Porque é que a etiquetagem automática genérica falha e como uma IA treinada à medida transforma uma biblioteca de fotos e vídeos cheia de produtos num arquivo em que encontra cada produto pelo nome.
Atualizado em setembro de 2026
A maioria dos DAM e das ferramentas de fotos na nuvem anuncia “etiquetagem com IA”. O que oferecem, na verdade, é um modelo genérico de visão por computador, quase sempre pouco mais do que uma camada por cima de uma API de visão de terceiros, como a Google Vision, a AWS Rekognition ou um modelo CLIP de código aberto. Estes modelos foram treinados com milhares de milhões de imagens da internet e reconhecem conceitos gerais: carro, praia, mulher, portátil, pizza.
Para organizar fotografias pessoais, serve. Para uma empresa, quase não serve de nada.
E não é nada de novo. A etiquetagem automática genérica é uma tecnologia com cerca de 15 anos. Quando surgiu, foi um verdadeiro avanço: no início da década de 2010, um computador capaz de olhar para uma fotografia e dizer “isto é um cão” era um passo em frente. Na última década, os resultados quase não melhoraram. O que cresceu foi o número de fornecedores que a incluem só para preencher mais uma linha na tabela comparativa. Muitos ainda a vendem como “com IA”, como se fosse novidade. Não é. E para qualquer empresa cuja equipa pesquisa fotografias pelo nome exato do produto, nunca funcionou.
Uma marca de retalho que procura “o casaco Aurora Shell em Storm Blue do lookbook SS26” nunca vai encontrar essa foto com etiquetas genéricas. A IA genérica etiquetou-a como casaco, ar livre, azul, pessoa, montanha. São etiquetas tecnicamente corretas. E também não servem para nada, porque todos os outros casacos da biblioteca têm as mesmas. Não precisa de um casaco azul. Precisa daquele casaco azul. E a IA genérica não tem forma de distinguir um do outro.
O problema agrava-se com a escala. Ainda consegue percorrer à mão uma biblioteca de 500 fotos. Uma biblioteca de 50 000 fotos com etiquetas genéricas é pior do que uma sem etiqueta nenhuma, porque as etiquetas dão a ilusão de que se encontra tudo e fazem toda a gente perder tempo.
A IA genérica tem um limite de pormenor. Conhece cão, mas não Aussiedoodle. Conhece cadeira, mas não Herman Miller Aeron. Conhece cereais, mas não o SKU exato dos seus crocantes de aveia com a nova embalagem de Natal. Para qualquer empresa cujo catálogo desce a um pormenor que um modelo de visão público não alcança (ou seja, quase todas), o limite chega logo no primeiro dia.
A IA genérica também é inconsistente entre imagens parecidas. O mesmo produto fotografado de ângulos diferentes pode receber etiquetas que se sobrepõem mas não coincidem: camisa numa foto, top na seguinte, blusa na terceira. Nenhuma está errada. Mas quando pesquisa “camisa”, só aparece um terço dos resultados que devia ver.
Quando a IA genérica não funciona, as equipas desistem e etiquetam à mão. Um designer, alguém do marketing ou um estagiário senta-se com uma folha de cálculo e escreve a etiqueta certa em cada fotografia. Um catálogo com 5000 SKU e 20 fotografias por SKU dá 100 000 decisões de etiquetagem. Mesmo a um minuto por fotografia, é um ano inteiro de trabalho de uma pessoa. Nenhuma equipa o faz de verdade. A etiquetagem para, a biblioteca degrada-se e a pesquisa passa a ser “é perguntar à Sara, que foi ela que tirou as fotografias”.
O Custom AI tagging é outra categoria de produto. Em vez de as fotos passarem por um modelo genérico já treinado, há um modelo treinado com os seus produtos reais, a partir de fotos do próprio catálogo. A IA aprende o aspeto de cada produto e aplica a etiqueta certa a cada novo carregamento.
