A compra de mídia agêntica não escala sem a base adequada. Veja como compradores e vendedores chegam lá na Databricks.

O gargalo na compra de mídia hoje não é o talento, é a coordenação

Todos os dias, bilhões de dólares em publicidade mudam de mãos por meio de um processo que quase não mudou em décadas: e-mails, planilhas, PDFs e chamadas telefônicas. Um comprador define uma campanha, então equipes qualificadas entram em contato com publishers, enviam RFPs, aguardam tabelas de preços, comparam kits de mídia e negociam preços antes de finalmente emitir uma ordem de inserção. Pessoas talentosas passam a maior parte do tempo coordenando a transação em vez de gerenciar o trabalho estratégico e criativo.

O atrito vem da fragmentação. Não existe uma forma padronizada de descobrir inventário, avaliar públicos-alvo ou estabelecer relações de confiança entre parceiros, de modo que cada conexão entre comprador e vendedor se torna uma integração sob medida. Como essa coordenação leva dias, as decisões geralmente são tomadas com base em informações que já têm horas ou dias de atraso. O inventário, os preços e os sinais de público-alvo mudam continuamente e, no momento em que uma campanha é aprovada, a melhor oportunidade pode já ter passado.

A ascensão dos fluxos de trabalho de agentes abre uma oportunidade para que essas equipes eliminem a coordenação manual e repetitiva da equação, permitindo que dediquem seu tempo onde o julgamento é mais importante: segmentação mais precisa, criativos melhores e campanhas que não são apenas mais rápidas de lançar, mas também mais eficazes.

Por que isso finalmente tem solução e por que os padrões importam

A última onda de IA criou softwares que respondem. A próxima onda cria softwares que agem — agentes que buscam um objetivo, tomam decisões, acionam ferramentas e realizam transações em seu nome. Esse é o trabalho de coordenação no qual a compra manual de mídia está atolada: ler um briefing, pesquisar publishers, comparar tabelas de preços, negociar valores, emitir o pedido. Pela primeira vez, sistemas multiagentes usando LLMs e protocolos como o MCP podem executar esse ciclo automaticamente.

Mas automação por si só não basta. Os padrões Agentic Advertising Management Protocols (AAMP) do IAB Tech Lab estabelecem um padrão de comunicação consistente: um vocabulário compartilhado para inventário e públicos-alvo (AdCOM, as taxonomias), um protocolo de transação comum (transações OpenDirect, OpenRTB) e um modelo de registro para descoberta e confiança. Você poderia resolver isso com IA e sem padrões entre duas partes. No entanto, os padrões são o que permitem que todo o setor avance em conjunto, de modo que qualquer agente comprador em conformidade possa transacionar com qualquer agente vendedor em conformidade, da mesma forma que qualquer navegador pode carregar qualquer site.

Os padrões abertos definem o que os agentes dizem uns aos outros. A próxima questão é onde esses agentes realmente são executados: seu estado, seus modelos, sua identidade, sua governança. É aí que entra a Databricks.

Criamos um exemplo de compra e venda de mídia baseada em agentes totalmente na Databricks. Compradores e vendedores autônomos se descobrem, concordam com o preço e fecham negócios. Ele foi desenvolvido com o Software Development Kit (SDK) oficial de código aberto do IAB Tech Lab, portanto não há dependência de fornecedor na camada de protocolo, e agora está disponível como um acelerador que você pode implantar com um único comando. As instruções estão no final do blog.

O que faz parte de uma compra de mídia baseada em agentes

Uma compra de mídia baseada em agentes é uma transação simples com três participantes:

• Um comprador: um anunciante (ou sua agência) com uma campanha: um orçamento, os públicos-alvo a serem alcançados e um preço limite.
• Vendedores: publishers com inventário de anúncios, cada um com um catálogo (um kit de mídia de pacotes e produtos) e seus próprios preços.
• Um registro: um diretório que permite aos compradores encontrar vendedores e estabelecer confiança, identificando o comprador e quais acessos e preços ele obtém.

A compra em si é um ciclo curto: descobrir quais vendedores têm o inventário certo, definir o preço e fechar o negócio (ou desistir). Hoje, esse ciclo é amplamente manual; a mudança que estamos demonstrando é executá-lo com agentes de IA em ambos os lados.

Agentes de empresas diferentes precisam de uma linguagem compartilhada para realizar transações, e é aí que os padrões abertos do IAB Tech Lab podem agregar valor. Não abordaremos os detalhes do SDK deles aqui, mas sim focaremos no que é necessário para executar agentes compradores e vendedores na Databricks.

