A Série D da Profound Eleva as Apostas no Marketing de Busca por IA

A Profound levantou US$ 180 milhões com uma avaliação de US$ 1,8 bilhão, transformando a Série D da Profound em uma grande aposta no marketing voltado a respostas geradas por IA. Sequoia Capital e Kleiner Perkins lideraram a rodada, segundo a empresa, com a participação de vários investidores já existentes.

O financiamento faz mais do que dar a uma startup de busca por IA outro grande reforço de caixa. Ele apoia a expansão da Profound, que passa da medição da visibilidade de marcas para um software que planeja, cria, publica e avalia atividades de marketing. A empresa quer se tornar uma camada operacional para equipes de marketing, e não apenas seu mais recente painel de análise.

Essa ambição coloca a Profound em um cenário competitivo mais amplo. Ela ainda enfrenta plataformas especializadas em visibilidade por IA, mas também avança sobre territórios ocupados por suítes consolidadas de marketing, sistemas de conteúdo e ferramentas de IA de uso geral. A questão central é se contexto proprietário e controle de fluxo de trabalho podem transformar dados voláteis de visibilidade em IA em valor empresarial duradouro.

A Série D da Profound Financia uma Plataforma de Marketing Mais Ampla

O novo capital apoia uma transição da medição de busca por IA para a execução de marketing de ponta a ponta.

A Profound anunciou o financiamento em 16 de setembro de 2026. O anúncio da Série D da empresa afirma que Sequoia Capital e Kleiner Perkins lideraram a rodada. Lightspeed Venture Partners, Khosla Ventures, Saga Ventures, Evantic e South Park Commons também participaram.

O anúncio confirma um investimento de US$ 180 milhões e uma avaliação de US$ 1,8 bilhão. Uma reportagem independente sobre o financiamento, publicada antes do anúncio, informou os mesmos termos centrais.

Este é o segundo grande evento de financiamento da Profound em sete meses. Em fevereiro, a empresa anunciou uma Série C de US$ 96 milhões, com avaliação de US$ 1 bilhão. A Lightspeed liderou essa rodada, enquanto Sequoia, Kleiner Perkins e outros investidores existentes participaram.

A sequência mostra quão rapidamente as expectativas dos investidores se ampliaram. A rodada de fevereiro apoiou uma plataforma que combinava dados de visibilidade em IA com agentes autônomos de marketing. A Série D da Profound agora sustenta uma afirmação mais ampla: a empresa pode se tornar a principal aplicação de IA usada em toda uma organização de marketing.

A Profound afirma que mais de 2.500 marcas usam seus produtos. Também afirma que seus clientes incluem um terço das empresas da Fortune 100 e grandes agências. Entre os usuários nomeados estão Walmart, Estée Lauder, Zoom, Royal Bank of Canada, Stripe, Ramp, Cursor e Figma.

Esses números vêm da Profound e não foram auditados de forma independente. Ainda assim, indicam a escala empresarial que a companhia quer que investidores, compradores e concorrentes avaliem.

A estratégia de produto também mudou. A Profound inicialmente se concentrou em como mecanismos de resposta mencionam, descrevem e citam marcas. Suas ferramentas coletavam respostas de serviços como ChatGPT, Gemini, Perplexity, Claude e as experiências de busca por IA do Google.

Essa camada de visibilidade ajudava equipes de marketing a identificar representação fraca da marca, alegações incorretas, citações ausentes e vantagens de concorrentes. No entanto, os clientes ainda precisavam de softwares separados e processos manuais para agir com base nessas descobertas.

A Profound começou a reduzir essa lacuna com Agents, trabalhadores de software personalizáveis que executam tarefas de marketing. Agora, a empresa está apresentando Aim, um AI Marketer projetado para coordenar esses agentes com base em contexto compartilhado da empresa e dos funcionários.

Segundo a Profound, o Aim pode identificar uma oportunidade, propor uma campanha, preparar um briefing, redigir conteúdo, solicitar aprovação humana, publicar por meio de um sistema de conteúdo e posteriormente apresentar os resultados. É um fluxo de trabalho ambicioso, especialmente porque várias etapas dependem de julgamentos que continuam difíceis de medir.

A empresa planeja apresentar o Aim publicamente em 30 de setembro. Essa demonstração será o primeiro teste de curto prazo do que o novo financiamento realmente sustenta.

