O Que a IA Ainda Não Consegue Fazer em Estratégia de Marca : Blog

TL;DR

McKinsey (2023): IA generativa pode automatizar 60-70% das atividades de trabalhadores do conhecimento. Mas o trabalho mais valioso em marca é o que sobra.
Gerald Zaltman (Harvard Business School): 95% das decisões de compra são subconscientes. IA opera com dados explícitos. Compras acontecem no implícito.
Kahneman, Sibony e Sunstein em "Noise" (2021): IA reduz ruído no julgamento humano, mas não gera julgamento. São coisas diferentes.
O estrategista que IA substitui é o que já estava sendo substituível antes dela existir. O que nunca foi substituível é quem entende por que culturas mudam e como marcas habitam esses espaços.

O Número Que Todo Mundo Cita Errado

Em 2023, o McKinsey Global Institute publicou um relatório sobre o impacto do GenAI no trabalho. A estatística que viralizou: inteligência artificial generativa tem o potencial de automatizar atividades que correspondem a 60 a 70% do tempo dos trabalhadores do conhecimento. O relatório real dizia algo mais preciso, mas a versão simplificada foi a que se propagou.

O relatório real dizia: automação dessas atividades liberaria tempo para trabalho de maior valor, e que o maior impacto seria sentido em tarefas repetitivas, baseadas em padrões e com outputs verificáveis. Análise de dados, redação de relatórios, síntese de informação, geração de variações criativas dentro de templates já definidos.

A distinção importa. Porque o trabalho de maior valor em estratégia de marca raramente é repetitivo, raramente é baseado em padrões óbvios e quase nunca tem um output verificável de forma direta. Você não pode medir no momento de criação se um posicionamento vai funcionar daqui a três anos. Você pode medir se um relatório está bem escrito agora.

O Problema dos 95%

Gerald Zaltman passou décadas no Harvard Business School estudando como consumidores tomam decisões. Em 2003, em "How Customers Think", consolidou o que anos de pesquisa com neuroimagem e entrevistas em profundidade indicavam: aproximadamente 95% das decisões de compra são subconscientes. Acontecem antes que o consumidor saiba que tomou uma decisão.

95%

das decisões de compra são subconscientes, segundo Gerald Zaltman (Harvard Business School, 2003). IA é treinada em dados explícitos. Compras acontecem no implícito.

Daniel Kahneman formalizou a arquitetura desse processo em "Thinking, Fast and Slow" (2011). Sistema 1: rápido, automático, emocional, associativo, opera por heurísticas e memória de longo prazo. Sistema 2: lento, deliberado, racional, energeticamente custoso, ativado quando o Sistema 1 encontra algo que não consegue resolver sozinho. A maior parte das escolhas de consumo é Sistema 1. A maior parte dos modelos de IA trabalha com lógica Sistema 2.

O problema não é que IA seja ruim em processar dados. O problema é que as decisões que mais importam em estratégia de marca acontecem em um terreno onde dados explícitos são apenas a superfície. O que está debaixo (memória emocional, associações culturais, significado simbólico, identidade pessoal projetada) é o que move o comportamento real, e é exatamente o que IA tem mais dificuldade de modelar.

Onde IA Realmente Ajuda (E Onde Você Está Enganado)

Antes de falar sobre limites, é necessário ser honesto sobre o que funciona. IA é genuinamente poderosa em um conjunto específico de tarefas em estratégia de marca.

Síntese de pesquisa: processar centenas de avaliações de consumidores, relatórios de mercado, dados de mídia social e identificar padrões de frequência em minutos, processo que levaria semanas para um analista humano. Geração de variações: produzir dezenas de versões de copy para teste A/B, adaptações de conteúdo para diferentes canais, localização de material criativo. Análise de performance: identificar correlações entre variáveis de campanha e resultados mensuráveis, com muito mais precisão e velocidade que qualquer humano.

Onde o estrategista fica enganado é assumir que síntese de padrões equivale a insight estratégico. Não equivale.

