AIREITERNa prática de mídia, a escolha de creators quase sempre começa do mesmo jeito: abre-se o marketplace, define-se uma faixa de seguidores, acrescentam-se categoria e região, e os nomes conhecidos são escolhidos entre as poucas centenas de perfis retornados.
O problema não é a falta de precisão nos filtros. É o ponto de partida. Número de seguidores, categoria e região são tags estáticas: descrevem quem é o creator. A pergunta que realmente importa é outra: a estrutura do conteúdo dessa pessoa se parece com a dos criativos que você já validou como eficazes? Muitas vezes, uma resposta não tem relação alguma com a outra.
Antes de avançar, um limite importante: o diretório de creators, os termos sugeridos e os rankings de assets usados aqui vêm da plataforma pública de creator marketing e do creative center da plataforma, acessados com login na sua própria conta, sem assinaturas nem qualquer tipo de contorno. Este conjunto de práticas trata de transformar dados públicos em decisões.
Número de seguidores é um sinal atrasado e contaminado
Usar seguidores como critério principal é sistematicamente errado por três motivos independentes — e qualquer um deles já bastaria. Primeiro, é um indicador atrasado: representa o acúmulo do desempenho passado. Mostra que alguém viralizou em algum momento, não que ainda consegue gerar resultado neste mês. Uma conta que chegou a um milhão de seguidores com um hit há dois anos e depois parou de crescer pode estar uma ordem de grandeza acima de um perfil em ascensão, que gera pequenos picos em cada publicação. É este último que você provavelmente quer encontrar.
Além disso, o número é contaminado. Seguidores comprados, viralizações fora da sua categoria e audiências sem sobreposição com o seu público ficam todos espremidos em uma única métrica. Não há como separar, dentro do total, quantos seguidores são realmente relevantes para você.
Por fim, ordenar por seguidores sempre empurra os grandes nomes para o topo — justamente os de cachês mais altos. Os creators realmente eficientes em custo costumam estar no meio do caminho: estrutura certa, bom engajamento por publicação e uma fração do preço cobrado pelos maiores. Quando seguidores viram seu eixo principal, esses perfis ficam enterrados onde você nem chega a rolar a tela.
O que os filtros do diretório dizem — e o que eles não dizem
O painel de busca de creators oferece várias dimensões de filtro, que se dividem, em linhas gerais, em três grupos.
Há as tags de identidade: faixa de seguidores, região, idioma e categoria. Elas servem para um recorte inicial, eliminando idiomas e regiões claramente incompatíveis, mas usá-las como base da seleção leva ao erro descrito acima. Categoria é especialmente traiçoeira: dois creators classificados como "beauty" podem produzir conteúdos totalmente diferentes — um faz reviews, outro faz sketches — e apenas um desses formatos pode ser útil para você.
Também há as métricas calculadas pela plataforma. Mediana de visualizações e taxa de engajamento são melhores que seguidores porque refletem um desempenho mais recente, em vez de um estoque histórico. Já indicadores compostos, como valor do creator e taxa de aceitação, são caixas-pretas da plataforma. As primeiras métricas mostram que o conteúdo da pessoa funciona, mas não explicam por quê. As últimas otimizam transações dentro da plataforma, não o seu ROI, e não podem ser alinhadas à sua própria definição de "eficaz". Use-as como referência, não como eixo central da decisão.
O que realmente faz falta nem aparece no diretório: estrutura de conteúdo. Em que segundo entra o hook? A abertura parte de uma dor ou mostra o resultado primeiro? É locução ou sketch? Como o argumento de venda entra na narrativa? Nenhuma dessas dimensões está no painel — e são elas que determinam se um criativo pode ser replicado com sucesso.
Inverta o processo: extraia a estrutura dos criativos eficazes e procure creators a partir dela
O diretório de filtros não oferece estrutura de conteúdo. Por isso, filtrar para frente é um beco sem saída; a direção correta é partir de trás. O ponto inicial não é a biblioteca de creators, mas a sua biblioteca de assets eficazes. E "eficaz" precisa ser definido por dados: em que ponto a retenção por segundo cai, em qual segundo ocorre o pico de cliques, em que percentil o CTR se posiciona dentro da categoria. Esse diagnóstico é o tema de nosso artigo sobre curva de retenção; aqui, vou assumir que você já tem um conjunto de assets aprovados por esse critério.
