Plataforma publicitária da OpenAI transforma intenção conversacional em novo território de mídia e cria oportunidades e novos desafios para marcas, varejistas e Retail Media Networks
A publicidade digital está entrando em uma nova etapa. Depois da busca, das redes sociais, dos marketplaces e das Retail Media Networks, surge uma nova superfície para disputar influência sobre a decisão de compra: a própria conversa entre consumidor e inteligência artificial.
A OpenAI iniciou em fevereiro de 2026 seu piloto de anúncios no ChatGPT nos Estados Unidos e, em maio, anunciou a expansão dos testes para Reino Unido, México, Brasil, Japão e Coreia do Sul. Desde então, a infraestrutura comercial avançou rapidamente: Ads Manager Beta, compra por CPM e CPC, Pixel, Conversions API, campanhas baseadas em product feeds e integrações com parceiros de mensuração já fazem parte da arquitetura anunciada.
O movimento merece atenção especial do mercado brasileiro. Informações recentes da própria OpenAI já indicam o Brasil como mercado disponível no Ads Manager, embora páginas localizadas da documentação possam refletir atualizações em ritmos diferentes. Isso reforça que se trata de uma implantação em evolução, e não de um produto publicitário completamente estabilizado.
OpenAI Ads — plataforma para anunciantes
Mais importante que simplesmente acrescentar inventário ao mercado digital, porém, é entender qual inventário está sendo criado. O ChatGPT Ads não nasce como mais uma rede de display. Seu ativo estratégico é o contexto da intenção. E isso aproxima inevitavelmente a plataforma do território de Retail Media e Commerce Media.
Da keyword para a intenção: por que o ChatGPT Ads pode mudar a jornada do shopper
Durante mais de duas décadas, grande parte da publicidade de performance foi organizada em torno de sinais relativamente objetivos: palavras-chave, páginas visitadas, audiências, comportamento de navegação, interesses e histórico transacional.
Uma conversa com uma IA pode produzir um sinal diferente. Um shopper não precisa pesquisar simplesmente: “notebook Dell”. Ele pode explicar: “Preciso de um notebook leve para trabalhar viajando, com bateria para oito horas, capaz de editar vídeos eventualmente e que custe menos de R$ 7 mil.”
Essa diferença é estrutural. O primeiro sinal revela o que está sendo pesquisado. O segundo pode revelar problema, contexto, restrições, ocasião de uso, faixa de preço e estágio da decisão.
A própria OpenAI posiciona o ChatGPT Ads exatamente nessa lógica: alcançar consumidores enquanto eles exploram alternativas, comparam escolhas e tomam decisões. O sistema considera sinais como contexto e intenção da conversa atual, características do anúncio e da landing page e sugestões de contexto fornecidas pelo anunciante. Caso o usuário permita personalização de anúncios, determinados sinais adicionais de sua experiência no ChatGPT também podem participar da seleção.
Não estamos, portanto, apenas diante de search advertising com uma interface diferente, estamos diante do nascimento de uma possível categoria de intent media conversacional.
Como funciona o ChatGPT Ads
Na configuração atual, os anúncios aparecem separados e abaixo das respostas do ChatGPT, identificados como conteúdo patrocinado. Eles podem incluir anunciante, título, descrição, imagem e página de destino.
Um ponto crítico precisa ficar claro para marcas e consumidores: segundo a OpenAI, o anunciante não compra influência sobre a resposta do modelo. Os sistemas publicitário e de geração da resposta são separados, e anúncios não alteram, classificam ou determinam aquilo que o ChatGPT responde.
Esse princípio cria uma distinção importante entre três territórios que poderão coexistir no ChatGPT: resposta orgânica da IA → descoberta orgânica de produtos → publicidade patrocinada.
Nos recursos de Shopping do ChatGPT, por exemplo, a OpenAI afirma que os resultados orgânicos de produtos são selecionados independentemente dos anúncios. O fato de uma empresa comprar mídia, portanto, não significa que conseguirá comprar posição dentro da recomendação orgânica do modelo. Para o ecossistema de Retail Media, essa separação será fundamental para estabelecer confiança.
A régua de mensuração: o ChatGPT Ads começa no modelo clássico de performance, mas já aponta para algo maior
A primeira geração da régua de mensuração do ChatGPT Ads ainda se parece, em boa medida, com plataformas tradicionais de mídia digital. O Ads Manager Beta reporta atualmente indicadores como: impressões, cliques, CTR, investimento, CPC médio, CPM médio e conversões.
A compra pode ocorrer por CPM, em campanhas orientadas a alcance, ou CPC, para campanhas orientadas a cliques. A OpenAI informa ainda que utiliza um leilão de segundo preço ponderado por relevância, mas a infraestrutura de mensuração já está avançando para além do clique.