"Dados nos dizem o que está acontecendo. Raramente nos dizem por que. E quase nunca nos dizem o que fazer."
Mark Ritson, Mini MBA in Marketing

IA treinada em dados de comportamento passado é boa em identificar o que aconteceu. É estruturalmente limitada em entender por que aconteceu em termos culturais e em prever como culturas vão mudar. Porque culturas mudam de maneiras que os dados históricos não conseguem antecipar. O TikTok não apareceu em nenhum modelo preditivo de 2016. A ascensão do consumidor preocupado com autenticidade de marca em plena era de conteúdo gerado por IA não estava nos dados de 2020.

O Que Kahneman, Sibony e Sunstein Descobriram Sobre Julgamento

Em "Noise: A Flaw in Human Judgment" (2021), Daniel Kahneman, Olivier Sibony e Cass Sunstein fizeram uma distinção que mudou como deveríamos pensar sobre IA em funções estratégicas. A distinção entre viés e ruído.

Viés é um erro sistemático na mesma direção. Ruído é variabilidade aleatória nos julgamentos. Se dois médicos examinam o mesmo paciente e chegam a diagnósticos diferentes, ou se o mesmo médico examina o mesmo caso em dois dias diferentes e chega a conclusões distintas, isso é ruído. Os autores mostraram que o ruído nos julgamentos humanos é muito maior do que se imaginava, e que sistemas algorítmicos são mais consistentes que humanos em decisões repetíveis baseadas em dados verificáveis.

A conclusão que muitos tiraram: logo, IA supera julgamento humano. Mas os próprios autores foram precisos sobre os limites. Algoritmos reduzem ruído. Não geram sabedoria. Reduzir ruído é valioso quando você está tomando decisões que se repetem, com critérios claros e feedback rápido. Em estratégia de marca, você raramente tem essas condições. Posicionamento é uma decisão singular. A maior parte do feedback leva anos para ser legível.

O Problema da Memória Cultural

Byron Sharp, no Ehrenberg-Bass Institute, demonstrou que marcas crescem por disponibilidade mental: a probabilidade de uma marca ser lembrada em situações de compra relevantes. E que disponibilidade mental se constrói por ativos distintivos: elementos sensoriais e simbólicos que criam estruturas de memória únicas associadas à marca.

O trabalho de construção de ativos distintivos requer entender como memória funciona em contextos culturais específicos. O que uma cor significa em uma cultura particular, em um momento histórico específico, para uma geração com um conjunto específico de referências. O vermelho da Coca-Cola carrega décadas de memória coletiva que não pode ser transferida para outra marca pelo simples processo de usar a mesma cor. O roxo do Nubank funcionou porque havia uma lacuna emocional específica no setor financeiro brasileiro que aquele roxo conseguiu preencher no momento certo.

IA consegue identificar que o roxo do Nubank tem alta associação com a marca. Não consegue entender por que funcionou culturalmente, e portanto não consegue prescrever o que vai funcionar para outra marca em outro contexto.

O Que Les Binet Diz Sobre Eficácia Criativa

Les Binet e Peter Field passaram anos analisando os dados do IPA Databank, o maior banco de casos de eficácia em publicidade do mundo. Uma das conclusões mais robustas: campanhas emocionais geram, em média, 2 vezes mais lucro a longo prazo do que campanhas racionais.

E a Nielsen completou o quadro: em sua análise sobre os determinantes de eficácia publicitária, 47% do impacto vem da qualidade criativa. Mais da metade da eficácia de uma campanha depende de algo que não é mídia, não é targeting, não é formato: é a qualidade do que está sendo dito e de como está sendo dito.

47%

da eficácia publicitária vem da qualidade criativa, segundo Nielsen (2023). Não do targeting. Não do formato. Do que você diz e como diz.

IA pode gerar conteúdo criativo. Gera com velocidade e volume inéditos. Mas o que a pesquisa sobre criatividade eficaz mostra é que o que move a emoção é verdade emocional: a capacidade de fazer uma pessoa sentir que a marca entende sua vida, sua contradição, seu desejo não articulado. Isso requer julgamento humano sobre o que é verdadeiro. Esse julgamento não é algoritmizável.

O Caso Apple e o Que Dados Não Poderiam Ter Previsto

Em 1997, a Apple estava perto do colapso. Steve Jobs retornou e uma das primeiras decisões foi criar a campanha "Think Different". O briefing era simples: reposicionar a Apple além dos atributos do produto, ancorando a marca em valores sobre quem somos e quem queremos ser.

