Medalhistas Fields vs. benchmarks de IA: uma lição para o marketing

Matemáticos não costumam escrever cartas abertas sobre marketing. Mas o argumento que um grupo de medalhistas Fields apresentou em setembro se aplica quase palavra por palavra à forma como o nosso setor mede a IA. O ponto deles: resolver problemas é um indicador indireto, e o objetivo real é a compreensão. Confunda os dois e você pode danificar justamente aquilo que tentava melhorar.

O que aconteceu

Segundo o The Next Web, em 11 de setembro uma declaração intitulada A Severe Misalignment of AI in Mathematics foi publicada em mathandai.org. O site lista 25 signatários, entre eles Terence Tao, Peter Scholze, Maryna Viazovska, Cédric Villani, Pierre Deligne, Manjul Bhargava e Martin Hairer. A declaração argumenta que resolver problemas é uma ferramenta e um indicador indireto, enquanto o objetivo principal da matemática é a compreensão conceitual e o insight. Ela alerta que produzir em massa afirmações verdadeiras ou falsas em ritmo crescente “poderia destruir um terreno fértil”. O TNW a descreve como uma declaração sobre benchmarks; ela não cita nenhum evento específico.

Na mesma semana, uma carta aberta separada criticou um “Mathathon” de IA organizado por estudantes no Caltech, chamando o formato de “matemática de baixa qualidade” e argumentando que o trabalho de verificar e corrigir resultados de IA fica “sem remuneração, sem crédito e sem reconhecimento”. O TNW informa que a OpenAI retirou seus US$ 1 milhão em créditos do evento em 10 de setembro, enquanto a Anthropic manteve sua contribuição, e que os organizadores acrescentaram exigências, mas não cancelaram.

Por que isso importa

A queixa dos matemáticos é sobre uma armadilha conhecida. Quando um problema difícil e famoso vira benchmark, os laboratórios otimizam para produzir respostas a ele. Respostas são mensuráveis. Compreensão, não. Com o tempo, o que é mensurável expulsa o que é valioso, e sobra para outra pessoa verificar o resultado.

A IA para marketing tem exatamente esse problema. Avaliamos as ferramentas pelo que é fácil de contar: número de ativos gerados, tempo economizado, taxa de cliques, parcela das respostas de IA que mencionam a marca. Esses números importam. Mas o objetivo do marketing não é produção; é entender os clientes bem o suficiente para atendê-los e construir uma marca em que as pessoas confiem. Um sistema que inunda os canais de conteúdo e vence em métricas indiretas pode corroer silenciosamente as duas coisas.

O ponto sobre a verificação não remunerada também procede. Conteúdo gerado é barato de produzir e caro de verificar. Se a verificação não aparece nas suas métricas, seus “ganhos de produtividade” são em parte um truque contábil.

O que minha pesquisa diz

Minha pesquisa recente é construída em torno dessa distinção. Em nosso artigo no SIGIR 2026, SOMIN: Agentic AI for Automating Professional Visibility and Countering Content Homogenization, o problema que abordamos é justamente que o conteúdo escrito por IA converge: o assistente de todo mundo produz os mesmos posts competentes e genéricos. Nossa abordagem é recuperar dados reais de contexto antes de escrever, para que o resultado continue diferenciado. Volume sem diferenciação é a versão de marketing do conteúdo de baixa qualidade.

Sobre mensuração, defendi no e27 que todo dashboard está verde, mas ninguém consegue dizer o que funcionou. Métricas indiretas que apontam todas para cima não são o mesmo que saber o que causou os resultados. E em nosso trabalho de IA explicável, de Against Opacity ao MindFuse, o objetivo não é só uma previsão melhor, mas uma explicação com a qual um profissional de marketing possa aprender. Esse é o equivalente, no marketing, à “compreensão conceitual” dos matemáticos.

O que as equipes de marketing podem tirar disso

• Nomeie o objetivo por trás de cada métrica. Para cada KPI de IA, escreva uma frase sobre qual resultado real ele deveria representar e verifique periodicamente se o vínculo ainda se sustenta.
• Contabilize o custo de verificação. Acompanhe o tempo humano gasto revisando e corrigindo o resultado da IA e inclua-o no seu ROI.
• Meça a diferenciação. Compare seu conteúdo assistido por IA com o dos concorrentes. Se ele está ficando indistinguível, você está vencendo em um indicador indireto e perdendo a marca.
• Prefira explicações a notas. Uma ferramenta que diz por que algo funcionou constrói conhecimento na equipe; uma que só diz que funcionou constrói dependência.
• Dê crédito às pessoas. Se há pessoas limpando o resultado da IA, torne esse trabalho visível e valorizado, e não presumido.

Os matemáticos estão protegendo sua área de uma cultura de benchmarks que confunde respostas com compreensão. O marketing deveria se proteger do mesmo erro.

Perguntas frequentes