As agências de meios desenvolvem controlos para evitar que os agentes de IA aumentem os seus custos

As agências que estão a recorrer a agentes de IA para acelerar o planeamento e a compra de meios começam a deparar-se com um paradoxo: a tecnologia pode poupar tempo, mas não necessariamente dinheiro. Pelo menos, não se for deixada a funcionar sem supervisão. À medida que se multiplicam as ferramentas capazes de segmentar audiências, configurar campanhas ou executar operações de meios de forma autónoma, algumas agências estão a desenvolver sistemas específicos para monitorizar o que estes agentes fazem, detetar possíveis erros e, cada vez mais, controlar quanto consomem.

Neste contexto, várias agências começaram a criar ferramentas para supervisionar os agentes de IA que utilizam nos seus processos de planeamento e compra. O objetivo é duplo: evitar que os sistemas “alucinem” e gerem informação incorreta e, ao mesmo tempo, impedir que o consumo de tokens dispare sem controlo.

As agências começam a monitorizar os seus agentes

Segundo um inquérito da Gartner realizado em abril junto de 1.300 responsáveis sénior de marketing, 56% das empresas ainda implementa ferramentas de IA sem dispor de políticas claras sobre a sua utilização. A consultora estima, além disso, que 60% das organizações que utilizam IA irão enfrentar custos adicionais relacionados com esta tecnologia por não disporem de mecanismos adequados para monitorizar a sua utilização.

Algumas agências que estão há meses a desenvolver e testar agentes de IA estão a tentar antecipar este problema.

Neste cenário, a Rise, agência de performance media do grupo Quad, testa desde junho agentes de IA para a compra de meios com um cliente do setor da distribuição alimentar, segundo explica Klaudia Smykowska, group director da empresa, em declarações ao Digiday.

Para controlar a atividade destes agentes, a Rise utiliza uma funcionalidade de registo de auditoria desenvolvida pela PubMatic, fornecedora de SSP que colaborou com várias agências nos testes de ferramentas de compra de meios baseadas em IA, entre as quais a Butler/Till e a Abovo Maxlead, nos Países Baixos.

A ferramenta permite detetar quando um agente se desvia dos parâmetros definidos e mantém um registo das ações realizadas. “Posso perguntar: ‘Porque fizeste essa alteração? Em que se baseou o teu processo de raciocínio a partir daquele briefing inicial?’”, explica Smykowska ao Digiday. Desta forma, consegue verificar que tudo fica registado e reconstruir posteriormente o que aconteceu e porquê. Por sua vez, Harry Tong, Director of Sales Engineering da PubMatic, explica que cada alteração realizada pelo agente fica registada com uma marca temporal, juntamente com os detalhes da alteração e o método utilizado para a executar, por exemplo, através da interface de utilizador.

Monitorizar as ações específicas realizadas por um agente enquanto tenta executar um briefing é particularmente importante durante a fase de testes. Mas será provavelmente ainda mais relevante quando estas ferramentas começarem a ser utilizadas de forma generalizada e deixarem de ser um simples experimento.

A Rise não é a única agência a tentar organizar a utilização destes sistemas. A Brainlabs, por exemplo, monitoriza a utilização e o desenvolvimento de agentes de IA pelas suas equipas em toda a empresa. Na Dept, por sua vez, estão a desenvolver ferramentas capazes de gerar registos das decisões tomadas pelos agentes e elaborar relatórios de controlo de qualidade num formato fácil de interpretar.

O custo dos tokens

À monitorização das decisões junta-se outra questão cada vez mais relevante: quanto custa realmente deixar um agente de IA trabalhar? Atualmente, a ferramenta de auditoria da PubMatic não permite determinar quanto poderia ter custado, em tokens, um determinado percurso seguido por um agente. A Rise calcula o custo dos seus testes combinando a despesa em licenças e tokens com o tempo que os colaboradores poupam — ou dedicam — a estas tarefas e com a proporção do orçamento de uma campanha que acaba por ser destinada a working media.

Um dos fatores que pode ajudar a melhorar este cálculo é saber que modelo é utilizado por cada agente. Os modelos mais avançados exigem maior capacidade de computação e, consequentemente, tendem a ter um custo superior. Utilizá-los por defeito para qualquer tarefa pode acabar por aumentar significativamente a fatura.

Esta situação representa um problema para as agências de meios. Muitas têm permitido que os seus colaboradores escolham o modelo que consideram mais adequado para cada tarefa, com o objetivo de incentivar a inovação e o desenvolvimento individual. Por exemplo, a Brainlabs utiliza atualmente um sistema escalonado para atribuir tokens aos seus colaboradores. Quando um trabalhador ultrapassa o seu limite, pode receber mais tokens caso a sua utilização o justifique, após uma revisão. “Queremos que as pessoas gastem. Simplesmente queremos que o façam de forma útil”, afirma Daniel Gilbert, fundador e CEO da Brainlabs.

Por sua vez, algumas agências estão agora a adotar uma abordagem mais prescritiva. A Dept utiliza um sistema denominado AI gateway, que elimina a possibilidade de os colaboradores escolherem o modelo de IA para uma determinada tarefa. Para se manter dentro do orçamento de IA da empresa, os colaboradores enviam o seu prompt ou lançam o seu agente e a escolha do modelo é feita centralmente, tendo em conta considerações comerciais ou legais. Em alguns casos, são também os próprios clientes que definem quais os modelos que podem ser utilizados. Algumas empresas pediram à agência que recorra a modelos específicos para garantir que os seus dados não ficam alojados fora do país onde operam. Isto pode obrigar, por exemplo, à utilização de modelos que possam ser alojados fora dos Estados Unidos. A PMG também desenvolveu uma ferramenta denominada “Alli For You”, que estabelece um limite diário de consumo de tokens para os utilizadores.

As regras também podem ser incorporadas no próprio agente

Os limites não têm necessariamente de ser definidos apenas externamente. Também podem ser integrados diretamente nos próprios agentes. É o caso de funcionalidades como “Skills”, disponíveis no ChatGPT ou no Claude, que permitem guardar determinados documentos, instruções ou sequências de trabalho para que o agente os utilize, reduzindo assim a margem que tem para improvisar o seu próprio percurso.

O desafio, portanto, vai além de evitar erros ou proteger os dados dos clientes. À medida que os agentes de IA assumem mais tarefas dentro das agências, a questão será também saber como utilizar os seus recursos de forma eficiente e, sobretudo, garantir que cada tarefa é executada com o modelo mais adequado.