Diretor de Marketing partilha como utilizar a IA como um ciclo de aprendizagem e experimentação

Lomit Patel é um executivo de crescimento e marketing, atualmente a exercer o cargo de CMO na TYB (Try Your Best). É também o autor de Lean AI.

Falámos com Lomit para saber como está a transformar as operações de marketing num ciclo contínuo de aprendizagem e experimentação. Foi isto que nos disse.

O marketing está a ser redefinido

Passei os últimos 20 e tal anos a ajudar a expandir empresas como a Roku, a IMVU, a TrustedID e a Texture. Atualmente, sou CMO na TYB (Try Your Best), onde lidero uma organização de marketing enxuta, mas de elevada velocidade, construída em torno de uma convicção fundamental: a comunidade não é um canal, é um sistema de entrada no mercado.

Em cada uma destas funções, construí consistentemente sistemas que ligam os conhecimentos sobre os clientes a resultados empresariais mensuráveis. No início da minha carreira, o crescimento era, em grande parte, orientado pelos canais. Otimizavam-se campanhas, testavam-se peças criativas e ampliava-se aquilo que funcionava. Mas, mesmo nessa altura, eu concentrava-me em algo mais profundo: como utilizar dados e experimentação para eliminar as suposições e aumentar a velocidade de decisão em todo o funil.

Essa forma de pensar evoluiu para uma perspetiva mais abrangente que explorei no meu livro, Lean AI, onde me concentrei não apenas na utilização da IA para aumentar a eficiência, mas também na reformulação do funcionamento dos sistemas de crescimento.

Na IMVU, por exemplo, passámos da otimização manual para a orquestração baseada em IA das jornadas dos utilizadores, dos testes criativos e do envolvimento ao longo do ciclo de vida. O meu objetivo foi sempre o mesmo: aumentar a velocidade e a qualidade da aprendizagem, melhorando simultaneamente a retenção e o LTV.

Hoje, enquanto CMO na TYB, essa mudança acelerou completamente. A IA já não é apenas uma ferramenta na pilha tecnológica; está a tornar-se a camada operacional do marketing moderno. Estamos a passar do pensamento centrado em campanhas para o pensamento centrado em sistemas, em que os sinais, a automatização e a inteligência criativa interagem continuamente em tempo real.

O que mais me entusiasma é o facto de o marketing estar a ser fundamentalmente redefinido. Estamos a passar de operadores de canais e contadores de histórias para arquitetos de sistemas inteligentes de crescimento que aprendem, se adaptam e ampliam o impacto na aquisição, no envolvimento e na monetização.

Como a IA transformou o marketing num sistema de aprendizagem em tempo real

A IA pôs em causa três grandes pressupostos do marketing:

1. Num ambiente preparado para a IA, a eficiência dos canais passa a ser mais um ponto de referência do que um estrangulamento. O sistema à sua volta é que diferencia o desempenho — com que rapidez consegue detetar a intenção, interpretar o comportamento, gerar hipóteses e adaptar as mensagens ou as experiências de produto em resposta.
2. A IA mostrou-nos que os segmentos não são suficientemente estáveis para constituírem a base das estratégias de marketing. Os modelos tradicionais de segmentação partem do princípio de que existem grupos de utilizadores relativamente fixos, aos quais se pode transmitir uma mensagem consistente. Com a IA, vemos agora que o comportamento dos utilizadores é muito mais fluido. A intenção muda rapidamente e os segmentos estáticos ficam muitas vezes desfasados da realidade. Isto levou-nos a adotar uma organização dinâmica, continuamente atualizada e baseada no comportamento.
3. As campanhas já não são a unidade central da execução de marketing. As campanhas pressupõem um ciclo com início, fim e avaliação. A IA levou-nos a adotar sistemas sempre ativos, em que as experiências decorrem continuamente, a aprendizagem é incremental e a otimização é constante, em vez de episódica.