A mudança importante, portanto, não é apenas a avaliação da Profound. Os investidores estão financiando um esforço para controlar todo o ciclo entre detectar um problema de busca por IA e produzir uma resposta de marketing.

Por Que o Marketing de Busca por IA Está Atraindo Tanto Capital

As marcas precisam cada vez mais compreender recomendações feitas dentro de respostas que não têm uma página tradicional de classificação de busca.

A otimização convencional para mecanismos de busca oferece aos profissionais de marketing resultados visíveis, métricas conhecidas e posições relativamente estáveis. Assistentes de IA criam respostas sintetizadas a partir de múltiplas fontes, muitas vezes sem apresentar uma lista previsível de links.

A otimização para mecanismos de resposta, ou AEO, descreve esforços para melhorar como as marcas aparecem nessas respostas geradas. O termo intimamente relacionado otimização para mecanismos generativos, ou GEO, enfatiza a visibilidade em sistemas movidos por IA generativa.

Ambas as práticas abordam um problema real de medição. Um consumidor pode pedir a um assistente que compare tênis de corrida, software empresarial ou contas bancárias. O assistente pode restringir o mercado antes que essa pessoa visite o site de uma marca.

Esse comportamento pressiona as equipes de marketing porque seus painéis existentes revelam apenas parte da jornada. O tráfego de referência pode mostrar quem chegou a partir de um serviço de IA, mas não mostra as pessoas que aceitaram uma resposta sem clicar.

Também não explica por que um assistente recomendou uma marca e ignorou outra. Plataformas de marketing de busca por IA tentam preencher essa lacuna ao testar prompts repetidamente, registrar respostas, acompanhar citações e comparar a visibilidade das marcas.

O produto original da Profound atendia a essa necessidade. Ele media menções, sentimento, fontes e posição competitiva em mecanismos de resposta. Posteriormente, a empresa adicionou estimativas de volume de prompts, análise de crawlers, visibilidade em compras e fluxos de trabalho baseados em agentes.

O momento importa porque grandes plataformas de consumo estão avançando mais profundamente na descoberta e no comércio conversacionais. Varejistas já estão adaptando seus dados de produtos e experiências de clientes para compras mediadas por IA.

A Target, por exemplo, afirmou que seu tráfego impulsionado por IA aumentou 2.000% durante o primeiro trimestre em comparação com o ano anterior. Sua atualização sobre comércio conversacional também descreveu integrações de compra envolvendo experiências do Google, Microsoft e OpenAI.

O aumento de tráfego de uma empresa não estabelece uma tendência universal de mercado. Mas mostra por que grandes marcas não estão dispostas a esperar por medições perfeitas antes de experimentar.

A Profound argumenta que sistemas de IA avaliam um conjunto mais amplo de sinais de marca do que as equipes tradicionais de busca costumam administrar em conjunto. Esses sinais incluem sites oficiais, informações de produtos, avaliações, cobertura da mídia, páginas de varejistas, conteúdo social e material de afiliados.

Esse enquadramento amplia o potencial comprador para além de um departamento de SEO. Equipes de relações públicas, marca, conteúdo, comércio, marketing de produto e análise podem todas reivindicar interesse na forma como sistemas de IA representam a empresa.

Isso cria um desafio organizacional, além de técnico. Alguém precisa decidir quais prompts importam, quais respostas são prejudiciais e quais intervenções merecem financiamento. Alguém também precisa conectar mudanças de visibilidade a leads, vendas ou confiança do cliente.

A Série D da Profound reflete a confiança dos investidores de que esse problema de coordenação criará uma grande categoria de software. No entanto, a empresa precisa provar que as marcas necessitam de uma camada operacional independente, em vez de recursos dentro dos softwares que já utilizam.

Essa distinção explica a dimensão da oportunidade e do risco. Se recomendações geradas por IA se tornarem um importante canal de aquisição, dados de visibilidade poderão orientar investimentos significativos. Se plataformas estabelecidas absorverem essa função, fornecedores especializados enfrentarão um papel mais limitado.

A Principal Disputa da Profound É Entre Contexto e Ferramentas de IA Fragmentadas

A Profound aposta que o contexto compartilhado da empresa importará mais do que o acesso a qualquer modelo de IA isolado.

