Dados e casos de uso do MCP, Agent Hub e AI Assistant da AppsFlyer
53% das contas que usam o MCP retornam no Dia 7 ou depois
39% implementaram o “Relatório de performance semanal”: o agente mais popular
20% das perguntas ao AI Assistant analisam ou recuperam dados
A camada de sinais confiáveis é essencial para que a IA gere impacto
A qualidade da IA depende da qualidade dos dados que a alimentam. Afinal, os agentes são apenas otimizadores obedientes: eles buscam atingir o objetivo solicitado ao usar os sinais de dados que você fornece. Se esses sinais forem fragmentados, duplicados, autodeclarados ou mal administrados, a automação irá agravar o problema em vez de reduzi-lo.
Os profissionais de marketing que mais se beneficiam da IA não são apenas aqueles com acesso aos modelos mais sofisticados, mas também aqueles que resolveram o problema dos sinais, operando com base em dados confiáveis.
A AppsFlyer ocupa uma posição central nessa camada de sinais confiáveis para milhares de equipes de marketing. O MCP oferece acesso programático a essa camada, onde as equipes podem consultar todos os dados de atribuição e performance através de qualquer interface. O Agent Hub implementa agentes sempre ativos que monitoram, identificam e sinalizam oportunidades. O AI Assistant responde perguntas, valida premissas e recupera dados por meio de conversas e visualizações. Juntos, eles formam uma estrutura completa de ferramentas de IA que operam na modern marketing cloud da AppsFlyer.
Este relatório analisa o que os profissionais de marketing estão fazendo na plataforma da AppsFlyer: as consultas que realizam, os agentes que configuram e os fluxos de trabalho que desenvolvem. As conclusões reúnem resultados quantitativos agregados (a seção Principais tendências) com pesquisa qualitativa em todas as áreas da seção Casos de uso. Todas essas conclusões oferecem uma visão aprofundada sobre o cenário atual da adoção de IA no marketing e as perspectivas futuras.
* Todos os resultados se baseiam em dados totalmente anônimos e agregados. Para garantir a validade estatística, seguimos rigorosos limites de volume e metodologias. Assim, apresentamos somente os dados que correspondem às condições estabelecidas.
A autenticação por token do MCP atingiu 48% à medida que o uso de agentes e automação ganhou força
A autenticação por token Bearer não é uma interface conversacional. Ela autentica fluxos de trabalho agênticos e automatizados desenvolvidos por ferramentas como N8N, Make e clientes de linha de comando. Isso varia de extrações de dados programadas a sistemas totalmente agênticos que raciocinam em diferentes ferramentas, consultando o MCP Server de maneira programática em vez de usar chats.
O percentual de contas que usam a autenticação por token saltou de 13,6% em dezembro de 2025 para 47,7% em maio de 2026 (um aumento de 250%). Isso demonstra como o uso do MCP está mudando de experimentação para produção à medida que uma base de usuários mais avançada tecnicamente adota a automação de fluxos de trabalho em vez das interfaces de chat. Essa constatação vale principalmente para os profissionais de marketing, que agora podem criar automações e agentes sem depender de desenvolvedores ou analistas.
Juntos, o Claude e o Claude Code mostram o outro lado dessa mudança. O Claude manteve uma participação entre 19% e 32% ao longo do período, crescendo constantemente como a camada interativa para profissionais de marketing, analistas e desenvolvedores que consultam a API de maneira conversacional. A participação do Claude Code quase triplicou de 3,8% para 9,9%, sinalizando que os desenvolvedores interagem cada vez mais com o MCP dentro do ambiente de compilação. Juntos eles cresceram 85% (de 22,7% para 42%), sugerindo que as camadas programáticas e conversacionais estão se expandindo.
A ascensão do Claude reflete uma dinâmica de mercado mais ampla. Até meados de 2025, a receita empresarial da Anthropic havia superado a da OpenAI, apesar da liderança do ChatGPT (cerca de 70% do uso do ChatGPT está não relacionado ao trabalho). A diferença mais precisa é que o Claude lidera especificamente o segmento de APIs e codificação agêntica. No início de 2026, a Anthropic dominava cerca de 54% do mercado de programação para empresas. Em um contexto de MCP, que é inerentemente uma interface para desenvolvedores e analistas, essa vantagem tende a ser ampliada.
Do ponto de vista regional, a APAC teve o maior aumento na autenticação por token, passando de 13% para 63,7% (+390%): a cada três interações, quase duas são provenientes de pipelines agênticos ou automatizados. A América do Norte segue um padrão semelhante, saltando de 10% para 52,1% (+420%). A EMEA é a exceção: a autenticação por token diminuiu 25%, de 19,1% para 14,4%. Em maio, o Claude dominava com 54,5%, sugerindo que a base de usuários da EMEA tende a usar APIs de maneira direta e conversacional em vez automatizar fluxos de trabalho.
