IA para conteúdo de marketing B2B: ChatGPT ou Jasper, a IA da sua plataforma ou agentes que trabalham com fatos aprovados

Peça um estudo de caso a uma ferramenta de IA e logo volta um rascunho fluente. Ele também pode conter uma economia que nenhum cliente jamais relatou. Há três caminhos para usar IA em artigos, posts, e-mails e páginas de vendas B2B. Você pode usar um assistente de uso geral ou uma ferramenta de redação, ou a IA dentro da plataforma de marketing que você já paga. O terceiro caminho é um conjunto de agentes que pesquisam, escrevem e verificam a partir de uma única base de fatos aprovados da empresa, com uma pessoa aprovando o que sai. O primeiro ou o segundo caminho pode bastar. Em qualquer caminho, o resultado depende de duas coisas que você mesmo define: uma lista escrita de fatos aprovados e uma pessoa designada que dá o aval.

O que dá errado quando a IA escreve conteúdo de marketing?

O primeiro problema é um fato dito com segurança que ninguém forneceu ao modelo. A documentação da Anthropic diz: “Mesmo os modelos de linguagem mais avançados, como o Claude, às vezes podem gerar textos factualmente incorretos ou inconsistentes com o contexto fornecido.” As orientações do Google para proprietários de sites explicam por quê: “os modelos generativos não recuperam fatos, mas preveem uma sequência provável de palavras com base nos seus dados de treinamento.” Em textos de marketing, isso significa um percentual, o nome de um cliente, um certificado ou um recurso que parece correto e não tem fonte.

O mesmo mecanismo prejudica a sua voz. Sem material e regras próprios, a redação mais provável tende a ser a de todo mundo, e os seus posts podem começar a soar como os dos seus concorrentes. O Google também alerta que “usar ferramentas de IA generativa ou outras ferramentas semelhantes para gerar muitas páginas sem agregar valor para os usuários pode violar a política de spam do Google sobre abuso de conteúdo em escala.”

Há também a afirmação que ninguém aprovou. O código britânico de publicidade fora do rádio e da TV, o CAP Code, diz que “os anunciantes devem dispor de provas documentais para comprovar as afirmações que os consumidores provavelmente considerarão objetivas e que sejam passíveis de comprovação objetiva.” Ele também exige provas “de que um depoimento ou endosso usado em uma comunicação de marketing é genuíno”, e uma citação de cliente inventada por um modelo não passa nesse teste. Para as corretoras (broker-dealers) dos EUA, a FINRA afirma: “As empresas são responsáveis pelas suas comunicações, independentemente de terem sido geradas por um ser humano ou por tecnologia de IA.”

Esses problemas chegam aos leitores se ninguém for responsável pela verificação final. Quando o redator confia no editor e o editor confia na ferramenta, ninguém leu os números.

O que uma ferramenta de redação como o ChatGPT ou o Jasper oferece?

O primeiro caminho é um assistente de uso geral, como o ChatGPT ou o Claude, ou uma ferramenta de redação para empresas, como o Jasper ou o Writer. A Anthropic diz que os projetos do Claude “permitem criar espaços de trabalho independentes, com históricos de chat e bases de conhecimento próprios”, com instruções que podem definir um tom.

Um assistente de uso geral consegue até fazer uma checagem simples de fatos. Um prompt de exemplo na documentação da Anthropic pede um comunicado à imprensa “usando apenas informações destes briefings de produto e relatórios de mercado”. Depois acrescenta: “Se você não encontrar uma citação que sustente uma afirmação, remova essa afirmação do comunicado à imprensa”. Qualquer equipe pode copiar esse padrão com o seu próprio fact sheet, e, para uma equipe pequena, isso pode ser tudo de que ela precisa.

Os limites vêm da forma como as pessoas usam essas ferramentas. Cada redator guarda os próprios prompts e arquivos, então um redige com base no fact sheet deste trimestre e outro, no do ano passado. A menos que você configure isso, nada registra de onde veio uma afirmação nem impede que um rascunho não lido seja publicado. As configurações também podem ficar sem efeito até que alguém as conecte. A central de ajuda do Writer avisa: “Para que o seu guia de estilo e os seus termos se apliquem aos resultados gerados no WRITER Agent, você precisa primeiro conectá-los ao perfil de voz.” Os planos também limitam o que você pode carregar: o plano Pro do Jasper lista “2 Brand Voices, 5 Knowledge assets and 3 Audiences”.

O que a IA da sua plataforma de marketing acrescenta, e onde ela termina?

