IA na análise de campanha: o que delegar e o que não

Colar o relatório do mês num modelo de linguagem e pedir “me explica o que aconteceu aqui” virou rotina em muita operação. A resposta chega em segundos, organizada, com hipótese e recomendação. Parece análise.

Às vezes é. Às vezes é um texto plausível construído sobre uma planilha que não continha a informação que explicava o mês. A diferença entre os dois casos não está no modelo, está no que você pediu para ele fazer.

Este texto separa o que vale delegar à IA na leitura de dado de mídia, o que não vale, e por que a parte perigosa não é o erro escancarado, é o acerto aparente.

O que a IA faz bem quando o assunto é dado de mídia?

Resumir volume que ninguém leria. Uma conta com dezenas de campanhas, centenas de conjuntos e milhares de linhas de criativo produz mais dado do que qualquer pessoa consegue percorrer todo mês. O modelo lê tudo e devolve um resumo em minutos. É o ganho mais óbvio e o menos arriscado, porque resumir não exige julgamento sobre causa.

Encontrar padrão e anomalia. Achar a semana em que o custo por aquisição saiu da faixa, o conjunto que consome verba sem entregar, o criativo que carrega metade do resultado. É comparação de série, o tipo de tarefa em que a máquina bate a leitura humana cansada de sexta-feira.

Gerar hipótese. Peça vinte explicações possíveis para uma queda e você recebe vinte. Três serão óbvias, quinze serão descartáveis e duas serão coisas que ninguém na sala tinha levantado. Esse é, na nossa leitura, o uso mais subestimado: o modelo é bom em ampliar o campo do que pode ter acontecido.

Escrever a primeira versão do relatório. Transformar número em texto legível é trabalho lento e de baixo valor. Deixar o rascunho por conta do modelo e gastar o tempo humano na revisão e na conclusão inverte a proporção certa: menos tempo formatando, mais tempo pensando.

Traduzir jargão. Explicar fase de aprendizado, distorção de atribuição ou frequência alta na linguagem que o time comercial e o sócio entendem, sem custo de agenda.

Todas essas tarefas têm uma coisa em comum: nenhuma delas é uma decisão. Todas produzem material para alguém decidir.

O que a IA faz mal na análise de campanha?

Contexto que não está na planilha. É a limitação central e nenhuma versão nova resolve, porque não é falha de raciocínio, é ausência de informação. O relatório de mídia não sabe que o produto campeão ficou sem estoque no dia 12. Não sabe que o checkout passou quatro dias devolvendo erro em um meio de pagamento. Não sabe que um concorrente entrou com preço agressivo, que a transportadora atrasou uma região inteira ou que a categoria vive um vale sazonal previsível. Peça a causa da queda e o modelo vai encontrá-la dentro do que você mostrou, porque é só isso que existe para ele.

Distinguir correlação de causa. O modelo vê que o custo subiu na mesma semana em que a frequência subiu e escreve que a frequência causou a alta. Pode ser. Também pode ser que as duas sejam efeito de uma terceira coisa que não está ali. Ele descreve o que aconteceu junto e entrega isso na forma gramatical de um porquê. A frase sai igual nos dois casos.

Assumir a decisão. Decidir é escolher com informação incompleta e responder pela consequência. Um modelo não responde por nada. Ele não sente o efeito de cortar verba de prospecção no trimestre seguinte, não conhece o compromisso de faturamento com o sócio, não sabe que o estoque parado precisa girar antes da coleção nova. Quando a recomendação vem sem contexto de negócio, ela é uma opinião estatística sobre o passado, e não um plano.

Por que uma resposta convincente e errada é o risco maior?

Um modelo de linguagem quase nunca responde “os dados que você me deu não contêm a resposta”. Ele foi treinado para produzir a continuação mais provável de um pedido, e o pedido foi “explique a queda”. Então ele explica.

O problema é o formato. Análise ruim feita por gente costuma parecer ruim: hesita, se contradiz, deixa buraco visível. Análise ruim gerada por modelo chega coerente, bem escrita, com três causas numeradas e uma recomendação no fim. Ela passa pela reunião sem ninguém levantar a mão, porque fluência lê como confiabilidade. E aí a decisão de verba do trimestre sai de uma explicação que ninguém checou.

O antídoto é barato e quase ninguém usa. Depois da resposta, pergunte de volta: que informação faltaria aqui para essa conclusão ser segura? Quais são as três explicações alternativas? O que disso é correlação e não causa? Um bom modelo responde essas perguntas com honestidade quando elas são feitas. Ele só não as faz sozinho. Um cenário típico, só para ilustrar: o modelo atribui a queda de vendas a um criativo cansado, e quando você pergunta o que faltaria para a conclusão ser segura, ele aponta que não sabe se houve ruptura de estoque, mudança de preço ou alteração no rastreamento no mesmo período. Qualquer uma dessas explicações muda a decisão.

O que delegar e o que não delegar?