O principal motivo para a adoção do MCP tem duas faces: pipelines autenticados por token de um lado; sessões interativas de desenvolvedores e analistas do outro. Porém, ambas testemunham um aumento à medida que a base de usuários amadurece e se concentra em ferramentas para desenvolvedores.
A concentração de uso entre os hosts do MCP reforça este cenário: 84% das contas se conectam através de um único host, com menos de 15% utilizando dois ou mais hosts. Isso aponta para uma base de usuários ampla que ainda está na fase de “descoberta de um ponto de entrada”, já que a maioria das contas identificou uma ferramenta que se encaixa nos fluxos de trabalho e ainda não se expandiu.
Explore a seção “Casos de uso” para se inspirar em aplicações do MCP (a barra de navegação se encontra na parte inferior da tela).
Distribuição das empresas por host do MCP
Distribuição do número de hosts do MCP
A base de contas do MCP cresceu 12x em seis meses
O número de empresas que usam ativamente o MCP da AppsFlyer cresceu 12x em seis meses. Esse crescimento não foi linear: o maior salto em um único mês ocorreu em março de 2026, quando o número de contas aumentou 188%. O momento não é uma coincidência.
A publicação do roadmap oficial do MCP da Anthropic em 9 de março de 2026, associada à doação do protocolo em dezembro de 2025 para a Linux Foundation no âmbito da Agentic AI (uma fundação que não depende de fornecedores) com o apoio da AWS, Google, Microsoft, Salesforce e Snowflake, eliminou o risco de dependência de um único fornecedor que havia desacelerado a adoção das empresas. Essa mudança na AppsFlyer reflete a resposta das empresas à transformação do MCP em infraestrutura em vez de experimento. Além disso, com o lançamento do Cowork do Claude, os profissionais de marketing podem programar com o auxílio da IA através de conexões do MCP.
A APAC permaneceu na liderança durante todo o período, atingindo 48,8% do total em maio. Em termos de proporção, a América do Norte cresceu mais rapidamente, com um aumento de 1.659%. Grande parte dessa aceleração ocorreu em maio, quando quase triplicou em relação ao mês anterior. A EMEA cresceu com mais constância, enquanto a LATAM continua sendo a região que menos cresceu, porém apresentou maior consistência no crescimento.
A distribuição regional aponta onde o acesso a dados impulsionados por IA obteve maior adesão das empresas. A participação da APAC é coerente com seu papel de liderança na adoção de autenticação por token, como vimos na seção anterior: equipes tecnicamente avançadas parecem ter evoluído com mais rapidez da descoberta para o uso programático em nível de produção. A aceleração tardia da América do Norte sugere que uma segunda onda de adoção ainda pode estar se formando.
Empresas que se conectam ao MCP por região
1/2 das contas do MCP retorna no Dia 7 ou depois, com 1/3 delas ainda ativas no Dia 30
A retenção nas primeiras 24 horas é alta: 66% das contas que fizeram sua primeira consulta no MCP retornaram no Dia 1 ou depois, e 53,4% delas ainda estavam ativas no Dia 7 ou depois. Para uma ferramenta de desenvolvimento e análise usada de maneira pontual, e não rotineira, esses números iniciais sugerem que o MCP está fornecendo valor imediato suficiente para que os usuários retornem na primeira semana. Até o Dia 30, 32,7% das contas haviam retornado em algum momento, o que significa que quase uma em cada três contas permaneceu ativa durante o primeiro mês inteiro.
A taxa de retorno diário (o percentual de contas que retornou em qualquer dia) se mantém entre 24% e 19% do Dia 1 ao Dia 18, sem uma queda acentuada ao longo do período. As contas que passam da fase inicial de experimentação parecem se estabelecer em um padrão de uso recorrente em vez de desaparecerem aos poucos. Isso significa que a retenção inicial, se alcançada, tende a se manter.
Os dados semanais apontam para a Semana 5 como a mudança comportamental decisiva. O percentual de contas que retornou em uma determinada semana caiu de 23,3% na Semana 5 para 13,7% na Semana 6, ou seja, uma redução de 41% e a maior queda no conjunto de dados. É provavelmente nesse momento que as contas de uso casual ou experimental deixam de ser utilizadas, o que acaba comprometendo o núcleo. Na Semana 8, 11,2% das contas permanecem ativas semanalmente.
A queda acentuada na Semana 11 não é comportamental, pois reflete o truncamento de dados: contas que se conectaram pela primeira vez nas últimas semanas do período de observação não tiveram tempo suficiente para retornar em intervalos posteriores. Sendo assim, elas estão ausentes dos pontos de dados posteriores, resultando na diminuição significativa dos números.
Taxa de retenção do MCP
Os agentes nunca descansam, porém o volume de automação nos finais de semana corresponde a 70% do volume nos dias úteis
O uso do MCP por agentes e automações não segue uma semana de trabalho tradicional como as pessoas. A atividade nos finais de semana corresponde, em média, a 70% do volume nos dias úteis. É uma queda modesta quando comparada à queda acentuada típica de ferramentas vinculadas ao horário de trabalho humano.
