Marketing com IA: sua campanha ganhou cliques ou ganhou clientes?

Imagem de capa: ilustração gerada por IA. Cena fictícia; não retrata participantes das pesquisas citadas.

Uma campanha feita com ajuda de IA gera mais títulos, mais anúncios e mais cliques. O relatório parece excelente. Quando a empresa confere as vendas, descobre que o faturamento caiu. Como uma comunicação aparentemente melhor pode produzir um resultado pior?

Isso pode acontecer quando a equipe confunde uma etapa do caminho com seu objetivo final. Um anúncio pode despertar curiosidade sem atrair compradores adequados. A IA pode ser útil para criar alternativas e examinar dados, mas a avaliação precisa acompanhar o que acontece depois do clique.

Como ler este artigo. Os dados das campanhas A e B são fictícios e servem para uma demonstração aritmética, conferida por código local. Não foram executadas campanhas nem testes de ferramentas de publicidade. As pesquisas citadas têm seus próprios contextos; a documentação do Google descreve recursos do fornecedor, sem comprovar ganhos para este exemplo.

Crie alternativas para uma hipótese, não para encher uma pasta

A IA generativa, capaz de produzir textos e imagens a partir de instruções, reduz o esforço para criar variações. Porém, cinquenta versões da mesma promessa não são cinquenta estratégias diferentes. Antes de gerar peças, eu definiria qual incerteza quero investigar.

Uma escola de cursos profissionais poderia perguntar se demonstrar uma atividade prática ajuda mais do que apenas listar os conteúdos. A versão A apresenta a ementa; a B mostra um exercício real. Objetivo, público, preço e condições precisam estar definidos, para que a comparação tenha significado.

Um pedido à IA poderia ser: “A partir deste programa confirmado, proponha três formas de demonstrar a aplicação no trabalho. Preserve preço, carga horária e pré-requisitos. Não invente depoimentos, empregabilidade nem ganhos de renda. Explique que dúvida cada abordagem pretende responder”. Isso produz opções que a equipe consegue julgar.

Qualidade de texto e diferenciação são problemas distintos

Anil Doshi e Oliver Hauser investigaram o efeito de ideias geradas por IA na escrita de histórias curtas. No experimento publicado em 2024, o acesso a essas ideias melhorou avaliações das histórias, especialmente entre participantes inicialmente menos criativos, mas também tornou os textos mais semelhantes entre si. [1]

O estudo não mediu anúncios nem vendas. Ainda assim, levanta uma pergunta pertinente para quem produz comunicação: ao melhorar a apresentação de cada peça, estaremos deixando a marca parecida com todas as outras?

Minha resposta prática seria alimentar a criação com diferenças reais: uma demonstração própria, critérios de atendimento, limites do serviço e dúvidas específicas do público. Depois, comparar as alternativas lado a lado. Se basta trocar o nome da empresa para o anúncio servir a qualquer concorrente, falta informação sobre a oferta.

Mais cliques, menos vendas: uma conta aberta

Considere duas campanhas fictícias com o mesmo gasto de R$ 1.000 e 10.000 exibições cada. Para simplificar, cada comprador faz uma única compra de R$ 300 e todos os pagamentos foram confirmados, sem cancelamentos. A tabela não representa um experimento aleatório: demonstra como indicadores diferentes podem contar histórias diferentes.

A taxa de cliques, ou CTR, divide cliques por exibições: passa de 5% para 8%. O custo por cadastro cai de R$ 10 para R$ 6,25. Até aqui, B parece a melhor escolha: oferece 60% mais cadastros com o mesmo gasto.

Nessas contagens, a proporção de cadastros que compram passa de 10% para 5%. O custo de mídia por compra sobe de R$ 100 para R$ 125, e a receita atribuída diminui 20%. Os indicadores divergem dentro do exemplo.

