Latest / M365.FM – Podcast de Microsoft 365, Copilot e IA em português / Microsoft Designer: como a IA economiza horas por semana em layout, cores da marca e trabalho em equipe (Dublagem IA)

Transcript

Microsoft Designer: como a IA economiza horas por semana em layout, cores da marca e trabalho em equipe (Dublagem IA) · M365.FM – Podcast de Microsoft 365, Copilot e IA em português

0:00
Pronto para 10 dias de Microsoft 365, Copilot EA, Azur e as pessoas que estão moldando o futuro do trabalho?
0:07
Em janeiro, a M365 com está de volta e desta vez seremos ainda maiores.
0:12
Junte-se a nós para sessões ao vivo, demonstrações reais e conhecimento prático de MVPs e especialistas do setor em todo o mundo.
0:18
Nada de dados genéricos, nada de termos da moda interminável.
0:21
Estamos enfrentando os desafios reais, Copilot Studio, agentes de EA, fábrica, segurança, governança e automação.
0:28
Seja você um profissional de TI, desenvolvedor ou líder de negócios, há sessões projetadas para você.
0:35
Com 10 dias inteiros, você pode explorar várias tecnologias e se conectar com uma comunidade global.
0:40
Assista ao vivo e leve em site práticos de volta para sua organização.
0:45
Janeiro de 2027, 10 dias, uma única comunidade de Microsoft.
0:49
As inscrições já estão abertas.
0:51
Garanta seu lugar hoje mesmo.
0:52
O site é mmwesant75com.net
0:58
Inscreva-se agora em m13wesant75com.net e nos vemos.
1:03
Ao vivo em janeiro.
1:05
Lembra de passar horas alinhando um slide do PowerPoint perfeitamente só para alguém mudar as cores da marca?
1:10
E se eu te dissesse que agora o Microsoft Designer pode fazer esse trabalho em segundos sem você nem tocar no mouse?
1:14
Mas a questão é, não é apenas mais rápido, ele aprende seu estilo enquanto você trabalha.
1:20
Hoje vou mostrar como isso pode significar o fim da criação tediosa de ativos e porque pode mudar para sempre a forma como sua equipe de marketing opera.
1:27
A pergunta é, se está pronto para confiar sua identidade de marca e A de ajustes manuais à inteligência das máquinas?
1:33
Se você já trabalhou em um folheto de marketing ou uma apresentação, sabe como apenas alguns ajustes podem consumir uma tarde inteira?
1:41
Ajustar uma caixa de texto em meio milímetro para alinhar com a foto?
1:44
Substituir uma imagem porque alguém da liderança não gostou?
1:47
Garantir que o título tem o tamanho exato da fonte corporativa, não apenas aproximado, mas exato, mais exato.
1:53
Isso é antes da verdadeira diversão começar.
1:56
Alguém abre o arquivo, faz suas próprias alterações e agora você está comparando versões para ver o que é realmente final.
2:00
Não é apenas tedioso, é um desgaste lento das horas que você realmente teria para o trabalho criativo.
2:06
A parte que geralmente leva mais tempo nem são as grandes revisões óbvias, são os minúsculos ciclos e feedbacks sem fim.
2:12
Mover um logotipo meio centímetro, ajustar um tom de azul para combinar com a paleta aprovada.
2:16
Garantir que os tópicos usem o peso correto da fonte personalizada da empresa.
2:21
É a morte por mil cortes de pequenos ajustes e em projetos de grupo essas mudanças se multiplicam.
2:25
Não é incomum ter que voltar 10 ou 12 vezes apenas para que o resultado final esteja alinhado com a marca.
2:31
É aí que a IA integrada ao Microsoft Designer muda essa equação.
2:36
Uma vez treinado com seu kit de marca, cores, fontes, logotipos e estilos de imagem, ele começa a aplicar essas escolhas automaticamente.
2:43
Você insere um conjunto de textos e imagens e ele cria layouts que já sabem que a fonte do seu título é de 32 pontos.
2:48
Seus botões usam o código hexadecimal azul marinho e suas fotos seguem um perfil de cor quente.
2:53
Em vez de verificar manualmente cada elemento do design, você começa a partir de algo que já é consistente.
2:58
Pense na diferença com um exemplo concreto.
3:02
No modelo antigo, criar um folheto de lançamento de produto significava começar de um arquivo em branco no PowerPoint ou em design.
