**Aprendizado supervisionado** é o regime em que o modelo aprende a partir de **exemplos com a resposta certa junto** — milhares de e-mails marcados como spam ou não, milhares de leads marcados como convertidos ou não. É a forma dominante de [aprendizado de máquina](https://clubmartech.com.br/blog/aprendizado-maquina-pratica-aplicacoes/) aplicada em [marketing](https://comecandonaweb.com.br/marketing-digital/): previsão de churn, score de propensão, classificação de intenção e moderação de [conteúdo](https://clubmartech.com.br/blog/conteudo-longo-prazo-anos/) são todos casos dele. O nome vem daí: existe uma “supervisão”, um gabarito que orienta o aprendizado. E é justamente essa dependência que define seu limite — **o teto de qualidade do modelo é a qualidade do gabarito**. Uma auditoria dos dez conjuntos de [dados](https://clubmartech.com.br/blog/dados-transformar-volume-acionavel/) mais usados na área encontrou **pelo menos 3,3% de rótulos errados em média**, com **5,83% no ImageNet**. Se as referências da área erram nessa proporção, a base montada às pressas numa empresa erra mais.## Os três regimes, e onde cada um serve
| Regime | Como aprende | Caso típico em marketing |
|---|---|---|
| **Supervisionado** | Exemplos com resposta certa | Score de propensão, churn, classificação |
| Não supervisionado | Só os dados, [sem](https://clubmartech.com.br/blog/sem-avancado-estrategia-roi/) resposta | Segmentação de base, agrupamento de clientes |
| Por reforço | Recompensa por acerto ao longo do tempo | Otimização de sequência de contato, precificação |
Vale notar que os grandes modelos de linguagem combinam os três em momentos diferentes do treino — não são um regime só.## ⚠️ O gargalo é o rótulo, não o algoritmoProjetos de aprendizado supervisionado costumam ser orçados pelo esforço de modelagem e naufragam na rotulagem. É a parte cara, lenta e chata — e a que determina o resultado.Há uma consequência do estudo citado que mostra o tamanho do problema: **corrigindo os rótulos errados, modelos menores passam a superar modelos maiores** que antes pareciam melhores. Parte da vantagem do modelo “superior” existia porque ele havia aprendido a reproduzir os erros do gabarito.Traduzindo para uma operação real: se o critério de “[lead](https://clubmartech.com.br/blog/lead-scoring-crm-negocios/) qualificado” nunca foi escrito, cada pessoa que rotulou usou o seu. **O modelo então aprende a média das opiniões da equipe** — não uma definição de negócio.## O que isso muda na prática
- **Escreva o critério antes de rotular.** Uma página definindo o que conta como positivo, com casos de fronteira resolvidos. Sem isso, o rótulo mede quem rotulou.
- **Meça a concordância entre pessoas.** Dê os mesmos 100 exemplos a dois rotuladores. Se discordam em 15%, nenhum modelo treinado ali passa desse teto.
- **Aproveite o rótulo que já existe.** Compra, cancelamento, resposta a e-mail e devolução são rótulos naturais registrados pelo sistema — e mais confiáveis que julgamento retroativo.
- **Considere se precisa treinar.** Muitas tarefas de classificação hoje se resolvem com um prompt bem construído, sem rotular nada. Teste antes de orçar um projeto de rotulagem.
Sobre a qualidade dos rótulos, veja
label; sobre avaliar sem se enganar,
validação cruzada.## Fontes
- Pervasive Label Errors in Test Sets — NeurIPS 2021, auditoria dos 10 conjuntos mais usados
- How to avoid [machine learning](https://clubmartech.com.br/significado/machine-learning/) pitfalls — guia metodológico acadêmico
*Leitura das fontes em 17/08/2026.*