A Target Corporation entrou na vanguarda da publicidade em inteligência artificial ao participar como uma das primeiras marcas parceiras do novo programa de ads no ChatGPT, desenvolvido pela OpenAI. Esse projeto piloto inaugura uma fase de experimentação da integração de anúncios contextuais e conversacionais em plataformas de IA generativa, um território ainda inexplorado na mídia digital tradicional.
Contexto do projeto-piloto e framework técnico
O programa de ads no ChatGPT foi anunciado pela OpenAI como parte de um esforço para financiar a infraestrutura da plataforma e manter o acesso gratuito ou de baixo custo de modelos generativos, ao mesmo tempo em que preserva a experiência dos usuários. Os anúncios serão exibidos inicialmente apenas para usuários adultos das modalidades Free e ChatGPT Go, enquanto assinantes de planos pagos (Plus, Pro, Business, Enterprise ou Education) permanecem sem anúncios.
Diferente dos formatos tradicionais de publicidade digital (como banners, banners gráficos ou search ads), os anúncios no ChatGPT são:
- Contextuais à conversa: são ativados por palavras-chave no prompt do usuário.
- Claramente identificados como “patrocinados” e visualmente separados das respostas do chatbot.
- Não influenciam o conteúdo da resposta da IA, ou seja, a lógica do modelo de linguagem preserva a neutralidade do output principal.
Esse modelo de publicidade conversacional está alinhado com as diretrizes técnicas sustentadas pela OpenAI, que incluem manter a privacidade dos usuários (anunciantes não têm acesso a dados pessoais ou históricos de conversas) e permitir controle sobre personalização ou opt-out.
Integração da Target e Roundel: especificidades operacionais
No piloto, a Target atua de duas formas:
- Como anunciante direto, promovendo seus próprios produtos e ofertas.
- Por meio de sua divisão de retail media — Roundel, permitindo que marcas parceiras (de seu ecossistema de mais de 2 mil vendors) também exibam anúncios contextuais no ChatGPT.
Esse tipo de integração técnica representa uma evolução significativa para redes de mídia de varejo (retail media networks), que tradicionalmente operam em ambientes próprios (sites, apps e propriedades de e-commerce). Agora, com o ambiente das IAs conversacionais, onde a intenção do usuário é explicitamente expressa em linguagem natural, abre-se um novo canal de discovery altamente orientado por intenção e contexto real de compra.
Como os anúncios serão exibidos: lógica algorítmica e experiência do usuário
A exibição de anúncios no ChatGPT segue uma lógica que mistura contextual matching com aprendizado baseado em sinais de interação, sem recorrer a perfis pessoais. Em termos técnicos:
- Detecção de intenção: o sistema identifica palavras-chave ou tópicos no prompt (por exemplo, “melhores eletrodomésticos de cozinha”) que sinalizam intenção de compra ou pesquisa de produto.
- Match contextual: anúncios submetidos por marcas são avaliados em relação ao contexto da conversa e selecionados para exibição quando relevantes.
- Separação visual e de função: o anúncio aparece em bloco separado e rotulado, mantendo a resposta do modelo isolada da publicidade.
Essa arquitetura difere de modelos tradicionais de targeting, que confiavam fortemente em histórico de busca ou dados de terceiros para segmentação. Aqui, a segmentação é “on-the-fly” e orientada por linguagem, refletindo o estado atual do diálogo do usuário, um modelo promissor, porém ainda em estágio experimental, para capturar intenções no ponto exato de descoberta.
Implicações para publicidade e métricas de performance
Do ponto de vista de ad tech e analytics, o novo formato implica:
- Métricas agregadas de desempenho: anunciantes recebem apenas dados agregados (número de impressões, cliques, CTR etc.), sem acesso ao conteúdo ou histórico de usuário.
- Experimentação de formatos: o piloto está sendo usado para testar o impacto de formatos contextuais zero-interruptivos, além de estudar padrões de engajamento e casos de uso de conversas que levam à ação.
- Insights qualitativos: a coleta de dados sobre relevância e timing de anúncios em conversas pode informar futuras soluções de IA aplicada à mídia.
Estratégia de longo prazo e implicações para o varejo
A participação da Target nesse piloto é estratégica por diversas razões:
- Capturar o usuário no momento de intenção de compra, não apenas após a decisão ser tomada.
- Expandir a presença da marca em ambientes de conversa, algo que pode redefinir métricas de brand lift e consideration dentro de experiências guiadas por IA.
- Posicionamento como pioneiro em mídia de IA, influenciando o futuro dos modelos de monetização em ambientes conversacionais.
Esse movimento sinaliza uma possível transformação no ecossistema de mídia digital: do modelo search + social + display para um novo paradigma de conversational commerce, onde a mídia se integra diretamente à interface de interação entre humanos e inteligência artificial.
“Gates” de brand safety e controle do usuário (sinais e restrições)
Esses pontos aparecem explicitamente na cobertura do piloto e são centrais para evitar o “efeito pop-up” dentro de um answer engine.
| Camada | O que faz | Implicação para anunciantes |
|---|---|---|
| Idade | Ads não são exibidos quando o usuário disse (ou o sistema prevê) ser <18 | reduz escala, aumenta compliance |
| Sensível/regulado | Ads não aparecem perto de temas sensíveis/regulados (ex.: saúde, política) | limita categorias, exige curadoria |
| Controles do usuário | usuário pode dispensar ads, dar feedback, gerenciar personalização e “ad data” | pressão por relevância real |
O que muda em mensuração (e o que você deve exigir como CMO/RMN)?
Métricas “padrão” vão existir, mas não bastam
O básico tende a ser: impressões, cliques, CTR e visitas geradas. O problema: em answer engines, boa parte do valor pode estar em consideração assistida (o usuário lê, compara, volta depois). Então, o stack precisa evoluir.
Checklist técnico de mensuração para Retail Media no ChatGPT
- Atribuição de clique + pós-clique (sessões, PDP views, add-to-cart, purchase)
- Assistência (ex.: view-through proxy via retargeting/holdouts)
- Incrementalidade com holdout (geo/tempo/audiência) para validar “dinheiro novo”
- Taxonomia de intenção (mapear prompts por categoria/funnel) para qualificar inventário
- Cohort analytics (novos vs recorrentes; categoria; ticket) para entender “qual tráfego o ChatGPT cria”
Implicação direta para o mercado: RMNs viram “rede de distribuição” para answer engines
A Target está sinalizando um caminho onde a RMN deixa de ser só inventário on-site/on-app/in-store e passa a ser também um hub de demanda e dados comerciais que ativa mídia em novas interfaces (IA conversacional). E a justificativa está no próprio racional do piloto: estar presente onde a descoberta acontece e conectar o usuário a produtos “no momento”.