Muitas equipes de marketing já usam assistentes de IA de uso geral para pesquisa, redação, análise e planejamento de campanhas. Funcionários individuais frequentemente criam prompts separados, carregam arquivos diferentes e aplicam regras de marca inconsistentes.

Essa fragmentação produz problemas conhecidos. Um funcionário trabalha com um briefing atual de produto, enquanto outro depende de um documento mais antigo. Um profissional de marketing regional segue orientações locais que a sede não consegue visualizar. A liderança tem dificuldade para revisar o que cada ferramenta gera.

A resposta proposta pela Profound é o Context Manager. O sistema armazena contexto organizacional e contexto pessoal e, em seguida, disponibiliza essas camadas ao Aim e aos agentes que o apoiam.

O contexto organizacional pode incluir posicionamento aprovado, detalhes de produtos, voz da marca, regras de campanha, pesquisa de clientes e requisitos de governança. O contexto pessoal pode adaptar os resultados à função, ao mercado ou às preferências de trabalho de um funcionário.

A empresa afirma que o Aim opera acima dos modelos subjacentes. Isso significa que os clientes podem se beneficiar de mudanças nos sistemas de IA de fronteira sem reconstruir todos os processos de marketing em torno de um novo fornecedor.

Essa estratégia de camada de aplicação é o principal conflito competitivo por trás do financiamento. A Profound não aposta que treinará o melhor modelo de uso geral. Ela aposta que controlar contexto, fluxo de trabalho, medição e aprovação cria uma posição mais forte.

Essa proposta tem apelo prático. Uma equipe de marketing raramente precisa de mais um rascunho isolado. Ela precisa de trabalho que reflita fatos atuais sobre o produto, passe por revisão, alcance o sistema de publicação correto e produza resultados mensuráveis.

A abordagem da Profound também conecta a produção aos seus dados de busca por IA. Em teoria, um agente poderia encontrar uma pergunta recorrente na qual uma marca não tem visibilidade, examinar concorrentes citados e preparar uma resposta usando informações aprovadas da empresa.

Um humano então revisaria a recomendação e o material final. A Profound argumenta explicitamente que o julgamento humano continua necessário porque o marketing não dispõe dos testes claros de aprovação ou reprovação encontrados em muitas tarefas de software.

É nesse ponto que os dados de busca por IA da Profound podem se tornar mais valiosos do que um assistente genérico de redação. A empresa pode usar o comportamento observado dos mecanismos de resposta para decidir qual trabalho deve ser realizado, e não apenas gerar o texto solicitado.

O mecanismo também cria várias dependências. O contexto deve permanecer preciso. As integrações devem preservar permissões. Os caminhos de aprovação devem corresponder à forma como uma empresa realmente opera. A medição deve distinguir resultados significativos de mudanças superficiais de visibilidade.

Plataformas de marketing estabelecidas podem seguir a mesma lógica de integração. Fornecedores de gestão de conteúdo já controlam a publicação. Plataformas de relacionamento com clientes já mantêm dados de audiência e receita. Provedores de análise já medem aquisição e conversão.

Concorrentes especializados como AthenaHQ, Peec AI, Scrunch AI e Otterly também se concentram em partes da visibilidade e otimização por IA. Alguns têm como alvo empresas, enquanto outros enfatizam monitoramento mais simples ou fluxos de trabalho mais restritos.

O financiamento da Profound lhe dá mais espaço para expandir antes que o mercado se estabilize. O capital pode apoiar desenvolvimento de produto, integrações, vendas, segurança e atendimento ao cliente. Ele não pode garantir que uma plataforma se torne o sistema de registro permanente.

A melhor defesa da empresa é um ciclo de dados que se reforça. Mais campanhas podem produzir mais dados de resultados. Dados de resultados melhores podem aprimorar recomendações. Essas recomendações podem criar mais atividade dentro da plataforma.

No entanto, esse ciclo só se torna defensável quando os resultados são confiáveis e comparáveis. Produzir mais ativos de marketing não significa automaticamente produzir marketing melhor.

Para compradores corporativos, essa disputa dependerá de evidências operacionais. A Aim precisa reduzir trabalho duplicado, encurtar ciclos de revisão, preservar a precisão da marca e conectar suas ações a resultados empresariais observáveis.