O uso principal são os produtos. Numa marca de retalho, a IA aprende a reconhecer todos os produtos do catálogo. Numa empresa de aluguer de mobiliário, cada peça disponível para alugar. Num fabricante de hardware, cada SKU, incluindo variantes quase iguais. A partir daí, cada nova fotografia que entra na biblioteca fica etiquetada com o nome real do produto, não com um sinónimo genérico.
Na prática, os produtos são o foco principal do Custom AI tagging, mas o método vai além deles. Uma universidade pode ter um modelo à medida que reconheça edifícios específicos do campus. Uma empresa de eventos, espaços concretos. Um clube desportivo, estádios ou instalações. Tudo o que tenha um aspeto consistente e que a equipa precise de encontrar pelo nome é um bom candidato. Este guia centra-se sobretudo nos produtos, porque é aí que está a maior parte do valor. Mas vale a pena ter presente que a abordagem serve para muito mais.
O Custom AI tagging não é acrescentar à mão opções de etiqueta a uma lista pendente. Isso é gestão de metadados. Todos os sistemas DAM a têm, e em todos continua a ser uma pessoa a etiquetar.
Também não é etiquetagem automática por palavras-chave, em que o sistema lê nomes de ficheiros ou descrições e copia o texto para os campos de etiqueta. Funciona quando os nomes dos ficheiros estão limpos. Falha quando não estão, o que acontece na maior parte das vezes.
O Custom AI tagging é um modelo que olha para o que está numa foto ou num vídeo novo e identifica o produto certo, sem intervenção humana na etiquetagem propriamente dita.
O Custom AI tagging não é um problema só. É uma família de problemas, com graus de dificuldade muito diferentes. Distinguir duas cadeiras visualmente diferentes é simples. Distinguir duas mesas quase iguais pode ser mesmo difícil. Os aparelhos eletrónicos têm muitas vezes texto no próprio produto: números de modelo, logótipos, rótulos. Um bom sistema de etiquetagem consegue tirar partido disso. A moda exige reconhecer textura e silhueta. O equipamento de aluguer tem muitas vezes números de série e marcas que ajudam.
Um sistema de Custom AI tagging que se preze usa técnicas diferentes consoante o tipo de problema: modelos de IA distintos para cada caso, e reconhecimento de texto (OCR) quando o produto traz o seu próprio texto identificativo. Uma plataforma que aplica a mesma abordagem ao catálogo de todos os clientes vai ficar aquém nos casos em que essa abordagem não é a indicada.
Não precisa de perceber a tecnologia para avaliar um fornecedor. Basta perguntar: “Como fazem a etiquetagem na nossa categoria?” Se o fornecedor souber explicar a diferença entre etiquetar moda e etiquetar eletrónica, há engenharia a sério por trás. Se responder “a nossa IA faz tudo da mesma forma”, provavelmente não há.
Treinar e alojar um modelo de visão para cada cliente sai caro. Exige infraestrutura, engenheiros de machine learning e uma equipa de produto disposta a criar uma funcionalidade que muitos clientes mais pequenos não vão usar. A maioria dos sistemas DAM foi pelo caminho mais fácil: ligou uma API de visão genérica, chamou-lhe “etiquetagem com IA” e lançou-a. Muitos ainda apresentam essa tecnologia com 15 anos como funcionalidade de destaque.
Há modelos de visão treinados à medida fora do mundo DAM. Fornecedores de nuvem como AWS, Google e Azure têm serviços de visão personalizada. Mas são ferramentas para programadores: precisam de uma equipa de engenharia para os integrar, manter e operar. Não são o mesmo que um modelo de IA à medida dentro do DAM, que a equipa de marketing, operações ou eventos consegue usar diretamente. Afinal, é essa equipa a dona da biblioteca de fotografias.
Tanto quanto sabemos, o Tagbox.io é, neste momento, o único DAM com Custom AI tagging pronto a usar pela sua equipa. Não é uma API para programadores que tem de integrar por conta própria.
O processo é mais simples do que a maioria das pessoas imagina. São quatro passos.
