Matheus Matsuda Marangoni
Uma cena tem se repetido nas salas de aula de marketing. O estudante apresenta uma análise de mercado com a forma impecável: segmentação bem desenhada, matriz SWOT organizada, concorrentes mapeados, tudo entregue em linguagem de consultoria. O professor pergunta por que aquela segmentação faz sentido para aquela marca em particular. Silêncio. O trabalho está pronto, mas o raciocínio que deveria sustentá-lo não existe. A inteligência artificial que gerou o material não errou. Quem errou foi quem aceitou a resposta sem ter como desconfiar dela.
Chamar isso de despreparo da nova geração seria fácil, e um pouco injusto. O estudante de hoje fez uma aposta razoável: se a teoria está a um clique de distância, decorá-la é desperdício. A sociedade mudou, o acesso ao conhecimento mudou, e quem cresceu com o buscador aberto aprendeu a não guardar o que pode consultar. O problema é que essa aposta tem um custo escondido. Saber que a teoria existe e saber quando ela se aplica são coisas diferentes. A primeira se consulta. A segunda se constrói lentamente, usando a primeira muitas vezes até ela virar critério. Quem só tem acesso pede à máquina “uma análise de mercado”. Quem tem critério pede “uma análise de posicionamento, porque o problema deste cliente é de percepção e não de distribuição”. A ferramenta responde bem aos dois pedidos. Só um deles saberá se a resposta está certa.
É nesse ponto que a discussão sobre alucinação de IA precisa ser reorganizada. O termo costuma ser usado apenas para o modelo que inventa um dado, cita uma fonte inexistente ou preenche uma lacuna com o que soa plausível. Esse risco existe, é documentado e vem diminuindo a cada versão dos modelos. Mas ele é só a primeira de três camadas, e a menos controlável por quem usa a ferramenta.
A segunda camada é a dos dados. O consenso do mercado em 2026 aponta que a maior parte dos problemas com IA no marketing vem da qualidade do que alimenta o sistema, e não da tecnologia em si: bases desatualizadas, informações fragmentadas entre áreas, contexto de negócio que nunca foi registrado em lugar nenhum. A máquina recebe um retrato incompleto da empresa e devolve uma análise coerente com esse retrato. O erro parece da IA, mas nasceu antes dela.
A terceira camada é a menos discutida e a mais humana: a inexperiência de quem pergunta. Um prompt é um briefing. Qualquer profissional de comunicação sabe o que uma agência entrega quando recebe um briefing de duas linhas, e sabe também que a culpa do resultado raramente é da agência. A IA não mudou essa lógica, apenas a acelerou. Quem nunca aprendeu a briefar uma equipe não vai saber briefar um modelo. E aqui as camadas se encontram: o estudante que não construiu critério é o profissional que, daqui a dois anos, escreverá prompts genéricos e receberá respostas genéricas embaladas como específicas.
Os dados corroboram esse diagnóstico. O relatório do MIT sobre adoção de IA generativa nas empresas atribuiu a maior parte dos fracassos não à qualidade dos modelos, mas ao que chamou de “learning gap”: a distância entre a ferramenta e a capacidade das pessoas e organizações de usá-la. A pesquisa CMO Survey, da Universidade Duke, chegou a uma conclusão parecida por outro caminho. Quando os líderes de marketing avaliam suas próprias equipes, a nota mais baixa não vai para o acesso a ferramentas, e sim para o capital humano. A infraestrutura chega mais rápido do que as pessoas capazes de operá-la.
Antes da IA, a falta de repertório era visível. Quem não sabia analisar entregava uma análise ruim, e todos percebiam na hora. Agora a análise chega bonita, com vocabulário certo e estrutura profissional, e a lacuna só aparece quando o plano construído sobre ela falha. A ferramenta não criou o problema. Ela o tornou invisível.
Resta uma pergunta que este texto não responde. Suponha que os dados estejam corretos, que o prompt seja bom e que a análise esteja certa. O plano fica pronto, é aprovado com entusiasmo, e mesmo assim não sai do papel. Isso também é uma alucinação. Mas não é da máquina. É o assunto da segunda parte.
Fontes
Fortune — MIT report: 95% of generative AI pilots at companies are failing (The GenAI Divide, MIT NANDA, 2025) — https://www.fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo
MarketScale — 2026 CMO Survey: short-termism is shrinking marketing’s role (Duke University CMO Survey) — https://www.marketscale.com/industries/marketing-tech/cmos-are-shrinking-marketings-role-to-survive-short-term-pressure-the-2026-data-shows
Portada — CMO Survey: AI Growth Meets Marketing Headwinds 2026 — https://www.portada-online.com/latest-news/cmo-survey-ai-growth-marketing-headwinds-2026/
Gartner — 2026 CMO Spend Survey: CMOs allocate 15.3% of budgets to AI, but only 30% are ready to scale — https://www.gartner.com/en/newsroom/press-releases/2026-05-11-gartner-2026-cmo-spend-survey-finds-cmos-allocate-15-point-3-percent-of-marketing-budgets-to-ai-but-only-30-percent-are-ready-to-scale-ai-capabilities
Data Axle — How to avoid AI pitfalls in 2026: a marketer’s guide (qualidade de dados como origem das alucinações) — https://www.data-axle.com/resources/blog/avoid-ai-pitfalls-in-marketing/
Pereira, Bacalhau & Neves (2026). Bias and Hallucinations in AI Marketing: Ethical Challenges and Emerging Responsibilities. Springer. — https://link.springer.com/chapter/10.1007/978-3-032-22360-9_4