Tarefa	Delegar?	Por quê
Consolidar e resumir período longo	Sim	Volume alto, julgamento zero
Apontar anomalia e quebra de série	Sim, com revisão	Ele acha o ponto; você decide se importa
Levantar hipóteses de causa	Sim	Amplia o campo do que investigar
Rascunhar o relatório	Sim	O valor humano está na conclusão, não na redação
Traduzir jargão para o time	Sim	Baixo risco, ganho de alinhamento
Explicar por que a venda caiu	Não sozinha	A causa costuma estar fora do relatório de mídia
Afirmar o que causou o quê	Não	Modelo descreve coincidência com cara de causa
Decidir pausar, escalar ou remanejar verba	Não	Decisão exige contexto de negócio e responsabilidade
Prever desempenho de criativo que não existe	Não	Não há histórico do que ainda não rodou
Assinar o número que vai para a diretoria	Não	Assinatura pressupõe alguém que responde por ela

A análise preditiva em mídia paga já funciona ou ainda é promessa?

Vale separar, porque “IA preditiva” virou guarda-chuva para coisas muito diferentes.

O que já é real. Projeção de gasto e de ritmo de entrega até o fim do mês, quando a série é estável. Detecção de anomalia, que é previsão ao contrário: o sistema esperava um valor, veio outro, ele avisa. Repetição de sazonalidade já observada no seu próprio histórico. E a camada que quase ninguém chama de preditiva porque ela é invisível: as plataformas de anúncio já estimam probabilidade de conversão a cada leilão, e isso opera na sua conta há anos, sem interface.

O que ainda é promessa. Prever o desempenho de um criativo que não existe. Prever o efeito de uma mudança de oferta, de preço ou de frete. Estimar valor de cliente com poucos meses de base. Antecipar impacto de concorrente novo, de mudança de política de plataforma ou de ruptura de fornecedor. O padrão é claro: modelos preveem bem a continuidade e mal a descontinuidade. E é a descontinuidade que costuma mover o resultado de um e-commerce.

Tem ainda uma condição que vale mais que a tecnologia: previsão vale o que vale o histórico que a alimenta. Loja que trocou de plataforma, reformulou catálogo, mexeu em preço ou abriu canal novo tem um histórico que já não descreve o próprio negócio. Alimentar um modelo com esse passado produz uma previsão precisa sobre uma empresa que deixou de existir.

O uso honesto de previsão em mídia, hoje, é como faixa e como alarme, não como número. “Se nada mudar, o mês fecha entre X e Y” é útil. “O mês vai fechar em X” é ficção com casas decimais. Antes de escalar sobre qualquer projeção, vale entender como escalar sem quebrar o aprendizado.

Como usar IA na análise sem terceirizar a decisão?

Entregue o contexto junto com o dado. Antes de colar a planilha, escreva o que aconteceu no período fora da mídia: rupturas, mudanças de preço, problema técnico, ação de concorrente, campanha de e-mail, feriado. Metade do que move o resultado não está no relatório de anúncios, e o modelo só considera o que você contar.

Peça hipótese, nunca veredito. A pergunta certa não é “por que caiu”, é “quais são as cinco explicações possíveis para essa queda e que dado eu precisaria olhar para confirmar cada uma”. Você sai com uma agenda de investigação em vez de uma conclusão para repetir.

Proíba o preenchimento de lacuna. Se o número não está lá, ele fica faltando. Um modelo estima com naturalidade e a estimativa entra no texto sem etiqueta. A instrução precisa ser explícita: onde não houver dado, escreva que não há dado.

Confira contra a fonte de verdade. Se o painel de anúncios e a plataforma de vendas discordam, a IA vai analisar com precisão um número que não corresponde ao caixa. O cuidado que já vale para a estrutura de campanhas e para a leitura da taxa de conversão vale aqui, e antes.

Registre a decisão com nome de gente. O relatório pode ser rascunhado por máquina. A escolha de cortar, manter ou dobrar verba precisa de responsável e motivo escrito, para que daqui a três meses alguém consiga avaliar se foi boa.

O que fica

A IA mudou o custo de olhar para dado de mídia. O que antes tomava um dia de consolidação hoje toma minutos, e isso libera tempo para o gargalo real: entender o negócio por trás dos números.

O que ela não mudou é de onde vem a explicação. Boa parte do que faz uma campanha subir ou cair não passa pelo relatório de campanha, e um modelo que só vê mídia atribui tudo à mídia, com convicção. A leitura da casa é essa: use IA para chegar à pergunta certa e desconfie sempre que ela oferecer a resposta final. Quem responde pelo caixa é quem escolhe onde vai o próximo real, com o contexto que nenhuma planilha carrega e a responsabilidade que nenhum modelo assume.

O passo seguinte não é técnico, é de rotina: olhar para a última análise que você aceitou sem questionar e perguntar quais informações do seu negócio não estavam ali dentro. É quase sempre nessa lista que mora a causa que faltou.