AI Elevou o Piso. Profundidade É Como Você Vence.
A narrativa de que AI substitui trabalho júnior entende errado o que pessoas de nível inicial realmente fazem. Um júnior em ativação não faz trabalho burocrático — ele configura targeting no DV360, faz QA de tracking pixels, gerencia bid strategies. A pergunta real é: quando AI eleva o piso para todos, de onde vem a vantagem? Profundidade.
Nos últimos meses eu venho construindo um curso de AI-Native Media Operations. Sete módulos. Dezenas de slides. E o slide que eu fico reescrevendo — aquele que ainda acho que não acertei — é sobre o que acontece com as pessoas entrando na indústria quando o modelo operacional muda para 75-80% AI.
Eu continuo escrevendo versões que parecem confiantes. Depois apago, porque não estou confiante. Tenho direções, não respostas. E acho que a versão honesta dessa conversa é mais útil que a polida.
Então aqui vai o que tenho pensado.
A Narrativa Está Errada
Você já ouviu: "AI substitui trabalho de nível inicial." É uma história limpa. E também errada — ou pelo menos, entende mal o que pessoas de nível inicial realmente fazem.
Passe pelas disciplinas de uma agência de mídia moderna:
- Estratégia: Puxar análise competitiva, sintetizar briefings de pesquisa, identificar padrões nos dados que os seniores perdem porque passam o dia inteiro em reuniões
- Planejamento: Construir planos de mídia, rodar cenários de orçamento, construir segmentos de audiência — muitas vezes mais perto dos dados reais do que o planejador sênior revisando o trabalho deles
- Ativação: Configurar targeting no DV360, fazer QA de tracking pixels, gerenciar bid strategies entre plataformas — trabalho genuinamente técnico e de alto risco, onde uma audiência mal configurada pode queimar budget em horas
- Ad Ops: Traficar anúncios, debugar discrepâncias de tracking, manter integridade de mensuração em dezenas de plataformas
- Pesquisa: Avaliar metodologia de pesquisa, identificar viés amostral, codificar respostas qualitativas — trabalho analítico cuidadoso que exige ceticismo genuíno
- Relatórios: Construir dashboards, identificar anomalias, saber quando os dados não batem mesmo que os gráficos pareçam ótimos
Essas não são "tarefas repetitivas." São contribuições substantivas que exigem julgamento, conhecimento de plataforma e contexto do cliente. A pessoa configurando uma campanha no DV360 não está fazendo trabalho burocrático — está tomando dezenas de decisões técnicas que afetam diretamente se o plano de mídia vai realmente entregar.
O Gap de Validação Sênior Que Ninguém Comenta
Aqui vai algo que acho que não é discutido o suficiente: seu VP não entra no DV360 diariamente há anos. Seu diretor de planejamento não constrói segmentos de audiência manualmente mais. As pessoas tomando decisões estratégicas delegaram a execução no nível de plataforma por tanto tempo que não conseguiriam validar o output da AI nessa camada mesmo se quisessem.
Quando a AI gera um setup de campanha, quem valida se está correto? Quando constrói um segmento de audiência, quem verifica se as fontes de dados estão certas? Quando produz um framework de mensuração, quem sabe se a arquitetura de tracking realmente suporta isso?
Geralmente são as pessoas mais próximas das plataformas. As mesmas pessoas que estão ouvindo que o trabalho delas é "rotineiro."
Acho que esse é o gap que torna a narrativa "AI substitui trabalho júnior" perigosa. Os 75-80% que a AI lida ainda precisam de validação. Essa validação exige profundidade — expertise de plataforma, conhecimento de arquitetura de tracking, familiaridade com fontes de dados. E em muitas organizações, essa profundidade está com as pessoas que estamos casualmente sugerindo que serão substituídas.
O Problema do Desfile
Eu sempre volto a essa analogia. Quando todo mundo tem AI, capacidade ampla vira um desfile — impressionante de longe, idêntico de perto. Toda agência consegue gerar planos de mídia, insights de audiência, relatórios competitivos, briefings criativos em escala. As ferramentas são as mesmas. Os prompts convergem. O output normaliza.
Então de onde vem a vantagem?
Profundidade. Ir mais fundo que AI + concorrentes em disciplinas específicas. Não mais amplo — mais fundo.
