A NTT Data publicou o estudo 'Digital Marketing in Latin America 2026', levantamento sobre maturidade e adoção de tecnologia em áreas de marketing na região, divulgado pelo Propmark. O dado que chama atenção não é a adoção de IA em si, que é alta: é a distância entre onde a IA já está (conteúdo, design, marketing conversacional) e onde ela ainda não chegou (personalização em tempo real, modelos preditivos, nutrição automatizada de leads), com adoção abaixo de 15%.
Para quem cuida de RevOps, esse recorte é mais informativo do que parece à primeira vista. IA generativa para criar post ou responder chat não exige dado limpo nem arquitetura de funil unificada. IA para prever receita, pontuar lead ou personalizar oferta em tempo real exige exatamente isso. O estudo está, sem dizer com essas palavras, medindo a maturidade de dados das empresas latino-americanas.
A pesquisa mostra 69% de adoção em criação de conteúdo e design e 45% em marketing conversacional. São usos de IA que consomem prompt e devolvem texto, imagem ou resposta de chatbot: não precisam ler o histórico de interação do lead, nem saber em que etapa do funil ele está, nem cruzar comportamento com dados de CRM.
Já personalização em tempo real, modelo preditivo e nutrição automatizada de leads dependem de um pipeline de dados que funcione de ponta a ponta: captura de evento, unificação de identidade, atualização de score e ativação em canal, tudo em latência baixa. É outro tipo de projeto, com outro dono: não é um prompt melhor, é integração de sistema.
Em resumo: a régua de maturidade do estudo separa dois mundos. Um é interface de IA sobre processo manual existente. O outro é IA como parte de um sistema de dados que decide, em tempo real, o que mostrar para quem. O segundo é o que move receita de forma mensurável, e é também o que exige RevOps maduro por trás.
O estudo detalha a base técnica que sustenta (ou não) esses casos de uso avançados:
O gap entre 70% (tem dado próprio) e 14% (personaliza com base nele) é o retrato de um funil que coleta mas não ativa. É o padrão clássico de empresa que investiu em capturar evento de comportamento, às vezes via CDP, mas não fechou o loop até o canal de ativação, seja e-mail, anúncio ou o próprio vendedor em campo.
Para RevOps, esse número é um diagnóstico de arquitetura, não de ferramenta. Ter CDP (30% das empresas) não resolve sozinho se o CRM (62%) não estiver com os mesmos identificadores de conta e contato, e se o data lake (38%, onde existe) não estiver acessível para quem constrói o modelo de scoring. Isso é trabalho de integração e de governança de dado, não de contratação de mais uma licença.
O ponto mais duro do estudo, para quem responde por forecast e atribuição, é outro: apenas 35% das empresas conectam seus KPIs digitais a objetivos corporativos gerais, e só 7% associam resultado de marketing a métrica financeira estratégica como EBITDA ou participação de mercado.
Isso significa que, na maioria das empresas mapeadas, o funil de marketing roda com métrica própria (clique, lead, MQL) sem um modelo de atribuição que chegue até receita reconhecida, muito menos até lucro. É o problema estrutural que RevOps resolve quando constrói um modelo de atribuição multi-touch ligado ao CRM e ao sistema financeiro, não a mais uma dashboard de campanha isolada.
Marco Chaves, head de estratégia digital da NTT Data Brasil, resume o argumento central do estudo:
Em um cenário onde a tecnologia se torna acessível a todos, a verdadeira vantagem competitiva estará na capacidade de conectar marketing, dados e negócios em uma mesma agenda de valor. (autor) Marco Chaves, head de estratégia digital da NTT Data Brasil
A frase descreve, em outras palavras, o trabalho de RevOps: não é dona do modelo de IA nem da campanha, mas é quem tem a visão de ponta a ponta para conectar as três pontas que o estudo mostra desconectadas.
Os números abrem uma janela competitiva, como aponta o ângulo do próprio estudo: quem já tem CRM higienizado, identificador único de conta e modelo de atribuição ligado a receita sai na frente quando decidir investir em personalização em tempo real ou modelo preditivo, porque a base já existe. Quem não tem vai gastar o primeiro ciclo de projeto resolvendo duplicidade de registro e integração de sistema, antes de qualquer modelo rodar de verdade.
Um roteiro prático, nessa ordem, costuma reduzir retrabalho:
O erro mais comum é inverter essa ordem: contratar ferramenta de IA preditiva antes de fechar a higiene de CRM e o modelo de atribuição. O resultado, nesses casos, costuma ser um modelo que roda sobre dado sujo e produz recomendação que ninguém em vendas confia, porque não há como provar sua contribuição real ao pipeline.
Nem toda empresa precisa correr para os casos de uso avançados do estudo. Se os 35% que ligam KPI a objetivo corporativo e os 7% que chegam a EBITDA são a régua de maturidade, times que ainda não fecharam esse básico tendem a gastar mais investindo em modelo preditivo sofisticado do que investiriam corrigindo a base de atribuição que já têm.
Personalização em tempo real, em particular, exige volume de dado comportamental e infraestrutura de baixa latência que fazem sentido para operação de alto tráfego e ciclo de venda mais curto; em B2B de ticket alto e ciclo longo, o retorno de um modelo preditivo de propensão à compra, aplicado sobre uma base de CRM e CDP já integrada, tende a chegar mais rápido e custar menos para provar valor.