3:09
Depois adicionar estilos manualmente, alinhar blocos de texto e substituir cores de preenchimento.
3:14
No Designer você insere o título, o subtítulo e a imagem do produto.
3:17
Em segundos, a IA produz 5 ou 6 rascunhos refinados, todos alinhados às regras da sua marca.
3:21
Você ainda pode ajustar a ordem dos elementos, mas a estrutura já está definida.
3:27
Uma das gerentes de marketing com quem conversei recentemente estava sobrecarregada trabalhando em uma campanha sazonal.
3:33
Antes de usar o Designer, ela gastava cerca de 6 horas por ciclo de design, principalmente realizando tarefas básicas de organização nos layouts.
3:41
Quando mudaram, ela reduziu a mesma tarefa para pouco mais de uma hora, sem sacrificar o estilo ou a qualidade.
3:46
Isso representa um dia inteiro de trabalho economizado toda semana, apenas eliminando o trabalho repetitivo de formatação.
3:52
Programas piloto relataram resultados semelhantes.
3:55
Equipes que usam o Designer para a produção rotineira de material viram aumentos mensuráveis na produtividade, mais campanhas entregues no prazo,
4:03
menos pedidos tardios de pequenas alterações e uma queda acentuada no número de revisões por projeto.
4:07
O mais interessante é que a criatividade não diminui.
4:10
Na verdade, com menos energia gasta em ajustes táticos, designers e profissionais de marketing relataram ter mais espaço mental para brainstorming e desenvolvimento de conceitos.
4:19
Uma razão para isso acontecer é a forma como o Designer oferece sugestões de layout.
4:24
Em vez de oferecer um modelo estático ao qual você deve se adaptar, aí há.
4:28
Analise o conteúdo que você forneceu e propõe hierarquias visuais que ela considera eficazes.
4:32
Isso significa que você está reagindo a um bom primeiro rascunho, em vez de lutar para construir um do zero.
4:38
É orientação suficiente para combater a fadiga criativa, mas você ainda tem uma decisão final sobre o que realmente será publicado.
4:43
É uma pergunta silenciosa em segundo plano aqui.
4:45
Como o Designer sabe qual é o seu estilo?
4:48
A resposta é que ele pode ser alimentado com um kit de marca definido através do Microsoft 365
4:52
e com o tempo ele aprende com as revisões que você aprova ou rejeita.
4:57
Se você substituir consistentemente uma imagem genérica por algo com visual específico,
5:01
ele começa a priorizar esse estilo em sugestões futuras.
5:05
Sua equipe está ensinando a IA, mesmo que você não esteja treinando um modelo explicitamente.
5:08
No fim das contas, essa é a verdadeira história.
5:10
Não se trata de substituir o gosto ou o julgamento humano.
5:13
Trata-se de remover a parte do trabalho design que parece inserção de dados.
5:17
As decisões importantes, os saltos criativos, os momentos de
5:20
isto vai ressoar com o nosso público.
5:23
Esses ainda vêm das pessoas.
5:24
O Designer apenas garante que os pixels já estejam no lugar certo,
5:27
para que você não desperdice sua energia nisso.
5:29
E os visuais automatizados são apenas o começo.
5:32
A mudança maior é o que acontece quando essa mesma inteligência
5:34
começa a ser integrada diretamente na forma como as equipes realmente trabalham juntas.
5:39
Colaboração sem o caos.
5:41
Se você já trabalhou um arquivo de design compartilhado,
5:43
conhece o momento em que o controle de versão desmorona completamente.
5:46
Alguém pega uma cópia antiga da área de trabalho,
5:48
faz alterações, salva como final 2.
5:51
E agora você está comparando isso com o que está na pasta do SharePoint
5:53
rotulada como final.
5:55
Use este.
5:56
Multiplique isso por 3 pessoas trabalhando em paralelo, se terá uma bagunça.
6:00
Não é falta de esforço.
6:02
São as ferramentas pedindo as pessoas que trabalhem de uma forma desconectada de como
6:05
a colaboração realmente acontece.
6:06
A realidade é que mesmo em empresas totalmente comprometidas com o Microsoft 305,
6:10
os ativos acabam espalhados.
