Análise de marketing e atribuição adequada estão ficando 🥀 Outra tendência que tenho observado recentemente é que a análise de marketing tradicional está se tornando cada vez menos confiável. Primeiro, o comportamento do usuário é muito mais complexo agora. Um funil em que alguém vê uma postagem no X, pesquisa o produto no Google, compara opções com IA, lê avaliações no Reddit e depois aparece como Tráfego Direto ou Orgânico é completamente normal hoje em dia. E, além disso, agora temos tráfego de IA e toda a instabilidade que isso traz. Aqui está um exemplo recente: Em outubro, o ChatGPT deixou de passar corretamente os dados de utm_source e referrer por alguns dias. No GA4, parecia que o tráfego do ChatGPT havia caído repentinamente em 22–57%, enquanto na realidade uma parcela significativa dessas visitas havia simplesmente migrado para Direto. Além disso, mais da metade do tráfego web agora é composto por bots, o que significa que os números tradicionais de tráfego estão se tornando cada vez menos representativos do comportamento humano real. Portanto, em 2026, já é arriscado olhar para um único painel e concluir que “este canal está crescendo” ou “este canal está morto”. Você precisa analisar múltiplos sinais ao mesmo tempo: tráfego direto, busca de marca, MMM, respostas reais de LLMs e conversões. E, honestamente, a velha e querida pergunta “Como você ouviu falar de nós?” está parecendo menos feia a cada dia :)

Queria dar a vocês um resumo rápido do que o CopyCheck pode fazer: • Minhas posições: ver o valor atual, ganhos/perdas não realizados e preços de ponto de equilíbrio. Experimente diferentes movimentos de mercado para ver como eles afetariam suas posições. • Revisar negociações da carteira: revise até cinco carteiras @solana em um intervalo de data de até 90 dias. Filtre perdas e inspecione compras, vendas e links de transações individuais. • Comparar duas carteiras: veja como os preços de entrada e saída afetaram os retornos em negociações correspondentes elegíveis. Você não precisa conectar sua carteira (acho que, nos dias de hoje, esse é o verdadeiro diferencial). Você também pode visualizar snapshots de mercado de tokens, abrir links de gráficos e exportar seus relatórios (informação adicional: todos os resultados de negociação são exibidos antes das taxas). O vídeo mostra o fluxo de revisão da carteira, mas o artigo aborda os cálculos e limites com mais detalhes. Me diga o que você acha!

É um bom artigo sobre como eles escalaram a distribuição, mas não menciona nada sobre: → Preços → Conversão de gratuito para pago → Churn → Custos dos criadores → Gastos com anúncios → Margens de lucro Como exatamente eles transformaram todo esse tráfego em $150K/mês em receita?

Havia algo que eu nunca tinha realmente considerado: Agora que Meta, Google, ChatGPT, etc. estão começando a lançar anúncios de IA, quais são as chances de os anunciantes acabarem pagando para alcançar usuários que teriam comprado o serviço de qualquer forma – sem um anúncio? Comecei a pensar sobre isso após ler este estudo sobre a armadilha da “atribuição fantasma”. Ele analisou como funciona o direcionamento de usuários em Redes de Mídia Varejista (RMNs), como Amazon Ads, Walmart Connect e Instacart Ads – e descobriu que os modelos eram tendenciosos. Modelos automatizados de lances em RMNs naturalmente direcionam usuários que já têm alta probabilidade de comprar um produto (por exemplo, pessoas que compraram a marca cinco vezes este mês). Em seguida, o painel de IA mostra um Retorno sobre o Gasto com Anúncios (ROAS) enorme, e os anunciantes continuam gastando. Mas ensaios controlados randomizados mostraram que até 70% dessas vendas foram não incrementais. O consumidor teria comprado o item de qualquer forma. A IA estava essencialmente se apropriando do comportamento orgânico, ocultando um enorme desperdício de orçamento publicitário. Assustador.

O capital concedido não é dinheiro grátis. Tenho muito pouca simpatia por equipes que tratam como se fosse. Para contexto, estou falando da concessão de 75.000 tokens ARB do @limitlessdefi para incentivar liquidez no @arbitrum. Li, pelo Comitê de Vigilância da Arbitrum, que o projeto trocou toda a concessão por USDC e fez a ponte para a Base. Posteriormente, o projeto parece ter encerrado suas operações. À equipe foi dado até 10 de setembro para explicar o que aconteceu ou devolver os fundos. Eles não fizeram nenhuma das duas coisas. Agora a Arbitrum está votando para banir permanentemente os fundadores de futuros programas DAO. Se um ecossistema lhe fornece capital para um mandato específico e você desloca toda a quantia para outro lugar, isso se torna uma falha de governança e responsabilidade. Portanto, esta é definitivamente a resposta correta.

