Se toda a sua estratégia de inteligência artificial cabe no calendário editorial, talvez você tenha comprado uma usina para carregar o celular.

TL;DR

Produzir conteúdo é um uso legítimo de inteligência artificial. Este blog é um exemplo de como um sistema com voz, contexto, fontes, revisão e validação pode sustentar uma operação editorial sem terceirizar direção nem responsabilidade. O problema é reduzir IA a fabricar textos genéricos para preencher o feed e chamar isso de transformação. A mesma tecnologia pode pesquisar, organizar conhecimento, integrar sistemas, validar entregas, coordenar ferramentas, executar tarefas e apoiar decisões dentro de regras. A pergunta útil não é quantos posts ela gera. É que capacidade verificável passou a existir, para quem, sob quais critérios e com qual responsabilidade.

Você quer usar inteligência artificial para quê?

Eu pergunto isso porque “queremos usar IA” virou uma frase relativamente comum. Parece uma decisão, mas ainda não diz quase nada.

Usar para quê?

Mudar qual trabalho?

Resolver qual gargalo?

Qual capacidade ainda não existe e precisa ser criada?

Em muitas conversas sobre o assunto, a primeira resposta concreta termina em produção de conteúdo.

“Dá para fazer os posts do mês?”

Dá.

Também dá para usar um computador de última geração como peso de papel. Ele provavelmente segurará as folhas com uma competência impressionante.

O problema não é fazer posts. É olhar para uma tecnologia capaz de interpretar contexto, consultar sistemas, comparar evidências, validar entregas, coordenar ferramentas e executar tarefas — e concluir que a grande transformação será publicar trinta legendas sobre inovação.

De preferência com um foguete no final.

Porque inovação sem foguete, aparentemente, nem decola.

O problema não é produzir conteúdo

Seria uma contradição bastante confortável eu atacar a produção de conteúdo com IA justamente neste blog.

Eu uso IA para escrever.

Uso para organizar ideias que comecei falando pelo microfone, procurar referências, testar contrapontos, conferir links, preparar imagens, preservar decisões editoriais, estruturar versões em outros idiomas e validar o site antes de publicar.

Já expliquei em “Escrever com IA não me tornou menos autor” por que esse processo é muito diferente de pedir um texto genérico e colocar meu nome embaixo.

A percepção que inicia o artigo continua sendo minha.

A direção continua sendo minha.

O que entra, o que sai, o que precisa de fonte e o que não me representa continuam passando pela minha avaliação.

O sistema carrega boa parte da operação que antes disputava espaço na minha cabeça com o próprio pensamento: lembrar a referência, conferir a afirmação, localizar o post relacionado, revisar a estrutura, garantir que a imagem tenha propósito, testar se o link funciona e impedir que uma versão candidata seja publicada sem avaliação.

Isso é uso real de IA para conteúdo.

O que eu estou criticando é outra coisa.

É conteúdo sem percepção, sem tese, sem contexto, sem critério e sem ninguém disposto a responder pelo que foi publicado. Uma fábrica de texto genérico continua produzindo genericidade. A única inovação é a velocidade da esteira.

Se o leitor passa pelo resultado com a mesma indiferença com que a máquina o produziu, talvez a eficiência tenha acontecido no lugar errado.

A IA não escolhe por que foi contratada

Uma ferramenta não entra numa empresa e descobre, por iluminação própria, o que deveria mudar.

Ela recebe um pedido.

Quando o pedido é genérico, a resposta tende a ocupar o espaço disponível com algo plausível. Um prompt — a instrução e o contexto dados ao modelo — como “crie um post profissional sobre inovação” não contém a experiência da empresa, a dúvida real do cliente, a contradição que vale discutir nem o limite do que pode ser afirmado.

Então o sistema faz o que consegue com o vazio.

Entrega cinco tópicos, uma conclusão positiva e alguma variação de “em um mundo cada vez mais dinâmico”.

Pronto. A transformação digital está salva em um arquivo de texto.

Só que a IA não escolheu uma direção ruim.