6:13
Tem a versão que ficou no chat do Teams de terça-feira passada,
6:15
outra escondida no e-mail de alguém,
6:17
e o modelo principal é enterrado, 3 pastas dentro do SharePoint.
6:20
Chegar ao arquivo correto muitas vezes significa contatar 3 colegas diferentes
6:25
e torcer para que ninguém tenha sobrescrito a atualização mais recente.
6:28
Quando você o encontra, metade da equipe já revisou o arquivo errado.
6:31
É aqui que a integração do designer ao ecossistema M305 muda as coisas.
6:36
Em vez de pular entre compartilhamentos de arquivos,
6:38
você abre o designer e trabalha diretamente onde seus ativos já vivem,
6:41
SharePoint, OneDrive ou até mesmo vinculado via Teams.
6:45
As edições acontecem em tempo real, dentro da mesma versão que todos os outros estão vendo.
6:48
Se você altera uma manchete ou troca uma imagem,
6:51
ela fica instantaneamente disponível para o restante da equipe.
6:53
Não é preciso enviar nada.
6:55
O designer é apenas mais uma superfície no mesmo espaço de trabalho conectado.
6:58
Imagine isso.
7:00
Você e um colega de equipe estão ambos no designer,
7:01
trabalhando em um folheto de evento de vendas.
7:04
Ele é extraído diretamente da biblioteca de marketing do SharePoint,
7:07
pré-carregado com as fontes e cores da marca.
7:09
É justo a imagem principal, eles refinam o subtítulo
7:11
e vocês veem as edições um do outro aparecerem instantaneamente.
7:15
Quando você termina, o arquivo atualizado está exatamente onde começou,
7:17
um histórico de versões salva automaticamente de acordo com suas funções de usuário.
7:21
Se precisar reverter, você não fica procurando em anexos aleatórios.
7:24
Você simplesmente restaura o ponto de verificação comum.
7:26
Essa é uma grande mudança em relação ao sistema de modelos tradicional.
7:29
Os modelos antigos viviam com arquivos estáticos.
7:31
Baixar, editar, carregar novamente.
7:33
Cada rodada de alterações dependia de as pessoas lembrarem de aplicar os estilos certos manualmente
7:37
e alguém inevitavelmente esquecia algo.
7:40
Você ainda precisava de um gerente para fiscalizar nomes de arquivos, códigos de cores,
7:44
e se o logotipo estava distorcido.
7:47
Com o designer integrado ao mesmo espaço do restante do seu conteúdo, o M3665,
7:51
e a IA aplicando as regras da marca em segundo plano,
7:54
muito desse trabalho de vigilância simplesmente desaparece.
7:57
Mas também há uma vantagem inesperada na forma como ele antecipa o que está faltando.
8:00
Se a IA percebe que você está criando um material de campanha
8:04
para um evento que já está no calendário do Outlook da empresa,
8:08
ela pode exibir sugestões de design que ajudam a concluir a peça mais rápido,
8:12
como sugerir uma imagem específica do local ou inserir o slogan do evento.
8:17
Se uma reunião do Teams incluiu anotações sobre o foco de um produto,
8:20
isso pode guiar suas recomendações para blocos de texto ou imagens,
8:22
para blocos de texto ou imagens.
8:24
A ideia é diminuir a lacuna entre a conversa e a execução
8:26
sem que você precise sair procurando todo o contexto.
8:28
Mas isso naturalmente levanta a questão,
8:31
será que a IA consegue realmente entender as nuances de tom e estilo
8:34
entre diferentes departamentos?
8:36
A linguagem no marketing nem sempre coincide com a do RH.
8:39
Um design que funciona perfeitamente para um anúncio voltado ao cliente
8:42
pode parecer informal demais em uma peça de comunicação interna.
8:46
A IA é boa em identificar padrões,
8:48
mas o tom humano é complexo e é fácil que sugestões automatizadas
8:52
pareçam um pouco fora do lugar.
8:54
É por isso que o seguro de aprendizado é importante.
8:56
O designer não está apenas aplicando regras fixas
8:58
do seu kit de marca,
8:59
ele também está anotando as alterações que as pessoas fazem
9:01
após a IA criar um rascunho.
9:02
Se a IA continua sugerindo um layout
9:04
para memorandos internos que sua equipe de RH altera constantemente,
9:07
ela pode ajustar suas recomendações com o tempo
9:09
para melhor se adequar a esse contexto.
