não é nem o único nem o mais rápido.

Repare que eu não estou inventando teoria. O comércio existe há milênios e a maior parte dele nunca dependeu de seguidor nenhum. O dono da loja de material de construção do seu bairro não tem 50 mil seguidores. Ele tem um ponto na rua certa, um estoque do que o pedreiro precisa e um preço que fecha conta. A demanda passa na porta, a oferta está ali, a venda acontece. Trocar o ponto comercial por audiência digital não muda a lógica de fundo. Muda só o canal, e canal é meio, nunca é o pré-requisito.

Volto ao meu mentorado dos 2 mil seguidores porque o caso ensina bem.

A gente não esperou ele virar influenciador. Mapeamos quem tinha o problema que ele resolvia, montamos uma oferta clara para essa pessoa específica e fomos atrás dela de forma ativa, com prospecção direta e conversa de venda, sem depender do feed encher de curtida. Os primeiros clientes vieram de gente que ele já conseguia alcançar, não de uma multidão anônima que ainda nem sabia que ele existia. A audiência dele continuou pequena por um bom tempo, mas isso não impediu que ele aumentasse seu faturamento.

E aqui está o ponto que separa o que eu defendo do que o guru defende. Eu encaro audiência como acelerador, e não como aquilo que dá a partida. Quando você já vende e já tem oferta validada, construir audiência faz você vender mais barato, com menos esforço de prospecção e com mais gente chegando sozinha, porque é de fato um motor potente que empurra o que já está rodando. O problema é que motor potente em carro sem combustível não anda. Se você não tem oferta boa e não sabe quem quer comprar, dez mil seguidores só vão te dar dez mil pessoas assistindo você não vender nada.

Existe uma ordem que faz mais sentido, e ela é quase o inverso da que te vendem. Primeiro você prova que tem algo que alguém paga para ter. Vende para os primeiros clientes na unha, na conversa, no boca a boca, no que estiver à mão. Com a venda acontecendo e o dinheiro entrando, você aprende o que o cliente valoriza de verdade. Aí sim, com oferta validada e caixa na mão, você investe em audiência para escalar o que já funciona. Construir plateia antes de ter o que vender é decorar a vitrine de uma loja vazia.

Acho justo reconhecer as exceções, e elas existem. Tem negócio cujo modelo inteiro é a audiência, como o criador de conteúdo que monetiza atenção e para quem a plateia é o próprio produto. Mas isso é a minoria, e eu estou falando da regra geral. Se você vende serviço, software, consultoria, produto físico ou quase qualquer coisa para outras empresas, a sua venda não está refém de você ser famoso na internet.

Agora pensa no custo de acreditar na mentira. O sujeito passa um ano, dois anos, postando todo dia, perseguindo número de seguidor, esperando a tal autoridade chegar antes de ousar fazer uma oferta. Esse tempo todo ele não fatura, não valida nada e não aprende com cliente de verdade, porque não tem cliente. Quando finalmente resolve vender, descobre que a oferta não estava de pé e que metade do público nunca teve a intenção de comprar. A conta de dinheiro contra tempo é brutal. Ele trocou tempo por uma vaidade de métrica que não paga boleto, e tempo é o recurso que não volta mais.

Está tudo bem não ter audiência agora. Todo mundo começa pelo começo, e o começo é a primeira venda, não o primeiro viral.

Se você só pode fazer uma coisa hoje, faça uma oferta para alguém que tem o problema que você resolve. Não espere ficar grande para começar a vender, porque normalmente é o contrário que acontece: você começa a vender e fica grande como consequência disso. No fim, audiência grande engana porque parece a causa do sucesso quando costuma ser só o efeito. Se você ficar parado esperando virar autoridade para só então vender, vai esperar para sempre, enquanto quem decide vender desde já vai construindo a própria autoridade pelo caminho.