A Visibilidade em Buscas com IA É Mais Difícil de Medir do Que um Ranking

A maior incerteza é se uma pontuação de visibilidade em IA continua significativa diante de mudanças em prompts, modelos, usuários e ao longo do tempo.

Os rankings tradicionais de busca já variam conforme localização, dispositivo e personalização. As respostas geradas por IA acrescentam outra camada, pois o mesmo prompt pode produzir redações, fontes e recomendações diferentes em execuções repetidas.

Um artigo de 2026 sobre medição de visibilidade argumenta que observações isoladas não são confiáveis. Seus autores recomendam medições repetidas e tratar a visibilidade como uma distribuição, e não como um único resultado fixo.

Essa conclusão importa para todas as métricas de busca com IA da Profound. Um painel pode apresentar uma porcentagem limpa, mas as respostas subjacentes continuam probabilísticas. As escolhas de amostragem podem moldar o desempenho aparente de uma marca ou concorrente.

A seleção de prompts cria outro desafio. Os clientes não fazem todos as mesmas perguntas nem usam a mesma linguagem. Um conjunto de testes criado por uma equipe de marketing pode super-representar prompts nos quais a empresa já espera competir.

O volume estimado de prompts também é menos transparente do que o volume tradicional de palavras-chave. Em geral, mecanismos de resposta não publicam conjuntos completos de consultas que pesquisadores independentes possam usar para validar estimativas de terceiros.

Atualizações de modelos podem alterar resultados sem qualquer ação de uma marca. Sistemas de recuperação podem mudar suas preferências de fontes. Novos recursos de compras podem favorecer dados estruturados de comerciantes em vez de conteúdo editorial. A publicidade pode introduzir outro caminho para recomendações geradas.

Essa volatilidade não torna a medição inútil. Ela eleva o padrão para interpretar os resultados.

Um sistema confiável deve informar quais mecanismos, localizações, contas e prompts foram testados. Deve repetir os testes, preservar amostras históricas e separar mudanças estatisticamente relevantes de variações rotineiras.

Também deve diferenciar visibilidade de impacto comercial. Ser mencionado com mais frequência pode ajudar a conscientização, mas uma citação neutra não equivale a um lead qualificado ou a uma compra concluída.

A Profound publicou exemplos de clientes que conectam sua análise a mudanças nas estratégias de conteúdo. Em um caso, a empresa afirma que a Ramp aumentou a visibilidade de seu produto de contas a pagar de 3,2% para 22,2% em um mês.

Esse resultado oferece um caso de uso concreto, mas continua sendo um estudo de caso produzido pelo fornecedor. Antes de tratá-lo como referência geral, os compradores devem examinar o conjunto de prompts, a repetibilidade, a qualidade do tráfego e o impacto sobre conversões.

O risco mais profundo envolve incentivos. Quando as marcas otimizam o material-fonte usado por mecanismos de resposta, fatos úteis sobre produtos podem se tornar mais fáceis de recuperar. O mesmo processo também pode incentivar a produção em massa criada principalmente para influenciar recomendações automatizadas.

Pesquisadores que examinam riscos de governança de GEO alertam para influência concentrada, efeitos comerciais não divulgados e lacunas entre testes acadêmicos e sistemas implantados. Suas preocupações não visam apenas a Profound. Elas se aplicam à categoria.

O diretor executivo da Profound rejeita a ideia de que a produção automatizada necessariamente gera conteúdo de baixa qualidade. Ele argumenta que resultados fracos normalmente decorrem de contexto mínimo e orientação humana insuficiente.

A distinção é razoável, mas continua sendo uma tese da empresa, e não um fato resolvido. Mais contexto pode melhorar a precisão e a especificidade. Também pode escalar uma estratégia falha ou uma alegação desatualizada se a governança falhar.

Portanto, um sistema capaz de criar e publicar conteúdo precisa de controles mais rigorosos do que um painel de monitoramento. As empresas exigirão limites de permissão, rastreamento de fontes, registros de aprovação, histórico de versões e processos confiáveis de reversão.

As equipes de marketing também precisam proteger seu próprio conhecimento. Roteiros de produtos, chamadas de vendas, pesquisas competitivas e insights de clientes podem tornar os resultados de IA mais úteis. Eles também podem expor informações sensíveis quando conectados de forma descuidada.

