INTELIGENCIA ARTIFICIAL NAS CAMPANHAS DE MARKETING: UMA FORMA DE ADAPTAÇÃO DO MARKETING ÀS NOVAS TECNOLOGIAS

Autores

  • Andrey Cesar de Lucena de Barros Autor
  • Ricardo Marciano dos Santos Autor
  • Alfredo Nazareno Pereira Boente Autor
  • Vinícius Marques da Silva Ferreira Autor
  • Miguel Gabriel P de Carvalho Autor
  • Thiago Silva da Conceiçao Autor
  • Rosangela de Sena Almeida Autor
  • Renata Miranda Pires Boente Autor

DOI:

https://doi.org/10.56238/arev7n12-026

Palavras-chave:

Inteligência Artificial, Marketing Digital, Automação de Conteúdo, LLMs, FastAPI

Resumo

O cenário contemporâneo do Marketing Digital é marcado pela demanda incessante por conteúdo personalizado e otimizado, o que impõe um desafio crítico às equipes: a ineficiência na análise manual de informações e a subsequente morosidade na redação de campanhas, limitando a escalabilidade da comunicação corporativa. Objetiva- se mitigar essa limitação por meio do desenvolvimento do SocialGen-AI, um sistema de Inteligência Artificial generativa concebido para a automação end-to-end da criação de textos promocionais para mídias sociais, partindo da análise estrutural e semântica de páginas web. A metodologia de implementação baseia-se na Engenharia de Software Ágil, culminando em uma solução implementada em Python e estruturada via API, que se integra ao framework Ollama para a execução otimizada do modelo de large language DeepSeek. O processo compreende a extração de dados, a análise semântica contextualizada e a geração de copy com ajuste de tom e estilo. Desse modo, observa-se que o SocialGen-AI permite uma redução substancial no time-to-market do conteúdo, além de garantir alta consistência e personalização em escala. Conclui-se que a arquitetura baseada em LLMs locais e APIs dedicadas representa uma solução tecnológica viável e escalável para a otimização da produtividade em Marketing, pavimentando o caminho para futuras pesquisas focadas na integração nativa com plataformas de redes sociais e no aprimoramento contínuo da precisão contextual da IA.

Downloads

Os dados de download ainda não estão disponíveis.

Referências

BARROS, Andrey. socialgenai [repositório GitHub]. Disponível em: https://github.com/DreyLB/socialgenai. Acesso em: 30 nov. 2025.

BARROS, Andrey. frontSocialgenai [repositório GitHub]. Disponível em: https://github.com/DreyLB/socialgenai. Acesso em: 30 nov. 2025.

BOENTE, Alfredo Nazareno Pereira. Análise de sentimento nas redes sociais como ferramenta de apoio à tomada de decisão na gestão de risco reputacional no setor bancário. Aracê, [S. l.], v. 7, n. 10, p. e8856, 2025. DOI: 10.56238/arev7n10-149. Disponível em: https://periodicos.newsciencepubl.com/arace/article/view/8856. Acesso em: 30 out. 2025.

BROWN, Tom B. et al. Language Models are Few-Shot Learners. In: ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS (NEURIPS), 2020. Disponível em: https://proceedings.neurips.cc/paper/2020/file/1457c0d6bfcb4967418bfb8ac142f64a-Paper.pdf. Acesso em: 17 nov. 2025.

DEEPSEEK API. DeepSeek API Documentation – Quick Start / Your First API Call. Disponível em: https://api-docs.deepseek.com/. Acesso em: 14 nov. 2025.

DOS SANTOS, Ricardo Marciano. Análise de sentimento nas redes sociais como ferramenta de apoio à tomada de decisão na gestão de risco reputacional no setor bancário. Aracê, [S. l.], v. 7, n. 10, p. e8856, 2025. DOI: 10.56238/arev7n10-149. Disponível em: https://periodicos.newsciencepubl.com/arace/article/view/8856. Acesso em: 30 out. 2025.

FERREIRA, Vinícius Marques da Silva. Análise de sentimento nas redes sociais como ferramenta de apoio à tomada de decisão na gestão de risco reputacional no setor bancário. Aracê, [S. l.], v. 7, n. 10, p. e8856, 2025. DOI: 10.56238/arev7n10-149. Disponível em: https://periodicos.newsciencepubl.com/arace/article/view/8856. Acesso em: 30 out. 2025.

FIELDING, Roy T. Architectural Styles and the Design of Network-based Software Architectures. 2000. Tese (Doutorado) — University of California, Irvine, 2000.

FOWLER, Martin. Patterns of Enterprise Application Architecture. Boston: Addison- Wesley Professional, 2002.

GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep Learning. Cambridge: MIT Press, 2016.

GUPTA, Lokesh. What is REST? REST API Tutorial. Disponível em: https://restfulapi.net/. Acesso em: 14 nov. 2025.

KOTLER, Philip; KELLER, Kevin Lane. Administração de Marketing. 15. ed. São Paulo: Pearson Education do Brasil, 2018.

LECUN, Yann; BENGIO, Yoshua; HINTON, Geoffrey. Deep learning. Nature, v. 521, n. 7553, p. 436–444, 2015.

OLLAMA. Ollama’s documentation. Disponível em: https://docs.ollama.com/. Acesso em: 14 nov. 2025.

SILVA, Wallysson Klebson de Medeiros. Comportamento do consumidor no processo de compra e a influência das ferramentas de inteligência artificial. 2023. Tese (Doutorado em Administração) — Universidade Federal da Paraíba, João Pessoa, 2023.

SOMMERVILLE, Ian. Engenharia de Software. 10. ed. São Paulo: Pearson, 2019.

TIANGOLO. FastAPI framework, high performance, easy to learn, fast to code, ready for production. Disponível em: https://fastapi.tiangolo.com/. Acesso em: 14 nov. 2025.

Downloads

Publicado

2025-12-03

Edição

Seção

Artigos

Como Citar

DE BARROS, Andrey Cesar de Lucena; DOS SANTOS, Ricardo Marciano; BOENTE, Alfredo Nazareno Pereira; FERREIRA, Vinícius Marques da Silva; DE CARVALHO, Miguel Gabriel P; DA CONCEIÇAO, Thiago Silva; ALMEIDA, Rosangela de Sena; BOENTE, Renata Miranda Pires. INTELIGENCIA ARTIFICIAL NAS CAMPANHAS DE MARKETING: UMA FORMA DE ADAPTAÇÃO DO MARKETING ÀS NOVAS TECNOLOGIAS. ARACÊ , [S. l.], v. 7, n. 12, p. e10702, 2025. DOI: 10.56238/arev7n12-026. Disponível em: https://periodicos.newsciencepubl.com/arace/article/view/10702. Acesso em: 5 dez. 2025.