O segundo caminho usa uma IA que talvez já faça parte de uma ferramenta que você paga. A página de ajuda da HubSpot diz: “Use as ferramentas de IA da HubSpot para adaptar o conteúdo gerado ou escrito à voz específica da sua marca.” A página de produto dela lista um Content Agent com a frase “Crie posts de blog, conteúdo para redes sociais e landing pages na voz da sua marca.” O Adobe GenStudio for Performance Marketing dá a cada rascunho um “Percentage of compliance with your Brand”, calculado por quantas das suas diretrizes ele cumpre. Para anúncios de imagem única no Campaign Manager, o LinkedIn diz que “pode gerar várias variações de anúncio, incluindo títulos, texto de introdução e visuais sugeridos.”

Assim, a redação acontece onde o conteúdo é agendado e medido, sob permissões de usuário que você já gerencia. A desvantagem é uma visão estreita. Cada plataforma guarda o próprio conteúdo e as próprias configurações, então os fatos dos seus e-mails no HubSpot e dos seus anúncios no LinkedIn podem acabar divergindo. Os controles de aprovação podem exigir um plano superior. A HubSpot diz que “é necessária uma assinatura Enterprise para acessar as configurações de aprovação de tipos de conteúdo específicos” e também que “os superadministradores podem pular as aprovações.”

Uma pontuação de marca conta quantas diretrizes um rascunho segue. Saber se um número do texto é verdadeiro exige uma verificação à parte, então pergunte com o que a plataforma compara as afirmações. Nos recursos que as plataformas agora chamam de agentes, pergunte de onde vêm os fatos e quem aprova o resultado.

O que acrescentam os agentes que trabalham com fatos aprovados, e quanto custam?

Um sistema de agentes divide o trabalho entre vários agentes de IA. A Anthropic descreve os agentes como “normalmente apenas LLMs que usam ferramentas com base no feedback do ambiente, em um loop.” LLM significa grande modelo de linguagem, e ferramentas são funções que o modelo pode chamar, como uma busca na web ou um repositório de documentos. Um agente reúne fontes sobre um tema, e outro redige a partir dos fatos aprovados e das regras de tom de voz. Depois, um agente verificador compara cada afirmação com os fatos e sinaliza as que ficam sem correspondência. Uma pessoa aprova ou rejeita a peça, e o sistema registra quem fez isso.

A etapa de verificação segue um padrão que a Anthropic chama de avaliador-otimizador: “uma chamada de LLM gera uma resposta enquanto outra fornece avaliação e feedback, em um loop.” A Anthropic também escreve que os agentes “podem então pausar para receber feedback humano em pontos de verificação ou ao encontrar bloqueios.”

Esse sistema pode compensar quando o volume de conteúdo é alto. Todos os canais e idiomas partem de um único conjunto de fatos, e o revisor vê quais afirmações foram verificadas. Ele também dá trabalho. A Anthropic, que vende modelos para sistemas desse tipo, recomenda “encontrar a solução mais simples possível e só aumentar a complexidade quando necessário. Isso pode significar não construir sistemas agênticos de forma alguma.” Alguém precisa manter a base de fatos atualizada, fazer a manutenção dos agentes, pagar pelo uso dos modelos e tratar os alertas. Se um redator e um editor dão conta do seu volume, esse trabalho traz pouco retorno.

O que entra em uma base de fatos com afirmações aprovadas?

Uma base de fatos é a lista das afirmações que a sua empresa decidiu que pode fazer em público, cada uma com a sua evidência. Mantenha uma única lista, lida por todos os redatores e por todas as ferramentas. Para cada afirmação, registre:

• a redação exata, para que redatores e modelos a copiem em vez de reformulá-la;
• a evidência: um documento, um número com a data em que foi medido ou a pessoa que a confirmou;
• onde ela pode ser usada, por exemplo no site e em e-mails de vendas, mas não em anúncios pagos;
• o evento que a manda de volta para revisão, como uma mudança de preço ou um cliente que retira o consentimento.

Acrescente as palavras que a empresa nunca usa, como sem risco ou totalmente seguro. Nomes, logotipos e citações de clientes só entram com consentimento por escrito.

Comece pelas afirmações que a sua equipe de vendas mais repete. Quando um rascunho traz uma afirmação que não está na lista, ele espera até que a afirmação seja aprovada ou removida.

Como escrevemos regras de tom de voz que um modelo siga?

As regras de tom de voz funcionam quando alguém consegue conferir um rascunho com base nelas. Adjetivos como amigável ou profissional não podem ser conferidos. Regras como estas podem ser conferidas:

• Trate o leitor por você e a empresa por nós.
• Uma ideia por frase, e nenhuma frase com mais de duas linhas.
• Um número com a sua unidade em vez de um adjetivo como rápido ou poderoso.
• Diga o que o produto não faz com a mesma clareza com que diz o que ele faz.
• Palavras proibidas, cada uma com a palavra a usar no lugar.