Ninguém escolheu direção alguma.

Ela apenas executou o vazio com excelente gramática.

Esse problema não se resolve pedindo para “soar mais humano”. Resolve-se dando ao trabalho uma razão para existir: uma pergunta real, uma percepção, um público, uma fonte, um objetivo, um critério de qualidade e alguém responsável pela decisão final.

Sem isso, trocar o modelo, comprar mais créditos ou instalar a ferramenta da semana apenas aumenta a potência disponível para continuar sem saber aonde ir.

“Parecer humano” é um objetivo baixo demais

Existe uma obsessão compreensível em evitar que um texto “soe muito IA”.

Eu também não quero publicar uma coleção de frases lisas, equilibradas e vazias que poderiam ter sido assinadas por qualquer empresa do planeta.

Mas parecer humano é um teste insuficiente.

Uma pessoa também pode escrever um texto genérico, repetir uma informação errada e não ter nada de útil a dizer. Fazemos isso artesanalmente há bastante tempo. A IA não inventou o conteúdo ruim; apenas reduziu o custo de produzi-lo em escala industrial.

O critério precisa subir.

Não basta parecer humano.

É preciso ter algo verdadeiro, verificável e útil a dizer.

“Verdadeiro” não significa que toda opinião precise de um estudo acadêmico para existir. Significa que a convicção pertence ao autor e não apareceu por geração espontânea porque a frase ficou bonita.

“Verificável” significa que datas, dados, casos, mecanismos técnicos e outras afirmações factuais precisam permitir que o leitor encontre a origem e compreenda o limite da fonte.

“Útil” significa que o texto ajuda alguém a perceber um problema, formular uma pergunta, tomar uma decisão ou agir com mais clareza. Não precisa vender nada. Precisa justificar o tempo que pediu ao leitor.

Uma voz bem imitada sem experiência, critério ou responsabilidade continua sendo uma fantasia editorial.

Só ficou mais convincente.

O chatbot é a porta, não a operação inteira

Muita gente conheceu a IA por uma janela de conversa. Isso explica por que os usos mais visíveis são escrever, resumir, responder e reformular.

E uma interface de chatbot pode ser extremamente útil. Ela pode organizar um requisito falado, comparar alternativas, preparar uma reunião, localizar uma lacuna ou ajudar alguém a pensar antes de agir.

O erro é tratar a porta como se fosse a casa inteira.

Além da conversa, sistemas assistidos por IA podem cumprir papéis diferentes:

• uma automação determinística executa uma regra conhecida e produz o mesmo comportamento quando a condição se repete;
• uma camada de pesquisa e estruturação encontra documentos, preserva a origem e organiza material para análise;
• um validador compara a entrega com requisitos e procura campos ausentes, contradições, links quebrados ou afirmações sem sustentação;
• um agente de IA escolhe próximos passos e usa ferramentas dentro de um objetivo e de permissões delimitados;
• uma memória governada preserva contexto e decisões com origem, data, escopo e possibilidade de revisão, em vez de depender de a conversa “lembrar magicamente”;
• a orquestração coordena etapas, ferramentas, agentes e pontos de aprovação para que o trabalho chegue a um artefato verificável;
• uma integração conecta sistemas para evitar que uma pessoa continue copiando informação entre telas como se fosse uma ponte manual com café;
• um sistema pode apoiar ou executar uma decisão operacional delimitada, desde que existam política, evidência, limite de impacto, abstenção, registro, responsável e forma de corrigir o resultado.

Nem toda empresa precisa de todos esses componentes.

Na verdade, muitas nem deveriam começar por IA. Uma regra fixa, uma integração convencional, um formulário melhor ou a remoção de uma etapa inútil podem resolver o problema com menos custo e risco.

Usar a arquitetura mais complicada disponível não é sofisticação.

Às vezes é apenas insegurança com diagrama bonito.

Nem toda mosca precisa de uma bazuca

Existe um erro simétrico que eu também não quero cometer.