O primeiro passo é só uma lista do que quer que a IA reconheça. Para a maioria das marcas, é o catálogo de produtos: cada SKU, linha de produto, variante ou modelo que quer encontrar numa pesquisa. Numa universidade, pode ser a lista dos edifícios do campus. Numa empresa de eventos, a lista dos espaços.
No caso dos produtos, pode acrescentar mais detalhe a cada um: variante de cor, estação, tipo de fotografia, campanha, etc. No essencial, a lista diz isto: estas são as coisas que a IA tem de identificar.
Para cada item da lista, envie fotos de exemplo. Nos sistemas atuais, o normal são 25 a 50 exemplos por item. Nos casos difíceis, como produtos muito parecidos com outros do catálogo, podem ser precisos até 100. A tecnologia está a evoluir depressa: a nova geração de modelos está a baixar esse número para apenas cinco exemplos na maioria das etiquetas.
Para etiquetas mais vagas ou visualmente variadas (por exemplo, “foto lifestyle” e “packshot”), fique no topo do intervalo. Assim, o modelo vê variedade suficiente para generalizar.
Este é o único passo manual com algum peso. Faz-se uma só vez e, na maioria das equipas, leva cerca de um dia, muitíssimo menos do que etiquetar à mão todo o arquivo acumulado.
A plataforma treina um modelo à medida com os seus exemplos. Normalmente, é a equipa da plataforma que faz este trabalho, como parte da configuração inicial. Não fica a seu cargo. O projeto completo (da lista de produtos ao treino, à validação e à entrada em produção) costuma levar duas a quatro semanas. O prazo depende do número de itens abrangidos e da qualidade dos dados de treino iniciais.
Na maioria dos projetos a sério, não é um processo que faça sozinho. Pôr um modelo de IA à medida a funcionar bem exige alguma colaboração: definir o âmbito em conjunto, rever os primeiros resultados do modelo, ajustar quando uma etiqueta sai mal e verificar a precisão em fotos que ficaram de fora do treino. Uma plataforma que promete um modelo à medida pronto cinco minutos depois do carregamento está a prometer demais.
Com o modelo ativo, cada foto nova que carrega passa automaticamente pelo modelo e recebe as etiquetas correspondentes. O modelo também percorre a biblioteca existente e etiqueta o conteúdo antigo. Assim, o investimento compensa em tudo o que já tem na biblioteca, não só nos próximos carregamentos.
A partir daí, um fotógrafo carrega um lote de fotos de produto e, em segundos, cada foto fica etiquetada com o produto, a variante de cor, a estação e o tipo de fotografia certos, sem trabalho manual. Um profissional de marketing de retalho pesquisa “packshot Aurora Shell Storm Blue” e recebe exatamente essas fotos, e não 200 fotos de casacos azuis.
Os catálogos mudam. Lançam-se produtos novos, arrancam campanhas novas, SKU novos substituem os antigos. Os sistemas de Custom AI tagging permitem voltar a treinar ou acrescentar etiquetas aos poucos: junta-se um pequeno lote de exemplos da nova coleção SS27, volta-se a treinar e o modelo passa a reconhecê-la sem mexer no resto do catálogo.
Sim. A IA não tem de aprender em inglês. Uma marca de retalho portuguesa, por exemplo, pode ter uma IA à medida treinada com os nomes dos produtos e das categorias em português. As etiquetas saem também em português. Isto pesa mais do que parece. Em equipas internacionais, uma estrutura de etiquetas imposta em inglês cria uma camada de tradução permanente entre a biblioteca de fotos e quem a usa.
As fotos ainda se podem percorrer com os olhos. Pode abrir uma pasta com 500 fotos de produto e, se for mesmo preciso, chegar à que procura em poucos minutos. É penoso, mas é possível.
