Custos de Cadeia de Suprimento de Media Buying Caem 5.5x em Campanha Orientada por Agentes

A maioria dos projetos de media buying agentic estagna antes de embarcar—não porque o LLM esteja errado, mas porque os cinco requisitos de infraestrutura nunca foram construídos. Estado, modelos servidos, dados governados, identidade e observabilidade sustentam cada agente que negocia ou executa transações em escala. Databricks publicou uma implementação de referência este mês que torna esses requisitos concretos, funciona como um acelerador de comando único, e usa o SDK oficial open-source do IAB Tech Lab para que você não fique preso a um protocolo proprietário.

O problema de coordenação em media buying é estrutural. Um comprador define um briefing de campanha. Times humanos gastam dias enviando RFPs a publishers, comparando rate cards, negociando preço e cortando insertion orders. No momento em que um IO chega, o inventário e sinais de audiência em que se baseava já estão obsoletos—com horas a dias de defasagem. LLMs conseguem ler um RFP. Eles não conseguem manter estado transacionalmente consistente através de um loop de negociação multipartidária sem infraestrutura projetada para isso. É nessa lacuna que projetos de agentes morrem.

Databricks divide o modo de falha em cinco requisitos. Estado: briefings, catálogos, cotações e pedidos devem persistir com garantias ACID—tabelas Delta lidam com isso. Modelos servidos: agentes precisam de endpoints de modelo base governados, não chamadas de API ad-hoc; Mosaic AI Model Serving roteia o modelo certo para cada tarefa. Dados governados: dados de catálogo e audiência devem ter controles de acesso aplicados no momento da query; Unity Catalog fornece governança em nível de coluna e linha. Identidade e confiança: agentes de comprador e vendedor rodam em workspaces separados porque o comprador não deve ver dados de margem do vendedor e o vendedor não deve ver o teto de preço do comprador. Uma arquitetura de banco de dados compartilhado quebra confidencialidade. Observabilidade: MLflow rastreia cada chamada de ferramenta e decisão de LLM para auditoria e debug. Você pode montar isso a partir de cinco vendors. Na Databricks, é uma plataforma.

O loop de agente é curto: descobrir vendedores via um registro, solicitar cotações, avaliar contra orçamento e metas de audiência, contra-oferecer ou reservar, executar insertion order. Uma estrutura de agente hierárquica separa preocupações—um agente Portfolio Manager lida com estratégia; agentes Funcionais executam tarefas discretas como planejamento de audiência, execução de lance e pricing. O loop é automatizado de ponta a ponta. O acelerador implanta agentes funcionais de comprador e vendedor em seu próprio workspace Databricks com um comando, construído no SDK AAMP do IAB Tech Lab na camada de protocolo.

Essa camada de protocolo importa para times construindo além de um par único de vendors. IAB Tech Lab formalizou seus Protocolos de Gerenciamento de Publicidade Agentic (AAMP) em 26 de fevereiro de 2026. O framework tem três pilares: uma camada de execução (o Agentic Real-Time Framework, ARTF, lançado para comentário público em novembro de 2025) que reduz latência de bid-request de 600–800ms para aproximadamente 100ms por co-localização de containers de agentes com infraestrutura de leilão; uma camada de protocolos definindo como agentes de comprador e vendedor descobrem, negociam e transacionam usando taxonomias OpenRTB, OpenDirect e AdCOM; e um Agent Registry, ativo desde 1º de março de 2026, que fornece verificação de identidade e accountability através do ecossistema. Sem convergência em algo como AAMP, cada agente de comprador precisa de integração customizada com cada agente de vendedor. É o mesmo problema de interoperabilidade que OpenRTB resolveu para programmatic uma década atrás, agora reaparecendo na camada de agente.

A campanha Butler/Till e PubMatic de dezembro de 2025 é a coisa mais próxima de um experimento controlado que a indústria tem. Butler/Till submeteu um briefing em linguagem natural através do Claude. Agentes da PubMatic interpretaram o briefing, geraram uma estratégia de mídia, montaram a campanha CTV e otimizaram pacing e targeting em tempo real. Nenhum DSP. Nenhuma mesa de trading manual. Resultados: custos de cadeia de suprimento buy-side caíram 5.5x; taxas intermediárias caíram mais de 80%; taxa de conclusão de vídeo atingiu 98%; a campanha entregou 40% mais impressões que planejado; menos de 1% de impressões falharam em fraude e padrões de qualidade contra benchmark da indústria de aproximadamente 5%. Os números se sustentam porque a tubulação estava certa, não porque o LLM foi melhor.

A decisão do arquiteto antes de tocar em um modelo: qual dos cinco requisitos de infraestrutura—estado, modelos servidos, dados governados, identidade, observabilidade—você ainda não tem, e sua stack existente pode fornecê-los sem adicionar cinco vendors a mais?