Com apenas 10 e 8 compras, porém, essa diferença pode refletir oscilação aleatória em uma campanha real. Não basta para declarar A superior ou afirmar que B reduz vendas. Aqui, os números foram escolhidos para explicar as contas; não vieram de observações de um experimento. Até a diferença de saldo financeiro depende de apenas duas compras.

Não sabemos por que isso ocorreu. Pode haver promessa mal compreendida, contatos pouco adequados, falha no atendimento ou diferença entre os públicos. A tabela justifica investigar; não permite atribuir a queda à IA nem ao texto do anúncio sem outras evidências.

Retorno sobre anúncios também não é lucro

O ROAS, retorno sobre o gasto em anúncios, divide a receita atribuída pelo custo de mídia. No exemplo, A tem ROAS 3 e B, 2,4. Isso não significa lucros de 200% e 140%: ainda faltam os custos necessários para entregar o produto e operar o negócio.

Suponha que cada compra deixe R$ 120 depois dos custos variáveis, como taxas e materiais, antes dos anúncios e dos custos fixos. A soma dessa contribuição seria R$ 1.200 em A e R$ 960 em B. Descontada a mídia, sobrariam R$ 200 em A e faltariam R$ 40 em B. Salários fixos, aluguel e outros custos ainda não entraram.

A IA pode auxiliar a conferir essas contas, desde que as definições acompanhem os dados. Eu pediria fórmulas, denominadores e campos ausentes, e conferiria os valores na origem. Chamar cadastro de venda ou receita de lucro muda a decisão mesmo quando a divisão está matematicamente correta.

Uma venda atribuída pode ter ocorrido sem o anúncio

Atribuição é a regra que associa uma conversão, como uma compra, a interações de marketing. Ela organiza o relatório, mas não responde automaticamente se aquela compra deixaria de acontecer na ausência da publicidade.

O Google descreve o Conversion Lift como uma ferramenta de experimentos controlados que compara grupos expostos e não expostos aos anúncios para estimar conversões incrementais: aquelas causadas pela publicidade. O recurso não está disponível para todas as contas. A documentação informa ainda que as métricas apresentadas dependem do volume de conversões e da divisão entre os grupos. [2]

Isso é diferente de comparar duas peças, ambas anunciadas. Um teste A/B pode investigar qual alternativa funciona melhor nas condições estudadas; um grupo sem publicidade ajuda a investigar o efeito de anunciar. Empresas pequenas talvez não tenham volume para estimativas precisas. Nesse caso, vale registrar a incerteza e combinar os dados com entrevistas e observação do atendimento, sem apresentar uma impressão como prova causal.

A automação também pode mudar o que você está comparando

Na documentação consultada em outubro de 2026, o AI Max para campanhas de pesquisa do Google Ads reúne expansão da correspondência de buscas, personalização de textos e expansão da URL final, o endereço para o qual a pessoa é enviada. [3] O sistema pode alterar mais elementos do que o título preparado pela equipe.

A página de funcionamento informa que ativar o AI Max ativa personalização de texto e expansão de URL, com controles individuais para desativação. Para conferir mudanças, descreve o relatório de termos de pesquisa, com o tipo de correspondência “AI Max”, e o de páginas de destino, com a coluna “Selected by”, que indica a seleção do destino. [4] Eu registraria as configurações e examinaria esses relatórios antes de interpretar o resultado.

Se uma versão muda texto, público e página de destino, o resultado avalia esse conjunto. Não permite concluir que uma frase isolada venceu. Os recursos descritos não foram testados neste artigo; disponibilidade e condições precisam ser conferidas na conta usada.

Um teste que ajuda a decidir precisa aceitar “ainda não sabemos”

Eu definiria antes do início o objetivo principal, o período, o orçamento máximo, a versão das peças e os critérios de interrupção. Uma promessa incorreta ou um destino errado justificam parar a veiculação. Já oscilações normais nos primeiros dias não deveriam levar a escolher o vencedor a cada atualização do painel.

