A IA muda a pesquisa de mídia menos por torná-la mais rápida do que por torná-la contínua, muda as personas de um documento pontual para um modelo vivo que o sistema atualiza, e desloca a vantagem durável de dados da pesquisa pública — agora barata para todos — para os seus dados first-party proprietários e a sua memória acumulada.
Passei 18 anos planejando e comprando, e na maior parte desse tempo a pesquisa era um projeto. Você a encomendava, recebia um deck, usava-o por um trimestre, e ele ficava obsoleto numa pasta. As pessoas que faziam isso bem eram leitoras rápidas e boas sintetizadoras. A IA muda quanto essa habilidade vale, e muda onde mora a vantagem. Deixe-me tratar as três peças por vez — pesquisa, personas e dados — porque a mudança é diferente em cada uma.
A pesquisa deixa de ser um projeto
O ritmo antigo era periódico: um estudo de categoria no Q1, uma varredura de concorrentes quando alguém pedia, uma atualização de audiência antes do plano anual. Cada um era um evento, e entre eventos o time rodava na memória e no instinto.
Um time AI-native roda a pesquisa como capacidade permanente. Sinais públicos — mudanças de categoria, criativo de concorrentes, demanda de busca, conversa social — são coletados e resumidos continuamente, num calendário em vez de sob demanda. A saída não é um deck. É um fluxo que o time lê, do jeito que você lê um dashboard em vez de pedir um relatório.
O efeito prático é que o time nunca começa de uma folha em branco numa categoria, porque a categoria foi resumida o tempo todo. Chegar lá é o mesmo trabalho sem brilho do resto do cluster: as fontes de sinal têm que ser conectadas, o resumo tem que ter um padrão, e alguém tem que ser dono da interpretação. O modelo faz a leitura, não a decisão.
O que vira a função do analista
Quando a síntese é contínua e mecânica, o valor do analista se move de encontrar a resposta para escolher a pergunta melhor.
Essa não é uma mudança pequena, e é desconfortável para quem tinha como identidade ser a pessoa que sabia onde procurar. No modelo antigo, o gargalo era a recuperação — achar o número, o estudo, o benchmark. No modelo novo, a recuperação é quase gratuita, então a habilidade escassa é o enquadramento: saber qual pergunta o negócio realmente precisa responder, e qual resposta mudaria uma decisão.
Vi times fazerem essa transição bem e mal. Os que fazem bem dão ao analista um assento na conversa de planejamento, porque é ali que moram as boas perguntas. Os que fazem mal automatizam a recuperação e deixam o analista fazendo o mesmo trabalho mais rápido, depois se perguntam por que a pessoa mais curiosa está entediada. Se a recuperação era a função, a função acabou; se o julgamento era a função, ela só ficou mais interessante.
Personas viram um modelo vivo
O documento de persona é um dos artefatos mais silenciosamente inúteis do marketing. É redigido uma vez, ilustrado com uma foto de banco de imagens, e nunca atualizado, porque atualizar é caro e ninguém é dono dele.
Um time AI-native trata personas como um modelo vivo. A definição de audiência mora junto com os dados, e o sistema a refina conforme o comportamento muda: quais segmentos convertem, que mensagem funciona, quais suposições se quebraram. A persona não é uma entrega; é um modelo consultável que fica atrás do planejamento e do criativo.
A consequência estratégica é que personas deixam de ser um projeto de arte e passam a ser uma ferramenta de decisão. Em vez de perguntar "esta campanha combina com a nossa persona?" — uma conversa que normalmente termina em concordância —, você pode perguntar ao modelo qual de várias definições de audiência explica melhor os resultados do último trimestre, e obter uma resposta ancorada no que de fato rodou. Isso é uma qualidade diferente de insumo para o briefing.
A vantagem de dados se move para a camada proprietária
Aqui está a parte que realmente importa para a estratégia, e é fácil de perder porque a pesquisa pública hoje é tão impressionante.
Se a IA consegue sintetizar a web pública para qualquer um, então a pesquisa pública não é mais uma vantagem — é uma commodity. O benchmark de categoria, o criativo do concorrente, o estudo do setor: qualquer um com um bom fluxo consegue resumir isso. A margem não pode morar ali, porque deixou de ser escassa.
A vantagem durável se move para o que um concorrente não pode assinar: seus dados first-party, os resultados de campanhas passadas, os seus relacionamentos com clientes, e a memória que o seu fluxo acumula sobre o que funcionou. Um modelo que lembra dos testes do ano passado e dos resultados deste ano vale mais do que um modelo mais inteligente sem histórico. É o mesmo argumento que fiz sobre por que a memória da IA importa mais do que a escolha do modelo, aplicado à pesquisa: a composição está no contexto, não no modelo.