Isso é contraintuitivo se você cresceu numa indústria que valorizava generalistas "T-shaped". Mas acho que o formato está mudando. Quando a AI fornece a barra horizontal do T de graça, o único diferenciador é até onde a barra vertical desce.
Desenvolvimento de Carreira Depth-First
O modelo antigo era: comece amplo, especialize depois. Você rodaria pelos departamentos, ganharia exposição em planejamento e compra e relatórios, e eventualmente encontraria sua especialidade.
Acho que o modelo melhor agora é o inverso: vá fundo primeiro, depois amplie.
AI já fornece amplitude. Qualquer júnior pode usar AI para rascunhar um plano de mídia, construir uma análise competitiva ou gerar um resumo de pesquisa. Esse é o piso — foi elevado para todos. O que é escasso é a pessoa que conhece ativação ou mensuração ou avaliação criativa melhor que a AI. A pessoa que olha o output da AI e imediatamente vê o que está errado.
Essa habilidade de avaliação — a capacidade de avaliar trabalho da AI com expertise genuína — exige profundidade. E profundidade exige tempo focado em uma disciplina, não uma rotação por cinco departamentos nos primeiros dois anos.
Como "Ir Mais Fundo" Realmente Se Parece
Aqui quero ser específico, porque conselho genérico de carreira é inútil.
Ativação: Torne-se a ponte plataforma-AI. Conheça as capacidades e limitações da plataforma bem o suficiente para perceber quando as configurações da AI não vão funcionar na realidade — a audiência estreita demais para entregar, a bid strategy que não combina com o objetivo, a lista de placements que inclui inventário que o cliente excluiu explicitamente.
Ad Ops: Mude de implementação de tags para arquitetura de tracking. Não apenas coloque os pixels — projete a infraestrutura de mensuração da qual a AI depende. Entenda consent frameworks, server-side tagging, data clean rooms. A pessoa que consegue arquitetar sistemas de mensuração não está sendo substituída pela AI. Está se tornando mais importante.
Planejamento: Aprenda a fazer stress-test, não apenas construir. Qualquer um consegue construir um plano agora. O valor está em saber quando a matemática funciona mas a estratégia não — quando a curva de reach parece eficiente mas a frequência vai irritar a audiência, quando o mix de canais está otimizado no papel mas ignora como a marca realmente aparece em cada ambiente.
Pesquisa: Desenvolva ceticismo como competência central. AI sintetiza pesquisa mais rápido que qualquer humano. Mas também apresenta com confiança achados de uma pesquisa mal desenhada, confunde correlação com causação e perde viés amostral. O pesquisador que identifica falhas metodológicas é mais valioso do que nunca.
Criativo: Construa o julgamento estético que a AI não tem. AI gera variantes. Não consegue dizer por que essa variante específica funciona para essa marca específica nesse contexto específico. Esse julgamento — informado por gosto, conhecimento de marca e consciência cultural — é desenvolvível mas não automatizável.
Relatórios: Seja a camada de integridade de dados. AI constrói dashboards bonitos. Mas dashboards podem ser bonitos e errados. A pessoa que sabe quando o modelo de atribuição está enganando, quando a fonte de dados mudou silenciosamente, quando os números parecem certos mas a história que estão contando é invertida — essa pessoa é essencial.
A Camada de Eval Que Ninguém Está Comentando
Existe um conceito do desenvolvimento de AI que acho que mapeia diretamente aqui: evals. Em AI, um eval é o ground truth — os critérios que definem como "correto" se parece. Sem evals, você não consegue dizer se o output da AI é bom ou ruim. Está apenas confiando na máquina.
Em operações de mídia, evals já existem. Só não são chamados assim.
Seu checklist de pré-lançamento é um eval. Define como um setup de campanha correto se parece. Sua escada de KPIs é um eval. Define o que performance boa significa. Seu guia de marca é um eval. Define como criativo em conformidade se parece. Seu padrão de precisão de tracking é um eval. Define o que mensuração confiável significa.
As pessoas que constroem e mantêm esses — que codificam julgamento especializado em critérios operacionais — estão fazendo algo que a AI fundamentalmente não consegue fazer por si mesma. AI pode gerar um setup de campanha. Não pode definir como um setup correto se parece para este cliente neste mercado com estas restrições. Isso exige profundidade.