Pipelines automatizados e agentes autenticados por token não seguem o ciclo semanal de cinco dias úteis. Fluxos de trabalho desenvolvidos por ferramentas como N8N, Make e clientes de linha de comando funcionam em horários definidos pelas equipes, não pelo calendário. O contraste é visível no próprio AI Assistant da AppsFlyer, que é totalmente liderado por pessoas: o uso nos finais de semana cai drasticamente e se torna negligenciável. Esse é um padrão que destaca a linha de base do MCP nos finais de semana.
Nesse sentido, a atividade consistente nos finais de semana é um subproduto da mesma mudança visível nos dados mensais: à medida que a autenticação por token cresceu para quase metade da atividade total, a plataforma se tornou menos dependente de sessões iniciadas por pessoas e mais impulsionada por automação contínua.
Explore a seção “Casos de uso” para se inspirar em aplicações de agentes (a barra de navegação se encontra na parte inferior da tela).
Volume diário de chamadas ao MCP *
Os relatórios de performance lideram a adoção de agentes, com o uso aprofundado ao longo do tempo
No Agent Hub da AppsFlyer, os profissionais de marketing podem escolher entre uma biblioteca de agentes predefinidos. A escolha principal é o “Relatório de performance semanal”, que representa 38,6% de todas as configurações. Isso reflete a necessidade mais comum: visibilidade automatizada e recorrente sobre os dados de performance. A “Detecção de problemas de configuração” está em segundo lugar com 24,7%. Essa é uma necessidade ampla, quase universal, para todas as equipes que se importam com a qualidade da mensuração. Juntos, eles representam quase 2/3 de todas as configurações.
Com 14,2%, a “Estratégia de otimização contra fraudes” atende a um público mais específico: contas em execução no Protect360 da AppsFlyer que desejam detecção proativa de fraudes em vez de relatórios reativos.
Agentes de criativos e agentes com foco em anomalias (“Identificação de oportunidades de criativos” e “Detecção de anomalias de performance”) estão abaixo de 5%, o que provavelmente reflete seu escopo mais especializado.
Entre as contas ativas que usaram a plataforma em ambos os períodos, o número médio de tipos de agentes configurados cresceu de 2,74 para 2,92. Algo ainda mais revelador é a mudança na distribuição: contas que usam apenas um tipo de agente caíram 42% (de 16,7% para 9,7%), enquanto aquelas que usam três ou mais agentes cresceram de maneira constante. Isso aponta para um aprofundamento gradual à medida que as empresas que permaneceram na plataforma exploraram outros tipos de agentes em vez de adotarem um único fluxo de trabalho.
Distribuição das configurações de agentes por tipo
Percentual de contas por volume dos tipos de agentes utilizados
Uma em cada cinco perguntas é uma consulta de dados à medida que os usuários se aprofundam na implementação e análise
A maior categoria, com 36% das 37.082 perguntas ao AI Assistant da AppsFlyer, corresponde a tutoriais de navegação pela plataforma: onde encontrar um recurso, como concluir uma tarefa ou qual é a função de uma configuração. O fato de que o assistente absorve esse volume é significativo do ponto de vista operacional, mas é a descoberta menos surpreendente. Os sinais mais reveladores estão nas categorias abaixo. Além disso, 74% das perguntas demonstram o crescente nível de sofisticação do público-alvo.
Uma em cada cinco perguntas pediu ao AI Assistant para recuperar ou analisar dados de performance. Em 20,1% das solicitações, os usuários não estão perguntando como usar a plataforma, mas estão pedindo para mostrar seus próprios números: instalações por fonte, ROAS por campanha, segmentações de cohot por localização e comparações entre períodos. Esse é um comportamento típico de analistas, não de equipes de suporte, apontando para uma base de usuários que encontrou uma forma mais rápida de obter insights através de conversas em vez de dashboards.
O perfil técnico da base de usuários fica evidente nos três grupos a seguir. As perguntas sobre atribuição e mensuração representam 9,7%, para configuração técnica e 7,1% para integração de SDK, além de 6,3% para configuração de deep linking e OneLink. Juntas, essas três categorias representam 23,1% de todas as perguntas, praticamente igualando a consulta de dados em volume e indicando uma base de usuários familiarizada com detalhes de implementação.
As perguntas envolvem janelas de atribuição, configuração de postbacks, definição de eventos de servidor para servidor e resolução de problemas do OneLink. Esse não é o público típico de ferramentas de marketing que faz perguntas superficiais; parece ser um público que entende como a camada de mensuração funciona e usa o AI Assistant para se aprofundar nisso.
A interpretação de gráficos e tendências representa 3,9%, e a investigação de anomalias corresponde a 2,4%. Ambas refletem o AI Assistant incorporado diretamente ao fluxo de trabalho de análise: usuários que compartilham um gráfico ou padrão de dados em tempo real e pedem ao assistente para explicar em vez de utilizá-lo como uma ferramenta de consulta separada.