Extraia, um a um, os atributos estruturais desses materiais: tipo de hook, quadro dos primeiros três segundos, momento em que o argumento de venda aparece e estrutura narrativa. Resuma tudo em cards de atributos estruturais e induza um "perfil de estrutura eficaz": os elementos que seus vencedores compartilham, como "abertura por dor + resultado primeiro no segundo 5 + locução de pessoa real". O perfil precisa ser composto por poucos elementos estruturais que possam ser descritos claramente — não por algo vago como "conteúdo de alta qualidade".
No terceiro passo, volte à biblioteca de creators. Em vez de filtrar por seguidores, use esse perfil para encontrar creators cujo conteúdo recente combine estruturalmente com ele. O que importa é a estrutura dos vídeos que o candidato realmente publica, não o número de seguidores. O resultado deve caber em uma frase objetiva: recomendamos esta pessoa porque os três últimos posts usam a mesma estrutura de hook do seu asset no percentil superior — e não porque ela tem 500 mil seguidores.
Termos sugeridos revelam agrupamentos de conteúdo da plataforma
Para reduzir os candidatos a um universo viável, os termos sugeridos são uma das ferramentas mais úteis — e mais subestimadas. A sequência de sugestões retornada pela busca para uma palavra-semente é uma projeção dos agrupamentos de conteúdo que a plataforma construiu a partir do comportamento de todo o site. Esses termos de expansão, que são realmente adjacentes à semente, costumam ser muito mais precisos do que categorias definidas de cabeça e frequentemente revelam uma ou duas direções que nem existem na sua taxonomia.
Use-os para expandir a semente, não como resposta final: explore direções adjacentes que você ainda não cobriu e, dentro de cada uma, use o perfil estrutural para identificar os creators certos.
Qual modelo usar para extrair atributos e avaliar similaridade
Aqui, o modelo tem dois trabalhos: extrair atributos estruturais e avaliar se dois conjuntos de estruturas se parecem. Nenhum deles é simplesmente "pontuar e ordenar". Você não quer um número de similaridade de 0 a 100; quer uma avaliação estruturada que deixe claro onde há correspondência e onde há divergência.
As quatro etapas exigem capacidades diferentes do modelo:
Etapa | Capacidade necessária | Escolha | model id |
|---|---|---|---|
Extrair um card de atributos estruturais por asset | Processamento em massa, barato e com alta concorrência | Claude Sonnet 5 |
|
Ler todos os vídeos recentes de um creator para montar um perfil | Contexto longo, capaz de absorver mais de uma dúzia de transcrições de uma vez | Kimi K3 |
|
Avaliar similaridade entre o perfil estrutural e o conteúdo do creator | Raciocínio forte, capaz de explicar onde está a incompatibilidade | Claude Opus 5 |
|
Revisar o match e explicar por que a recomendação é questionável | Raciocínio intermediário, com explicação baseada no vídeo | GPT-5.6 Sol |
|
A terceira etapa é a única em que trocar de modelo muda visivelmente o resultado. Quase qualquer modelo consegue extrair campos. A parte difícil é explicar a divergência na avaliação de similaridade. Um modelo fraco entrega uma nota alta e um parágrafo repetindo o que os dois lados têm em comum. Um modelo forte dirá algo como: "o perfil pede resultado primeiro, mas os três últimos vídeos deste creator mostram o processo passo a passo; o hook coincide, mas a estrutura narrativa não. Avance com cautela." É esse tipo de resposta que você busca.
