O conhecimento estava espalhado demais para a operação crescer com leveza
O problema central não era a ausência de capacidade técnica. Era o fato de essa capacidade estar fragmentada demais para escalar.
Cada marca do grupo operava campanhas com regras específicas, nomes próprios, estruturas particulares de briefing e hábitos distintos de execução. O que funcionava para uma unidade não necessariamente era legível para outra. Na prática, isso criava um ecossistema em que a inteligência ficava presa à bandeira, e não ao grupo.
Essa fragmentação produzia um primeiro efeito: dependência humana excessiva. Analistas mais experientes se tornavam detentores de regras críticas que não estavam sistematizadas em plataforma. Quando alguém saía, levava consigo uma parte importante da operação. O segundo efeito era lentidão. Traduzir uma intenção de negócio em query, Data Extension, lógica de segmentação e nomenclatura exigia trabalho artesanal, repetitivo e sujeito a erro. O terceiro efeito era estrutural: sem taxonomia comum, o grupo não conseguia comparar performance com profundidade nem circular pessoas entre marcas com a agilidade necessária.
O desafio, portanto, não era só automatizar uma etapa. Era criar uma camada de abstração que tornasse a operação mais agnóstica à marca sem apagar as especificidades de cada negócio.
Uma engine para traduzir intenção de negócio em estrutura operável
A resposta foi padronizar o que estava disperso sem engessar o que precisava continuar específico.
A MATH desenvolveu o AI Campaign Builder como uma plataforma modular capaz de transformar briefing de negócio em estrutura técnica de campanha com apoio de GenAI e regras de governança embarcadas. Em vez de usar IA como interface conversacional genérica, o projeto a colocou para operar sobre um problema muito concreto: traduzir intenção em execução com consistência sintática, lógica e nomenclatura.
A primeira camada da solução foi a padronização do input. O sistema passou a receber os elementos essenciais da campanha em uma estrutura organizada, capaz de reduzir ambiguidades e transformar briefing em matéria-prima realmente utilizável. Isso permitiu diminuir a distância entre a linguagem do negócio e a linguagem da operação técnica.
A segunda camada foi a orquestração da geração. A IA passou a estruturar queries, Data Extensions, nomes de régua e partes relevantes da lógica de configuração dentro de parâmetros controlados. O analista deixou de escrever tudo do zero e passou a atuar como auditor de arquitetura, revisando e validando a entrega antes da ativação.
A terceira camada foi a abstração multi-marca. Em vez de codificar a ferramenta para uma bandeira específica, a MATH desenhou um núcleo agnóstico com regras plugáveis por contexto. Isso permitiu manter diferenças importantes entre marcas sem comprometer a possibilidade de operar todas elas dentro de uma mesma lógica central.
A quarta camada foi a ampliação da utilidade operacional. Além de estruturar campanhas, a solução passou a apoiar padronização de nomes, recomendações baseadas em histórico, estimativas de custo por canal e geração de cards para fluxos operacionais subsequentes. O processo deixou de ser uma soma de tarefas isoladas e passou a funcionar como cadeia mais integrada.
O ganho não veio só da automação da query. Veio da criação de uma linguagem comum entre marcas, áreas e etapas de execução.
O que acontece quando a operação deixa de depender de especialistas por bandeira
O primeiro efeito foi tempo. Um processo que podia consumir entre 1h10 e 2h30 por régua passou a exigir cerca de 10 minutos de validação. Essa compressão muda não apenas a velocidade de uma campanha específica, mas a capacidade do grupo de sustentar volume sem expandir a estrutura na mesma proporção.
O segundo efeito foi capacidade recuperada. A projeção de 3.211 a 7.492 horas anuais devolvidas ao negócio mostra quanto esforço antes estava sendo gasto em tradução manual, repetição e adaptação entre marcas. Esse tempo volta para onde gera mais valor: estratégia de captação, retenção e análise.
O terceiro efeito foi elasticidade de equipe. Com a padronização embutida na ferramenta, um analista deixou de ser refém de uma bandeira específica. Isso muda a estrutura de operação do grupo. As pessoas passam a circular com mais fluidez entre marcas porque a complexidade local não desapareceu, mas foi absorvida por uma camada técnica mais organizada.
O quarto efeito foi governança. A unificação de nomenclatura e estrutura criou a possibilidade de uma leitura transversal entre marcas, algo que antes era dificultado pelo desenho fragmentado da operação. Pela primeira vez, a escala do grupo começou a se traduzir também em comparabilidade operacional.
Ao final, o AI Campaign Builder não acelerou apenas a produção de campanhas. Ele reorganizou a base sobre a qual o grupo pode operar CRM com menos atrito e mais inteligência compartilhada.