Por outras palavras, o marketing é um sistema de aprendizagem em tempo real, em que a rapidez de interpretação e adaptação é mais importante do que um planeamento estático ou uma segmentação perfeita.

Como a IA reformula os processos de marketing

Assim, passámos do planeamento estático de campanhas para a experimentação contínua, orientada por sinais, em todo o sistema de marketing.

Historicamente, planeávamos as campanhas em ciclos. Definíamos as mensagens, criávamos conjuntos de peças criativas, lançávamos as campanhas e, depois, analisávamos os resultados após um atraso significativo. Esse modelo é demasiado lento num ambiente nativo de IA, porque o comportamento dos utilizadores e os sinais de intenção evoluem rapidamente.

Introduzimos um fluxo de crescimento assistido por IA que transforma continuamente sinais comportamentais em tempo real em experiências acionadas e mensagens adaptativas nos canais de ciclo de vida, conteúdo e desempenho. Em vez de esperar que uma campanha termine, tratamos agora cada sinal relevante dos utilizadores, comportamento de integração, participação na comunidade e atividade dos criadores como dados de entrada para informar imediatamente a próxima melhor ação.

Na prática, isto reformulou a forma como as equipas trabalham. A iteração criativa é mais rápida porque a IA ajuda a gerar e testar continuamente variações. O marketing de ciclo de vida é mais dinâmico porque as mensagens já não estão associadas a segmentos fixos, mas sim a agrupamentos comportamentais em evolução. E os sinais de intenção dentro do produto informam cada vez mais o marketing de desempenho, e não apenas a segmentação ao nível da plataforma.

A maior mudança, contudo, é cultural. O marketing já não está organizado em torno de campanhas. Está organizado em torno de um ciclo contínuo de aprendizagem, no qual a IA nos ajuda a detetar sinais, gerar hipóteses e expandir o que funciona quase em tempo real.

Um fluxo de trabalho assistido por IA

Lomit Shares

Em vez de dependermos de personas estáticas ou de fases fixas do ciclo de vida, utilizamos a IA para identificar padrões como “alta intenção, mas baixa ativação,” “participantes ativos com baixo risco de retenção,” ou “novos utilizadores que demonstram comportamentos iniciais de defesa da marca.”

Eis o fluxo de trabalho:

1. Começa com sinais comportamentais em tempo real dentro do produto e da comunidade. Monitorizamos ações como a progressão na integração, a profundidade da participação, a atividade dos criadores e os padrões de envolvimento. A principal mudança é que estes sinais já não são apenas apresentados em painéis analíticos; são dados de entrada estruturados no nosso sistema de marketing. Ferramentas: Segment para recolha e encaminhamento de eventos, Amplitude para análise comportamental e Snowflake como base do armazém de dados.
2. Em seguida, a IA ajuda-nos a agrupar e interpretar esses sinais em segmentos de intenção dinâmicos. Em vez de dependermos de personas estáticas ou de fases fixas do ciclo de vida, utilizamos a IA para identificar padrões como “alta intenção, mas baixa ativação”, “participantes ativos com baixo risco de retenção” ou “novos utilizadores que demonstram comportamentos iniciais de defesa da marca”. Estes segmentos evoluem constantemente com base no comportamento em tempo real. Ferramentas: BigQuery e modelos Python/ML para criar características comportamentais, com o OpenAI (GPT) utilizado para classificar e interpretar padrões de intenção emergentes.
3. Depois de formarmos esses agrupamentos, a IA ajuda-nos a gerar hipóteses e orientações criativas. Para cada segmento, identificamos a mensagem com maior probabilidade de influenciar o comportamento, e a IA ajuda a gerar variações de textos, ganchos e ângulos de conteúdo. Isto não produz resultados totalmente automatizados, mas aumenta significativamente a velocidade de exploração de percursos de comunicação. Ferramentas: ChatGPT e Claude para gerar ângulos de comunicação, ganchos e variações de posicionamento, com o Notion AI para organizar e manter uma biblioteca criativa viva.
4. Em seguida, alimentamos esses resultados em experiências contínuas nos pontos de contacto do ciclo de vida, pagos e da comunidade. Em vez de realizarmos campanhas isoladas, implementamos constantemente pequenos testes iterativos, ajustando as mensagens, os elementos criativos e o momento com base em sinais de desempenho em tempo real. Ferramentas: Braze para experiências do ciclo de vida, Optimizely para testes A/B de produtos e páginas Web, e LaunchDarkly para sinalização de funcionalidades e lançamentos controlados.
5. Por fim, e mais importante, o sistema fecha o ciclo com uma síntese da aprendizagem assistida por IA. Não analisamos apenas o que teve melhor desempenho; utilizamos a IA para identificar por que razão determinadas mensagens ou jornadas funcionaram para segmentos específicos. Esses conhecimentos informam diretamente a lógica de segmentação atualizada, as estruturas de mensagens e as decisões de marketing baseadas no produto. Ferramentas: Amplitude para obter conhecimentos comportamentais, Looker para relatórios estruturados e Claude para sintetizar as aprendizagens em estruturas narrativas e de decisão.

