Público-Ideal e Intermediação Algorítmica: Custos de Transação na Recomendação por IA

Resumo

Este artigo formaliza a distinção entre público-alvo (target audience) e público-ideal (ideal audience) como categorias analíticas distintas e investiga como essa distinção se comporta em ambientes de intermediação algorítmica. A hipótese central é que o AI Search reduz custos de transação de forma assimétrica: reduz substancialmente o custo de busca para o usuário, mas apenas condicionalmente reduz o custo de matching entre firma e público-ideal — condicionalidade que depende da qualidade dos sinais que a firma emite sobre sua especificidade. Desenvolvemos um modelo conceitual de matching em duas etapas: (1) o usuário gera uma consulta que revela sua posição no espaço de preferências; (2) o intermediário algorítmico mapeia essa consulta para um subconjunto de firmas cuja representação no modelo corresponde à consulta. A eficiência desse mapeamento — o grau em que o usuário que chega à firma é efetivamente o seu público-ideal — depende de quão precisamente a firma comunicou sua especificidade nos sinais indexados pelo modelo. O artigo argumenta que o AI Search pode, sob condições favoráveis, identificar o público-ideal de uma marca com mais precisão que a própria marca — e explora as implicações dessa possibilidade. O referencial teórico combina a teoria dos custos de transação (COASE, 1937; WILLIAMSON, 1985), a economia da busca (STIGLER, 1961), a teoria da sinalização (SPENCE, 1973) e a teoria de matching em mercados bilaterais (ROTH; SOTOMAYOR, 1990).