Dê a cada regra a sua justificativa e dois trechos do seu próprio conteúdo anterior, um que a segue e outro que a descumpre. O guia de prompts da Anthropic diz: “Os exemplos são uma das formas mais confiáveis de orientar o formato, o tom e a estrutura da saída do Claude.” Mantenha a lista curta. Para regras editoriais no GenStudio, a Adobe sugere de 5 a 10 diretrizes e pede “orientações claras e acionáveis”, por exemplo “Mantenha as frases com menos de 20 palavras” em vez de “Seja conciso”.

Teste as regras antes de confiar nelas. Peça a um colega que aponte o rascunho da IA em um conjunto que inclua as suas próprias peças publicadas.

Quem revisa um rascunho antes de ele sair, e em que ordem?

Registre a ordem por escrito e mantenha-a igual em todos os caminhos. Primeiro vem a checagem dos fatos com base na lista aprovada, feita por uma pessoa ou por um agente verificador. Depois, um editor compara o rascunho com as regras de tom de voz. Afirmações sobre questões legais, segurança, preços, resultados de clientes ou produtos financeiros vão para o jurídico ou para o compliance. Por último, uma pessoa designada aprova a versão final, e o registro mostra quem aprovou o quê e quando. Entregue a essa pessoa as afirmações com as suas fontes e os eventuais alertas, para que a verificação seja rápida.

Algumas empresas reguladas já trabalham assim. A Rule 2210 da FINRA diz: “Um dirigente registrado e devidamente qualificado do membro deve aprovar cada comunicação ao varejo antes do seu uso ou do seu protocolo no Departamento de Regulação de Publicidade da FINRA, o que ocorrer primeiro”. Essa regra se aplica às corretoras membros da FINRA e prevê exceções, mas qualquer empresa pode copiar a lógica dela e não publicar nada sem aprovação.

O que colamos nas ferramentas de IA, e o que os fornecedores fazem com isso?

Os rascunhos podem partir de material que ainda não é público, como uma mudança de preço ou os resultados de um cliente. Antes que alguém cole esse material, verifique em qual plano a pessoa está e o que o fornecedor diz que faz com os dados.

Os termos variam conforme o plano. A Anthropic diz que, por padrão, “não usará as suas entradas ou saídas dos nossos produtos comerciais” para treinar os seus modelos. Os planos dela para consumidores dão aos usuários “a opção de permitir que os seus dados sejam usados para melhorar o Claude”, então um redator com conta pessoal pode estar sujeito a termos diferentes. A OpenAI diz que “os dados enviados à API da OpenAI não são usados para treinar nem melhorar os modelos da OpenAI (a menos que você opte explicitamente por compartilhar dados conosco).” Essa frase trata da API; para o ChatGPT, confira os termos do plano que cada redator usa.

A HubSpot diz que “pode usar dados de clientes, conforme definidos nos Termos de Serviço para Clientes da HubSpot, para treinar e melhorar os próprios modelos de IA da HubSpot”. Sobre a opção de opt-out, ela diz: “Por padrão, a configuração estará ativada.” Diz também que não deixa provedores de IA terceiros treinarem com dados de clientes. A central de ajuda do Writer diz: “Não treinamos os nossos LLMs com dados de clientes.”

Confira esses pontos no contrato e nos termos de tratamento de dados, e guarde uma cópia datada. Dê à equipe uma regra de uma página: quais ferramentas e planos estão aprovados e o que nunca entra em ferramenta nenhuma, como resultados financeiros ainda não divulgados ou dados de um cliente.

Como os fornecedores cobram pela IA que escreve conteúdo de marketing?

Os fornecedores cobram por usuário (seat), por meio de um saldo de créditos, por uso ou por uma combinação desses modelos. O Jasper cobra o plano Pro por usuário por mês e faz cotações personalizadas para o Business. A Anthropic também cobra o plano Team por usuário por mês. A HubSpot diz que “muitos recursos e agentes de IA funcionam com HubSpot Credits”, comprados “antecipadamente, em pacotes, para um gasto previsível, ou conforme são usados, no modelo pay-as-you-go.”

O preço por uso cobra pelo texto que um modelo lê e escreve, contado em tokens. Tokens são pequenos pedaços de texto que os provedores contam e cobram. A página de preços da API da Anthropic lista o Claude Sonnet 5.5 a 2 dólares por milhão de tokens de entrada e 10 dólares por milhão de tokens de saída. Os preços de tabela mudam. O plano Enterprise da Anthropic combina usuários e uso: “US$ 20 por usuário por mês, mais o uso cobrado às tarifas da API, de modo que o custo acompanha os modelos e as tarefas que a sua equipe executa.”

Um sistema de agentes chama um modelo várias vezes para cada peça. Peça à equipe que construiria o sistema o custo medido de uso de modelo para um artigo aprovado. Depois some as horas das pessoas que mantêm a base de fatos. Em qualquer caminho, obtenha o preço por escrito, incluindo o número mínimo de usuários e os adicionais, e pergunte o que acontece quando os créditos acabam.