Como as melhorias proporcionadas pela IA beneficiam os profissionais de marketing

Do lado positivo, o maior impacto da IA tem sido a velocidade e o volume de experiências realizadas. Aumentámos significativamente o número de experiências criativas e de ciclo de vida que conseguimos executar num determinado período, porque a IA reduz o atrito na geração de variantes, no teste de mensagens e na iteração com base no desempenho dos sinais iniciais. Isto traduziu-se em ciclos de aprendizagem mais rápidos nos programas de aquisição e retenção.

Também observámos melhorias na eficiência da conversão impulsionadas por uma melhor utilização dos sinais. Ao associar o comportamento dentro do produto e da comunidade à ativação de marketing, respondemos à intenção muito mais cedo na jornada do utilizador. Isto melhorou a qualidade do fluxo entre tráfego e ativação e reforçou a retenção a jusante, porque os utilizadores recebem pontos de contacto contextualmente mais relevantes.

Outro benefício evidente é a menor dependência de segmentações rígidas e de análises manuais. A criação de agrupamentos e de insights orientada por IA permite-nos avançar para definições dinâmicas de públicos, que refletem melhor a forma como os utilizadores se comportam, em vez da forma como os agrupámos historicamente.

O risco de avançar rapidamente com os insights de IA

Num âmbito mais complexo, também tivemos de ajustar as expectativas relativamente ao ruído dos sinais e à automatização excessiva.

No início, tendíamos a agir demasiado depressa com base em demasiados insights gerados por IA, criando fragmentação nas mensagens e uma sobrecarga de experiências. Tivemos de recuar e introduzir filtros humanos mais rigorosos para a priorização e a consistência narrativa.

Também subestimámos a necessidade de disciplina na definição antecipada das métricas de sucesso. A IA torna muito fácil iterar rapidamente, mas, se não associarmos as experiências a resultados comportamentais ou de receita claros, podemos acabar por otimizar o envolvimento numa parte restrita do sistema, em vez de obter um impacto empresarial significativo.

Se tivesse compreendido isso mais cedo, teria dedicado menos tempo a aumentar o volume de experiências e mais tempo a conceber o modelo operacional em torno de decisões orientadas por IA, incluindo estruturas de hipóteses mais rigorosas, uma definição mais clara da responsabilidade pelas decisões e um alinhamento mais forte entre os sinais de marketing e os resultados empresariais.

O que a IA gere e onde os humanos mantêm a supervisão

Traçamos uma linha clara entre aquilo que a IA informa e aquilo pelo qual os humanos são responsáveis, e a distinção resume-se a uma pergunta: trata-se de otimização e reconhecimento de padrões, ou de julgamento, contexto e sensibilidade?

