Neste artigo
A pergunta que eu mais recebo sobre IA em mídia não é "isso funciona". É "quem responde quando dá errado".
Faz sentido. Um agente que gera trezentos anúncios pode economizar semanas ou pode colocar no ar trezentas peças com uma promessa que o jurídico não aprovaria. A diferença entre os dois cenários não está no modelo. Está no desenho do processo em volta dele.
Este artigo é sobre esse desenho: como um plano de mídia vira centenas de variações, o que a máquina faz, o que o humano precisa aprovar e onde ficam os freios.
O que faz um agente de IA em mídia paga?
Ele executa a parte repetitiva da produção e da leitura. A partir de um plano aprovado, gera ângulos, textos e variações de criativo, coleta métricas em intervalos fixos e propõe ações com justificativa. O que ele não faz é decidir sozinho: publicação, verba e mudança de rumo passam por aprovação humana.
Por que isso deixou de ser experimento
Dois dados independentes dão a dimensão.
A McKinsey pesquisou 1.993 respondentes em 105 países, entre 25 de junho e 29 de julho de 2025. Os resultados relevantes:
- 88% relatam uso regular de IA em pelo menos uma função do negócio, contra 78% no ano anterior.
- 62% estão experimentando ou escalando agentes de IA, e 23% já os escalam em algum ponto da empresa.
- Ao longo de oito anos de pesquisa, marketing e vendas aparecem consistentemente entre as funções que mais usam IA.
E do lado da plataforma, a Meta informou que mais de um milhão de anunciantes criaram mais de 15 milhões de anúncios em um mês com suas ferramentas de IA generativa.
Agora o outro lado da mesma pesquisa, que quase ninguém cita:
- 51% relatam já ter tido consequências negativas com uso de IA.
- Imprecisão é o risco que os respondentes mais dizem ter enfrentado.
- Apenas 39% atribuem algum impacto sobre o resultado operacional à IA, e a maioria desses relata menos de 5%.
Ou seja: adoção alta, retorno ainda modesto e erro frequente. Isso não é argumento contra usar. É argumento a favor de usar com processo.
Como um plano vira trezentas peças
A multiplicação parece mágica e é aritmética. A produção não parte de "preciso de trezentos anúncios". Parte de eixos que se cruzam.
Etapa 1: o plano, feito por gente
Público, oferta, promessa central, provas disponíveis, restrições legais, o que não pode ser dito. Esse documento é humano do começo ao fim, e é ele que define a fronteira dentro da qual a máquina pode trabalhar.
Um agente sem esse documento não produz variação, produz dispersão.
Etapa 2: os ângulos
A partir do plano, o agente propõe ângulos diferentes de abordagem. Dor, objeção, comparação, prova, bastidor, pergunta de diagnóstico. É a mesma lógica da matriz de hooks, aplicada em escala.
Aqui entra o primeiro portão: alguém lê os ângulos e corta os que não representam a marca antes de qualquer texto ser escrito. Cortar cedo é o que impede erro de se multiplicar.
Etapa 3: os textos
Cada ângulo aprovado vira um punhado de textos com estrutura definida: gancho, desenvolvimento, oferta. Doze ângulos com quatro textos cada já são quase cinquenta peças de copy.
Segundo portão: revisão de texto, com atenção a promessa, número e conformidade. É onde a maior parte dos problemas aparece, porque modelo de linguagem tem tendência a arredondar para cima e a inventar dado quando o material de origem é vago.
Etapa 4: as variações de criativo
Cada texto aprovado é montado em formatos e proporções diferentes: vídeo, carrossel, estático, vertical, quadrado. É aqui que a conta chega às centenas, e é a etapa mais mecânica de todas.
Terceiro portão: aprovação do que efetivamente vai ao ar, com verba definida.
Etapa 5: a leitura
Com as peças rodando, o agente coleta métricas em intervalos fixos e produz sugestões acompanhadas da justificativa: qual peça, qual métrica, qual comparação, qual ação sugerida.
A justificativa não é enfeite. É o que permite discordar. Sugestão sem raciocínio explícito obriga a confiar ou ignorar, e nenhuma das duas é gestão.
Os freios que não podem faltar
Se eu tivesse que resumir tudo em uma frase: o valor de um agente está menos no que ele produz e mais no que ele está proibido de fazer sozinho.
- Teto de gasto automático. Um limite duro por campanha e por dia, aplicado no nível da plataforma, não na instrução do agente. Instrução em texto não é controle.
- Lista de proibições explícita. Promessa de resultado, dado sem fonte, comparação direta com concorrente, uso de imagem de pessoa sem autorização.
- Nenhuma publicação automática. Geração e programação são coisas diferentes. Só a primeira é do agente.
- Registro de tudo. Qual versão do plano gerou qual peça, quem aprovou, quando. Sem esse rastro, você não consegue investigar um erro nem replicar um acerto.
- Revisão humana por amostragem contínua. Não basta aprovar uma vez. Peças geradas em lote precisam ser reamostradas periodicamente.
Vale reforçar o dado da McKinsey aqui: imprecisão é o risco mais relatado, e as organizações passaram a mitigar em média quatro riscos de IA, contra dois em 2022. O mercado aprendeu isso apanhando.
O que muda no time
A objeção mais comum é que isso substitui gente. Na prática, o que eu observo é deslocamento de esforço.
O trabalho de produzir a décima variação de um carrossel encolhe. Crescem três outros:
- Escrever o plano com precisão. Ambiguidade que antes era resolvida na conversa agora vira erro replicado em escala.