9:11
Não é perfeito,
9:12
mas quanto mais ela interage com o comportamento real do usuário,
9:15
mais evita repetir os mesmos erros.
9:17
Estamos chegando mais perto de um modelo de colaboração,
9:20
onde as ferramentas gerenciam o caos
9:21
e a equipe foca na mensagem e no visual.
9:23
Mas, antes de imaginermos isso como uma solução perfeita,
9:26
vale lembrar que a IA ainda faz algumas escolhas estranhas.
9:30
Esses pontos cegos são onde a próxima parte da história começa.
9:33
Quando a IA ainda comete erros.
9:35
Se você já teve uma ferramenta de IA sugerindo uma imagem
9:38
para a sua campanha e se perguntou se ela era voltada
9:40
para um público completamente diferente,
9:41
você conhece essa sensação?
9:44
Talvez você esteja anunciando um programa de treinamento corporativo
9:47
e a IA com confiança oferece uma imagem de uma praia tropical
9:50
com o espaço da legenda pronto para a data do seu evento.
9:53
Não está errado em um sentido técnico,
9:55
é apenas algo que não combina nada com o seu contexto.
9:58
Esses são os momentos que você não vê em uma demonstração da Microsoft.
10:01
Apresentações ao vivo tendem a mostrar os melhores cenários possíveis.
10:04
Paletas de marca aplicadas perfeitamente,
10:06
texto equilibrado na página
10:07
e imagens que parecem ter vindo da sua própria biblioteca interna.
10:11
No mundo real, a IA nem sempre acerta o alvo.
10:14
Ela pode interpretar mal o tom que você deseja
10:16
e apresentar visuais que não se alinham ao seu público ou cultura.
10:21
Essa incompatibilidade pode ser pequena,
10:23
como uma imagem de fundo um pouco lúdica demais
10:25
para um comunicado de imprensa sério ou evidente,
10:27
como usar fotos de banco que sugerem um setor completamente diferente do seu.
10:32
Uma equipe de marketing com a qual conversei
10:34
viu isso acontecer durante o lançamento de um treinamento interno de ética.
10:38
A IA sugeriu imagens de funcionários sorridentes
10:40
batendo palmas em um escritório de plano aberto.
10:43
Embora alegre, isso prejudicou o tom sério que a gestão queria transmitir.
10:47
Outro exemplo surgiu na apresentação
10:48
de uma empresa de serviços profissionais a um cliente.
10:50
A IA selecionou automaticamente um espaço de trabalho de startup
10:54
com cores vibrantes para um slide
10:55
destinado a um público financeiro conservador.
10:58
A mensagem, os fatos e até o layout estavam bons.
11:01
O enquadramento visual, no entanto, enviou o sinal errado.
11:05
Usuários profissionais pioneiros relatam alguns padrões
11:07
nas correções que fazem.
11:09
Muitas vezes é o ajuste fino da hierarquia do layout
11:12
quando a IA dá ênfase excessiva a detalhes secundários
11:14
ou minimiza a mensagem principal.
11:17
Às vezes, é remover elementos decorativos extras
11:20
que a IA adiciona por achar que combinam com o estilo,
11:22
mesmo que distraiam no seu contexto específico.
11:25
E, com mais frequência do que se espera,
11:27
é substituir imagens de bancos selecionadas automaticamente
11:30
que não respeitam totalmente as diretrizes da marca,
11:32
mesmo com essas regras carregadas no sistema,
11:34
mesmo o sistema.
11:35
Próprios modelos de marca nem sempre são uma proteção.
11:38
As sugestões da IA podem substituí-los de maneira sutis.
11:41
Tom mais claro da cor oficial aqui
11:43
e um peso de fonte ligeiramente alterado ali.
11:46
No papel, essas mudanças podem passar despercebidas,
11:49
mas, para quem protege a integridade da marca há anos,
11:52
elas se destacam imediatamente.
11:54
Se ninguém estiver revisando o resultado final
11:56
com esse olhar atento,
11:57
esses pequenos desvios acabam entrando nos ativos de produção.
12:00
É aí que a necessidade de supervisão humana
12:01
se torna negociável.
12:02
Mesmo que a etapa de geração se torne mais rápida
12:05
e alguém ainda precisa atuar como guardião da marca,
12:09
não se trata de desconfiar da IA.