Com o vídeo é diferente. Um vídeo não se vê de relance. A gravação de 60 minutos de um evento pode ter um plano de dois segundos com o produto do seu cliente. Um vídeo de lançamento pode mostrar um SKU específico ao minuto 38. Uma keynote pode passar para um diapositivo com a marca aos 22 minutos. Sem pesquisa, a única forma de saber é ver tudo. Multiplique isso por uma biblioteca com centenas ou milhares de vídeos e a biblioteca inteira torna-se inutilizável. Não difícil: inutilizável.
É aqui que o valor do Custom AI tagging mais se nota. Quando o modelo corre tanto no vídeo como nas fotos, passa a encontrar cada aparição de cada produto em cada vídeo. Não tem de andar a arrastar a barra de reprodução por horas de vídeo à espera de encontrar o momento certo. Pesquisa o nome do produto e os resultados mostram cada excerto em que ele aparece, com o momento exato.
Para marcas com muitos produtos, isto deixou de ser um extra: é o mínimo. O conteúdo para redes sociais é, antes de mais, vídeo. As demonstrações de produto e os unboxings são vídeo. Reels de marketing, conteúdo para TikTok, YouTube Shorts, gravações de lançamentos, testemunhos de clientes: é tudo vídeo. Uma plataforma de etiquetagem que só trata imagens fixas deixa invisível uma parte grande, e cada vez maior, da sua biblioteca.
Para eventos, empresas de aluguer e quem produz conteúdo de formato longo, o vídeo pesa ainda mais. Encontrar “um plano de 90 segundos da nossa nova zona lounge na ativação de Braga” numa gravação de quatro horas é a diferença entre reaproveitar essas imagens e voltar a filmar tudo do zero.
Em resumo: se o seu Custom AI tagging só funciona em fotos, resolveu a metade mais fácil do problema e deixou a mais difícil por resolver.
O Custom AI tagging serve para muito mais do que etiquetar automaticamente os produtos de uma loja online. Veja como muda o trabalho das equipas em cada setor.
Este é o caso clássico. Uma marca com milhares de SKU e sessões fotográficas todas as semanas vê a biblioteca multimédia crescer a um ritmo exponencial: packshots, fotografias lifestyle, fotografias de campanha, conteúdos para redes sociais, conteúdos criados pelos clientes e fotogramas de vídeo. Sem Custom AI tagging, cada novo ficheiro fica praticamente invisível assim que entra na biblioteca.
Com o Custom AI tagging, cada foto fica automaticamente etiquetada com o nome real do produto, a variante de cor, a estação e o tipo de fotografia. Ao preparar uma campanha, a equipa de marketing encontra “todas as fotos lifestyle Storm Blue da SS26” em segundos. A equipa de redes sociais encontra “todos os planos de pormenor da linha Aurora” sem perguntar a ninguém. As equipas das páginas de produto (PDP) localizam pelo SKU as imagens principais de cada lançamento.
Há ainda um benefício extra: a biblioteca continua organizada à medida que cresce. Uma marca que duplica o catálogo não precisa de duplicar a equipa de gestão de conteúdos.
Ideal para: Moda e vestuário | Calçado | Beleza e cuidados de pele | Casa e decoração | Mobiliário | Acessórios | Marketplaces multimarca
Uma empresa de aluguer para eventos vive das propostas que apresenta. Um cliente pede “algo como o vosso lounge da ativação de Braga do ano passado, mas com as mesas de apoio em latão”. Alguém da equipa comercial tem de encontrar fotografias de referência depressa. Sem Custom AI tagging, é andar de pasta em pasta por milhares de fotografias de eventos.
O Custom AI tagging resolve isto. A IA aprende a reconhecer cada peça do inventário para aluguer: sofás específicos, bares, estruturas de palco, peças de lounge, mesas de apoio. As novas fotografias de eventos ficam etiquetadas automaticamente com os produtos que nelas aparecem. A equipa comercial encontra fotografias de referência em segundos. As equipas de design criam mood boards a partir de eventos reais já realizados. E o marketing ganha uma biblioteca viva de casos de estudo, organizada por produto e não por evento.