Explore a seção “Casos de uso” para se inspirar em aplicações do AI Assistant (a barra de navegação se encontra na parte inferior da tela).
Distribuição dos tipos de pergunta ao AI Assistant
- Insights de performance em tempo real [Square]
-
Consultas sobre performance em tempo real. O principal caso de uso da Square é substituir a consulta manual por um dashboard personalizado criado através do MCP, que inclui gráficos em tempo real, visualizações de dados e a possibilidade de consultar os dados da AppsFlyer sob demanda, tudo isso em uma única visão.
Em reuniões com parceiros programáticos e diante de perguntas inesperadas sobre performance, o MCP da AppsFlyer conectado ao Claude apresenta as respostas em tempo real, eliminando a necessidade de gerar relatórios manualmente. Nesse contexto, as consultas incluem quais tipos de aplicativos impulsionam instalações ou resultados melhores, como redes programáticas individuais comparam a qualidade no topo do funil com o churn, além da distribuição de receita que levaria horas para ser compilada.
Conexão dos dados da AppsFlyer com fontes internas. A segunda camada conecta o MCP da AppsFlyer com dados internos proprietários. A Square processa dados de receita por cidade que não podem ser compartilhados externamente, mas ao conectá-los junto com o MCP da AppsFlyer por meio do Databricks, a equipe pode fazer perguntas que combinam ambos os conjuntos de dados. Por exemplo, quais categorias comerciais têm uma performance melhor em meses específicos e se isso deve influenciar a época de lançamento de campanhas de criativos. O MCP é responsável pelo lado da AppsFlyer, a conexão interna é responsável pelo lado proprietário e a IA se junta a eles sem exigir conhecimento em SQL da parte dos usuários finais.
Execução de múltiplos MCPs em paralelo. A Square conecta múltiplos MCPs simultaneamente: MCP da AppsFlyer para dados de evento e atribuição, Google UAC e Apple Search Ads direcionados para investimentos e, novamente, MCP da AppsFlyer para eventos agregados. Tudo isso é unido pela dimensão comum de fonte de mídia. É uma arquitetura criada manualmente, mas que se se torna simples quando o fator em comum entre os conjuntos de dados é identificado.
Limpeza das convenções de nomenclaturas históricas. Um caso de uso mais operacional é usar o MCP para racionalizar inconsistências nas convenções de nomenclaturas de dados históricos. Quando a nomenclatura do OneLink divergiu entre equipes ao longo do tempo, gerando diferentes combinações entre maiúsculas e minúsculas, sublinhados e espaços, as consultas através do MCP ajudaram a revelar e limpar esses padrões sem uma auditoria manual.
“Eu posso pedir à IA que extraia dados de performance e ir direto para os insights de receita. O que demorava horas agora leva menos de 2 minutos.” Sara San Antonio, Sr. Global Marketing Mobile Manager, Square
Assista ao webinar - Análise de progressão de cohort em uma frequência diária [Supersonic Studios]
-
Da investigação em múltiplos dashboards a consultas de 2 minutos. O principal caso de uso do MCP na Supersonic é eliminar o intervalo entre fazer uma pergunta sobre performance e obter uma resposta. Antes, um gerente de UA em busca de um resumo sobre o ROAS para atualizar um stakeholder precisava extrair dados de diferentes fontes, formatá-los e escrever a narrativa manualmente. Com o MCP da AppsFlyer conectado ao LLM de sua escolha, a mesma solicitação é respondida em uma linguagem simples em apenas alguns minutos em vez de horas.
Análise de progressão de cohort em uma frequência diária. A aplicação mais complexa é o monitoramento de cohort em um nível de profundidade que o trabalho manual não consegue manter. A Supersonic mensura a progressão de ROAS do D0 ao D7 e no D30, comparando as trajetórias de cohort atuais em relação aos padrões históricos para o mesmo jogo e a mesma campanha. Um cohort em que o ROAS do D0 parece robusto, mas a evolução até o D3 está abaixo da performance de cohorts anteriores, já indica um problema. No entanto, identificar diariamente essa mudança em todos os jogos e campanhas ativos era algo inviável para ser feito de maneira manual. O MCP transforma isso em uma consulta conversacional em vez de uma investigação em múltiplos dashboards.
Conexão dos dados da AppsFlyer com outras fontes. A Supersonic também conecta o MCP da AppsFlyer às fontes de dados internos para responder perguntas entre conjuntos de dados. Os detalhes contidos nessas fontes não são públicos, mas o padrão corresponde ao caso de uso mais amplo: o MCP como uma camada de integração entre a atribuição da AppsFlyer e os dados de receita e dados proprietários de que a equipe precisa na mesma resposta.