12:11
Trata-se de reconhecer que ela carece
12:13
da consciência cultural estratégica
12:14
que vem de conhecer a história da marca,
12:17
o mercado que você está visando
12:18
e as sensibilidades do seu público
12:19
e a sensibilidade do seu povo.
12:21
Você pode automatizar a adesão ao estilo.
12:23
Você não pode automatizar o instinto.
12:25
E sim, parte desse atrito
12:26
é simplesmente a natureza do aprendizado de máquina.
12:28
Ela extrai dados de treinamento,
12:29
comportamento do usuário atendido
12:31
e as informações que você fornece.
12:32
Se esses sinais entrarem em conflito
12:35
ou se a solicitação estiver no limite
12:37
do que ela já viu antes,
12:37
as suposições aumentam.
12:39
Essas suposições podem ser invisíveis
12:41
para você quando ela acerta na escolha.
12:42
Elas se tornam muito visíveis quando ela erra.
12:44
Curiosamente, essa necessidade de um humano
12:46
no circuito não é um problema exclusivo
12:47
do mundo design,
12:48
nem o outro.
12:49
Existe um paralelo em áreas
12:50
como a gestão de dados,
12:51
onde ferramentas podem automatizar
12:53
80% do trabalho tedioso,
12:54
mas ainda precisam de revisão especializada
12:56
antes de serem publicadas.
12:57
Em ambos os casos,
12:59
a EA pode lidar com uma grande parte
13:01
do trabalho pesado.
13:03
Mas, quando se trata de interpretar significados,
13:05
verificar contextos ou detectar erros sutis,
13:07
a revisão humana mantém o processo nos trilhos.
13:10
Portanto, embora o designer claramente
13:11
reduza horas na produção de conteúdo,
13:13
ele não substituiu o papel do revisor criativo.
13:16
Ele deslocou esse papel
13:17
indo de corrigir erros de digitação
13:19
e realenhar caixas para fazer julgamentos
13:21
de alto nível sobre a mensagem,
13:22
o tom e a adequação.
13:23
E, quando olhamos para como a EA
13:32
está sendo usada fora do design,
13:34
essa mistura de automação e supervisão
13:36
aparece em lugares surpreendentes,
13:37
especialmente no mundo dos fluxos de dados,
13:39
que tradicionalmente sempre foram
13:40
tão tediosos quanto o trabalho manual de design.
13:45
Das dores do ETL
13:46
aos ganhos do Dataflows Gen 2.
13:48
Se você já gerenciou um pipeline de dados
13:50
à moda antiga, sabe o quão frágeis eles podiam ser.
13:52
Jobs Chrome, agendados em horários estranhos
13:56
e scripts bash montados meses atrás
13:58
por alguém que não está mais na empresa,
13:59
uma cadeia de dependências tão longa
14:01
que uma pequena alteração de formatação
14:03
em um CSV paralisava tudo.
14:06
Não era apenas complicado, era frágil.
14:08
Um pequeno problema na origem
14:09
e, de repente, você está olhando para dados parciais
14:11
sem saber qual servidor executou o job
14:13
na noite anterior.
14:14
A pior parte, as falhas raramente aconteciam
14:16
em momentos convenientes.
14:17
Você recebeu alertas às 2 da manhã
14:19
de que os números de ontem não foram carregados.
14:21
e o responsável pelo sistema de origem
14:23
só estaria disponível pela manhã.
14:24
Quando você reiniciava o pipeline,
14:26
metade dos usuários do dashboard
14:27
já tinha começado a perguntar por e-mail
14:28
por que está vazio.
14:30
Aquelas horas perdidas com depuração
14:32
muitas vezes não tinham nada a ver
14:33
com o valor real dos dados.
14:34
Eram gastas vasculhando logs,
14:36
ajustando expressões regulares
14:37
e executando etapas apenas para voltar
14:38
ao ponto onde você achava que estaria.
14:41
Dataflows Gen 2 da Microsoft Fabric
14:42
está mudando esse peso de forma significativa.
14:45
Em vez de construir e manter
14:46
esses pipelines personalizados linha por linha,
14:48
você pode mover grande parte do trabalho
14:50
para uma interface sem código
14:51
ou com pouco código.
14:53
O Power Query,
14:54
a mesma tecnologia que muitos já usam
14:56
no Excel e no Power BI,
14:57
cuida das etapas de extração e transformação.
