Raciocínio fundamentado: por que as experiências de CTV baseadas em IA dependem dos dados

Por Tyler Bell, vice-presidente sênior de Produto

À medida que as empresas adotam sistemas de IA generativa, como os grandes modelos de linguagem (^LLMs1), devido à eficiência que eles podem proporcionar, uma série de tecnologias legadas se tornará cada vez mais obsoleta. Na televisão, os LLMs irão complementar — e, eventualmente, substituir — os bancos de dados tradicionais e as funções de busca rudimentares. Com o tempo, eles se tornarão os mecanismos padrão para proporcionar experiências de entretenimento de última geração.

Essa mudança será transformadora para os consumidores. O público da TV, por exemplo, não ficará mais limitado a consultas básicas de busca quando estiver procurando algo para assistir.

Mas criar esse tipo de experiência — que forneça resultados atualizados, precisos e relevantes — exige mais do que apenas um LLM bem treinado.

Isso ocorre porque os LLMs não são bancos de conhecimento abrangentes. São mecanismos preditivos que geram respostas com base em padrões aprendidos a partir de seus dados de treinamento. E, com muita frequência, esses dados apresentam falhas.

Um estudo de 2022 realizado por pesquisadores da Universidade do Sul da Califórnia constatou que até 38% dos dados “factuais” de senso comum utilizados em dois bancos de dados distintos de IA apresentavam viés. Em outras palavras, mais de um terço dos dados fundamentais desses sistemas já era impreciso desde o início.

Os LLMs também enfrentam dificuldades com tarefas relativamente simples. Em março de 2025, um estudo da Columbia Journalism Review constatou que oito ferramentas de IA generativa apresentaram uma taxa de erro coletiva de 60% quando solicitadas a associar um trecho de artigo jornalístico ao título correspondente, ao editor original, à data de publicação e ao URL. Em comparação, uma pesquisa tradicional no Google exibiu as fontes nos três primeiros resultados.

As limitações dos LLMs são amplamente reconhecidas, e existe uma variedade de técnicas para reduzir as alucinações e melhorar a relevância contextual. Poucos contestariam o valor do^grounding². No entanto, conectar um LLM a dados imprecisos para fins de grounding é tão problemático quanto usar dados falhos para treiná-lo. 

A conclusão principal aqui é que dados de má qualidade representam uma ameaça real. Os LLMs são ferramentas poderosas, mas sua eficácia depende da qualidade das informações às quais têm acesso.

Adoção do LLM na CTV

É improvável que a transição para os LLMs ocorra de uma só vez, como um movimento radical. Em vez disso, ela ocorrerá “gradualmente, e depois de repente”, como Mike Campbell, personagem de Hemingway, descreve sua falência em “O Sol Também Se Levanta”.

Os LLMs ainda são uma tecnologia relativamente nova. Eles apresentam limitações, questões relacionadas à latência e implicações de custo que as organizações devem compreender antes de implementá-los em interfaces de busca voltadas para o consumidor. O desafio fundamental, no entanto, são os dados. 

A maioria das interfaces de CTV é construída com base em data lakes que contêm metadados heterogêneos provenientes de diversas fontes, os quais precisam ser harmonizados e normalizados antes de serem indexados e otimizados para pesquisa. Esse processo exige o download prévio de grandes conjuntos de dados, sua passagem por complexos pipelines de ingestão e sua atualização contínua para manter os dados atualizados.

Os LLMs, por outro lado, se destacam na interpretação e reconciliação de dados provenientes de múltiplas fontes em tempo de execução, o que pode reduzir — ou até mesmo eliminar — a necessidade de data lakes tradicionais e da infraestrutura a eles associada.

Ao mesmo tempo, os LLMs trazem novos recursos e um enorme potencial para a CTV, o que seria impossível com a tecnologia atual. Por exemplo, os LLMs podem reescrever ou complementar dinamicamente a descrição de um filme ou episódio para torná-la mais relevante para cada usuário. 

Depois que um espectador assiste a *Um Sonho de Liberdade*, por exemplo, um LLM poderia recomendar *A Milha Verde* com uma descrição personalizada: “É uma adaptação de Stephen King sobre esperança, ambientada em uma prisão, com uma profundidade emocional semelhante à de *Um Sonho de Liberdade*, que você gostou anteriormente.”

Esse tipo de recomendação contextual representa uma melhoria significativa em relação às sugestões genéricas do tipo “Porque você assistiu”. Os LLMs podem aplicar essa abordagem a todos os títulos de um catálogo. 

No curto prazo, os LLMs provavelmente serão introduzidos como complementos às tecnologias existentes, lidando com consultas complexas ou conversacionais que os sistemas tradicionais não conseguem processar. Com o tempo, algumas organizações substituirão totalmente suas infraestruturas legadas. Eventualmente, os LLMs farão a diferença.

A fragmentação complicou a experiência de assistir à TV 

Apesar da abundância de programação disponível, a fragmentação da distribuição de vídeo tornou a descoberta de conteúdos mais difícil, e não mais fácil, prejudicando os provedores de conteúdo.

De fato, uma pesquisa recente do setor revelou que quase 50% dos telespectadores dos EUA considerariam cancelar um serviço de streaming por não conseguirem encontrar nada para assistir. Entre o público com idades entre 25 e 34 anos, esse número sobe para 58%.

Mais conteúdo não significa necessariamente mais^tempo de exibição³. Na prática, uma variedade excessiva de opções pode levar os espectadores a desistirem completamente de suas buscas e decidirem fazer outra coisa.

É aí que os LLMs podem ajudar — mas somente quando se baseiam nos dados corretos. 

Para as plataformas de TV aberta, dados confiáveis sobre entretenimento, em conformidade com os padrões do setor, constituem uma base ideal. Além de fornecerem informações padronizadas sobre a programação, incluem a grade de programação atualizada, essencial para o público que sabe o que quer assistir, mas não sabe onde encontrar. Isso é especialmente importante para eventos esportivos ao vivo.

Com o tempo, os LLMs proporcionarão experiências transformadoras de TV aos telespectadores. Está procurando os melhores filmes de terror de 1985 por receita de bilheteria? Sem problema. Quer recomendações dos melhores filmes sobre futebol com base nas críticas, depois de assistir à Copa do Mundo? Fácil. Está tentando descobrir qual serviço está transmitindo um determinado jogo, programa ou filme? Deje com a gente.

As expectativas dos consumidores em relação à forma como interagem com a tecnologia continuam a crescer, e as plataformas de CTV têm a oportunidade de se antecipar a essa tendência. Os LLMs podem cumprir essa promessa — mas somente quando baseados em dados confiáveis e atualizados. Com os telespectadores reavaliando constantemente onde gastam seu tempo e dinheiro, o custo de informações não verificadas ou não confiáveis torna-se impossível de ignorar.

Este artigo foi publicado originalmente na Streaming Media.

Notas

1. Os LLMs são tipos de IA generativa que criam conteúdo com base em padrões aprendidos.
2. O “grounding” é o processo de conectar um LLM a informações do mundo real para melhorar a confiabilidade e a relevância de suas respostas.
3. O tempo total dedicado à TV permaneceu estável entre 33 e 35 horas por semana nos últimos anos; dados do Audience Insights d Nielsen (Nielsen NPOWER, Nielsen Media Impact)