Dados corretos em primeiro lugar. Experimentos iniciais com dados brutos fornecidos diretamente ao LLM produziram resultados pouco confiáveis. Nomenclaturas inconsistentes e dimensões de receita sobrepostas levaram o modelo a estimar cálculos, e a equipe rapidamente perdeu a confiança nos resultados. A solução da Supersonic foi agregar previamente dados no BI para cada caso de uso específico antes de enviá-los para o MCP. O LLM recebe um escopo contextualizado e preciso, e os resultados correspondem aos números que a equipe já reconhece nos próprios dashboards.
“Você pode usar o MCP para criar seus próprios agentes e fluxos de trabalho. Essa é uma etapa em que a intervenção humana ainda é necessária, e é muito interessante explorá-la.” Ofer Regev, Product Manager (AI & Automation), Supersonic Studios
Veja o estudo de caso - Fluxos de trabalho pré-programados usando um arquivo claude.md [Shamanth Rao]
-
Criação de um analista de performance que funciona sob demanda. Este caso de uso do MCP vai além da consulta pontual em fluxos de trabalho pré-programados. Ao usar um arquivo claude.md (um conjunto de instruções em linguagem simples armazenado na mesma pasta da conexão do MCP), é possível definir uma rotina de análise com várias etapas, que é executada do início ao fim sempre que ela for acionada por uma única frase. “Quero verificar minha performance” não é uma consulta. Você está ativando um analista já configurado.
Função real do fluxos de trabalho. O exemplo de rotina realiza oito etapas automaticamente: extrai os dados dos últimos sete dias da AppsFlyer para cada canal pago, calcula o ROAS, sinaliza os canais com o menor ROAS, organiza todos os canais por eficiência, compara performance orgânica com performance paga, identifica os canais pagos onde o ROAS é negativo, recomenda quais canais escalar e encerra com uma sugestão de realocação de orçamento. O resultado é um relatório estruturado, não uma simples exportação de dados brutos. A sequência completa é executada a partir de um único prompt.
A diferença da consulta conversacional. Em vez de fazer perguntas ao MCP conforme elas surgem, o padrão do claude.md é diferente: ele incorpora previamente critérios de análise ao sistema, assim a mesma análise rigorosa é executada todas as vezes, não apenas quando alguém faz uma pergunta. Além disso, o fluxo de trabalho pode se tornar cada vez mais inteligente: adicionar uma regra como “compare a performance do iOS com a do Android” atualiza a rotina permanentemente sem recriar nada. É como se você estivesse criando um analista personalizado em vez de usá-lo.
“[Com o MCP], você pode ativar uma sequência de etapas dizendo uma única frase que você definiu previamente. Essa é a grande vantagem do claude.md.” Shamanth Rao, ROCKETSHIP HQ
Assista ao vídeo - Análise de portfólio entre aplicativos [empresa de jogos]
-
Consultas únicas em todo o portfólio de apps. Para empresas que gerenciam vários apps, o fluxo de trabalho padrão do MCP, em que você consulta um app, recebe uma resposta e segue para a próxima, não escala. Com o MCP, a empresa faz perguntas em todo o portfólio de maneira simultânea (perguntas que só fazem sentido quando todos os jogos ficam visíveis ao mesmo tempo). Quais apps têm uma performance abaixo da esperada em uma região geográfica específica em comparação com a média global? Onde o ROAS inicial do Dia 0 é mais alto, mas o investimento não acompanha proporcionalmente? Essas são perguntas a nível de portfólio que a análise por dashboard responde de maneira muito menos eficiente.
Identificação da canibalização e do risco de concentração. Uma aplicação menos óbvia, mas muito valiosa, é identificar onde aplicativos do mesmo portfólio estão competindo entre si pelos mesmos usuários. Dois jogos que buscam audiências similares na mesma localização por meio de canais sobrepostos vão competir entre si e elevar o CPI de ambos. O MCP consegue identificar essa sobreposição em títulos, geolocalização e canais, apresentando isso como uma oportunidade de realocação em vez de deixá-la dispersa entre visualizações individuais de campanhas.
Sinais de portfólio transformados em priorização. Os resultados não são apenas dados, mas uma visão priorizada de onde concentrar a atenção. Em vez de um gerente de UA precisar navegar por dez dashboards para formar uma visão consolidada da situação do portfólio, uma única consulta ao MCP retorna uma comparação estruturada: quais títulos estão recebendo investimento desproporcional à sua performance, quais estão subinvestidos em relação aos sinais do cohort e onde está a oportunidade de escala com maior nível de confiança no momento. O portfólio se torna legível como um sistema, não uma coletânea de campanhas individuais.
- Agente de detecção de anomalias [Supersonic Studios]
-
Quando o sinal está oculto três camadas abaixo. A anomalia que custa mais raramente aparece no dashboard. Na Supersonic, o desafio de monitoramento não estava em identificar quedas óbvias na receita, mas em encontrar problemas de performance que estavam invisíveis no nível de resumo, porém se acumulavam nas camadas inferiores. A receita geral de um jogo poderia parecer estável enquanto campanhas, geocalizações ou KPIs específicos já indicavam uma tendência que só se tornaria um problema dias depois.