Um exemplo real é a Blueprint Studios, uma empresa de produção e aluguer para eventos sediada em São Francisco. Usa o Custom AI tagging para organizar o inventário de mobiliário e decoração em milhares de fotografias de eventos. As etiquetas da equipa (peças de lounge específicas, estilos de bar, famílias de produtos) aplicam-se automaticamente a cada nova fotografia de evento. As equipas comercial e de design encontram imagens de referência para novas propostas em segundos, sem vasculhar pastas.
Ideal para: Aluguer de mobiliário e decoração para eventos | Aluguer para casamentos e festas | Tendas e palcos | Produção de eventos corporativos | Decoração e ambientação de espaços
Aqui entram os catálogos em que cada número de peça conta: layouts de PCB, componentes, variantes de montagem, maquinaria industrial, equipamento de laboratório, peças para automóvel. Os artigos fotografados são muito parecidos, como um rack de servidores iguais ou dez variantes da mesma PCB. Uma IA genérica não consegue distingui-los.
São também os casos em que o texto impresso no produto mais pesa. Números de modelo, números de série e rótulos da marca são muitas vezes a diferença mais clara entre dois artigos. Um sistema de Custom AI tagging que consiga juntar OCR (reconhecimento de texto) ao reconhecimento visual etiqueta estes catálogos com muito mais precisão do que um sistema que olha apenas para a forma do objeto.
O retorno é real. As equipas de engenharia e de produto encontram a imagem de referência certa pelo SKU ou pelo número de peça. A documentação técnica fica ilustrada automaticamente com a variante correta. E o marketing deixa de publicar, por engano, uma ficha técnica com a fotografia do modelo errado.
Ideal para: Fabricantes de eletrónica | Equipamento industrial | Peças para automóvel | Instrumentos científicos e de laboratório | Semicondutores e componentes
Nos eventos, o Custom AI tagging ajuda de duas formas distintas. A primeira é a deteção de logótipos dos patrocinadores. Uma conferência com 20 patrocinadores gera milhares de fotografias. Cada patrocinador quer uma seleção de fotografias com a sua marca nas 48 horas seguintes ao evento. Uma IA à medida, treinada no logótipo, no stand ou no símbolo da marca de cada patrocinador, reúne automaticamente essas seleções a partir da biblioteca geral do evento. O que antes exigia três dias de triagem manual passa a ser automático.
Em segundo lugar, os elementos que se repetem de evento para evento (estruturas de palco específicas, modelos de sinalética, montagens de ativação) podem ficar etiquetados da mesma forma em todos os eventos da empresa. O resultado é um arquivo com tudo o que já montou, sempre à distância de uma pesquisa.
Os eventos desportivos encaixam particularmente bem. Os direitos de transmissão e de patrocínio exigem saber exatamente quando e onde aparecem os logótipos de cada patrocinador em cada minuto de imagens. A IA à medida, sobretudo em vídeo, dá essa informação automaticamente.
Ideal para: Conferências com vários patrocinadores | Eventos desportivos com espaços de marca | Feiras profissionais | Eventos corporativos com stands de ativação | Cerimónias de entrega de prémios
As marcas de alimentação enfrentam um problema de pormenor parecido com o da moda: a IA genérica etiqueta tudo como comida, taça ou prato, o que não serve de nada. Uma IA à medida, treinada nos SKU, linhas de produto, variantes de embalagem e estilos de receita reais, permite encontrar de facto qualquer coisa em toda a biblioteca de conteúdos.
As marcas alimentares têm muitas vezes ficheiros próprios de cada campanha: embalagens de Natal, sabores de edição limitada, variantes regionais. O Custom AI tagging mantém-nos fáceis de encontrar muito depois do fim da campanha. Se a campanha regressar, continua a encontrar a sessão fotográfica de há dois anos.