Pesquisa antiga vs. pesquisa AI-native
| Dimensão | Pesquisa tradicional | Pesquisa AI-native |
|---|---|---|
| Cadência | Projeto periódico | Capacidade permanente |
| Saída | Um deck | Um fluxo mais um modelo |
| Motor de custo | Horas de analista | Acesso a dados e governança |
| Função do analista | Encontrar e sintetizar | Enquadrar a pergunta e interpretar |
| Personas | Documento estático | Modelo vivo atrás do planejamento |
| Vantagem | Melhor síntese | Dados proprietários e memória |
| Modo de falha | Obsoleto e não usado | Dados sujos e propriedade pouco clara |
Leia a última linha como o aviso. A versão AI-native falha num lugar diferente da tradicional — não por ficar obsoleta, mas por alimentar um sistema rápido e confiante com dados que ninguém limpou nem governou.
Governança é precondição, não papelada
Você não consegue construir a camada de memória antes de decidir o que o modelo pode ver, o que pode sair dos seus sistemas, e quem é dono da resposta quando algo está errado.
É por isso que a governança cai na trilha de Estratégia em vez de num apêndice de conformidade. No momento em que você conecta dados first-party a um fluxo de pesquisa ou planejamento, você tomou um conjunto de decisões sobre fronteiras e consentimento — e se as adiar, vai reconstruir a camada depois sob supervisão de um advogado, a várias vezes o custo. Os times que tratam governança como pré-requisito andam mais devagar por duas semanas e mais rápido por dois anos.
O Guia de Execução vai mais fundo no lado operacional disso, mas o ponto estratégico é simples: a camada proprietária é onde mora a vantagem, e a camada proprietária é exatamente a coisa com que você não tem permissão de ser descuidado.
O que um time interno deveria realmente fazer
Se você é dono dos seus dados e do seu roteiro, a sequência é incomumente clara.
- Conecte as fontes de sinal para uma categoria ou uma audiência — não tudo. Pesquisa contínua sobre uma coisa vale mais do que pesquisa esporádica sobre dez.
- Defina o padrão do resumo para que o fluxo seja confiável: quais fontes contam, como é uma boa síntese, quem a valida.
- Erga a persona como modelo atrás de um fluxo — planejamento ou criativo — e deixe-a se atualizar a partir de resultados reais.
- Decida as suas fronteiras de dados antes de conectar dados first-party, e escreva quem é dono da resposta quando o modelo erra.
- Proteja o assento do analista na decisão, porque enquadrar a pergunta agora é a função.
A trilha para times internos sequencia isso em relação ao resto do modelo operacional, e o Guia de Estratégia o coloca no contexto da trilha inteira. Termine uma etapa antes de ampliar para a próxima.
FAQ
A IA substitui os pesquisadores de mídia?
Substitui a metade de recuperação da função, que era a maior parte das horas. Não substitui enquadrar a pergunta nem interpretar a resposta. Pesquisadores que se movem para a metade de julgamento ficam mais valiosos; os que eram pagos por recuperação andam mais rápido e depois precisam de uma nova definição da função.
Personas ainda servem para alguma coisa?
Servem, mas como modelo vivo em vez de documento. Uma persona que se atualiza a partir de resultados reais de campanha é uma ferramenta de decisão. Uma persona redigida uma vez e nunca revisitada é decoração, e a IA não a salva — só torna a decoração mais barata de produzir.
A pesquisa pública não vale mais nada agora?
Vale, é um insumo útil e é mais rápida do que nunca. Só não é uma vantagem, porque todos têm acesso à mesma síntese. A vantagem se moveu para os seus dados proprietários e a sua memória, que é a parte que um concorrente não copia assinando as mesmas ferramentas.
Onde entra a governança de dados?
Como precondição, antes de você conectar dados first-party. Decidir o que o modelo pode ver, o que pode sair dos seus sistemas, e quem é dono da resposta faz parte do desenho de pesquisa agora, não é uma reflexão tardia de conformidade. Pule e você reconstruirá a camada depois, sob supervisão.
A versão curta
A IA torna a pesquisa contínua, transforma personas num modelo vivo, e move a vantagem durável para os seus dados proprietários e a sua memória. A função do analista muda de recuperação para enquadramento, e a governança deixa de ser papelada e passa a ser a coisa que permite que a camada proprietária exista. O modelo faz a leitura; você faz o julgamento.
Ainda estou aprendendo este campo em público, e já errei sobre onde a vantagem se estabilizaria mais de uma vez. Mas esta parte se manteve: quando a síntese é gratuita, a coisa escassa é uma boa pergunta e o seu próprio histórico.
Se o seu time fez essa mudança, gostaria de saber o que aconteceu com a função de pesquisador — normalmente é onde está a história real.
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.