Como medimos os resultados, incluindo o que os assistentes de IA dizem sobre nós?

Meça primeiro o processo. Desde a primeira semana, acompanhe:

• tempo entre o briefing e a peça aprovada;
• correções factuais encontradas na revisão, por rascunho;
• rascunhos rejeitados por completo;
• horas de editor por peça publicada.

Se o número de correções não cair nos primeiros meses, ajuste a base de fatos e as regras de tom de voz antes de trocar de ferramenta. Meça os resultados como antes: tráfego de busca, respostas, reuniões agendadas e negócios em que o conteúdo teve algum papel.

Você também pode querer saber se os assistentes de IA mencionam a sua empresa quando os compradores perguntam sobre a sua área. O Google diz: “Não há requisitos adicionais para aparecer nos AI Overviews ou no AI Mode, nem outras otimizações especiais necessárias”. E acrescenta que os sites que aparecem ali “estão incluídos no tráfego geral de pesquisa no Search Console.” A OpenAI diz que “o OAI-SearchBot é usado para exibir sites nos resultados de pesquisa dos recursos de busca do ChatGPT” e que os sites que optaram por bloqueá-lo “não serão exibidos nas respostas de busca do ChatGPT”. Verifique se o seu arquivo robots.txt não bloqueia os crawlers dos assistentes que importam para você.

Para acompanhar as menções, anote vinte perguntas reais de compradores. Faça cada uma delas em todos os assistentes que importam para você, várias vezes e em datas fixas, e registre se você é mencionado e quais páginas são citadas. Conte quantas vezes você é mencionado a cada mês, porque uma resposta isolada diz pouco.

Qual caminho serve à nossa empresa?

Use um assistente de uso geral ou uma ferramenta de redação quando uma ou duas pessoas escrevem algumas peças por semana e um editor lê todas elas. A IA da sua plataforma serve quando o conteúdo é criado e publicado dentro dessa plataforma e as configurações de aprovação e de tom de voz dela cobrem os seus canais. Considere agentes que trabalham com uma única base de fatos quando várias pessoas publicam em vários canais e idiomas, os fatos mudam com frequência, há afirmações reguladas no texto ou um único número errado sai caro. Se ninguém puder ser responsável pela base de fatos, fique nos dois primeiros caminhos, porque agentes que trabalham com fatos desatualizados os espalham por todos os canais de uma vez.

O que devemos perguntar a um fornecedor ou a uma equipe que fosse construir um sistema de agentes?

Para um fornecedor de ferramenta de redação ou de plataforma:

• Com base em quais fatos a ferramenta redige, e podemos ver de onde veio cada afirmação?
• Existe uma etapa de aprovação que ninguém pode pular, com o registro de quem aprovou qual versão?
• Os nossos dados são usados para treinar algum modelo, em qual plano, e onde o contrato diz isso?
• Quanto custa um mês do nosso volume real, e o que podemos exportar se sairmos?

Para uma equipe que fosse construir um sistema de agentes:

• Onde a base de fatos vai ficar, e quem do nosso lado pode alterá-la?
• Como a etapa de verificação decide que uma afirmação tem respaldo, e o que acontece com as afirmações para as quais ela não encontra correspondência?
• Quais modelos e fornecedores vão processar os nossos rascunhos, e sob quais termos de dados?
• Quanto custa um artigo aprovado em uso de modelo, e quem mantém os agentes depois do lançamento?
• O que é nosso no final: o código, os prompts, a base de fatos e os logs?

Onde a amBrain se encaixa?

A amBrain publica este blog e é parte interessada neste tema. Sobre o próprio produto, ela diz: “Nosso produto próprio, o aigo, roda em agentes de IA que pesquisam, escrevem, verificam e medem a partir de uma memória compartilhada dos fatos da empresa. Uma pessoa aprova tudo o que sai.” Isso corresponde ao terceiro caminho acima, então leia este guia sabendo que quem o publica tem um produto desse tipo.

Este artigo não é um estudo de caso e não descreve nenhum trabalho para clientes. Ele não diz que a amBrain constrói sistemas de agentes para clientes e não relata nenhum resultado do aigo. As outras empresas, os produtos e os reguladores citados aqui são referenciados a partir das suas páginas publicadas. O artigo não afirma nenhuma relação entre a amBrain e nenhum deles e não traz preços nem prazos da amBrain.

A amBrain constrói software desde 2019. Sobre como trabalha com os clientes, ela diz: “Três formatos: entrega completa, time dedicado ou engenheiros embarcados no seu time.” A frase dela sobre propriedade é: “O cliente mantém a propriedade integral do produto e do código, exceto dos nossos componentes reutilizáveis.” As perguntas acima valem para qualquer empresa que você estiver avaliando.