15:00
Isso significa que você não precisa criar
15:02
um parcer do zero apenas para combinar
15:03
três formatos de arquivo diferentes.
15:05
Você conecta as fontes,
15:06
aponta para os campos,
15:08
molda os dados visualmente
15:09
e deixa que o serviço cuide
15:10
de toda a infraestrutura em segundo plano.
15:13
O que torna a Gen 2 interessante
15:14
é a assistência de A integrar.
15:15
Não é apenas uma ferramenta
15:17
para unir tabelas ou renomear colunas.
15:19
Ela analisa seus dados importados
15:21
e sugere transformações
15:22
com base em padrões detectados.
15:25
Se você sempre combina colunas de data
15:27
e ora em um único campo,
15:28
ela começa a propor essa etapa automaticamente.
15:31
Se ela detectar IDs de cliente
15:33
em dois sistemas com esquemas correspondentes,
15:34
ela pode indicar a relação
15:36
sem que você precise mapeá-la manualmente.
15:40
Digamos que você esteja consolidando
15:41
dados de campanhas de marketing,
15:42
exportações do Google Ads,
15:44
estatísticas de e-mail
15:45
e métricas de redes sociais.
15:48
Em uma configuração de ETL tradicional,
15:49
você provavelmente escreveria scripts
15:51
para normalizar nomes de campos,
15:52
converter moedas,
15:53
alinhar datas e preencher valores ausentes.
15:57
Com a Gen 2,
15:58
você pode inserir cada fonte de dados
15:59
no Power Query,
16:00
deixar IA sinalizar tipos de coluna inconsistentes
16:03
e aplicar as correções sugeridas diretamente.
16:06
No final, você tem uma única tabela limpa
16:08
pronta para relatório
16:09
sem precisar rastrear manualmente
16:10
cada incompatibilidade de dados.
16:11
Os testes realizados até agora
16:13
mostram que há mais do que apenas conveniência aqui.
16:15
A velocidade de atualização melhorou
16:16
em relação aos fluxos de dados anteriores
16:18
com o mecanismo processando transformações em paralelo
16:20
e recuperando falhas parciais
16:21
sem exigir uma nova execução completa.
16:24
A tolerância a falhas é outro grande diferencial.
16:26
Se uma fonte de dados falha durante a atualização,
16:28
as outras ainda podem ser concluídas
16:30
se você recebe uma mensagem de erro clara
16:31
em vez de um genérico
16:32
falha no pipeline.
16:34
Só isso já economiza muitos ciclos
16:36
de processamento desperdiçados
16:37
e elimina exposição.
16:38
A pergunta natural é se isso realmente
16:39
reduz a necessidade de engenheiros
16:41
de dados especializados.
16:43
Se um analista de marketing
16:44
pode construir um pipeline funcional
16:46
a partir de várias fontes
16:47
sem escrever uma linha de código,
16:48
você ainda precisa de uma equipe de ETL dedicada?
16:52
Na prática, a resposta é mais complexa.
16:54
As tarefas simples e repetíveis
16:56
podem se tornar totalmente self-service,
16:58
mas pipelines complexos com dezenas de fontes,
17:01
lógica de negócios intrincada
17:02
ou requisitos regulatórios
17:03
ainda se beneficiam da supervisão
17:05
e das habilidades de arquitetura
17:06
de um engenheiro experiente.
17:08
O que realmente muda
17:09
é como esses especialistas
17:10
gastam seu tempo.
17:12
Em vez de atender a pedidos pontuais
17:13
para reformatar um conjunto de dados
17:15
ou corrigir uma junção,
17:16
eles podem focar em projetar
17:17
modelos escaláveis,
17:19
otimizar consultas
17:20
e construir capacidades analíticas
17:21
que toda organização pode usar.
17:24
O trabalho repetitivo de preparação
17:26
que antes os interrompia diariamente
17:27
é tratado agora por ferramentas
17:29
como a GEM2.
17:30
E é aí que surge a conexão principal.
17:32
Seja falando de design com IA
17:34
no Microsoft Designer
17:35
ou preparação de dados
17:36
assistida por IA no Fabric,
17:37
o padrão é o mesmo.
17:40
Elimine o trabalho braçal
17:41
e mantenha o julgamento humano
17:42
onde ele é essencial.