Nenhum dado de mercado de 1997 poderia ter prescrito "Think Different". Os dados diriam: você tem 3% de market share de computadores, seus usuários são designers e estudantes universitários, seu principal atributo percebido é facilidade de uso. A conclusão algorítmica seria: reforce facilidade de uso, fale com designers. O que Jobs e Lee Clow fizeram foi identificar uma tensão cultural mais profunda: a crescente padronização do mundo corporativo e o anseio latente por pertencer a algo maior. E construíram uma marca que habitasse esse espaço.

A campanha que se seguiu, "Shot on iPhone" (2015), é outro exemplo. A ideia não surgiu de análise de sentimento de reviews do iPhone. Surgiu de uma observação qualitativa sobre como as pessoas usavam o produto e o que isso dizia sobre identidade. Dados confirmaram a direção depois. Não apontaram antes.

O Que Isso Muda na Prática

A pergunta errada é: IA vai substituir o estrategista de marca? A pergunta certa é: quais funções do estrategista serão automatizadas e quais vão se tornar mais valiosas exatamente porque IA não consegue fazê-las?

Funções que serão automatizadas progressivamente: síntese de pesquisa secundária, geração de relatórios de performance, benchmarking competitivo, geração de variações de copy para teste, transcrição e análise de frequência em pesquisa qualitativa, monitoramento de menções e sentimento de marca.

Funções que ficam mais valiosas porque IA não consegue fazer:

Leitura cultural: entender como tensões sociais, movimentos culturais e mudanças geracionais criam espaços de significado que marcas podem habitar.
Julgamento sobre verdade emocional: distinguir o que é culturalmente verdadeiro do que é apenas conveniente ou tecnicamente correto.
Síntese qualitativa: transformar o que pessoas não conseguem articular em insights que guiam estratégia. Zaltman passou décadas refinando o ZMET (Zaltman Metaphor Elicitation Technique) exatamente para acessar o que pesquisa quantitativa nunca alcança.
Decisão sob incerteza estratégica: escolher uma direção de posicionamento quando os dados são ambíguos, os concorrentes são imprevisíveis e o feedback vai demorar anos para ser legível.

"Você não pode automatizar o julgamento. Você pode automatizar a execução do julgamento. São coisas muito diferentes."
Kahneman, Sibony & Sunstein, "Noise" (2021)

O Estrategista Que Vai Ser Substituído Já Era Substituível

Há um tipo de estrategista de marca cujo trabalho principal é sintetizar pesquisas alheias, gerar frameworks visuais em PowerPoint, escrever análises SWOT e apresentar benchmarks competitivos. Esse trabalho já era periférico antes da IA. Era facilmente terceirizável. Era o tipo de entrega que clientes recebiam com educação mas raramente usavam para tomar decisão real.

IA vai substituir esse estrategista. E vai fazê-lo mais rápido e mais barato do que qualquer junior trainee.

O estrategista que não vai ser substituído é diferente. É o que entende onde uma marca está posicionada em relação às tensões culturais do seu momento. O que consegue ouvir uma empresa falar sobre si mesma e identificar a contradição entre o que ela acredita ser e o que o mercado percebe. O que tem repertório histórico e cultural suficiente para reconhecer quando uma marca está repetindo um erro que outra já cometeu em outro contexto e em outra época.

A distinção é de formação. O estrategista insubstituível é o que construiu uma capacidade de julgamento que IA pode apoiar, mas não replicar.

FAQ

IA pode criar uma estratégia de marca completa?

IA pode gerar artefatos que se parecem com estratégia de marca: análise competitiva, declarações de posicionamento, arquiteturas de mensagem. O problema é que esses artefatos são estatisticamente plausíveis, soam certos porque são feitos de padrões de coisas que funcionaram antes. Estratégia de marca eficaz frequentemente requer ir contra padrões estabelecidos, identificar um espaço que dados históricos ainda não conseguem ver. Isso requer julgamento, não síntese de padrões.

Como usar IA em estratégia de marca sem perder o que é essencial?

Use IA para o que ela faz melhor: velocidade, volume e consistência em tarefas baseadas em padrões explícitos. Síntese de pesquisa, geração de variações, análise de performance. Reserve o julgamento estratégico (leitura cultural, definição de posicionamento, validação de verdade emocional) para o trabalho humano. A armadilha é deixar a eficiência do primeiro contaminar a qualidade do segundo.