Acabei de encontrar um estudo de simulação muito interessante: O que acontece se você fizer agentes de IA simularem o comportamento de compradores típicos – e então testarem campanhas de marketing neles antes de lançar algo no mundo real? Pesquisadores construíram uma pequena cidade virtual e a povoaram com agentes de IA. Apenas 11 agentes e 10 locais. Cada agente tinha: • um orçamento • um nível de energia • necessidades de alimentação e compras • memória • conexões sociais • sua própria personalidade Em seguida, o DeepSeek-V3 gerou seus planos, conversas e decisões de compra. Os agentes foram a trabalho, comeram, conversaram entre si, lembraram coisas, convidaram amigos para algum lugar – e decidiram independentemente onde gastar dinheiro. O experimento real foi muito simples: uma loja de frango frito ofereceu um desconto de 20% no meio da semana. Os pesquisadores observaram o que aconteceu. • A receita da loja aumentou 51% do Dia 2 para o Dia 3 – mesmo após (!) o desconto. • Sua participação de mercado cresceu de 30% no Dia 1 para 41% no Dia 3. • Mas o MERCADO TOTAL não cresceu significativamente. Portanto, o desconto não criou muita nova demanda – basicamente atraiu clientes de um concorrente. • O restaurante local perdeu participação de mercado e viu sua receita cair 7%. • A cafeteria permaneceu relativamente estável. Ainda mais interessante: o efeito mais forte não ocorreu imediatamente. Os autores interpretam isso como informação se espalhando pela rede social dos agentes: eles conversaram, planejaram juntos, convidaram amigos – e o interesse pelo local aumentou por meio de suas interações. A simulação também produziu algo que parecia lealdade: alguns agentes retornaram à loja de frango frito durante a promoção, enquanto o restaurante manteve apelo mais amplo mesmo sem descontos. Portanto, em teoria, sistemas como esse poderiam permitir que os profissionais de marketing testassem: • descontos • promoções • mudanças de preço • lançamentos de novos produtos • cenários competitivos em consumidores sintéticos antes de entrar no mercado real. Mas há um “MAS” muito importante. Isso ainda é apenas uma prova de conceito, não evidência de que a IA possa prever confiavelmente o comportamento humano real. A simulação tinha apenas 11 agentes. Suas decisões dependem fortemente do design dos prompts, do LLM escolhido, das regras do ambiente e até da estrutura da cidade virtual. Na minha opinião, isso é definitivamente algo para acompanhar. Porque se essas simulações eventualmente forem calibradas corretamente com dados do mundo real, parte do CustDev, experimentos de precificação e testes de campanhas poderá ocorrer primeiro com agentes de IA – e só depois com humanos.

Por outro lado, o @Revolut confirmou que divulgou informações de clientes após receber solicitações fraudulentas provenientes de um endereço de e-mail que utilizava um domínio de uma agência governamental legítima. As informações expostas incluíram, segundo relatos, documentos de identidade e podem também ter incluído selfies de verificação e históricos de transações. O Revolut afirma que os fundos dos clientes não foram afetados, mas isso não torna a exposição inofensiva. Esses detalhes podem ajudar alguém a se passar por um cliente ou tornar uma mensagem de golpe muito mais convincente. Acho que deveríamos pedir uma explicação adequada sobre como essas solicitações passaram por seus controles, o que foi alterado e qual suporte os clientes afetados receberão, em vez de declarações genéricas.

Alguns pontos me chamaram a atenção nesse artigo sobre mercados de computação, onde empresas de IA compram acesso às GPUs de terceiros para treinar modelos ou executar seus serviços ↓ → Negócios de GPU ainda ocorrem em grupos de chat Muito desse poder de computação ainda é adquirido por meio de brokers, negócios privados e grupos de chat. Comparar preços entre fornecedores é uma bagunça. Para ser honesto, isso é meio louco, considerando o quão longe essa tecnologia chegou. → Computação poderia ser negociada como eletricidade O artigo argumenta que aluguéis de GPU podem se tornar um mercado de commodities, com referências de preços e contratos para gerenciar custos futuros. Os mercados de eletricidade começaram a passar por uma mudança semelhante na década de 1990, à medida que se abriram à concorrência. → O mesmo chip não significa o mesmo negócio Localização, confiabilidade e termos de aluguel afetam todos o preço. Acesso barato a GPUs que pode ser interrompido é bem diferente de disponibilidade garantida. Um chatbot de IA precisa permanecer disponível para os usuários, enquanto uma empresa que usa IA para rotular imagens durante a noite pode aceitar pausas para pagar menos. → A NVIDIA é basicamente o banco central da computação Seu cronograma de lançamentos influencia a velocidade com que GPUs mais antigas perdem valor, e também se beneficia de manter GPUs existentes em uso, pois a demanda por esse poder de computação dá aos operadores de data centers um motivo para comprar mais chips. → A oportunidade vai além do aluguel de GPUs Empresas também estão desenvolvendo ferramentas de precificação, plataformas de negociação, empréstimos e seguros. A aposta do autor é que empresas que combinem acesso confiável a GPUs com esses serviços financeiros poderão ter vantagem competitiva. A Silicon Data afirma rastrear 95% dos provedores de GPU da neocloud e 100% dos principais hyperscalers. Esses dados de aluguel já estão sendo usados para criar referências diárias de preços para computação. Então acho que isso nos dá uma visão de como os aluguéis de GPU podem evoluir para um mercado financeiro mais amplo.

Esta é apenas mais uma maneira de oferecer aos investidores tradicionais exposição ao cripto sem sair da sua conta de corretagem. O IBIT da @BlackRock já provou o modelo. As pessoas compram ações para obter exposição ao bitcoin. O fundo detém US$ 61,6 bilhões em ativos líquidos. O FETH da @Fidelity faz o mesmo para o ETH. Funciona por meio de contas de corretagem regulares e contas de aposentadoria elegíveis. Nenhuma configuração de carteira é necessária. O apelo é óbvio: adicione cripto à conta que você já usa para ações, pule a gestão de carteira, frases semente e configuração de staking. Curioso para ver quanto dinheiro do TradFi realmente fluirá para o TRX por meio disso.

Bruh, eu nunca ouvi falar de hackers devolvendo dinheiro, hahaha. Alguém encontrou um bug no @Liquid_BTC que permitiu a criação de L-BTC não lastreado e depois sacar quase 4.000 BTC reais da reserva. Eles devolveram 3.400 BTC após o @Blockstream corrigir o problema, mas ainda mantiveram cerca de 598 BTC, valendo aproximadamente US$ 47 milhões. Talvez tenha havido um acordo por trás dos bastidores, mas pegar US$ 320 milhões primeiro e ficar com US$ 47 milhões é uma forma bem insana de negociar.