Um agente descobriu o que uma pessoa deixou escapar. Um exemplo real do portfólio da Supersonic: um jogo sofreu uma queda na performance causada por uma mudança dentro do próprio jogo. A receita ainda não tinha se alterado de maneira significativa a ponto de disparar um alerta. Um agente de detecção de anomalias executado em uma campanha aprofundou a análise dos dados até o nível mais detalhado dos KPIs, encontrou o desvio e enviou um alerta no Slack com os detalhes. Uma equipe investigou e resolveu no mesmo dia antes que o sinal aparecesse em qualquer dashboard.
“Nós tínhamos um agente sendo executado no jogo. Ele encontrou a raiz do problema e mostrou, em um simples alerta, que algo tinha acontecido, para que uma pessoa pudesse agir. Passou despercebido porque não era o KPI principal e não estava sendo visto claramente no dashboard. Mas o agente continuou aprofundando a análise até encontrar o problema.”
Ofer Regev, Product Manager (AI & Automation), Supersonic Studios
Monitoramento contínuo em vez de periódico. O valor não está apenas em encontrar os problemas mais rápidos, mas, sim, em encontrar problemas que análises humanas periódicas nunca conseguiriam identificar em escala. Com um portfólio de dezenas de jogos e centenas de campanhas, um gerente de UA que alterna manualmente entre dashboards sempre deixará algo escapar. Um agente em execução contínua nunca se cansa, não pula um jogo porque outro precisa de mais atenção e não espera que o relatório semanal sinalize o que mudou na terça-feira.
“Ter alguém que faça isso por nós e nos avise quando algo acontecer não tem preço. Nós temos a possibilidade de agir muito rápido e evitar a perda de receita.”
Ofer Regev, Supersonic Studios - Os agentes trabalham nos finais de semana [empresa de jogos]
-
Falha na cobertura aos finais de semana. Na UA de jogos mobile, os investimentos continuam aos finais de semana, mas a cobertura dos analistas não. As campanhas executadas no Google e no TikTok continuam acompanhando o ritmo, fazendo ajustes e prevenindo desvios aos sábados e domingos sem supervisão humana.
Monitoramento contínuo. Uma equipe de UA, referência na vertical de jogos na EMEA, implementou o Agent Hub para solucionar essa falha. Os agentes monitoram continuamente o ritmo e os sinais de performance no Google e no TikTok, detectando desvios dos padrões em tempo real e realizando ações corretivas na mesma hora em vez de agendá-las para o dia seguinte. O sistema não espera que uma pessoa abra um dashboard. Ele age quando o sinal aparece.
40% dos investimentos aos finais de semana protegidos às 2h. O resultado que validou a abordagem chegou às 2h. Um agente identificou um problema no ritmo do orçamento que teria drenado silenciosamente cerca de 40% do orçamento destinado aos finais de semana antes que um analista pudesse identificá-lo
“O agente identificou um problema no ritmo do orçamento às 2h que teria desperdiçado 40% dos nossos investimentos para os finais de semana. Isso nunca teria acontecido manualmente.”
Performance Marketing Lead – Líder em jogos na EMEA
A equipe ressignificou seu entendimento sobre cobertura. O problema não era a falta de habilidade de um analista, mas a falta de disponibilidade. Um agente em constante execução reduz a dependência da presença humana quando as campanhas de jogos mobile costumam estar mais ativas. - Otimização contra fraudes [Nomad]
-
Fraudes que evoluem mais rápido do que as regras manuais. A fraude em anúncios nunca para. Os padrões que acionaram as regras anteriores talvez já tenham mudado quando um analista real revisar os registros. Para as equipes de growth com orçamentos significativos, os investimentos são consumidos no intervalo entre a detecção e a resposta, em um desgaste constante que costuma ser percebido tarde demais.
IA que detecta, previne e recupera. A proteção contra fraudes com IA da AppsFlyer analisa continuamente os dados de atribuição, aprendendo novos padrões em tempo real em vez de depender de atualizações manuais das regras. Essa detecção aprimorada, que também inclui respostas rápidas, maior precisão e ação em tempo real, gera um aumento significativo na performance em comparação com a detecção sem o uso de IA.
Os resultados são claros: detecção 7x mais precisa, tempo de recuperação 8x mais rápido ao identificar fraudes e proteção 14x mais duradoura. Isso significa que os agentes de fraude permanecem bloqueados por muito mais tempo antes de encontrar uma nova forma de invasão. A “Estratégia de otimização contra fraudes” revela esses sinais antecipadamente, apontando indicadores com antecedência e recomendando ações antes de agravar os danos.
Nomad: dados mais claros como direcionamento estratégico. Para a Nomad, o valor da proteção contra fraudes com IA ultrapassa o bloqueio de gastos desperdiçados. Gabriel Sampaio, Senior Growth Manager na Nomad, trata isso como um problema de qualidade dos dados e um problema de fraude.