A comparação precisa dar tempo para as compras amadurecerem. Se um público costuma decidir em sete dias, comparar seus cadastros de ontem com vendas de outro mês introduz uma diferença de prazo. Sempre que possível, a distribuição aleatória entre alternativas ajuda a reduzir diferenças de público; também é necessário avaliar a incerteza estatística antes de declarar superioridade.

Um valor-p, quando o teste é adequado, descreve a compatibilidade dos dados com uma hipótese estatística e seus pressupostos; não mede a probabilidade de o resultado ser “só acaso”. Um corte como 0,05 também não transforma automaticamente uma diferença em real ou importante. [5] Para a tabela fictícia, não calculo um vencedor estatístico.

Um registro simples deveria permitir responder: o que mudou, quem recebeu cada versão, como foi contada a compra e qual período foi observado? A IA pode resumir o registro e apontar inconsistências. A decisão final precisa preservar o que os dados ainda não permitem afirmar.

Como começar sem automatizar o erro

• Criação: produza poucas alternativas ligadas a dúvidas reais, com promessas verificadas.
• Operação: registre orçamento, configurações, públicos e destinos; confira o caminho até o pagamento.
• Resultado: acompanhe compras confirmadas, custos e prazo, junto dos cliques e cadastros.
• Aprendizado: se o resultado for inconclusivo, investigue a diferença antes de ampliar o investimento.

Uma campanha feita com IA pode melhorar quando combina alternativas relevantes, revisão da oferta e avaliação adequada. O sucesso aparece quando a comunicação atrai pessoas que compreendem a proposta e encontram valor no que recebem. Publicar mais é uma capacidade. Descobrir o que merece continuar é uma decisão.

import json

campanhas = {
    "A": dict(gasto=1000, exibicoes=10000, cliques=500, cadastros=100, compras=10),
    "B": dict(gasto=1000, exibicoes=10000, cliques=800, cadastros=160, compras=8),
}
resultado = {}
for nome, d in campanhas.items():
    receita = d["compras"] * 300
    resultado[nome] = dict(
        ctr_percentual=100 * d["cliques"] / d["exibicoes"],
        custo_por_cadastro=d["gasto"] / d["cadastros"],
        conversao_cadastro_compra_percentual=100 * d["compras"] / d["cadastros"],
        custo_midia_por_compra=d["gasto"] / d["compras"],
        receita=receita,
        roas=receita / d["gasto"],
        contribuicao_antes_midia=d["compras"] * 120,
        saldo_apos_midia_antes_custos_fixos=d["compras"] * 120 - d["gasto"],
    )
assert resultado["A"]["ctr_percentual"] == 5
assert resultado["B"]["ctr_percentual"] == 8
assert resultado["B"]["custo_por_cadastro"] == 6.25
assert resultado["A"]["saldo_apos_midia_antes_custos_fixos"] == 200
assert resultado["B"]["saldo_apos_midia_antes_custos_fixos"] == -40
print(json.dumps(resultado, ensure_ascii=False, indent=2))

Leia também: Marketing com IA: como entender seu público sem inventar o cliente.

Referências

1. Doshi, Anil R.; Hauser, Oliver P. Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290, 12 jul. 2024. DOI: 10.1126/sciadv.adn5290.
2. Google. About Conversion Lift. Ajuda do Google Ads, sem data editorial explícita. Documentação do fornecedor.
3. Google. About AI Max for Search campaigns. Ajuda do Google Ads, sem data editorial explícita. Documentação do fornecedor.
4. Google. How AI Max for Search campaigns works. Ajuda do Google Ads, sem data editorial explícita. Documentação do fornecedor.
5. American Statistical Association. American Statistical Association releases statement on statistical significance and p-values. Comunicado com os seis princípios da declaração, 7 mar. 2016.

Fontes consultadas em 20 de outubro de 2026.