E aqui vai o que acho que é subestimado: construir evals é um dos exercícios de aprendizado mais poderosos disponíveis. Quando você pede para alguém definir como "correto" se parece na disciplina dela — escrever o checklist de pré-lançamento, especificar o limiar de discrepância aceitável, construir a rubrica de conformidade criativa — ela precisa entender o trabalho profundamente o suficiente para codificar julgamento. Isso não é trabalho administrativo. É desenvolvimento acelerado de profundidade.
Então quando falo em desenvolvimento de carreira depth-first, criação de evals é uma expressão concreta disso. A pessoa que consegue avaliar output da AI e definir os critérios pelos quais ele deve ser avaliado tem um skillset que se compõe ao longo do tempo. Os critérios ficam mais afiados. A AI fica melhor. E o gap de expertise entre essa pessoa e alguém que apenas usa AI fica mais largo.
Para Quem Está Entrando na Indústria
Quero ser honesto aqui, porque acho que pessoas entrando na indústria merecem mais honestidade do que conforto.
Sim, cargos de nível inicial estão mudando. O ponto de entrada não é mais "faça o trabalho que a AI pode fazer, mas com mãos humanas." É "desenvolva profundidade suficiente para avaliar se a AI fez o trabalho corretamente."
Parece um padrão mais alto, e de certa forma é. Mas acho que a habilidade de avaliação — olhar o output da AI e saber o que está certo e errado e conseguir articular por quê — se desenvolve mais rápido do que as pessoas supõem. Você não está começando do zero. Está começando com AI como acelerador de aprendizado.
O porém é que você ainda precisa de prática hands-on junto com avaliação. Precisa construir campanhas você mesmo para saber como o ruim se parece. Precisa puxar dados manualmente para entender o que o dashboard está escondendo. AI acelera o aprendizado, mas não substitui o fazer inteiramente. Ainda não.
Escolha uma disciplina. Vá fundo. Aprenda os frameworks. As pessoas que vão prosperar são as que desenvolvem expertise genuína em uma área específica — não as que se tornam prompt engineers generalistas.
O Problema do Aprendizado
Eu tenho que admitir — essa é a parte que não resolvi.
O modelo tradicional de aprendizado em agências funcionava porque pessoas juniores aprendiam fazendo o trabalho. O assistente de planejamento construía planos e aprendia planejamento. O coordenador de ativação configurava campanhas e aprendia ativação. As repetições eram a educação.
AI comprime esses fluxos de trabalho. E ao comprimir os fluxos, também comprime o mecanismo de aprendizado. Se a AI constrói o plano de mídia e o júnior revisa, ele aprende planejamento da mesma forma? Não tenho certeza que sim.
Tenho direções mas não uma resposta completa. Desenvolvimento depth-first. Avaliação junto com execução. Usar AI como ferramenta de ensino, não apenas de produção — fazer juniores construírem coisas com AI e depois criticarem o que ela produziu, para que aprendam tanto a habilidade quanto o julgamento simultaneamente.
Mas não tenho certeza de que isso seja suficiente. O problema do aprendizado pode ser o desafio organizacional mais difícil da transição para AI — mais difícil que a tecnologia, mais difícil que o modelo de negócios. Se alguém resolver isso completamente, terá resolvido algo maior que o modelo operacional de qualquer agência individual.
Onde Isso Nos Deixa
Não vou terminar com uma conclusão arrumadinha, porque a versão honesta não tem uma.
Aqui vai o que acho ser verdade: você não está sendo substituído pela AI. A narrativa é mais nuançada que isso. Mas a forma como você se desenvolve, as habilidades que prioriza e como posiciona sua expertise — essas precisam evoluir. Amplitude agora é de graça. Profundidade é o diferenciador.
Se você está no começo da carreira: escolha uma disciplina, vá fundo e desenvolva o julgamento para avaliar trabalho da AI. Essa combinação — profundidade mais avaliação — é o que te torna insubstituível.
Se você lidera equipes: as pessoas mais próximas das suas plataformas e dados podem ser mais importantes para sua estratégia de AI do que você imagina. Garanta que as pessoas desenhando o modelo operacional da sua organização entendam isso.
E se você está construindo um curso sobre tudo isso e ainda reescrevendo aquele slide — bom, pelo menos agora tem um post para apontar. Mesmo que também não tenha todas as respostas.
É isso. Eu genuinamente gostaria de ouvir como outros estão pensando sobre isso — especialmente pessoas nos primeiros anos de suas carreiras em mídia. Concorda? Discorda? O que estou deixando passar?
Cheers, Chandler
