Complexidade e custos de transação: por que marketing não se resolve com ferramenta

Atualizado em 16 de outubro de 2026. Revisão completa: método explícito, seis infográficos, argumento reorganizado e referências ampliadas. Corrigimos também a descrição do argumento da simulação de Nick Bostrom: a versão anterior trazia probabilidades que não estão no artigo original.

Toda semana surge uma ferramenta nova prometendo resolver o marketing de uma empresa: um painel que prevê vendas, uma automação que encontra o cliente certo, uma inteligência artificial que escreve a campanha perfeita. A promessa por trás de todas é a mesma: com dados e processamento suficientes, o mercado fica previsível.

Essa promessa esbarra num problema antigo, estudado ao mesmo tempo pela ciência da computação e pela economia. Alguns sistemas são complexos demais para ser simulados por inteiro, e o mercado é um deles. Isso não torna o marketing inútil. Muda o que se pode esperar dele.

Este artigo responde a uma pergunta: se o mercado não pode ser previsto por completo, o que uma agência de marketing pode entregar de fato?

Como o argumento foi construído

O texto é um ensaio teórico. Não traz um estudo empírico próprio: organiza o que a literatura já estabeleceu e tira dela proposições que podem ser testadas na prática. O raciocínio segue três passos.

1. Caracterizar a complexidade. O que torna um sistema difícil de prever, com base em Herbert Simon e na aritmética das combinações.
2. Usar a simulação como experimento de pensamento. Videogames e o argumento da simulação de Nick Bostrom mostram como até os modelos mais ambiciosos dependem de atalhos.
3. Traduzir para a economia institucional. A teoria dos custos de transação (Coase, Williamson) e das rotinas organizacionais (Nelson e Winter, Teece) explica por que empresas lidam com a complexidade construindo regras, e não procurando a previsão perfeita.

Do terceiro passo saem cinco proposições operacionais, cada uma com o custo que reduz e a forma de medir se funcionou.

1. O que torna um sistema complexo

Prever o voo de uma bola é fácil: poucas variáveis, regras conhecidas, nenhuma delas muda de comportamento por causa da previsão. Prever o comportamento de um mercado é outra coisa. Herbert Simon (1962), Nobel de Economia em 1978, definiu sistema complexo como aquele formado por muitas partes que interagem de forma não simples. Nele, mesmo conhecendo cada parte e as regras de interação, deduzir o comportamento do todo não é trivial.

O primeiro obstáculo é aritmético. Cada variável nova não soma possibilidades: multiplica. Com variáveis do tipo sim ou não, 10 delas geram 1.024 combinações; 20 geram mais de 1 milhão; 40 passam de 1 trilhão. Esse crescimento tem nome: explosão combinatória.

Agora um exemplo de marketing, com números redondos para ilustrar. Uma empresa média trabalha com 8 canais, 5 perfis de cliente, 4 ofertas e 3 faixas de preço. São 480 combinações de "o que mostrar, para quem e por quanto". Se o calendário entra na conta (12 semanas de campanha), elas viram 5.760. E isso antes de considerar o que os concorrentes fazem, que muda conforme a empresa age.

Esse último ponto é o segundo obstáculo. Num mercado, as partes reagem umas às outras. O cliente muda de opinião depois de ver o anúncio do concorrente; o concorrente baixa o preço depois de ver a sua promoção. Um modelo que prevê o mercado altera o mercado que tentava prever.

Simon tirou disso uma observação útil. Sistemas complexos que funcionam bem, de organismos a empresas, costumam ser quase decomponíveis: as interações dentro de cada parte são fortes, e as interações entre partes são fracas o bastante para serem tratadas por resumos. É essa propriedade que permite lidar com a complexidade sem calcular tudo, e ela reaparece nas próximas seções.

2. O que a simulação ensina

Os videogames são um bom laboratório para essa ideia. Os motores gráficos modernos representam décadas de engenharia dedicadas a simular mundos em tempo real. Mesmo assim, nenhum deles calcula o mundo inteiro. Todos usam atalhos:

• Nível de detalhe: objetos distantes são desenhados com menos polígonos.
• Descarte do que não aparece: o motor só processa o que está no campo de visão do jogador.
• Física aproximada: colisões são calculadas com formas simples, não com moléculas.
• Personagens com regras fixas: os figurantes seguem árvores de decisão programadas, não pensam.

Esses atalhos funcionam porque exploram a quase decomposição de Simon. O que acontece fora da tela afeta pouco o que acontece na tela, então pode ser resumido ou ignorado sem que o jogador perceba. O estatístico George Box (1976) resumiu a lição de forma conhecida: todo modelo é uma simplificação, e a pergunta útil não é se ele é verdadeiro, mas se a simplificação escolhida serve ao propósito.