A OpenAI disponibilizou OpenAI Pixel e Conversions API, que permitem enviar eventos posteriores à interação com o anúncio, como compra, geração de lead ou cadastro. A plataforma utiliza um identificador de clique denominado oppref, anexado à URL de destino, para conectar eventos posteriores a cliques elegíveis.
O sistema também suporta advanced matching com informações first-party elegíveis, normalizadas e submetidas a hashing, além de mensuração modelada onde disponível. Pixel e CAPI podem operar conjuntamente com deduplicação de eventos.
Isso transforma a régua potencial em: impressão → clique → visita → evento → conversão → receita. Para Retail Media, entretanto, isso ainda é apenas o começo.
A régua que o mercado deveria exigir
Se o ChatGPT realmente pretende ocupar uma posição relevante na jornada de commerce media, medir somente CTR e conversão pós-clique será insuficiente. A evolução deveria caminhar para uma arquitetura full-funnel capaz de separar pelo menos quatro camadas.
Awareness e consideração: impressões qualificadas, alcance, frequência, interação e exposição em contextos de intenção relevantes.
Engagement: CTR, visitas qualificadas, profundidade pós-clique e ações intermediárias.
Commerce: add-to-cart, compra, receita atribuída, ROAS e custo por aquisição.
Incrementalidade: compradores incrementais, novos compradores da marca, incremento de vendas, participação na categoria e eventual impacto sobre LTV.
É justamente nesse último estágio que as RMNs podem se tornar estratégicas. O ChatGPT possui um poderoso sinal de intenção. O retailer possui um poderoso sinal de transação. A combinação desses dois universos pode criar uma arquitetura de mensuração muito mais sofisticada.
Attribution Window será um dos debates centrais
A documentação da OpenAI deixa claro que conversões precisam ocorrer dentro da janela de atribuição aplicável à campanha e que diferenças entre Ads Manager e ferramentas externas podem decorrer justamente de diferentes metodologias e janelas de atribuição.
Para Retail Media, uma única janela universal dificilmente será suficiente. Comprar supermercado é diferente de comprar televisão. Comprar dermocosméticos é diferente de contratar um seguro. Por isso, uma plataforma madura deveria permitir analisar janelas compatíveis com: categoria + ciclo de decisão + objetivo da campanha + estágio do funil. A grande discussão não deveria ser simplesmente:
“Quantas conversões vieram do ChatGPT?”
Mas:
“Quantas vendas foram realmente incrementais e qual foi a contribuição da exposição durante a formação da decisão?”
Essa será uma diferença importante entre uma plataforma de mídia e uma verdadeira infraestrutura de commerce media.
Como será o onboarding das marcas?
A entrada das marcas tende a acontecer por dois caminhos principais.
O primeiro é o Ads Manager Beta, no qual o anunciante configura conta, campanha, orçamento, objetivo, grupos de anúncios, criativos e mensuração. A ferramenta suporta criação guiada e uploads em massa, mas existe uma segunda arquitetura particularmente relevante para Retail Media: product feeds.
Retailers e anunciantes com grandes catálogos podem enviar feeds estruturados de produtos ao Ads Manager. Atualmente, esses feeds são enviados via SFTP e podem manter atributos, disponibilidade e metadados atualizados. A OpenAI afirma que campanhas baseadas em feeds estão entre os formatos de melhor desempenho observados até agora. Isso aproxima muito mais o ChatGPT Ads da infraestrutura tradicional de commerce media.
O onboarding técnico de uma grande operação varejista pode, portanto, envolver: catálogo → taxonomy → product feed → pricing → availability → metadata → landing pages → Pixel/CAPI → eventos de conversão → otimização. E é aqui que surge uma oportunidade concreta para as RMNs.
RMNs podem se integrar ao ChatGPT Ads?
Tecnicamente, vários componentes necessários para isso já existem. Mas uma integração nativa e generalizada “RMN-to-ChatGPT” não foi anunciada pela OpenAI como produto padronizado. Essa distinção é fundamental. Hoje, existem pelo menos três pontes concretas.
A primeira são os product feeds, permitindo disponibilizar catálogos estruturados para campanhas publicitárias.
A segunda é a Conversions API, capaz de receber eventos server-side.
A terceira são integrações com parceiros de mensuração. A documentação atual da OpenAI cita, entre outros, Hightouch, LiveRamp e Triple Whale; a integração via LiveRamp contempla inclusive eventos online e offline, enviados por streaming ou arquivos em lote, incluindo conversões em loja. Essa última capacidade é especialmente relevante para Retail Media.
Ela cria, pelo menos tecnicamente, um caminho para: exposição/click no ChatGPT → visita ao retailer → compra online ou offline → evento transacional → atribuição agregada.
