Growth hacking with GenAI: o motor tem três tempos, e a IA só turbinou um
A promessa de que a IA transforma o growth é verdadeira num tempo do motor e perigosa nos outros dois. Testar ficou quase gratuito. Medir colapsou. Decidir continua a ser teu. Quem só acelera o testar corre mais experiências em que confia menos. Mostro-o com um caso real em que baixei um Target CPA 20% sem um único hack, só a medir o jogo.
O growth hacking nunca foi um saco de truques. Foi sempre um motor de três tempos: testar, medir, decidir. O GenAI pôs turbo no primeiro e está a partir o segundo. E quase toda a gente celebra o turbo sem reparar que o velocímetro deixou de funcionar.
O caso de quem diz que a IA mudou tudo
Comece-se pela versão forte do argumento contrário, porque ela não é disparate. O custo de experimentar colapsou. O que antes ocupava uma equipa um trimestre (cem variantes de anúncio, dez landings, um guião de entrevistas de utilizador) sai agora numa tarde. A IA gera hipóteses a partir dos teus dados, simula segmentos, analisa resultados em segundos. A velocidade de aprendizagem sempre foi a vantagem do growth, e a ideia, repetida desde a Amazon, de que ganha quem corre mais experiências dá razão a quem itera mais depressa. Se a IA multiplica as experiências por dez ou por cem, multiplica a vantagem. Um founder sozinho faz hoje o que exigia uma equipa inteira. Este argumento é real e, na parte da execução, está certo.
O que esse argumento não vê: o growth hacking é um motor de três tempos
A falha do argumento não é o que diz. É o que ignora. Sean Ellis, que cunhou growth hacking em 2010, nunca descreveu truques: descreveu um perfil obcecado com uma métrica de crescimento como norte único (Ellis, 2010; mais tarde no livro Hacking Growth, 2017). Dave McClure já dera a régua com o AARRR, as pirate metrics. O motor sempre foi o mesmo: formular uma hipótese, testá-la, medir o efeito, decidir matar ou escalar. Testar mais depressa só compõe se continuares a conseguir medir o que o teste fez e a ter critério para decidir. A IA turbinou o testar. Não tocou no decidir. E está a sabotar o medir.
A IA pôs turbo no testar e partiu o medir
Enquanto o custo de testar caía a zero, a capacidade de medir o resultado desmoronava-se em paralelo. O clique já desaparecia antes dos LLMs: boa parte da pesquisa acontece sem clique nenhum, com tudo o que isso faz aos KPIs (tratei-o em pesquisa zero-click e KPIs de SEO). Depois, os próprios referrals começaram a evaporar-se: a OpenAI alterou as referral strings e boa parte desse tráfego deixou de trazer origem, a entrar como Direct (escrevi sobre isto a propósito do Avinash e do OAO). Junta as conversões modeladas e o Consent Mode no GA4 e ficas com um painel que adivinha mais do que mede. Portanto sim, podes correr cem testes numa semana. A pergunta incómoda é outra: confias no que algum deles te diz?
A maioria das experiências nunca foi fiável
Aqui está a parte que ninguém quer ouvir. Mesmo antes da IA, a maioria das experiências de growth não era de confiança. Ron Kohavi, Diane Tang e Ya Xu, que correram milhares de testes na Microsoft, no Google e na Amazon, escreveram o livro de referência da área sobre como as fazer bem (Trustworthy Online Controlled Experiments, Cambridge, 2020). E num artigo dedicado às ciladas, o A/B Testing Intuition Busters (Kohavi, Deng e Vermeer, 2022), catalogam porque é que tantos resultados enganam: testes subdimensionados, sample ratio mismatch, processamento de dados flexível que inflaciona falsos positivos. Invocam a lei de Twyman: um número que salta à vista está, quase sempre, errado. Multiplicar por cem uma máquina que já produzia ruído não dá cem vezes mais verdade. Dá cem vezes mais ruído, mais depressa.
O que me deu vantagem foi medir o jogo, não um hack
A melhor jogada de growth que fiz num cliente não veio de nenhuma ferramenta nova. Veio de medir o que o concorrente fazia. O cliente era lead generation pura, gerido a Target CPA, com a obrigação de melhorar o custo por lead ao cêntimo. Montámos uma análise do investimento diário dos concorrentes diretos em Google Ads, e apareceu um padrão que eles próprios provavelmente não viam: gastavam a maior parte do budget nas três primeiras semanas de cada mês e abrandavam na última, porque lá chegavam com o budget mensal quase esgotado.
