CDPs tradicionais ficam fora das plataformas de dados centrais, criando outra cópia de dados sensíveis e outro ciclo de reconciliação. A Databricks, por outro lado, incorpora o CustomerLake no lakehouse governado pelo Unity Catalog. Os agentes acessam identidade, modelos, regras de negócio e endpoints de ativação em um só lugar, mantendo a linhagem, políticas de acesso e auditabilidade intactas. Isso reduz a deriva de features entre treinamento e produção, evita falhas de sincronização entre ferramentas e centraliza sinais de medição. O resultado prático: menos integrações frágeis, ciclos de decisão mais curtos e um caminho mais limpo para fechar o ciclo entre previsão, ação e impacto medido — crítico quando janelas de intenção do cliente são minutos, não semanas.

Em um modelo agentic, identidade não é um projeto pontual — é uma capacidade mantida continuamente. IDs duráveis e governados devem unir perfis conhecidos a sinais de intenção pseudônimos respeitando consentimento e políticas regionais. O contexto da decisão — ofertas vistas, exposições, supressões, aprovações — deve persistir para que agentes evitem excesso de frequência, subsídios ou violações de privacidade. A abordagem da Databricks combina correspondência determinística e probabilística com grafos de identidade de parceiros, aproximando o enriquecimento da ativação. Para operadores, a lista inclui: higiene de identidade em streaming, permissões por canal, restrições de elegibilidade de audiência e flags de teste/controle. Sem isso, a próxima melhor ação vira um palpite — e os profissionais de marketing acabam financiando pedidos que aconteceriam de qualquer forma.

O marketing agentic funciona apenas se cada ação for avaliada contra um contrafactual: o que teria acontecido sem a intervenção. Isso significa grupos de controle embutidos, divisões geográficas ou por audiência e estimativa contínua de uplift, complementados por MMM para definição de orçamento de longo prazo. Análises conversacionais podem revelar onde os retornos saturam e onde a supressão gera valor ao reduzir desperdícios. A decisão então se adapta rapidamente: reduz ou remove incentivos onde o uplift colapsa, controla a frequência quando retornos marginais diminuem e realoca gastos para audiências de maior rendimento. O benefício não é só ROI mais limpo; é clareza operacional sobre onde o próximo dólar ainda gera lucro incremental.

Pilote um único caso de uso de alta velocidade, como reativar usuários inativos de app. Estabeleça higiene de identidade em streaming, verificações de consentimento e registro de decisões antes de ativar ofertas. Configure limites controlados pelos profissionais de marketing: lógica de elegibilidade, tetos de desconto, limites de frequência e pontos de aprovação. Implemente grupos de controle globalmente, não por campanha. Para modelagem, combine propensão em tempo real com modelos calibrados de uplift; operacionalize restrições econômicas como margem de item, estoque e SLA de entrega. Por fim, defina o RACI da decisão: profissionais de marketing definem metas e limites, equipes de dados gerenciam features e qualidade, finanças co-gerenciam os limiares de incrementalidade. Critérios de sucesso: custo por lift, taxa de subsídio, período de retorno e impacto na retenção downstream.

Três riscos dominam os primeiros lançamentos. Primeiro, o aumento do subsídio: incentivos que recompensam clientes que teriam convertido sem eles. Combata isso com grupos de controle persistentes, tetos dinâmicos de desconto e gatilhos de supressão ligados ao ROI marginal. Segundo, deriva de privacidade e consentimento: permissões desencontradas entre canais. Aplique uma política única e verificações por ação, não apenas auditorias em lote. Terceiro, deriva de modelo: mudanças no comportamento ou dinâmicas de canal que degradam o lift. Monitore com diagnósticos pré/pós e rollback automático para decisões padrão mais seguras. Governança não é burocracia — é o contrato em tempo real que mantém agentes eficazes e confiáveis.