Governar dados de marketing para IA se resume a quatro decisões que você toma antes de o modelo ver qualquer coisa: o que ele pode ver, onde ele roda, quem é dono da saída, e por quanto tempo você a guarda. Tome essas decisões antes de construir a camada de memória, e elas moldam a arquitetura. Pule-as e você vai reconstruir essa camada depois, normalmente sob a supervisão de um advogado, depois que algo deu errado.
Já construí memória em sistemas e vi times pularem esse passo em nome da velocidade. O padrão é consistente: o modelo vê mais do que alguém pretendia, uma pergunta surge numa revisão, e uma correção às pressas se segue. Governança não é um imposto sobre o trabalho divertido; é a precondição para fazer o trabalho divertido com segurança.
As quatro decisões
O que o modelo pode ver? Nem todo dado de marketing é igual. Pesquisa pública, dados internos de desempenho, dados pessoais de clientes, e categorias reguladas carregam obrigações diferentes. Decida a classificação antes de o modelo tocar em qualquer coisa, porque uma vez que o dado está numa janela de contexto, "não vê-lo" deixa de ser uma opção real.
Onde ele roda? Um modelo que roda no seu ambiente é um risco diferente de um para o qual você envia prompts por API, e ambos são diferentes de uma ferramenta pública que um membro do time cola. Decida qual classe de dado vai para qual tipo de modelo, e torne a resposta aplicável em vez de apenas aspiracional.
Quem é dono da saída? Quando o modelo produz um plano, um texto ou uma definição de audiência, alguém tem que ser dono disso. Governança significa nomear essa pessoa, e deixar claro que a responsabilidade não se transfere para a ferramenta. É o mesmo princípio do padrão de revisão na trilha de execução.
Por quanto tempo você a guarda? A retenção é uma decisão que os times adiam e depois lamentam. Se o contexto torna o modelo melhor, você quer mantê-lo. Se contém dados pessoais ou regulados, você pode ser obrigado a apagá-lo. Decida a retenção por classe de dado, e faça a exclusão ser real.
Classifique os dados primeiro
A classificação é a base para as outras três decisões, então faça-a primeiro e mantenha simples. Um esquema viável são quatro grupos: público, interno, confidencial e regulado. Dados públicos podem ir quase a qualquer lugar. Dados internos — desempenho, gasto, estratégia — ficam com modelos aprovados. Dados confidenciais — contexto específico de cliente, planos não lançados — ficam sob controle. Dados regulados — qualquer coisa que toque informação pessoal ou protegida por lei — recebem o tratamento mais estrito e normalmente nunca entram num modelo compartilhado.
O valor da classificação é que ela torna as regras legíveis para todos. Um profissional de marketing que sabe o grupo sabe o que pode colar em qual ferramenta, sem precisar de um memorando de política para cada caso. Simplicidade vence exaustividade aqui, porque uma regra que ninguém lembra não é governança.
Onde o modelo roda
A decisão de armazenamento é onde mora a maior parte do risco real. Um modelo implantado no seu próprio ambiente com os seus próprios controles é a opção mais contida e a mais trabalhosa de rodar. Um modelo acessado por API de fornecedor sob um acordo de processamento de dados é o caminho intermediário comum, e os termos são decisivos — se a entrada treina o modelo do fornecedor, onde os dados ficam, e quais são as garantias de exclusão.
Depois há o caso da ferramenta pública, que precisa ser fechado de forma explícita. Se um membro do time consegue abrir um navegador e colar dados de cliente em qualquer ferramenta, o resto de tudo isso não importa. Nomeie as ferramentas aprovadas, bloqueie ou desencoraje o resto, e explique por quê. O caminho não governado é quase sempre o mais conveniente.
Quem é dono da saída
Toda entrega assistida por IA precisa de um dono nomeado, e o dono é uma pessoa, não um processo. Isso não é minúcia técnica; é o que torna a saída defensável. Se um modelo rascunha um plano de mídia e ninguém assina, a agência ou o time na verdade publicou o palpite de uma máquina. Governança atribui a assinatura.
Isso se conecta diretamente à compra. Quando você compra serviços AI-native de uma agência, o contrato deveria dizer quem é dono da saída e quem responde quando ela está errada. A ambiguidade aí é como um incidente de qualidade vira um incidente jurídico. A resposta de governança e o padrão de revisão são a mesma disciplina aplicada a riscos diferentes.
Retenção e exclusão
A retenção é onde o benefício composto da memória e a obrigação de apagar colidem, e não há como evitar pensar com cuidado. O contexto torna o modelo útil, então você quer manter briefings, resultados e decisões. Parte desses mesmos dados pode estar sujeita a pedidos de exclusão ou limites contratuais. A solução é reter por classe: mantenha aprendizados derivados e desidentificados indefinidamente; mantenha dados pessoais brutos só enquanto você tem permissão; e torne a fronteira entre eles clara.