“Além de impulsionar nossa receita, a IA da AppsFlyer nos dará uma visão mais clara dos nossos conjuntos de dados, permitindo a evolução das nossas estratégias de marketing.”
Gabriel Sampaio, Senior Growth Manager, Nomad - Identificação de oportunidades de criativos [estúdio de jogos]
-
O ponto cego no fluxo de criativos. Em um estúdio de jogos mobile de porte médio que executa campanhas de UA em seis redes, a análise da performance de criativos é feita separadamente em cada rede, por cada gerente. A equipe responsável pelo TikTok e pela Mintegral não tinham visibilidade sobre a performance no Google ou no AppLovin. Quando um novo criativo começou a viralizar no TikTok depois dos primeiros sete dias, ninguém sabia se o criativo estava sendo exibido em outras redes. Quando a revisão semanal trouxe isso à tona, a janela de escala já havia diminuído.
O que o agente descobriu que a equipe não identificou. Depois de implementar o agente “Identificação de oportunidades de criativos”, o estúdio começou a receber alertas sobre criativos que mostram sinais iniciais fortes em todo o conjunto de redes, e não apenas naquelas observadas por um gerente. Nas primeiras semanas de uso, o agente identificou um criativo que estava apresentando uma forte performance na Mintegral, mas que ainda não havia sido ativado em outras duas redes com um perfil de audiência semelhante. A equipe fez a ativação em 24 horas. A análise que permitiu a decisão exigiria que alguém cruzasse manualmente os dados de performance entre diferentes contas: uma tarefa que raramente era feita entre uma revisão semanal e outra.
Rapidez na geração de insights sobre ativos com uma janela de oportunidade limitada. A performance de criativos nos jogos mobile segue uma curva de declínio. A janela entre o momento em que um novo ativo começa a demonstrar boa performance e o momento em que ele atinge a saturação costuma ser mensurado em dias, e não em semanas. Um agente que monitora a performance continuamente e alerta a equipe sobre os criativos promissores reduz o intervalo entre a identificação de um sinal e a decisão de investir — e é aí que o valor se multiplica.
- Mais velocidade e confiança para estúdios de jogos
-
De investigações longas a respostas rápidas. Para a Peaksel, um estúdio de jogos para mobile que gerencia campanhas em vários canais, o principal valor do AI Assistant é a compressão, transformando o que antes exigia uma investigação demorada em uma resposta direcionada e estruturada. As perguntas sobre performance diária, problemas de configuração de atribuição e tarefas de validação técnica, que antes exigiam consultar a documentação, abrir chamados de suporte ou executar verificações manuais agora contam com um primeiro recurso muito mais rápido.
Validação sem complicação. Um caso de uso representativo é a elegibilidade para a AEM da Meta. Confirmar se uma configuração atende aos requisitos, identificar o que está faltando e saber o que corrigir envolve diversas condições e verificações. O AI Assistant apresenta um checklist claro em vez de exigir que a equipe reelabore a resposta da documentação toda vez. O resultado não é apenas velocidade, é confiança. A equipe age com orientação em vez de questionar uma interpretação manual.
Apoio ao trabalho humano em vez da substituição. Para a Peaksel, o posicionamento da ferramenta é intencional: o assistente reduz o atrito e a incerteza, mas a decisão continua nas mãos das pessoas. Ele acelera o caminho até a pergunta certa, sem substituir o julgamento humano.
“O AI Assistant nos ajuda a validar suposições e solucionar problemas técnicos com mais rapidez. Em vez de investigações longas, recebemos orientação clara que economiza tempo e reduz a incerteza.”
Milorad Grkovic, UA Lead, Peaksel - Exemplos de relatórios e consulta de dados
-
Uma em cada cinco perguntas pede ao assistente que recupere e analise os dados de performance diretamente. Os usuários estão solicitando que o assistente revele seus números: o ROAS por campanha, curvas de cohort por fonte de mídia e tendências de retenção por país.
Para essas consultas, o assistente transforma o que normalmente exigiria criar um relatório, exportar dados ou esperar pela análise de um especialista em uma simples conversa, com respostas em segundos.
Exemplos:- “Gostaria de visualizar a tendência diária do ROAS no D7, segmentada por fonte de mídia, com dados de cohort, dos últimos 30 dias.”
- “Mostre o ROAS no D7 e o ROAS no D30 para meu app nos últimos 30 dias, segmentados por país. Quero os 15 principais país por investimento”
- “Para Triumph: Play for Cash, quais são as taxas de retenção dos usuários nos D1, D7, D30 e D60 de janeiro de 2025 a fevereiro de 2026? Se possível, mostre a tendência mensal”
- “Mostre o detalhamento semanal do ROAS por campanha para D7, D14 e D21 desta fonte de mídia. Considere apenas dados consolidados.”
- “Você pode me informar a taxa de conversão de usuários únicos para paid_imp_18 (D1, D7, D14) por fonte de mídia?”