Um ecossistema completo para agentes compradores e vendedores

Agentes complexos vão muito além de simples solicitações a um Grande Modelo de Linguagem. Para que esses agentes executem uma transação de mídia, o que pode envolver uma variedade de tarefas, como planejar um público-alvo, dividir um orçamento, descobrir publishers, respeitar um preço teto e fechar o negócio, você precisa de um sistema que gerencie:

• Estado: briefings, identidades, catálogos, cotações e pedidos que devem persistir e ser transacionalmente corretos.
• Modelos servidos: modelos de fundação governados que os agentes podem chamar, com o modelo certo para cada tarefa.
• Dados governados: os dados de catálogo e público-alvo sobre os quais os agentes raciocinam, com controles de acesso.
• Identidade e confiança: quem é esse agente e o que ele tem permissão para ver e fazer?
• Observabilidade: um rastreamento de cada decisão e chamada de ferramenta, para depuração e auditoria.

Esse sistema pode ser montado a partir de um provedor de banco de dados, um host de modelo, uma ferramenta de governança, uma plataforma de aplicativos e um serviço de rastreamento. Na Databricks, é uma única plataforma.

Como é a arquitetura ideal?

Comece com um fato sobre este mercado: os compradores, os vendedores e o registro são entidades separadas. Isso divide o problema em dois: como as partes conversam entre si e onde cada parte realmente executa seu lado da transação. Os protocolos abertos respondem à primeira questão. Eles são a conexão entre as partes, realizando a descoberta, a negociação e a liquidação, e param por aí. Onde um agente é executado, mantém seu estado, comprova sua identidade e permanece governado é tarefa da plataforma. Portanto, cada parte tem uma aplicação independente, desenvolvida no Databricks Apps, que possui seu próprio estado, sua identidade e os modelos que executa, encontrando as outras partes apenas por meio dos protocolos. As seções a seguir abordam cada uma dessas partes, uma de cada vez, e mostram por que cada uma pertence a esse lugar.

Databricks Model Serving: a equipe de agentes

Por baixo do capô, o agente comprador é uma "equipe" (crew), ou grupo, de agentes especialistas criados usando CrewAI. A equipe trabalha hierarquicamente em três níveis, com o agente de Nível 1 podendo delegar tarefas para os agentes de Nível 2 e assim por diante. Esses agentes incluem um Gerente de Portfólio de Nível 1 que define a estratégia e divide o orçamento, Especialistas de Canal de Nível 2 especializados em comprar um meio específico e executores táticos de Nível 3 que planejam públicos-alvo e executam a compra. Eles são executados nas Databricks Foundation Model APIs e configurados para usar modelos Claude dependendo da complexidade da tarefa. O uso do Databricks Unity AI Gateway para executar esses agentes facilita a alteração do LLM que alimenta cada agente sem precisar mudar mais nada.

Lakebase: estado transacional para agentes

Os agentes precisam de duas coisas de seus dados: contexto para agir e um lugar para registrar o que fazem. Nosso comprador lê seus briefings, cada vendedor lê seu catálogo de inventário e regras de preços, e eles registram de volta cada pedido reservado. Isso é o clássico OLTP, por isso o colocamos no Lakebase, o Postgres sem servidor da Databricks, que roda bem ao lado do lakehouse. Os agentes leem e gravam o estado rapidamente com garantias transacionais e, por ser Postgres, os componentes do vendedor se integram diretamente a ele sem a necessidade de uma camada de dados personalizada. E como o Lakebase é serverless, ele faz o escalonamento automático em milissegundos para atender a picos de demanda. Os agentes não chegam a uma taxa constante, e os compradores podem se conectar a vários vendedores ao mesmo tempo sem a necessidade de provisionar capacidade previamente.

Governança: Lakebase hoje, Unity Catalog depois

No momento, esta demonstração usa apenas o Lakebase. No mundo real, o Lakebase fica entre dois limites governados do Unity Catalog. Na entrada, os dados são hidratados das tabelas do Unity Catalog para o Lakebase — o inventário de um vendedor e seus preços baseados em modelos de ML, os briefings de campanha de um comprador e as definições de público-alvo. Na saída, o estado transacional que os agentes produzem — quem comprou o quê, a que preço — é sincronizado de volta ao seu ambiente de relatórios. Ambas as direções são executadas em pipelines gerenciados da Databricks, em vez de ETLs frágeis criados manualmente. Isso torna o ciclo completo governado: o Unity Catalog rastreia automaticamente a linhagem de cada hidratação e sincronização, para que você possa sempre rastrear quais dados foram movidos e para onde. O lakehouse continua sendo a fonte da verdade em ambas as pontas, e o Lakebase é a camada operacional de entrega rápida (hot-serving) onde os agentes realizam as transações.