O modelo estratégico para integração entre RMN e ChatGPT Ads
Para a Retail Media News, o desenho mais interessante para o futuro seria uma arquitetura de cinco camadas:
1. Retailer Product Graph
SKU, GTIN/EAN, preço, estoque, disponibilidade regional, categoria, atributos e promoções.
2. Shopper Signal Layer
Dados first-party do retailer, CRM, comportamento de compra, fidelidade e histórico transacional, sempre sob bases legais, consentimento e governança adequados.
3. ChatGPT Intent Layer
Contexto e intenção conversacional processados dentro da infraestrutura da OpenAI, sem exposição das conversas aos anunciantes.
4. Activation Layer
Campanhas de marcas e retailers acionadas no ChatGPT Ads.
5. Measurement Layer
Pixel + CAPI + parceiros de mensuração + dados transacionais do retailer.
O resultado poderia aproximar:
INTENT × PRODUCT × AVAILABILITY × TRANSACTION × MEASUREMENT.
Esse é um território no qual as RMNs têm muito a oferecer.
O maior ativo das RMNs continuará sendo o closed-loop measurement
A vantagem competitiva de uma RMN não está simplesmente em possuir audiência ou inventário. Está em conseguir conectar exposição à compra utilizando dados transacionais determinísticos. O ChatGPT pode identificar uma intenção extremamente rica, mas supermercados, farmácias, marketplaces, home centers, lojas de eletrônicos e demais retailers sabem o que efetivamente foi comprado.
Se essas duas camadas forem interoperáveis de maneira privacy-safe, surge uma arquitetura poderosa: conversa → intenção → anúncio → produto → retailer → compra → atribuição → incrementalidade. Isso poderia transformar RMNs de simples compradoras ou vendedoras de inventário em measurement partners e commerce-data partners da nova mídia conversacional.
Benefícios para as marcas
O primeiro diferencial é a qualidade do contexto: search media captura consultas, social media captura comportamento e interesse, retail Media captura comportamento transacional.
Conversational media pode capturar uma representação mais rica do problema que o consumidor está tentando resolver. O segundo diferencial é o estágio da jornada.
O ChatGPT frequentemente participa de tarefas como: descobrir → aprender → comparar → reduzir alternativas → decidir. Isso significa que a oportunidade publicitária pode aparecer antes da decisão final, mas depois de uma intenção relevante já ter sido explicitada.
O terceiro diferencial é criativo. A própria OpenAI recomenda que anunciantes trabalhem com diversidade de anúncios e mensagens específicas, orientadas a benefícios, em vez de depender apenas de uma mensagem genérica ou de lógica rígida de palavras-chave.
O planejamento criativo passa, portanto, de: keyword → creative para algo mais próximo de: intent cluster → context → consumer problem → product benefit → creative.
Os riscos para a jornada do shopper
O modelo também traz desafios importantes.
Confundir recomendação com publicidade
Uma IA possui uma relação de confiança diferente daquela construída por mecanismos tradicionais de mídia. Separar claramente conteúdo patrocinado de respostas orgânicas será essencial. A OpenAI afirma que os anúncios permanecem identificados e separados das respostas.
Excesso de monetização
Uma conversa pode ser uma experiência extremamente pessoal. Saturá-la com publicidade poderia reduzir confiança e utilidade. A OpenAI afirma que seus primeiros testes registraram baixo índice de dispensa de anúncios e ausência de impacto detectado em métricas de confiança, mas esses são resultados iniciais do próprio piloto.
Privacidade
Quanto mais rico o contexto, maior precisa ser a disciplina de governança. A OpenAI afirma que anunciantes não recebem as conversas, histórico, memórias ou dados pessoais dos usuários e recebem informações agregadas sobre desempenho.
Last-click não será suficiente
Uma conversa pode influenciar profundamente uma compra sem gerar clique imediato. Se a mensuração permanecer excessivamente click-centric, uma parcela do impacto real da mídia conversacional poderá permanecer invisível.
O verdadeiro desafio: medir influência, e não somente tráfego
Esse talvez seja o ponto mais importante para Retail Media. Imagine a seguinte jornada: “Qual televisão devo comprar para uma sala muito iluminada?”
A IA explica tecnologias, o consumidor pergunta sobre OLED versus Mini-LED, depois informa orçamento, compara modelos, recebe uma resposta, visualiza um anúncio. Dias depois visita uma loja física e compra o produto.
Qual foi o papel do ChatGPT? Apenas gerar um clique? Provavelmente não. Ele pode ter participado da construção da preferência. É exatamente por isso que o próximo estágio da mensuração deverá discutir: exposed X control; conversion lift; sales lift; incrementality; new-to-brand; category share; omnichannel attribution; offline conversion; lifetime value.
Essas métricas ainda não representam integralmente a régua pública atual do ChatGPT Ads. São, entretanto, a direção necessária caso a plataforma queira disputar budgets de Retail Media, Commerce Media e Shopper Marketing em escala.