- Revisar com critério. Aprovar cinquenta textos por semana exige um olhar treinado para promessa e para dado, não só para gramática.
- Desenhar experimento. Com volume de peças alto, a habilidade escassa passa a ser decidir o que comparar com o quê e quando declarar vencedor.
É a mesma mudança que descrevi em o trio de IAs do Google: o operacional manual encolhe e o julgamento cresce.
Onde o agente costuma errar
Sendo honesto sobre limitação, que é o que falta na maior parte do conteúdo sobre o assunto:
Inventa número. Se o plano diz "temos ótimos resultados", o modelo tende a materializar isso em uma porcentagem. Toda peça com número precisa ter a origem verificada.
Confunde variação com diversidade. Sem instrução clara de eixos, ele gera cinquenta versões da mesma tese. Volume sem variedade não ajuda o sistema de entrega.
Perde o tom. Textos ficam corretos e genéricos. É o defeito mais difícil de corrigir por instrução e o que mais exige revisão humana.
Lê correlação como causa. Nas sugestões de otimização, tende a atribuir a uma peça um efeito que veio de sazonalidade ou de mudança de verba.
Não conhece o contexto local. Calendário escolar, feriado regional, particularidade de regulamentação. Isso continua sendo conhecimento de quem opera.
Como começar sem quebrar nada
- Escolha uma campanha, não a conta inteira. De preferência com volume médio e risco baixo.
- Escreva o plano como se fosse para alguém que nunca ouviu falar da marca. Inclua o que não pode ser dito.
- Rode primeiro só a etapa de ângulos. Se a qualidade dos ângulos não for boa, o resto não será.
- Mantenha os três portões desde o primeiro dia. É mais fácil afrouxar depois do que apertar depois de um incidente.
- Compare com a linha de base. Não a sensação de produtividade, mas custo por resultado final antes e depois.
Para a última etapa, a calculadora de CAC serve como referência simples de antes e depois.
Os erros que eu mais vejo
Automatizar antes de padronizar. Se o processo manual é confuso, o agente vai escalar a confusão.
Medir velocidade em vez de resultado. Produzir mais rápido não é ganho se o custo por venda ficar igual.
Deixar o agente publicar. É a economia de tempo que mais cobra caro.
Não registrar as versões. Sem rastro, um erro vira mistério e um acerto vira sorte.
Tratar a IA como argumento de venda. O cliente contrata resultado. "Usamos IA" só interessa quando explica por que o resultado melhorou.
Perguntas frequentes sobre agentes de IA em mídia
O que é um agente de IA aplicado a anúncios?
É um sistema que executa uma sequência de tarefas a partir de um plano aprovado: gerar ângulos, textos e variações, coletar métricas e propor ações. Difere de uma ferramenta pontual porque encadeia etapas, e por isso exige portões de aprovação entre elas.
Isso substitui o gestor de tráfego?
Muda a função. O trabalho manual de produção encolhe e cresce o de escrever o plano, revisar com critério e desenhar experimento. A pesquisa da McKinsey aponta marketing e vendas entre as áreas de maior adoção, com o retorno ainda concentrado em poucos casos.
Qual é o principal risco?
Imprecisão. É o risco que os respondentes da McKinsey mais dizem ter enfrentado, e 51% relatam já ter tido alguma consequência negativa com IA. Em mídia, isso costuma aparecer como número inventado ou promessa exagerada em peça publicada.
Preciso de ferramenta cara para montar isso?
Não necessariamente. O que define a qualidade é o plano de entrada, os eixos de variação e os portões de aprovação. Isso pode ser operado com ferramentas comuns antes de qualquer investimento em plataforma dedicada.
Quantas peças fazem sentido gerar?
Depende da verba e do volume de conversão disponível para ler resultado. Gerar trezentas peças e rodar todas com orçamento pequeno produz dado insuficiente por peça. Volume de produção precisa acompanhar capacidade de medição.
Como eu garanto que a marca não seja distorcida?
Com uma lista explícita do que não pode ser dito, revisão humana em três momentos e reamostragem periódica das peças em lote. Instrução genérica de "mantenha o tom da marca" não é controle suficiente.
Vale a pena para operação pequena?
Vale quando o gargalo é produção, não estratégia. Se a conta está travada por falta de variedade criativa e o time não dá conta do volume, o ganho aparece rápido. Se o gargalo é oferta ou atendimento, o agente não resolve.
O que fazer com isso amanhã
Antes de testar qualquer ferramenta, escreva o plano de uma campanha como se fosse entregar para alguém de fora executar. Se esse documento não existe hoje, ele é o primeiro passo, e vale mesmo que você nunca use um agente.
Produção em escala resolve o motor de mídia. O que transforma isso em receita continua sendo a página que recebe, a oferta que ela apresenta e o tempo até alguém responder. É esse conjunto que eu chamo de Growth Completo.
Se quiser que eu olhe onde a sua operação ganharia mais com automação, peça um Raio-X de Growth. É gratuito e devolvo em vídeo.
Fontes
- McKinsey. The state of AI in 2025: agents, innovation, and transformation. Pesquisa com 1.993 respondentes em 105 países, entre 25 de junho e 29 de julho de 2025.
- Meta. Meta Andromeda. Engineering at Meta, dezembro de 2024. Dado de mais de um milhão de anunciantes e mais de 15 milhões de anúncios criados em um mês com ferramentas de IA generativa.
- Google. Unlock next-level performance with AI Max for Search campaigns. Blog oficial, maio de 2025, sobre personalização automática de texto.