Identidade e confiança

Os aplicativos se autenticam entre si usando OAuth — o mecanismo que estabelece e verifica quem cada um afirma ser — e um registro atribui a cada comprador um nível de confiança. Esse nível decide o que o comprador pode visualizar: um comprador público e desconhecido recebe apenas faixas de preço e não pode transacionar; um comprador verificado e confiável recebe preços exatos e pode reservar. Altere a confiança do comprador e a mesma campanha que estava restrita a faixas de preço agora pode ser reservada. No Databricks, essa história de identidade é nativa de como o acesso a Apps e dados já funciona. Onde o SDK de referência do IAB busca chaves de API, nós simplesmente usamos as entidades de serviço integradas da plataforma e o OAuth para autenticar usando as melhores práticas atuais, sem nada extra para criar.

Observabilidade

As equipes de agentes estão conectadas para rastreamento do MLflow, o que é facilmente implementado por meio de um hook de autolog do CrewAI de uma única linha. Isso nos permite capturar as etapas de raciocínio, as chamadas de ferramentas, os preços lidos e a decisão de reservar ou passar de cada execução do agente. Deixamos isso opcional para a demonstração, mas é exatamente assim que você gostaria de colocar em produção, depurar, ajustar e confiar em um sistema autônomo quando se trata de controles de orçamento.

Veja o aplicativo de compra agentiva em ação

Vamos acompanhar uma execução completa em uma campanha. Começamos enviando o brief do anunciante, que neste cenário é um Lançamento de Marca no terceiro trimestre (Q3), com um orçamento de US$ 200.000 nos tipos de mídia CTV e TV Linear, e um teto de CPM (Custo por Mil) de US$ 38. Este brief é enviado para o aplicativo do comprador, e a equipe de agentes inicia o processo de compra.

1. Planejar o orçamento: O Portfolio Manager lê o brief e divide os gastos entre os canais, alocando US$ 120 mil para CTV e US$ 80 mil para Linear.

2. Traduzir o público-alvo: Um especialista mapeia os públicos em linguagem natural do brief para segmentos padrão, validados de acordo com a Taxonomia de Público-Alvo do IAB Tech Lab: "sports fans" é mapeado para “Sports Enthusiasts” e "auto intenders" é mapeado para “Auto Intenders”.

3. Descobrir os vendedores: O comprador descobre publishers no registro: Vendedor A (CTV) e Vendedor B (Linear), o que confirma a identidade do comprador e define seu nível de acesso.

4. Definir o preço: Um Especialista de Canal para cada canal consulta seu vendedor via MCP, associa o segmento de público-alvo a um produto disponível e lê o preço oficial.

5. Reservar ou passar: Uma regra: reserve se o preço estiver no teto de US$ 38 ou abaixo dele e o público-alvo do produto corresponder; caso contrário, desista.

Próximos passos

O que mostramos aqui é o meio da negociação: os agentes que transacionam. Mas a mesma plataforma também é o melhor lugar para construir as etapas anteriores e posteriores: a criação do brief do comprador, os modelos de ML que definem os preços dos pacotes do vendedor, os modelos e dashboards usados para estimar receitas e despesas. Esses são problemas cujas soluções dependem de dados governados e ML, que residem nativamente no Databricks. Nossa equipe está empenhada em atualizar o repositório, garantindo que ele evolua junto com o IAB Tech Lab à medida que recursos adicionais do AAMP forem lançados.

Implante você mesmo

Este sistema é fornecido como um acelerador do Databricks Automation Bundle. Clone o repositório, aponte a CLI do Databricks para seu workspace e execute um único comando:

Use este comando para criar e implantar os aplicativos e as instâncias do Lakebase, preencher os dados e conectar o comprador aos vendedores por meio do registro. Poucos minutos depois, você terá dois agentes de vendas ativos, um registro e um console do comprador, todos transacionando em seu próprio workspace.

A partir daí, personalize-o. Substitua por seu próprio inventário, regras de preços e públicos-alvo, ou conecte a camada Lakebase ao seu catálogo e modelos reais. Entre na negociação como comprador ou vendedor e observe como os agentes reagem: altere um preço, mude o nível de confiança de um comprador, adicione um vendedor e veja a negociação acontecer. É um modelo funcional sob medida para compra e venda de mídia agentiva.

Assista à demonstração de 5 minutos e, em seguida, implante o acelerador em seu próprio workspace.

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original