A maioria teria seguido o ritmo do mercado. Fizemos o contrário. Renegociámos com o cliente um budget que deixou de ser mensal. Nas três primeiras semanas fomos contidos, a suster investimento de propósito. Na última, quando a concorrência já estava fora de budget e os leilões saíam mais baratos, entrámos concentrados e com força, financiados pelo que tínhamos segurado. Não gastámos menos. Gastámos no momento certo.
O Target CPA caiu 20%. A vantagem não foi um hack. Foi medir o ritmo do adversário e ter o critério de reestruturar o budget para explorar o constrangimento dele. (A mesma lógica de vigiar sinais e agir cedo que uso nos scripts de Google Ads.)
E aqui está o ponto para 2026: o GenAI gerava-me as cem variantes de anúncio numa tarde. Não media o ritmo diário do concorrente, não ligava os pontos, e não renegociava o budget. O insight e a coragem não vêm no prompt.
A medição que o growth da era IA exige
Se testar ficou grátis e medir ficou difícil, a vantagem mudou-se para quem sabe medir. Em concreto, três camadas.
Primeira, incrementalidade a sério, não atribuição de clique: holdouts e geo-experiments, a metodologia que a própria Google documentou há mais de uma década (Vaver e Koehler, Measuring Ad Effectiveness Using Geo Experiments, 2011). Divides geografias ou audiências, seguras um grupo de controlo, e medes o que o investimento acrescentou de facto, não o que o pixel reclama.
Segunda, guardrails antes de olhar para qualquer resultado: hipótese escrita antes do teste, potência estatística suficiente, verificação de sample ratio mismatch, métricas-guarda para apanhar estragos colaterais. É a disciplina do Kohavi, e é o que impede a IA de te vender ruído mais depressa.
Terceira, o processo: um backlog de hipóteses priorizado por ICE (impacto, confiança, facilidade), testado em cadência alta, e um modelo de crescimento em loop com input metrics acionáveis, não um funil estático que se olha ao fim do mês. Conversa com o que já escrevi sobre North Star e AARRR e sobre modelos de atribuição, sem o repetir aqui.
Onde o GenAI entra mesmo, tempo a tempo
Para não cair no hype nem no desdém, arruma-se o GenAI pelos três tempos do motor.
No testar, muda o jogo: gera hipóteses a partir dos teus dados, produz variantes a custo quase nulo, enche o backlog mais depressa do que qualquer equipa. Usa-o à vontade.
No medir, não entra. Pior: se confiares nos outputs sem instrumentação própria, acelera o erro. A IA não cria a métrica-alvo nem a infraestrutura de medição que te falta. Essa é tua.
No decidir, ajuda nas margens: deteção de anomalias, resumos, apanhar um sample ratio mismatch que te passou ao lado. Mas matar ou escalar continua a ser um julgamento, não um output.
Quem acelera o testar com GenAI e ignora o medir não faz growth. Faz ruído mais depressa e chama-lhe estratégia.
A próxima vantagem da tua conta não está na ferramenta que gera mais variantes. Está no que ainda consegues medir quando toda a gente à tua volta deixou de ver.
Fontes
- Kohavi, Tang & Xu - Trustworthy Online Controlled Experiments (Cambridge, 2020)
- Kohavi, Deng & Vermeer - A/B Testing Intuition Busters (KDD 2022)
- Vaver & Koehler - Measuring Ad Effectiveness Using Geo Experiments (Google, 2011)
- Growth hacking: origem do termo (Sean Ellis, 2010)
Perguntas frequentes
O GenAI não resolve a medição com dados próprios (first-party)?
Ajuda a recolher, não a interpretar. First-party data melhora o input; não substitui o desenho causal. Sem um holdout ou um geo-experiment, continuas a confundir correlação com efeito, por muito limpa que esteja a tua base. Ver modelos de atribuição →
Dá para medir incrementalidade sem orçamento de enterprise?
Dá. Um geo-experiment simples (ligar o investimento numa região e manter outra comparável como controlo durante umas semanas) dá um sinal causal honesto sem stack caro. O difícil não é a ferramenta, é a disciplina de segurar o controlo e não mexer a meio.