CDPs agênticas levam IA de marketing direto ao data platform

A IA agêntica ainda não chegou ao negócio

Dylan Anderson argumenta que, apesar do discurso de que a IA agêntica está em toda parte, ela ainda não provocou grande impacto nos domínios de negócio. A IA já escreve parte relevante do código novo e do trabalho técnico, mas a maioria dos profissionais de marketing, finanças e operações ainda usa IA como chatbot. O autor cita a pesquisa State of AI da McKinsey: 23% das organizações usam algum sistema agêntico e 39% experimentam, mas no máximo 10% escalam agentes em qualquer função de negócio - o escalonamento fica restrito a TI, dados, operações de serviço e engenharia de software.

A divisão tem duas causas: falta de compreensão técnica para trabalhar com agentes e falta de produtos embutidos no fluxo de trabalho desses profissionais. Além disso, as empresas concentram o investimento em produtividade - o degrau mais baixo de valor - em vez de direcioná-lo à proposta de valor e ao crescimento, áreas que pertencem ao negócio e onde produtividade é difícil de medir.

Marketing como porta de entrada

O autor aposta que o marketing será a primeira função a mudar, por tradição histórica: da segmentação de mala direta nos anos 70 aos programas de fidelidade, CRM, web analytics, MarTech e CDPs, cada onda de dados começou pelo marketing. O que torna esta onda diferente é que os agentes atuam dos dois lados da jornada: consumidores usam agentes para pesquisar, comparar e transacionar, enquanto empresas implantam agentes para entender e engajar esses mesmos clientes. Segundo pesquisa da CI&T com 1.040 consumidores americanos, 74% já usam ferramentas de IA na jornada de compras ao menos ocasionalmente, e o ChatGPT Ads atingiu US$ 1 bilhão de run rate anual em 200 dias.

O problema do CDP tradicional

Um Customer Data Platform (CDP) ingere e organiza dados de clientes de várias fontes, resolve perfis unificados por pessoa e permite aos marketeiros construir públicos e ativá-los em campanhas. Foi um avanço, mas é um middleware: fica entre o data platform, o stack de MarTech e os canais, geralmente sob posse do marketing e fora do ambiente governado de dados. O Reverse ETL sincroniza cópias, não dados vivos. Os CDPs não foram construídos com IA embutida em mente, e carecem dos dados modelados - granularidade definida, dimensões conformes, linhagem, definições de negócio acordadas - que um agente precisa para saber, por exemplo, o que conta como evento de churn.

O cenário piora em empresas sem middleware: stakeholders usam chatbots como Claude ou ChatGPT para acessar diretamente o data warehouse, sem governança, gerando riscos de segurança e definições que derivam. Por isso, muitos times de dados simplesmente negam acesso ao warehouse - caso da esposa do autor, VP de Marketing, que não tem rota viável ao Snowflake da empresa. Uma conexão MCP entregaria a um operador não técnico um duto bruto a dados de produção de clientes.

O CDP agêntico

A proposta de CDP agêntico - que o autor explora em parceria com a Databricks, patrocinadora do artigo, por meio do produto CustomerLake, em private preview - faz três coisas: fica totalmente embutido no data platform governado, é agent-first (operações agênticas como modo primário de entrega de personalização, segmentação e ativação) e é construído para marketeiros, com interface acessível em vez de terminal. A maioria dos CDPs do mercado que se dizem agênticos, segundo o autor, apenas emendou recursos sobre ferramentas criadas antes do ChatGPT.

O conceito central é o "golden context", termo de Scott Brinker: a sobreposição entre objetivos da empresa, necessidades do cliente e capacidade dos sistemas de entregar em tempo real. Em vez de registro estático (cliente comprou tênis há 18 meses, tamanho 10), o agente cruza inventário, limites de frequência de contato e a meta de aumentar compras de segunda vez para priorizar ações.

O autor lista requisitos: governança e PII unificadas (no caso do CustomerLake, via Unity Catalog), qualidade de dados com resolução de identidade agêntica que combine métodos determinísticos, probabilísticos e revisão humana, acesso por linguagem natural (ferramenta Genie), auditoria e troubleshooting com linhagem, e conexão sem migração (Lakehouse Federation lê Snowflake, BigQuery e bancos operacionais, além de Reverse ETL para o stack existente).

Casos de uso e ressalvas

Os casos de uso são sequenciais e acumulativos: perguntas em linguagem natural sobre dados governados (ganho de produtividade), construção assistida de públicos e design de campanhas (conhecimento e contexto), próxima melhor ação recomendada pelo agente (crescimento) e engajamento contínuo e individualizado - área ainda imatura, em que os humanos definem estratégia e salvaguardas, enquanto agentes lidam com decisões de alta frequência. Isso libera o time de marketing para marca, posicionamento e criação, onde a IA ainda falha.

A principal ressalva do autor: comprar a plataforma não move o time de marketing na escada de maturidade - apenas garante que a escada existe. Sem dados modelados, definições acordadas e times que saibam usar dados, o problema persiste. Implementações de CDP levam de três a doze meses; abordagens warehouse-native podem cair em duas a seis semanas, desde que a modelagem esteja feita. Para quem roda poucas campanhas por ano, uma ferramenta agêntica pode ser desnecessária. Bem implementado, o modelo devolve tempo ao time de dados sem abrir mão do controle e dá ao marketing uma camada comum de mensuração ligando decisões de campanha, comportamento do cliente e resultados de negócio.