Referências

McKinsey Global Institute. (2023). "The Economic Potential of Generative AI: The Next Productivity Frontier". McKinsey & Company.
Zaltman, G. (2003). "How Customers Think: Essential Insights into the Mind of the Market". Harvard Business Review Press.
Kahneman, D. (2011). "Thinking, Fast and Slow". Farrar, Straus and Giroux.
Kahneman, D., Sibony, O., & Sunstein, C. (2021). "Noise: A Flaw in Human Judgment". Little, Brown Spark.
Sharp, B. (2010). "How Brands Grow". Oxford University Press.
Romaniuk, J. (2018). "Building Distinctive Brand Assets". Oxford University Press.
Binet, L. & Field, P. (2013). "The Long and the Short of It". Institute of Practitioners in Advertising (IPA).
Binet, L. & Field, P. (2017). "Media in Focus: Marketing Effectiveness in the Digital Era". IPA.
Nielsen. (2023). "2023 Annual Marketing Report: The Era of Adaptive Marketing". Nielsen Holdings.
Forrester Research. (2023). "The State of AI in Marketing, 2023". Forrester.
Wunderman Thompson Intelligence. (2023). "The Future 100: 2024". Wunderman Thompson.
Ritson, M. (2022). "Mark Ritson's Mini MBA in Marketing". Marketing Week.
Klein, G. (1998). "Sources of Power: How People Make Decisions". MIT Press.
IPA. (2021). "IPA TouchPoints 2021". Institute of Practitioners in Advertising.
Aaker, D. (2014). "Aaker on Branding". Morgan James Publishing.
Kapferer, J.N. (2012). "The New Strategic Brand Management". Kogan Page. 5ª ed.
Ariely, D. (2008). "Predictably Irrational". HarperCollins.
Edelman. (2023). "2023 Edelman Trust Barometer Special Report: AI and Trust". Edelman.
Adobe. (2024). "Adobe 2024 Digital Trends Report". Adobe Inc.
Ehrenberg-Bass Institute. (2022). "How Brands Grow: The Science Behind Marketing". University of South Australia.
Field, P. (2023). "Evidence-Based Marketing: Why Effectiveness Must Drive Strategy". IPA efectX Conference.

IA & Estratégia Kahneman Byron Sharp Branding Científico Estratégia de Marca

TL;DR

McKinsey (2023): Generative AI can automate 60-70% of knowledge worker activities. But the most valuable brand strategy work is precisely what remains.
Gerald Zaltman (Harvard Business School): 95% of purchase decisions are subconscious. AI operates on explicit data. Purchases happen in the implicit.
Kahneman, Sibony & Sunstein in "Noise" (2021): AI reduces noise in human judgment, but does not generate judgment. These are fundamentally different things.
The strategist AI replaces was already replaceable before AI existed. What was never replaceable is whoever understands why cultures change and how brands inhabit those spaces.

The Number Everyone Gets Wrong

In 2023, the McKinsey Global Institute published a report on the impact of GenAI on work. The statistic that went viral: generative artificial intelligence has the potential to automate activities corresponding to 60 to 70% of knowledge workers' time. That wasn't what the report said, but it was what everyone repeated.

The actual report said: automation of these activities would free up time for higher-value work, and that the greatest impact would be felt in repetitive tasks, pattern-based tasks, and tasks with verifiable outputs. Data analysis, report writing, information synthesis, creative variation generation within already-defined templates.

The distinction matters. Because the highest-value work in brand strategy is rarely repetitive, rarely based on obvious patterns, and almost never has directly verifiable output. You cannot measure at creation time whether a positioning will work three years from now. You can measure whether a report is well-written right now.

The 95% Problem

Gerald Zaltman spent decades at Harvard Business School studying how consumers make decisions. In 2003, in "How Customers Think," he consolidated what years of neuroimaging research and in-depth interviews indicated: approximately 95% of purchasing decisions are subconscious. They happen before the consumer knows they made a decision.

95%

of purchase decisions are subconscious, according to Gerald Zaltman (Harvard Business School, 2003). AI is trained on explicit data. Purchases happen in the implicit.