É aqui que práticas de conhecimento pessoal se tornam relevantes. As equipes precisam de uma base de conhecimento de IA controlada antes que agentes possam reutilizar com segurança o contexto interno entre campanhas.

A Profound afirma que os humanos mantêm a estratégia e a aprovação final. Os compradores devem testar com que consistência esse princípio se mantém quando as equipes enfrentam metas de publicação, pressão de tempo e grandes cargas de trabalho de agentes.

A avaliação pressupõe que a Profound consegue administrar essas tensões enquanto cresce. As evidências virão do comportamento dos clientes, da auditabilidade e de resultados mensuráveis, não do volume de ativos que seus agentes produzem.

O Financiamento Pressiona Tanto Especialistas Quanto Suítes de Marketing

A Profound agora tem capital suficiente para desafiar fornecedores especializados em visibilidade por IA enquanto avança em direção a plataformas corporativas mais amplas.

A pressão imediata recai sobre empresas que vendem monitoramento de busca com IA como função independente. A Profound pode combinar medição com agentes, fluxos de trabalho de conteúdo, gestão de contexto e supervisão executiva.

Um fornecedor de monitoramento precisa responder de uma entre três formas. Pode desenvolver ferramentas de execução, especializar-se em análises mais profundas ou integrar-se estreitamente a plataformas que já controlam o trabalho de marketing.

A Profound enfrenta o problema oposto. Cada expansão aumenta seu valor potencial, mas também amplia a superfície de produto que precisa funcionar com confiabilidade.

Compradores de análises esperam dados precisos e relatórios flexíveis. Equipes de conteúdo precisam de colaboração e controles de marca. Executivos exigem governança, permissões e visibilidade de custos. Equipes técnicas esperam integrações confiáveis.

Atender a todas essas necessidades pode criar uma plataforma ampla ou uma coleção sobrecarregada de recursos. A diferença depende de como informações e trabalho circulam de forma coerente pelo sistema.

A Série C de fevereiro oferece uma comparação útil. Naquele momento, a Profound descreveu Agents como a ponte entre visibilidade e ação. A empresa afirmou que mais de 500 clientes usavam esses agentes diariamente.

Sete meses depois, a empresa apresenta Aim como um coordenador de nível superior. A Aim foi concebida para entender o contexto, recomendar trabalho, implantar agentes, gerenciar aprovações e avaliar resultados.

Essa rápida expansão de produto aumenta a pressão sobre suítes de marketing estabelecidas. Elas não podem presumir que a busca com IA continuará sendo uma categoria secundária de relatórios. Se os clientes começarem a planejar campanhas em torno do comportamento dos mecanismos de resposta, os fluxos de trabalho existentes precisarão incorporar esses sinais.

No entanto, os operadores estabelecidos têm vantagens valiosas. Eles já reúnem dados de clientes, repositórios de conteúdo, processos de aprovação, análises e relacionamentos corporativos de longa data.

Podem adicionar recursos de visibilidade em IA por meio de desenvolvimento interno, parcerias ou aquisições. Também podem incluir essas funções em contratos que os departamentos de marketing já administram.

Por isso, a Profound precisa avançar rapidamente sem confundir velocidade com capacidade de defesa. Sua posição mais forte vem de conectar respostas de IA observadas a uma execução governada mais rápido do que ferramentas especializadas ou grandes suítes.

Os clientes nomeados pela empresa dão a ela oportunidades para testar essa proposta em ambientes complexos. Grandes marcas operam entre unidades de negócio, países, agências, linhas de produtos e exigências regulatórias.

O sucesso com essas organizações demonstraria mais do que impulso de vendas. Mostraria que o modelo de contexto e os fluxos de trabalho com agentes da Profound conseguem sobreviver à complexidade organizacional real.

O fracasso poderia aparecer de maneiras menos óbvias. Clientes podem manter o painel de visibilidade, mas evitar a publicação automatizada. As equipes podem usar a Aim para rascunhos, mantendo o planejamento e a medição em outros lugares.

As empresas também podem limitar a adoção a um único departamento. Isso sustentaria um produto útil, mas não necessariamente a plataforma central de marketing implícita na avaliação.

Concorrentes especializados ainda têm espaço para se diferenciar. Uma plataforma menor pode oferecer integração inicial mais simples, medições mais claras, cobertura regional específica ou fluxos de trabalho projetados para um segmento de clientes.