ChatGPT Ads versus RMNs: concorrentes ou complementares?
Provavelmente os dois, o ChatGPT Ads competirá por orçamento publicitário. Isso significa disputar investimentos hoje destinados a Search, Social, Programmatic, Retail Media e outros canais de performance, mas as RMNs possuem algo que a plataforma precisará cada vez mais para comprovar impacto: dados comerciais.
Uma RMN pode conhecer: quem comprou; qual SKU; qual categoria; qual ticket; qual frequência; qual canal; quando ocorreu a recompra; se o shopper já comprava a marca; e, em determinadas arquiteturas, se houve incremento real. Por isso, existe uma oportunidade para que as RMNs deixem de pensar apenas:
“Como compro mídia no ChatGPT?” e passem a perguntar: “Como conecto meu Product Graph, minha infraestrutura de commerce e meu Measurement Graph à mídia conversacional?” Essa é uma discussão muito maior.
Do Retail Media Network para o Retail Intelligence Network
O lançamento do ChatGPT Ads coloca pressão adicional sobre a transformação das próprias RMNs. O mercado não precisará apenas de redes capazes de vender banners, sponsored products, off-site e telas in-store. Precisará de infraestruturas capazes de interoperar com diferentes ambientes de decisão.
Nesse cenário, a RMN mais competitiva poderá ser aquela capaz de conectar: dados de produto + estoque + preço + audiência + transação + loyalty + atribuição + incrementalidade. A mídia passa a ser somente uma das camadas. O verdadeiro ativo passa a ser a inteligência comercial.
O Brasil pode se tornar um laboratório particularmente importante
O mercado brasileiro combina varejistas de grande escala, forte utilização de marketplaces, crescimento acelerado das RMNs e categorias nas quais a combinação entre informação e decisão de compra é particularmente relevante.
Farmácia, beleza, eletrônicos, supermercado, home improvement, serviços financeiros, turismo e automóveis são exemplos claros. Para esses setores, conversational commerce pode diminuir a distância entre consideração e decisão. E isso cria um novo desafio para agências e anunciantes. Não bastará comprar audiência, será necessário compreender clusters de intenção. Não bastará produzir uma peça criativa, será necessário produzir mensagens adequadas aos problemas que o shopper está tentando resolver. Não bastará reportar CTR, será necessário demonstrar impacto econômico.
Uma possível nova arquitetura do funil
Durante anos, o funil digital foi simplificado em: Awareness → Consideration → Conversion. Retail Media acrescentou uma camada fundamental: Conversion → Transaction Data. A IA conversacional pode acrescentar outra: Intent Understanding. O novo desenho pode passar a ser:
INTENT
O que o shopper pretende resolver?
↓
CONTEXT
Qual é sua necessidade, restrição, ocasião e critério?
↓
CONSIDERATION
Quais alternativas estão sendo avaliadas?
↓
ACTIVATION
Qual mensagem comercial é relevante naquele contexto?
↓
COMMERCE
Onde ocorrerá a compra?
↓
TRANSACTION
O que realmente foi comprado?
↓
MEASUREMENT
Qual foi a contribuição da mídia?
↓
INCREMENTALITY
A venda teria acontecido sem a exposição? É nesse último ponto que estará a maturidade do mercado.
Qual é a minha conclusão para Retail Media?
O ChatGPT Ads não deve ser analisado simplesmente como mais uma plataforma para comprar mídia. Sua importância está na possibilidade de estabelecer uma nova camada entre descoberta, consideração e commerce. Google construiu grande parte de sua economia publicitária sobre queries. Meta construiu grande parte da sua sobre interesses, comportamento e social graph. Amazon e as RMNs construíram uma enorme vantagem sobre shopping behavior e transaction data.
A publicidade conversacional começa a construir sua proposta sobre contexto e intenção declarada durante a resolução de um problema. É uma diferença relevante, mas o vencedor dessa nova etapa não será necessariamente quem possuir mais impressões.
Será quem conseguir construir a conexão mais confiável entre: intenção → exposição → influência → transação → incrementalidade.
Para as Retail Media Networks brasileiras, portanto, o ChatGPT Ads não deveria ser visto apenas como ameaça ao orçamento. Pode ser uma nova camada de ativação para aquilo que as RMNs possuem de mais valioso: catálogo, contexto comercial, dados first-party e capacidade de fechar o loop entre mídia e venda.
A próxima fronteira de Retail Media talvez não esteja dentro do e-commerce, do aplicativo ou da loja física. Ela pode começar antes da visita ao retailer, durante a própria formação da decisão. E, nesse cenário, uma das perguntas mais estratégicas para 2026 deixa de ser apenas: “Onde devemos anunciar?” A pergunta passa a ser: “Quem conseguirá conectar a intenção conversacional à transação real — e provar incrementalidade?”