Daniel Kahneman formalized the architecture of this process in "Thinking, Fast and Slow" (2011). System 1: fast, automatic, emotional, associative, operates through heuristics and long-term memory. System 2: slow, deliberate, rational, energetically costly, activated when System 1 encounters something it cannot resolve. Most consumer choices are System 1. Most AI models work with System 2 logic.

The problem is not that AI is bad at processing data. The problem is that the decisions that matter most in brand strategy happen on terrain where explicit data is only the surface. What lies beneath (emotional memory, cultural associations, symbolic meaning, projected personal identity) is what drives real behavior, and is precisely what AI has the most difficulty modeling.

Where AI Actually Helps (And Where You're Deceived)

Before discussing limits, it's necessary to be honest about what works. AI is genuinely powerful in a specific set of tasks in brand strategy.

Research synthesis: processing hundreds of consumer reviews, market reports, social media data and identifying frequency patterns in minutes, a process that would take an analyst weeks. Variation generation: producing dozens of copy versions for A/B testing, content adaptations for different channels, creative material localization. Performance analysis: identifying correlations between campaign variables and measurable results, with much more precision and speed than any human.

Where the strategist gets deceived is in assuming that pattern synthesis equals strategic insight. It doesn't.

"Data tells us what is happening. Rarely why. And almost never what to do."
Mark Ritson, Mini MBA in Marketing

AI trained on past behavioral data is good at identifying what happened. It is structurally limited in understanding why it happened in cultural terms, and in predicting how cultures will change. Because cultures change in ways that historical data cannot anticipate. TikTok didn't appear in any 2016 predictive model. The rise of the authenticity-conscious consumer in an era of AI-generated content wasn't in the 2020 data.

What Kahneman, Sibony and Sunstein Discovered About Judgment

In "Noise: A Flaw in Human Judgment" (2021), Daniel Kahneman, Olivier Sibony and Cass Sunstein made a distinction that should change how we think about AI in strategic functions. The distinction between bias and noise.

Bias is systematic error in the same direction. Noise is random variability in judgments. If two doctors examine the same patient and reach different diagnoses, or if the same doctor examines the same case on two different days and reaches different conclusions, that's noise. The authors showed that noise in human judgments is much greater than imagined, and that algorithmic systems are more consistent than humans in repeatable decisions based on verifiable data.

The conclusion many drew: therefore, AI surpasses human judgment. But the authors themselves were precise about the limits. Algorithms reduce noise. They do not generate wisdom. Reducing noise is valuable when you're making decisions that repeat, with clear criteria and fast feedback. In brand strategy, you rarely have those conditions. Positioning is a singular decision. Most of the feedback takes years to be readable.

The Cultural Memory Problem

Byron Sharp, at the Ehrenberg-Bass Institute, demonstrated that brands grow through mental availability: the probability of a brand being recalled in relevant purchase situations. And that mental availability is built through distinctive assets: sensory and symbolic elements that create unique memory structures associated with the brand.

The work of building distinctive assets requires understanding how memory functions in specific cultural contexts. What a color means in a particular culture, at a specific historical moment, for a generation with a specific set of references. Coca-Cola's red carries decades of collective memory that cannot be transferred to another brand simply by using the same color. Nubank's purple worked because there was a specific emotional gap in the Brazilian financial sector that that purple could fill at the right moment.

AI can identify that Nubank's purple has high brand association. It cannot understand why it worked culturally, and therefore cannot prescribe what will work for another brand in another context.

What Les Binet Says About Creative Effectiveness

Les Binet and Peter Field spent years analyzing data from the IPA Databank, the world's largest database of advertising effectiveness cases. One of the most robust conclusions: emotional campaigns generate, on average, 2 times more long-term profit than rational campaigns.

And Nielsen completed the picture: in its analysis of the determinants of advertising effectiveness, 47% of impact comes from creative quality. More than half of a campaign's effectiveness depends on something that isn't media, isn't targeting, isn't format: it's the quality of what is being said and how it is being said.

47%

of advertising effectiveness comes from creative quality, according to Nielsen (2023). Not targeting. Not format. What you say and how you say it.

AI can generate creative content. It does so with unprecedented speed and volume. But what the research on effective creativity shows is that what drives emotion is emotional truth: the capacity to make a person feel that the brand understands their life, their contradiction, their unarticulated desire. That requires human judgment about what is true. That judgment is not algorithmizable.