A razão de fazer isso antes de construir é que excluir retroativamente numa camada de memória é muito doloroso. Se os dados brutos e o contexto derivado se misturam, separá-los depois é uma migração. Projete a separação desde o início. Esse é o coração prático da razão de IA sem memória ser só um chatbot caro — a memória é o valor, e também é a superfície de governança.
Uma classificação feita
Pegue uma campanha típica e classifique os insumos. Pesquisa de categoria e contexto de concorrentes são públicos — vão a qualquer lugar. O gasto, o histórico de desempenho e a estratégia interna do cliente são internos — só ferramentas aprovadas. Conceitos criativos não lançados e a lista de clientes do cliente são confidenciais — mantidos sob controle. E qualquer coisa que identifique uma pessoa, ou pertença a uma categoria regulada, recebe o tratamento mais estrito e normalmente fica fora de modelos compartilhados por completo.
Uma vez que a classificação existe, as regras se escrevem sozinhas. Dados públicos podem usar ferramentas públicas. Dados internos e confidenciais só entram em modelos aprovados e contratados. Dados regulados não vão a lugar nenhum sem uma revisão específica. A classificação é o que transforma uma política vaga numa decisão que um profissional de marketing toma em dez segundos — o único tipo de governança que sobrevive ao contato com uma semana cheia.
Termos de fornecedor que importam
Quando você avalia um fornecedor de modelo, quatro termos decidem a maior parte do risco. O fornecedor treina sobre a sua entrada, ou o seu prompt fica fora do treinamento? Onde os dados são armazenados e processados, o que importa se você tem obrigações de residência? Quais são as garantias de exclusão e como você as impõe? E o que acontece com os seus dados quando o contrato termina? Exija respostas por escrito, porque o site de marketing não vai te contar.
A maioria dos fornecedores enterprise agora oferece uma opção de não-treinamento e termos de exclusão razoáveis; o ponto é confirmar em vez de presumir. Com um time colando dados de cliente numa janela de chat, nenhum termo se aplica, o que é exatamente por que a lista de ferramentas aprovadas precisa ser curta e clara.
A ordem dos passos
Classifique os dados, decida onde cada classe roda, nomeie os donos da saída, e defina a retenção por classe. Faça nessa ordem, antes de o primeiro prompt tocar dados reais. Depois escreva isso onde o time encontre, e torne a ferramenta aprovada o caminho fácil. Governança que depende de as pessoas lembrarem de uma regra não é governança; é esperança.
FAQ
Precisamos de uma política formal ou um combinado do time basta?
Comece com um registro de decisão de uma página cobrindo as quatro perguntas, e formalize depois se a escala ou o seu regulador exigirem. Um combinado curto e aplicado vence uma política longa e ignorada. O ponto é a decisão, não a produção de um documento.
Podemos usar ferramentas públicas de IA para dados internos de marketing?
Só quando o dado interno não é confidencial nem regulado e os termos da ferramenta permitem. Para a maioria dos times, a resposta honesta é rotear dados internos e de cliente por ferramentas aprovadas e contratadas, e deixar as ferramentas públicas para dados públicos ou agregados.
Como definimos as fronteiras dos dados?
Pela classificação, não pela ferramenta. Classifique cada insumo num dos quatro grupos — público, interno, confidencial, regulado — e deixe o grupo decidir para onde ele pode ir: dados públicos para ferramentas públicas, internos e confidenciais para modelos aprovados e contratados, dados regulados a lugar nenhum sem uma revisão específica. A fronteira é a classificação, e uma vez que ela existe, um profissional de marketing toma a decisão em dez segundos sem um memorando de política.
E se não conseguirmos identificar a que grupo algo pertence?
Use como padrão o grupo mais estrito e ponha-o numa curta lista de revisão em vez de adivinhar. Dados ambíguos normalmente são pessoais, específicos de cliente, ou regulados — exatamente os que você não quer descobrir que foram tratados errado depois. Uma lista de duas linhas com os casos que as pessoas de fato sinalizam, revisada mensalmente, resolve as zonas cinzentas sem desacelerar o trabalho.
A versão curta
Governe dados de marketing para IA com quatro decisões tomadas antes de o modelo ver qualquer coisa: o que ele pode ver, onde roda, quem é dono da saída, e por quanto tempo você a guarda. Classifique primeiro, defina a retenção com intenção, nomeie os donos, e ponha a retenção por classe — e depois construa a camada de memória sobre isso. O Guia de Execução cobre o resto das questões operacionais, e a trilha para times internos leva a governança até a mensuração.
Se você já construiu isso no seu time, gostaria de saber qual das quatro decisões foi a mais difícil de concordar.
Abraços, Chandler
Este artigo está disponível em português, mas os materiais do curso (vídeos, templates e guias complementares) estão em inglês, japonês, chinês simplificado e coreano; este site está disponível em 13 idiomas.