Não aceite isso sem testar. O protocolo é o mesmo usado para escolher um modelo de identificação de família de algoritmos em nosso artigo sobre engenharia reversa: selecione como controle um creator com quem você já trabalhou e que sabe que teve bom desempenho, envie o perfil de estrutura eficaz e o conteúdo recente dele para claude-opus-5 e gpt-5.6-sol, e avalie apenas se o julgamento de similaridade aponta para um vídeo específico. Use a camada que consegue dizer "qual vídeo, qual elemento estrutural". O princípio é o mesmo da qualidade das contraprovas em nosso artigo sobre fingerprinting de algoritmos: verificar se o modelo continua investigando mesmo diante de uma pontuação alta.
O maior entrave é o custo de alternar entre modelos
São quatro camadas de três fornecedores, com três SDKs, três esquemas de autenticação e três formatos de erro. Integrar três clientes para alternar as camadas entre as etapas não compensa. Por isso, a maioria acaba usando um único modelo em todo o fluxo — normalmente uma camada barata para a avaliação de similaridade, que deveria rodar em uma camada de raciocínio — e acumula uma pilha de pontuações sem rastreabilidade.
AIReiter simplifica essa camada: uma chave, uma interface compatível com OpenAI e as quatro camadas por trás dela. Para trocar de modelo, basta alterar o campo model no corpo da requisição.
# Avaliação de similaridade: a camada de raciocínio
curl https://aireiter.com/api/v1/chat/completions \
-H "Authorization: Bearer $AIREITER_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "claude-opus-5",
"messages": [{"role": "user", "content": "<perfil de estrutura eficaz + lista de conteúdo recente de um creator>"}]
}'
# Extraia cards de atributos estruturais em massa: altere o campo model e mantenha o restante
# "model": "claude-sonnet-5"
Se você já usa o SDK da OpenAI, aponte base_url para https://aireiter.com/api/v1 e não mude mais nada. No SDK da Anthropic, use POST /api/v1/messages com a mesma chave.
Em preço, os modelos Claude têm 30% de desconto sobre o valor de tabela, e os modelos GPT saem pela metade. O desconto incide justamente sobre o principal custo: extrair cards de atributos estruturais individualmente exige de centenas a milhares de chamadas em massa com Claude Sonnet 5. Esse volume é uma ou duas ordens de grandeza maior que o da avaliação de similaridade, concentra a maior parte do gasto, e o desconto de 30% recai exatamente sobre a etapa mais cara.
Teste sem criar uma conta: primeiro, faça manualmente uma avaliação de similaridade com um creator que você já conhece e veja se ela aponta para um vídeo específico. Depois decida se vale integrar ao fluxo.
Com o matching definido, o próximo passo é transformar a estrutura eficaz em um briefing de geração e entregá-lo à geração interna de imagens e vídeos para produzir assets em massa. O pipeline completo é o tema de nosso artigo sobre o caminho da keyword ao anúncio finalizado, no qual o matching de creators é uma das etapas.
Validação: se não aponta para um asset específico, é uma recomendação de caixa-preta
A diferença entre este fluxo e o modelo de caixa-preta de "entregar uma lista de creators para o modelo recomendar alguns" está justamente na rastreabilidade. Um match qualificado precisa ser detalhado assim: recomende o creator X porque a estrutura do seu N-ésimo vídeo recente corresponde ao asset eficaz Y. X, N e Y precisam ser específicos. Se faltar qualquer um deles, o resultado não pode ser validado nem revisado quando os dados de lançamento chegarem.
Por isso, fixe a rastreabilidade no prompt: cada match deve informar o asset alinhado e o elemento estrutural específico. Tudo o que não puder ser rastreado deve ser descartado como ruído, por maior que pareça ser a similaridade.
Conclusão
O padrão de selecionar creators arrastando o filtro de seguidores e acumulando categoria e região está sistematicamente errado. Ele filtra tags de identidade, quando o que você precisa é de uma correspondência na estrutura do conteúdo. Inverta o processo: extraia a estrutura dos criativos eficazes, forme um perfil e use esse perfil para encontrar creators que combinam estruturalmente com ele. E faça cada match ser rastreável até um asset específico.
O diretório de filtros oferece tags estáticas. Os assets que tiveram bom desempenho oferecem uma estrutura que pode ser replicada. Não pare na coluna de seguidores.