Também é improvável que o mercado convirja em torno de um único termo tão cedo. AEO, GEO, otimização para busca com IA e visibilidade em IA descrevem atividades sobrepostas. Essa incerteza de linguagem reflete uma categoria de compra ainda em definição.

A Profound tenta definir a categoria em torno de uma ideia mais ampla: trabalho de marketing com IA coordenado por meio de contexto compartilhado. O novo capital lhe dá tempo para tornar essa definição confiável.

Os concorrentes agora terão de decidir se acompanham essa expansão ou ocupam uma posição mais restrita. Os compradores devem esperar lançamentos mais rápidos, mais integrações e alegações mais fortes sobre impacto empresarial mensurável.

Três Sinais Testarão a Tese de US$ 1,8 Bilhão da Profound

As evidências do produto Aim, a adoção pelos clientes e a atribuição de receita determinarão se o financiamento reflete uma mudança duradoura de plataforma.

O primeiro sinal é a apresentação da Aim em 30 de setembro. A Profound precisa mostrar mais do que uma demonstração refinada de geração de conteúdo.

O fluxo de trabalho mais informativo começaria com uma fraqueza observada na busca por IA e terminaria com uma resposta governada e mensurável. Os espectadores devem procurar atribuição de fontes, permissões, etapas de aprovação, profundidade de integração e controle humano claro.

Uma demonstração que conecte essas etapas fortaleceria a tese da Profound na camada de aplicação. Uma apresentação centrada na velocidade de redação a enfraqueceria, porque ferramentas gerais de IA já realizam essa tarefa.

O segundo sinal é a adoção além dos experimentos iniciais. A Profound afirma que mais de 2.500 marcas usam seus produtos, mas a profundidade e a consistência desse uso importam mais do que a contagem principal.

Procure evidências de que várias equipes dentro da mesma empresa compartilham contexto e fluxos de trabalho. A expansão de especialistas em SEO para marca, marketing de produto, comunicações e comércio apoiaria a alegação de plataforma.

O uso diário de agentes, o comportamento de renovação e o crescimento em contas existentes seriam especialmente úteis. Estudos públicos de clientes também devem explicar onde os humanos intervêm e quais tarefas continuam inadequadas para automação.

O uso limitado dentro de uma única equipe especializada ainda validaria a demanda por marketing de busca com IA. Não estabeleceria a Profound como a aplicação central de toda uma organização de marketing.

O terceiro sinal é a atribuição. A Profound precisa conectar mudanças nas respostas geradas por IA a resultados que líderes de finanças e marketing reconhecem.

Medidas relevantes incluem tráfego de referência qualificado, conversões assistidas, influência sobre o pipeline, informações de produto corrigidas e redução do tempo de ciclo de campanha. Pontuações de visibilidade, por si só, não podem sustentar a tese de avaliação.

A atribuição continuará difícil porque muitos usuários consomem respostas de IA sem clicar. Modelos e interfaces também mudam mais rápido do que os sistemas de medição padrão.

Essa dificuldade torna experimentos disciplinados importantes. As equipes podem comparar grupos controlados de prompts, mudanças de conteúdo, padrões de referência e comportamento de conversão ao longo do tempo. Devem evitar tratar correlação como prova de causalidade.

O financiamento da Profound lhe dá recursos para desenvolver essa camada de medição. Também eleva as expectativas de que a empresa produzirá evidências antes que concorrentes ou plataformas estabelecidas reduzam a diferença.

Portanto, a Série D da Profound é uma aposta em mais do que o crescente interesse na busca com IA. Ela pressupõe que as equipes de marketing precisam de um sistema governado que conecte conhecimento da empresa, dados de mecanismos de resposta, julgamento humano e execução automatizada.

As marcas que avaliam essa proposta devem começar com um fluxo de trabalho delimitado. Escolha uma área de produto, defina um conjunto estável de prompts, documente a visibilidade atual e conecte qualquer intervenção a um resultado de negócio observável.

Em seguida, teste se uma plataforma integrada melhora o processo sem enfraquecer os padrões editoriais ou o controle dos dados. Os próximos meses devem revelar se a Aim sustenta essa disciplina em escala empresarial.

A Profound já mostrou que investidores financiarão essa visão. O teste mais difícil começa quando as equipes de marketing perguntam se a plataforma melhora as decisões, e não apenas a produção.