The Apple Case and What Data Could Never Have Predicted

In 1997, Apple was near collapse. Steve Jobs returned and one of the first decisions was creating the "Think Different" campaign. The brief was simple: reposition Apple beyond product attributes, anchoring the brand in values about who we are and who we want to be.

No 1997 market data could have prescribed "Think Different." The data would say: you have 3% of computer market share, your users are designers and college students, your main perceived attribute is ease of use. The algorithmic conclusion would be: reinforce ease of use, speak to designers. What Jobs and Lee Clow did was identify a deeper cultural tension: the growing standardization of the corporate world and the latent longing to belong to something larger. They built a brand that inhabited that space.

The subsequent campaign, "Shot on iPhone" (2015), is another example. The idea didn't emerge from sentiment analysis of iPhone reviews. It emerged from a qualitative observation about how people used the product and what that said about identity. Data confirmed the direction afterward. It didn't point the way before.

What This Changes in Practice

The wrong question is: will AI replace the brand strategist? The right question is: which strategist functions will be automated, and which will become more valuable precisely because AI cannot do them?

Functions that will be progressively automated: secondary research synthesis, performance report generation, competitive benchmarking, copy variation generation for testing, transcription and frequency analysis in qualitative research, brand mention and sentiment monitoring.

Functions that become more valuable because AI cannot do them:

Cultural reading: understanding how social tensions, cultural movements and generational shifts create meaning spaces that brands can inhabit.
Judgment about emotional truth: distinguishing what is culturally true from what is merely convenient or technically correct.
Qualitative synthesis: transforming what people cannot articulate into insights that guide strategy. Zaltman spent decades refining ZMET (Zaltman Metaphor Elicitation Technique) precisely to access what quantitative research never reaches.
Decision under strategic uncertainty: choosing a positioning direction when data is ambiguous, competitors are unpredictable and feedback will take years to be readable.

"You cannot automate judgment. You can automate the execution of judgment. These are very different things."
Kahneman, Sibony & Sunstein, "Noise" (2021)

The Strategist AI Will Replace Was Already Replaceable

There is a type of brand strategist whose main work is synthesizing others' research, generating visual frameworks in PowerPoint, writing SWOT analyses, and presenting competitive benchmarks. This work was already peripheral before AI. It was easily outsourceable. It was the type of delivery that clients received politely but rarely used to make real decisions.

AI will replace that strategist. And will do so faster and cheaper than any junior trainee.

The strategist who will not be replaced is different. They understand where a brand is positioned relative to the cultural tensions of its moment. They can hear a company talk about itself and identify the contradiction between what it believes itself to be and what the market perceives. They have enough historical and cultural repertoire to recognize when a brand is repeating a mistake another already made in another context at another time.

The distinction is in formation. The irreplaceable strategist is one who has built a capacity for judgment that AI can support, but not replicate.

References

McKinsey Global Institute. (2023). "The Economic Potential of Generative AI: The Next Productivity Frontier". McKinsey & Company.
Zaltman, G. (2003). "How Customers Think: Essential Insights into the Mind of the Market". Harvard Business Review Press.
Kahneman, D. (2011). "Thinking, Fast and Slow". Farrar, Straus and Giroux.
Kahneman, D., Sibony, O., & Sunstein, C. (2021). "Noise: A Flaw in Human Judgment". Little, Brown Spark.
Sharp, B. (2010). "How Brands Grow". Oxford University Press.
Romaniuk, J. (2018). "Building Distinctive Brand Assets". Oxford University Press.
Binet, L. & Field, P. (2013). "The Long and the Short of It". Institute of Practitioners in Advertising (IPA).
Nielsen. (2023). "2023 Annual Marketing Report: The Era of Adaptive Marketing". Nielsen Holdings.
Ritson, M. (2022). "Mark Ritson's Mini MBA in Marketing". Marketing Week.
Edelman. (2023). "2023 Edelman Trust Barometer Special Report: AI and Trust". Edelman.
Klein, G. (1998). "Sources of Power: How People Make Decisions". MIT Press.
Ariely, D. (2008). "Predictably Irrational". HarperCollins.

AI & Strategy Kahneman Byron Sharp Brand Strategy Scientific Branding