Ideal para: Alimentos embalados e snacks | Marcas de bebidas com várias linhas de SKU | Cadeias de restauração | Kits de refeição e marcas alimentares de venda direta | Beleza e cuidados pessoais de grande consumo
As agências fotografam em nome dos clientes. A biblioteca está organizada por cliente, mas, dentro de cada cliente, continua a ser preciso chegar ao pormenor de cada produto. O Custom AI tagging treinado para cada cliente transforma a biblioteca partilhada da agência num arquivo por cliente, onde encontra cada produto pelo nome.
Um caso de uso extra é assinalar ficheiros por direitos, estado de aprovação ou utilização (aprovado para redes sociais, validado por RP, revisto pelo jurídico). Quando essas marcações dependem do que está na foto (uma pessoa concreta, um elemento de marca registada), a IA à medida pode aplicá-las automaticamente, e a gestão de direitos deixa de ser um processo manual.
Ideal para: Agências criativas | Produtoras | Agências de conteúdos com bibliotecas de vários clientes
Para a maioria das marcas com mais de 10 000 fotos, o Custom AI tagging é a única opção que faz sentido do ponto de vista económico. A etiquetagem manual não acompanha o volume. A IA genérica ainda é vendida como funcionalidade de destaque, quinze anos depois de ter sido um grande avanço, e gera etiquetas que não valem o espaço que ocupam em disco. Só a IA à medida junta o pormenor do seu negócio à escala da biblioteca.
Um modelo treinado à medida não tem de ficar fechado no DAM. O mesmo modelo pode ser disponibilizado por API. Assim, a etiquetagem criada para o seu catálogo ao longo de algumas semanas pode alimentar a pesquisa e a organização em todas as plataformas que a equipa já usa.
Exemplos práticos:
A biblioteca no DAM passa a ser a fonte de referência. O modelo treinado com essa biblioteca torna-se um recurso valioso presente em todas as suas ferramentas. É este o argumento para escolher um DAM com Custom AI tagging e API, em vez de uma funcionalidade fechada num DAM ou de uma API para programadores sem mais nada: fica com uma interface pronta a usar e com alcance em todas as plataformas.
Nem toda a “etiquetagem com IA” vendida como personalizada o é de facto. As perguntas abaixo mostram o que procurar e aquilo a que deve estar atento na prática.
É uma funcionalidade do DAM ou uma ferramenta para programadores?
A AWS, a Google e a Azure disponibilizam API de visão personalizada. São potentes, mas não são plataformas de gestão de fotografias. Cabe-lhe a si, ou à equipa de engenharia, integrá-las, mantê-las e construir a interface que a equipa de marketing usa. Para a maioria das marcas, a resposta certa é o Custom AI tagging integrado num DAM, não uma ferramenta para programadores disfarçada de DAM.
O modelo é mesmo treinado com os seus dados, ou é um modelo partilhado com um filtro de palavras-chave?
Um verdadeiro modelo à medida aprende os padrões visuais dos produtos. Um filtro de palavras-chave limita-se a esconder as etiquetas que não constam da lista. Por isso, só funciona com termos que o modelo genérico já reconhece.
Como é que o fornecedor trata a sua categoria em concreto?
Pergunte diretamente: como tratam a etiquetagem do nosso tipo de produto? Um fornecedor que sabe explicar porque é que etiquetar moda é diferente de etiquetar peças industriais, ou como o sistema usa o texto impresso nos produtos eletrónicos, está a fazer engenharia a sério. Um fornecedor que responde “a nossa IA trata tudo da mesma maneira” não está a fazê-lo.
Quantos exemplos de treino são precisos por produto?
Os sistemas mais avançados funcionam com 25 a 50 exemplos por artigo. Se um sistema pede milhares, está a passar o custo para si.
É possível acrescentar produtos e voltar a treinar o modelo aos poucos?
Os catálogos mudam. Se cada produto novo obriga a treinar tudo de novo desde o início, o sistema não acompanha o crescimento.
Quanto tempo demora o onboarding?
Num projeto sério de IA à medida, conte com duas a quatro semanas. Se demorar muito mais, o fornecedor está a fazer trabalho de consultoria que já devia ter transformado em produto. Se demorar muito menos, está a prometer demasiado.