A lição para o marketing é direta: toda ferramenta é um modelo, e todo modelo escolhe o que ignorar. Um painel de atribuição ignora a conversa que o cliente teve com um amigo. Uma segmentação por idade e renda ignora o motivo da compra. O problema não está em simplificar, que é inevitável, mas em vender a simplificação como se fosse o mercado inteiro.

3. O argumento da simulação, sem exagero

Em 2003, o filósofo Nick Bostrom levou o raciocínio ao limite. Se a capacidade de computação continuar crescendo, uma civilização muito avançada poderia simular mentes como as nossas. A partir disso, ele mostrou que pelo menos uma de três afirmações tem de ser verdadeira:

Duas observações evitam o uso errado desse argumento, comum em textos de divulgação.

Primeira: ele não calcula a probabilidade de vivermos numa simulação. Bostrom não atribui número a nenhuma das três afirmações. Percentuais como "99,9% de chance" não estão no artigo original; são acréscimos de quem o resume.

Segunda: ele depende de premissas contestadas. Três delas aparecem com frequência na literatura:

1. Limites físicos da computação. Apagar um bit de informação tem custo mínimo de energia (Landauer, 1961), e há um limite para a quantidade de informação que cabe numa região do espaço (Bekenstein, 1981). Simular um mundo detalhado pode exigir mais recursos do que o mundo que simula.
2. A natureza da consciência. O argumento supõe que a mente é só computação e pode rodar em qualquer suporte. Essa suposição tem críticos conhecidos, como John Searle (1980).
3. A contagem de observadores. O raciocínio depende de qual grupo de "mentes parecidas com a nossa" entra na conta, e essa escolha não tem resposta única.

O próprio Bostrom deixa um detalhe que interessa a este artigo: um simulador não precisaria calcular tudo, só o que os observadores percebem, completando os detalhes quando alguém olhasse de perto. Ou seja, até a simulação mais ambiciosa imaginável dependeria dos mesmos atalhos de um videogame.

Para uma empresa, a questão de fundo pode ficar sem resposta. Mesmo que vivêssemos numa simulação, as regras que valem aqui dentro continuariam valendo: o cliente ainda precisaria encontrar a empresa, confiar nela e pagar. É dessas regras que trata o resto do texto.

4. Da complexidade aos custos de transação

A economia chegou à mesma conclusão por outro caminho. Simon (1955) mostrou que as pessoas decidem com racionalidade limitada: não conseguem considerar todas as alternativas, então param na primeira que é boa o bastante. Clientes e empresas fazem isso o tempo todo.

Ronald Coase (1937, 1960), Nobel em 1991, percebeu que usar o mercado tem custo. Para comprar ou vender, é preciso procurar, comparar, negociar e garantir que o combinado será cumprido. Oliver Williamson (1985), Nobel em 2009, juntou essas peças: os custos de transação existem porque as pessoas têm racionalidade limitada, porque o futuro é incerto e porque nem sempre se pode confiar na outra parte.

Carl Dahlman (1979) organizou esses custos em três grupos, e Williamson acrescentou um quarto, o custo de se adaptar depois que algo muda. Juntos, eles descrevem a jornada de qualquer compra:

O custo de decisão merece atenção especial. George Akerlof (1970) mostrou o que acontece quando o comprador não consegue distinguir qualidade: ele passa a pagar o preço médio, os bons vendedores saem do mercado e sobra o produto ruim. É a seleção adversa, causada pela assimetria de informação. Michael Spence (1973) descreveu a saída: sinais que só quem tem qualidade consegue emitir a um custo razoável. Os dois dividiram o Nobel de 2001.

Para o marketing, isso redefine o papel da marca. Ela não é decoração: é um sinal de qualidade. Uma garantia longa, um portfólio verificável e conteúdo que demonstra conhecimento reduzem o custo de decisão do cliente porque seriam caros de sustentar para quem não entrega.

Note a ligação com as seções anteriores. Nenhum desses custos some com mais processamento. Uma ferramenta pode baratear a busca, mas não resolve sozinha a desconfiança, e não prevê como o cliente vai reagir. O que reduz os custos de transação de forma duradoura são regras e hábitos estáveis, que a economia chama de instituições.

5. Rotinas, não campanhas

Richard Nelson e Sidney Winter (1982) mostraram que as empresas guardam o que sabem em rotinas: formas repetidas de fazer as coisas, que funcionam como a memória da organização. Rotinas são a versão empresarial da quase decomposição de Simon. Em vez de recalcular tudo a cada decisão, a empresa resolve bem um pedaço do problema e repete.