17:44
Equipes de conteúdo e de dados
17:45
não tão distantes quanto parecem.
17:47
Ambos estão criando ativos,
17:48
ambos têm fluxos de trabalho
17:49
travados por etapas repetitivas
17:51
e facilmente automatizáveis,
17:53
e agora ambos possuem ferramentas
17:54
no M365
17:55
que começam a cuidar
17:56
dessas etapas para eles.
17:58
Um ecossistema,
17:59
duas revoluções.
17:59
A maioria das empresas
18:00
gosta de pensar
18:01
nas equipes criativas
18:02
e de dados como mundos separados.
18:04
O marketing cria história,
18:05
a análise média,
18:06
o impacto.
18:08
Mas, na prática,
18:08
esses fluxos de trabalho
18:09
se sobrepõem constantemente.
18:11
Uma campanha não termina
18:12
depois que a postagem
18:13
nas redes sociais
18:13
é publicada.
18:14
Decisões criativas
18:15
influenciam o que é medido
18:16
e os dados moldam
18:17
a próxima rodada de criações.
18:19
Dividi-los em silos
18:20
esconde o fato de que
18:21
ambos dependem
18:22
do mesmo desafio subjacente
18:23
e transformar dados brutos
18:24
em algo utilizável rápido
18:25
o suficiente
18:25
para que faça a diferença.
18:26
É por isso que as mudanças
18:28
que vimos no Microsoft Designer
18:29
e nos fluxos de dados
18:30
do Fabric Gen 2
18:31
parecem conectadas,
18:32
mesmo que resolvam
18:33
problemas diferentes.
18:34
De um lado,
18:35
você tem a IA,
18:36
entrando na tarefa repetitiva
18:37
de layout
18:37
e consistência da marca.
18:39
Do outro,
18:40
a IA está realmente
18:41
atacando o esforço repetitivo
18:42
na preparação de dados.
18:44
Juntos,
18:44
eles estão reduzindo
18:45
o tempo necessário
18:46
para a ida e de ação
18:46
ao acompanhamento
18:47
de resultados.
18:48
Você não está apenas
18:49
economizando esforço
18:50
em duas áreas separadas,
18:51
está encurtando o ciclo
18:52
entre elas,
18:53
reico entre elas.
18:54
Imagine uma campanha
18:54
de lançamento,
18:55
A equipe criativa
18:56
usa o designer
18:57
para criar o conjunto
18:58
completo de visuais,
18:59
banners promocionais,
19:00
imagens de e-mail
19:01
e slides de eventos.
19:03
Cada ativo
19:03
se alinha automaticamente
19:04
ao kit da marca
19:05
para que ninguém precise
19:06
refazer cores
19:07
ou procurar pelo logotipo
19:08
correto.
19:10
Em paralelo,
19:10
a equipe de análise
19:11
configura um fluxo
19:12
de dados Gen 2
19:13
que puxa o tráfego do site,
19:14
gastos com anúncios,
19:15
engajamento por e-mail
19:16
e participação em webinars
19:17
para um conjunto de dados
19:18
pronto para uso.
19:20
A uso.
19:21
Quando a campanha
19:22
entra no ar,
19:22
você já está pronto
19:23
para combinar
19:24
cada ativo criativo
19:25
com os números
19:26
que mostram seu desempenho.
19:28
Detalhes importantes aqui.
19:29
O designer não é apenas
19:30
um clone do Canva
19:31
integrado ao 360.
19:32
Ele está vinculado
19:33
ao seu contexto
19:33
do M3 Design 5.
19:35
Se a campanha
19:35
está no calendário
19:36
da empresa,
19:37
se as imagens
19:37
estão armazenadas
19:38
no SharePoint,
19:39
se os rascunhos de texto
19:39
estão no chat do Teams,
19:41
a IA pode usar isso
19:41
para dar início
19:42
a sugestões de layout.
19:44
O Gen 2
19:44
funciona da mesma forma
19:45
em sua área.
19:46
Ele detecta
19:47
a similaridade
19:47
de colunas
19:48
entre fontes de entrada,
19:49
sugere normalizações
19:50
e sinaliza lá.
19:52
Colunas de dados
19:52
antes que você
19:53
os carregue no Power BI.