- Exemplos de atribuição e mensuração
-
Este grupo reflete a profundidade técnica da base de usuários. Estas são decisões de configuração com consequências reais: ativar ou não ativar a atribuição de view-through, como configurar as janelas de lookback de reengajamento e por que as instalações atribuídas por impressão aparecem quando a configuração está desativada.
O assistente oferece um caminho mais rápido para uma resposta confiável do que a própria documentação, além de identificar falhas de configuração antes que elas distorçam os dados.
Exemplos:
- “A atribuição de view-through de reengajamento está desativada, mas deveria estar ativada. Considerando sua sugestão de 7 dias para a janela de lookback de click-through de reengajamento, 30 dias são suficientes?”
- “Eu devo ativar a janela de inatividade ou ignorar as conversões baseadas em impressão para reengajamentos se eu tiver 75% das conversões no Facebook para remarketing e 80% delas estiverem baseadas em impressão?”
- “Eu não ativei a atribuição de view-through para o Meta Ads, mas nos dados brutos de instalação da AppsFlyer ainda existem tipos de toques atribuídos a impressões para instalações por anúncios no Facebook. Por quê?”
- “Considerando estas fontes de mídia, verifique se eu ativei a janela de atribuição de click-through, a janela de atribuição de view-through e a janela de reengajamento”
- “Minha campanha no Meta Ads leva a um teste no Typeform. Depois de enviar os resultados, os usuários recebem um link do OneLink para instalar o app. Como devo configurar os links para obter a impressão e a atribuição de cliques corretas e permitir eventos de postback após a instalação?”
- Exemplos de investigação de anomalias
-
As perguntas mais sofisticadas no conjunto de dados são provenientes deste grupo. Os usuários estão formulando hipóteses e pedindo ao assistente que as teste: é um problema na janela de payback ou uma falha na monetização? É um ROAS atrasado ou uma erosão real do LTV? A fadiga de criativos explica a queda no Dia 7? O assistente atua como um copiloto que consegue extrair dados para validar ou desaprovar uma hipótese na mesma interação.
Exemplos:
- “Segmente o Google por campanha para ver se mercados específicos estão diluindo o ROAS. Compare o D7 com o ROAS do LTV para verificar se é um problema na janela de payback ou uma falha na monetização”
- “Sobreponha o ROAS do D7 ao D3 para determinar se há um atraso na monetização ou uma erosão real do LTV”
- “O que está acontecendo com os envios de formulários curtos no Canadá desde 1º de dezembro até hoje? Explique tendências, padrões e possíveis problemas com instalações, formulários curtos e taxas de conversão da instalação para o formulário curto”
- “Você consegue analisar dinamicamente os criativos de menor performance e conferir se o ROAS (D1, D7, D30) está mais ou menos igual ou se existe uma tendência positiva?”
- “Devemos comparar a retenção do D7 com a dos D1/D30 para ver a queda de qualidade por campanha?”
84% das contas se conectam através de um único host do MCP e o crescimento de 12x em seis meses sugere que o esforço para começar é menor do que a maioria das equipes imagina. Considere identificar um fluxo de trabalho repetitivo e com um grande volume de dados (uma verificação de performance semanal e uma análise de eficiência de canal) e automatizá-lo primeiro. O valor composto vem da expansão, mas o ponto de entrada é um único fluxo de trabalho.
Agora as autenticações por token representam quase metade de toda a atividade do MCP e o volume de chamadas aos fins de semana (que chega a 70% do registrado nos dias úteis) confirma que os casos de uso mais ativos não dependem da presença de uma pessoa. As equipes que ainda dependem exclusivamente de interfaces conversacionais devem explorar fluxos de trabalho programáticos e agendados como o próximo passo na adoção do MCP.
Entre as contas ativas do Agent Hub, o percentual que utilizava apenas um tipo de agente caiu 42% ao longo do período analisado, enquanto a média de tipos de agente por conta aumentou de 2,74 para 2,92. Em vez de implementar agentes de maneira ampla e superficial, considere aprofundá-los nas áreas em que eles já estão sendo utilizados, principalmente na evolução do monitoramento defensivo para a otimização e a descoberta de oportunidades.
Metade das contas retorna dentro de uma semana e a taxa de retorno diário se mantém estável ao longo das três primeiras semanas. Os dados sugerem que o valor inicial é determinante (contas que encontram um motivo para voltar nos primeiros dias tendem a permanecer ativas). Investir no onboarding durante a primeira semana provavelmente terá um impacto desproporcional na retenção de longo prazo.
Os usuários mais avançados da base de dados consideram o assistente de IA um parceiro de análise, formando hipóteses e pedindo para testá-las em vez de recuperar os dados. A qualidade de insights é proporcional à qualidade das perguntas. As equipes que usam o assistente principalmente para consultas sobre tutoriais de navegação devem explorar a capacidade de análise de cohort, diagnóstico de anomalias e validação da atribuição.