Uma campanha é diferente. Ela é uma intervenção pontual: começa, gera um pico e termina. Funciona bem quando o objetivo é simples e o efeito é imediato. Em problemas complexos, o que se acumula é o efeito das rotinas.

Campanha (intervenção pontual)	Rotina (hábito da empresa)
Promoção de Black Friday	Calendário anual de lançamentos e ofertas
Um post que viralizou	Pauta de conteúdo publicada toda semana
Anúncio pedindo a compra	Sequência que acompanha o contato até ele estar pronto
Pesquisa de satisfação avulsa	Pergunta fixa depois de cada entrega, lida todo mês

Duas ideias completam o quadro. A primeira é a dependência de trajetória: escolhas passadas limitam as futuras. Brian Arthur (1989) mostrou como uma tecnologia pode dominar um mercado por ter saído na frente, e não por ser melhor; Douglass North (1990) estendeu a ideia às instituições. Por isso nenhuma empresa começa do zero, e um plano que ignora o histórico dela tende a não sair do papel.

A segunda são as capacidades dinâmicas de David Teece e coautores (1997): a habilidade de reorganizar recursos quando o ambiente muda. Teece (2007) a dividiu em três movimentos: perceber a mudança, aproveitar a oportunidade e transformar a operação. Em ambiente complexo, não existe configuração ideal fixa. Existe a capacidade de se reconfigurar sem trauma.

6. Cinco proposições operacionais

O caminho até aqui permite tirar cinco proposições. Elas não são leis: são hipóteses que cada empresa pode testar com os próprios dados.

Proposição	Custo que reduz	Como medir
P1. Segmentar pelo comportamento de quem já compra, não por perfil suposto	Busca	Taxa de conversão e CAC por segmento
P2. Emitir sinais caros de imitar (garantias, provas, conteúdo especializado)	Decisão	Tempo entre o primeiro contato e a compra
P3. Escolher canais pelo custo de aquisição, não pela moda	Busca e decisão	CAC por canal ao longo de meses
P4. Trocar campanhas soltas por rotinas	Adaptação	Resultado acumulado e recompra
P5. Testar pequeno antes de apostar alto	Erro caro e irreversível	Decisões revertidas sem prejuízo

P1 na prática. A segmentação clássica define o público por suposição: "mulheres de 25 a 45 anos, classe AB". A alternativa é olhar quem já compra e por quê, o que chamamos de público-ideal (detalhado em A economia da autenticidade). Um exemplo ilustrativo: um fabricante de equipamentos médicos que mira hospitais privados pode descobrir, na própria base de vendas, que clínicas de médio porte compram o mesmo produto com decisão mais rápida e menos concorrência.

P3 na prática. Quando muitos anunciantes disputam as mesmas palavras, o leilão sobe o custo por clique e a margem do canal encolhe. Nesse cenário, presença orgânica e reputação construída com o tempo tendem a custar menos por cliente, mas demoram mais. O teste da P5 ajuda a decidir quanto investir em cada lado.

Como a Integrare aplica as proposições

No nosso método, o Sistema Integrare de Aprendizado Digital (SIAD), as proposições entram em três práticas:

1. Diagnóstico da trajetória. Antes de propor qualquer coisa, mapeamos o que a empresa já tem: capacidades, contratos e ferramentas que a prendem (lock-in), cultura e relacionamentos. O plano parte daí.
2. Rotinas de reconfiguração. Montamos hábitos fixos de leitura dos números e de ajuste, para que perceber, aproveitar e transformar aconteça sem depender de uma crise.
3. Experimentação controlada. Toda aposta nova começa pequena, com a regra de decisão escrita antes do resultado.

Um exemplo completo, para mostrar o formato:

• Hipótese: buscas específicas ("cauda longa") trazem contatos mais baratos do que termos genéricos muito disputados.
• Experimento mínimo: uma campanha de pesquisa com orçamento fixo e pequeno, por 30 dias, dividida igualmente entre os dois grupos de termos.
• Medição: custo por contato qualificado em cada grupo, com a qualificação definida junto com o time comercial.
• Regra de decisão, escrita antes: se a cauda longa tiver custo por contato qualificado menor, produzimos conteúdo orgânico para esses termos, que é o investimento de longo prazo. Se não tiver, encerramos o teste e registramos o aprendizado.

O teste custa pouco, termina numa data marcada e não cria um novo lock-in. Ele também ilustra a tese do artigo: em vez de tentar prever o mercado inteiro, a empresa pergunta uma coisa de cada vez e deixa o próprio mercado responder.