19:55
Angus estão usando o contexto,
19:56
apenas de cantos diferentes
19:57
do fluxo de trabalho,
19:58
para reduzir o trabalho
19:59
entre a entrada bruta
20:00
e a saída utilizável.
20:02
Esse é o princípio
20:02
compartilhado
20:03
que impulsionamos.
20:04
Consciência de contexto
20:05
somada
20:06
a sugestões inteligentes.
20:08
Não é mágica generativa.
20:09
É automação direcionada
20:11
alimentada pelos sinais
20:12
que seu ambiente
20:12
já está produzindo.
20:14
Quanto mais você trabalha
20:15
dentro do ecossistema
20:16
M365,
20:17
mais sinais da IA
20:18
consegue captar.
20:19
Um prompt de design
20:20
que conhece o segmento
20:21
de público
20:22
sem que você precise
20:22
digitá-lo.
20:23
Um fluxo de dados
20:24
que percebe que metade
20:25
do seu investimento
20:25
em anúncios não está marcado
20:26
e pergunta se você
20:27
deseja conciliá-lo.
20:29
Esses não são truques isolados.
20:30
São padrões que podem mudar
20:31
a forma como os projetos
20:32
funcionam no dia a dia.
20:34
Ao olhar através
20:35
da lente mais ampla
20:36
da Microsoft,
20:37
fica óbvio que eles
20:37
estão caminhando
20:38
para o modelo de local
20:39
de trabalho focado em IA.
20:41
Não uma IA isolada,
20:42
mas uma IA integrada
20:43
às ferramentas
20:44
que você já usa
20:45
ajustada aos seus
20:46
próprios dados operacionais.
20:48
O poder desse modelo
20:49
é que melhorias na IA
20:50
de um produto
20:50
podem frequentemente
20:51
ser aplicadas a outro.
20:53
A lógica de consistência
20:54
da marca que mantém
20:55
os layouts dos designers
20:56
alinhados poderia um dia
20:57
garantir que os visuais
20:58
de dados no Power BI
20:58
sigam a mesma identidade visual,
21:00
sigam a mesma identidade visual.
21:02
A detecção de anomalias
21:03
no Gen 2 poderia
21:03
sinalizar números
21:04
inconsistentes em um caso
21:05
de negócios no Word
21:06
diz que alguém o apresente.
21:08
Isso levanta uma questão
21:08
que vale a pena considerar agora.
21:10
Se a IA pode guiar
21:11
o trabalho criativo e analítico
21:12
com igual fluidez,
21:14
como longe estamos
21:15
de um painel unificado
21:16
onde você cria o ativo,
21:17
segmenta o público,
21:18
lança a campanha
21:19
e observa os dados
21:20
de desempenho
21:21
chegarem em um só lugar.
21:23
Isso não é mais um sonho distante.
21:25
Os tijolos já existem.
21:26
Eles só ainda não foram
21:27
empilhados em uma única
21:28
interface centralizada.
21:30
Para organizações
21:30
que já usam
21:31
ambas as ferramentas,
21:32
o retorno
21:33
imediato é óbvio.
21:35
Você pode alinhar
21:35
a narrativa da marca
21:36
com dados de desempenho
21:37
ao vivo
21:37
sem as exportações manuais,
21:39
transferências por e-mail,
21:40
atrasos de atualização
21:40
que costumavam
21:41
desacelerar as campanhas.
21:42
Isso não é apenas
21:43
mais rápido,
21:44
é menos sujeito a erros.
21:46
A equipe de criação
21:47
vê os resultados
21:48
em tempo quase real.
21:49
A análise vê exatamente
21:50
quais ativos
21:51
estão gerando resultados,
21:52
se os ajustes ocorrem
21:53
enquanto a campanha
21:54
ainda está ativa
21:55
e não como uma análise
21:56
pós-morte.
21:57
E há uma próxima onda
22:00
no horizonte,
22:00
uma IA que não opera
22:01
apenas dentro
22:02
de aplicativos individuais,
22:03
mas orquestra entre eles.
22:05
É quando uma mudança
22:06
na mensagem da campanha
22:07
pode disparar automaticamente
22:09
visuais atualizados
22:09
no designer,
22:10
ajustar as regras
22:11
de marcação
22:11
dos seus fluxos de dados
22:12
e entregar análises
22:14
atualizadas ao seu painel
22:15
sem você precisar
22:15
tocar em nadas.