Adam Foroughi, Applovin CEO: Surviving a 92% Drawdown, Ads as ML 1.0 & the $50B Game Ad Market

Adam Foroughi, cofundador e CEO da AppLovin — plataforma de monetização e tecnologia de anúncios em jogos mobile e comércio digital —, discute a trajetória da companhia, a transição para modelos de aprendizado profundo (deep learning), a dinâmica do mercado de publicidade mobile de US$ 50 bilhões, a recuperação após uma queda de 92% no valor de mercado pós-IPO e a postura operacional contra gigantes como Meta e Google.

O mercado de anúncios em jogos mobile e a escala da AppLovin

• Tamanho do ecossistema: Foroughi aponta que mais de 1 bilhão de pessoas adultas (muitas chefes de família) jogam jogos casuais mobile diariamente no mundo. Em janeiro de 2024 (cerca de dois anos antes da gravação), a AppLovin registrava US$ 11 bilhões em gastos anuais com anúncios na plataforma. Crescendo a uma taxa de aproximadamente 60% ao ano, o volume próprio da empresa atinge cerca de US$ 20 bilhões. Somando os outros competidores, Foroughi estima que o mercado total de anúncios em jogos mobile movimenta cerca de US$ 50 bilhões anuais — volume comparável ao tamanho que as redes sociais representavam poucos anos atrás.
• Transição de jogos para e-commerce: Historicamente, a plataforma operava gerando intenção para que jogadores migrassem de um jogo para outro por meio de anúncios recompensados (rewarded ads) e minijogos interativos. Com o avanço das redes neurais profundas, a AppLovin passou a usar esse mesmo inventário para recomendar produtos físicos e comportamento de compras de e-commerce, acessando mercados econômicos substancialmente maiores.

Aprendizado de máquina 1.0 vs. LLMs e o mecanismo de descoberta

• Ad tech como berço da IA moderna: A publicidade digital foi o primeiro caso de uso prático e altamente lucrativo de modelos de aprendizado de máquina (ML 1.0). Embora grandes modelos de linguagem (LLMs) tenham impacto econômico amplo, sistemas de recomendação em publicidade compartilham os mesmos fundamentos matemáticos e talentos de pesquisa, com a vantagem de monetizar imediatamente a precisão preditiva.
• Fundo de funil vs. Descoberta: Modelos baseados em busca (como o Google Ads ou interfaces de chat como ChatGPT) atendem ao fundo do funil, onde o usuário já sabe o que procura (ex.: pesquisar um sapato específico). Nesses casos, o fechamento da transação já ocorreria sem o anúncio. Plataformas como Meta e AppLovin operam na descoberta (discovery): exibem ofertas sem intenção prévia conhecida, criando uma demanda inteiramente nova e expandindo o PIB transacionado.
• O mito do microfone espião: Foroughi descarta a teoria de que aplicativos gravam o microfone do celular ou realizam rastreamento de geolocalização em tempo real para exibir anúncios contextuais. O volume e o custo de tráfego de dados para processar áudio contínuo tornam essa tese inviável. A sensação de precisão decorre de pegadas digitais prévias (pesquisas, navegação em sites correlatos) e, no caso de redes sociais, de cruzamentos de grafos sociais (interações de amigos no mesmo grupo).

O colapso de 92% pós-IPO e a estratégia de recompra de US$ 6 bilhões

• Queda de múltiplos (2021–2022):
  • A AppLovin abriu capital em abril de 2021 com valuation de US$ 28 bilhões (chegando a bater US$ 40 bilhões), com EBITDA de US$ 600 milhões.
  • Ao longo de 2022, o valor de mercado desabou para US$ 3,8 bilhões (queda de ~92%), no mesmo ano em que o EBITDA da empresa atingiu US$ 1 bilhão (múltiplo inferior a 4x EBITDA).
  • Causa da distorção: Excesso de oferta de ações vindas de fundos de private equity e ex-fundadores em desinvestimento, somado à saturação de IPOs da época de juros baixos e à falta de cobertura de analistas fundamentalistas (blue chips) em relação ao modelo da empresa.
• A virada interna e recompra de ações:
  • Diante do descompasso, Foroughi interrompeu apresentações para investidores externos e redirecionou a geração de caixa para a recompra agressiva de ações ordinárias.
  • A companhia recomprou cerca de US$ 6 bilhões em ações, cancelando entre 20% e 25% do total de ações em circulação. No pico subsequente do valor da empresa, essa fatia recomprada chegou a valer mais de US$ 50 bilhões.
  • Para reter talentos diante da desvalorização das opções da equipe, a empresa implementou um plano de remuneração por ações atrelado a metas de performance (performance stock plan).
• Implementação do ML 2.0 e recuperação:
  • Em abril de 2023, a AppLovin substituiu seus modelos de regressão linear por uma arquitetura proprietária de aprendizado profundo (deep learning), melhorando dramaticamente o retorno sobre investimento (ROI) dos anunciantes.
  • Em setembro de 2023, com o valor de mercado recuperado a patamares onde recompras adicionais ficavam limitadas, Foroughi voltou a se reunir com investidores em Nova York. Naquela semana, o preço da ação saltou de US$ 80 para US$ 150, e a capitalização subiu de US$ 28 bilhões para US$ 55 bilhões.
  • No ciclo de alta, a ação subiu de US$ 9 para US$ 750 (valuation atingindo US$ 250 bilhões no pico).

Privacidade, aquisição de estúdios e comércio agêntico

• Impacto das restrições da Apple (ATT) e regulação:
  • Restrições a rastreamento individualizado no iOS degradaram a relevância inicial dos anúncios, gerando reclamações de usuários sobre excesso de spam.
  • As redes neurais modernas se adaptaram agregando dados em grupos e extraindo sinais sem violar diretrizes de privacidade.
• Aquisição e venda de estúdios de jogos: A compra anterior de estúdios de desenvolvimento serviu unicamente como suprimento inicial de dados para treinar a primeira geração de modelos de deep learning, já que estúdios externos não compartilhavam dados proprietários. Assim que o modelo provou eficácia e atraiu clientes terceiros em escala, todos os estúdios foram desinvestidos.
• Agentes de IA e comportamento do consumidor: Foroughi argumenta que, embora agentes autônomos assumam tarefas repetitivas e utilitárias (como renovação recorrente de suplementos), eles não substituirão a descoberta de produtos. O consumidor médio (comparado ao público do The New York Times ou Yahoo, fora da bolha tecnológica do Twitter) busca a experiência de navegação (window shopping), a comparação e o estímulo dopaminérgico de escolher compras de consumo discricionário de US$ 50.

Eficiência operacional, margens de 84% e engenharia global

• Margens de EBITDA de 84%: A empresa opera com margens consideradas líderes de mercado por funcionar como um mecanismo de arbitragem automatizado e puramente algorítmico. O anunciante paga um custo de aquisição inferior ao preço do produto subtraído do custo da mercadoria vendida (COGS), permitindo que marcas de e-commerce escalem seus orçamentos de performance de forma previsível.
• Estrutura enxuta e centros de desenvolvimento: Foroughi credita a capacidade de competir contra gigantes de tecnologia ao foco restrito e a uma estrutura com centros de engenharia em Palo Alto, Singapura e Pequim. O executivo destaca a cultura de trabalho, humildade e rigor técnico dos engenheiros na China como um dos principais diferenciais competitivos da companhia.