Que precisão posso esperar?
Um modelo bem treinado costuma chegar a mais de 90% de precisão. O valor real depende de três coisas: quão diferentes são visualmente os artigos, a qualidade dos dados de treino e a qualidade das fotografias a etiquetar.
Funciona com vídeo, além de fotografias?
Para a maioria dos negócios com muitos produtos, este é hoje um critério decisivo. Um sistema que só etiqueta imagens fixas deixa invisível uma parte grande, e cada vez maior, da biblioteca.
Que línguas suporta?
Uma IA à medida treinada com etiquetas em inglês só é útil se a equipa trabalhar em inglês. As marcas que trabalham em várias línguas precisam de uma plataforma com pesquisa entre línguas. Assim, cada equipa encontra as etiquetas na sua própria língua.
Existe uma API?
Se quiser que o mesmo modelo treinado alimente a pesquisa no backoffice da loja online, no PIM, na automação de marketing ou nas ferramentas internas, o acesso por API é indispensável. Sem API, o valor do modelo fica preso a uma única plataforma.
E se a IA se enganar?
Há duas coisas a verificar. Primeiro, a maioria das plataformas permite corrigir etiquetas na interface. Essas correções servem de dados de treino da próxima vez que o modelo for treinado de novo. Segundo, cada etiqueta só deve ser aplicada acima de um limiar de confiança. Assim, os palpites pouco seguros nunca são aplicados sem ninguém dar por isso.
E a privacidade dos dados?
As plataformas sérias treinam com os dados de cada cliente de forma isolada. Os seus exemplos de treino e o modelo resultante não servem para melhorar os modelos de outros clientes.
E se ainda não tiver exemplos etiquetados?
A maioria das plataformas ajuda a criá-los. Pontos de partida habituais: exportar as imagens de produto já identificadas no backoffice da loja online (Shopify, Magento, PIM próprio), usar a folha de cálculo de entrega da última sessão fotográfica ou perguntar ao fotógrafo como organizou os ficheiros.
O Custom AI tagging não é um pequeno ganho de produtividade. É a diferença entre uma biblioteca multimédia que ganha valor ao crescer e outra que perde valor ao crescer.
Uma marca que etiqueta bem desde o primeiro dia continua a encontrar o SKU, a variante de cor ou a fotografia lifestyle seis anos depois. A biblioteca torna-se um verdadeiro património: um arquivo indexado da história visual da marca. O marketing, as redes sociais, as vendas, as relações públicas e o apoio ao cliente vão lá buscar aquilo de que precisam em segundos. E como o mesmo modelo etiqueta vídeo e chega a todas as ferramentas por API, esse património trabalha em todo o lado onde a equipa trabalha.
Uma marca que não etiqueta, ou que se fica pelas etiquetas genéricas da IA, acaba onde a maioria das equipas acaba: com um disco rígido cheio de fotos, tudo o que a empresa sabe guardado na cabeça de uma só pessoa e uma sessão fotográfica todas as semanas para refazer conteúdo que já tem, mas não encontra.
A tecnologia de base existe há anos. Se ainda não está em todo o lado, é porque quase nenhuma plataforma a construiu a pensar em quem não é uma grande empresa com engenheiros na equipa. Isso está a mudar. Para negócios com muitos produtos (retalho, aluguer, hardware, eventos, alimentação e as agências que os servem), o Custom AI tagging está a deixar de ser um luxo das grandes empresas para passar a ser uma necessidade prática.
Faz parte da série de guias do Tagbox.io sobre gestão de bibliotecas multimédia.
Outros guias: Comparação de software DAM · Os melhores DAM para comércio eletrónico · Os melhores DAM para análise de vídeo · Os melhores DAM a preço acessível · Guia de migração para DAM
Leia também: Use as suas próprias imagens em conteúdos com IA: deixe a IA encontrar e inserir as fotos por si.