Dependemos cada vez mais da IA para processar sinais, fazer segmentações e realizar experiências em grande escala. Isto inclui identificar padrões comportamentais em atividades da comunidade e do produto, agrupar utilizadores em segmentos dinâmicos com base em ações em tempo real e gerar e iterar variações criativas e de mensagens. A IA também analisa intensivamente os dados de desempenho em vários canais, revelando insights não óbvios mais rapidamente do que alguma vez seria possível através de uma análise manual.

A IA é especialmente poderosa a encurtar o ciclo entre o sinal e a ação. Por exemplo, pode detetar alterações no comportamento de envolvimento dentro do produto ou da comunidade, sugerir hipóteses e até gerar variantes criativas ou do ciclo de vida que possam ser testadas. Isto permite-nos realizar muito mais experiências do que seria possível numa estrutura de equipa tradicional.

Os humanos são responsáveis pelo posicionamento, pela narrativa e pela direção criativa. A IA pode gerar variações, mas não consegue definir aquilo que defendemos nem a forma como queremos apresentar-nos no mercado. Isso exige um contexto sobre a marca, a psicologia do público e a diferenciação a longo prazo que vai além do reconhecimento de padrões.

Lomit Partilha

O facto de a IA conseguir revelar dezenas de oportunidades não significa que devamos agir sobre todas elas. Decidir o que não fazer e o que está alinhado com a tese de crescimento mais abrangente continua a ser uma responsabilidade profundamente humana.

Em ambientes orientados pela comunidade, em particular, a IA não substituiu a interação humana autêntica nem a criação de confiança. Pode ajudar a ampliar o envolvimento e a identificar padrões, mas não consegue replicar a credibilidade que resulta da participação real, da presença de liderança e do julgamento humano nos momentos da comunidade.

Os humanos também são responsáveis pela priorização e pelos compromissos estratégicos. Como referi anteriormente, o facto de a IA conseguir revelar dezenas de oportunidades não significa que devamos agir sobre todas elas. Decidir o que não fazer e o que está alinhado com a tese de crescimento mais abrangente continua a ser uma responsabilidade profundamente humana.

Por fim, os humanos são responsáveis pela interpretação do significado. A IA pode dizer-nos o que está a acontecer, mas cabe aos humanos compreender por que motivo isso é importante e de que forma deve reformular a estratégia.

Como os CMOs devem abordar a transformação com IA

Vou partilhar quatro conselhos:

1. Não encares a IA como um conjunto de ferramentas para integrar na tua máquina de marketing existente. Encará-la como uma razão para reformular a própria máquina. Porque isto não se resume à produtividade, a verdadeira mudança acontece quando passas de modelos operacionais baseados em campanhas para sistemas de crescimento contínuos e orientados por sinais, nos quais a IA está integrada na forma como detetas intenções, tomas decisões e aprendes em tempo real.
2. Repensa o significado de “escala”. No passado, a escala envolvia os canais e a eficiência do orçamento. Num mundo impulsionado pela IA, a escala diz respeito à velocidade de aprendizagem. As equipas vencedoras não serão as que executam mais campanhas, mas as que conseguem transformar sinais em experiências e experiências em decisões mais depressa do que todas as outras.
3. Sê muito intencional quanto ao ponto em que os humanos continuam envolvidos. À medida que a IA assume mais tarefas de execução e análise, a vantagem humana torna-se mais evidente, não mais fraca. Os líderes precisam de apostar ainda mais na narrativa, no posicionamento e na definição de prioridades. Se tudo é mensurável e optimizável, então o discernimento torna-se o principal factor de diferenciação.
4. Investe no pensamento sistémico em vez de te concentrares nos canais. A IA elimina os silos entre desempenho, ciclo de vida, produto e comunidade. A oportunidade consiste em conceber um sistema de crescimento unificado, no qual os sinais circulam entre todas estas áreas, em vez de optimizar cada uma isoladamente.

Acompanha

Podes acompanhar Lomit Patel no LinkedIn e no seu blogue pessoal. Consulta também o seu livro, Lean AI.

Em breve, haverá mais entrevistas com especialistas no The CMO Club!