Na computação, usamos há muito tempo a expressão “usar uma bazuca para matar uma mosca”. Ela aparecia, por exemplo, quando alguém escolhia uma estrutura de software enorme — um framework — para construir uma única página de apresentação que poderia ser entregue com muito menos.

A tecnologia mudou. A mosca continua correndo perigo.

Hoje a bazuca pode vir com agente, memória, dez skills — instruções e procedimentos reutilizáveis — e geração aumentada via recuperação, a RAG. Em linguagem comum, RAG é uma técnica que busca informação numa base definida e entrega esse contexto ao modelo antes de ele responder.

Tudo isso pode ser útil.

Nada disso se torna necessário apenas porque existe.

Se uma fórmula calcula o resultado com precisão, use a fórmula.

Se um formulário organiza a entrada, faça o formulário.

Se uma regra fixa move a informação com segurança, crie a automação.

Montar um agente com memória e acesso a ferramentas para executar aquilo que vinte linhas previsíveis resolveriam não é inovação. Pode ser apenas uma forma sofisticada de aumentar custo, manutenção, permissões, pontos de falha e tempo de resposta.

Reduzir IA a legenda genérica é falta de imaginação.

Colocar IA em tudo é falta de critério.

Potência não justifica excesso. A arquitetura certa é a menor que resolve o problema com segurança.

A pergunta não é “o que ela produziu?”

Produção é fácil de mostrar.

Trinta textos.

Quarenta imagens.

Uma apresentação que nasceu antes de alguém terminar de pedir.

Tudo isso cria movimento. Movimento é fotogênico. Capacidade operacional costuma ser mais discreta.

Ela aparece quando:

• uma informação deixa de se perder entre setores;
• um documento chega acompanhado da origem e das lacunas encontradas;
• uma entrega é validada antes de seguir para a próxima etapa;
• uma regra deixa de depender da memória de uma única pessoa;
• uma exceção encontra um responsável em vez de desaparecer no fluxo;
• uma decisão recebe cenários e evidências melhores sem esconder quem responde por ela;
• um processo recorrente produz um artefato que outra pessoa consegue verificar, corrigir e manter.

Por isso, a pergunta que muda o projeto não é “quantos posts a IA consegue produzir?”.

É:

Que capacidade passou a existir?

Quem consegue fazer o quê agora que antes dependia de esforço manual, improviso, espera ou contexto perdido?

Como sabemos que a entrega está correta?

O que acontece quando a informação não basta?

Quem pode autorizar uma ação?

Quem continua responsável quando algo dá errado?

Se essas perguntas não têm resposta, o problema não é falta de uma IA mais poderosa.

É falta de projeto.

Este blog não é um argumento contra conteúdo. É um argumento contra conteúdo sem dono

Eu já mantive outros blogs entre 2005 e 2008. Conseguia escrever linha por linha, mas não sustentava por muitos dias toda a operação ao redor da escrita.

Este blog nasceu com apoio do ChatGPT sob minha direção. Mesmo assim, no começo eu ainda precisava reexplicar contexto, coordenar etapas manualmente e corrigir um tom que não refletia com precisão a forma como eu desenvolvo uma ideia.

Hoje, o sistema recebe contratos editoriais, referências de voz, regras de pesquisa, critérios de linkagem, limites do que pode ser afirmado, validações e o ponto exato em que uma decisão precisa voltar para mim.

Ele não “virou Felipe”.

Não ganhou consciência, experiência profissional nem autoria por proximidade.

Eu transformei parte do meu modo de trabalhar em instruções, exemplos, memória, ferramentas e critérios revisáveis. Com isso, consigo externalizar uma percepção, desenvolver a tese e delegar a coordenação do restante sem reensinar a operação inteira em toda conversa.

Esse sistema produz conteúdo, sim.

Também pesquisa, confronta, organiza, valida, preserva contexto, prepara avaliação e impede publicação automática.

O artigo é o resultado visível.

A capacidade construída é muito maior que o arquivo do artigo no final.

É essa diferença que desaparece quando alguém resume todo uso de IA a “ela escreve posts”.

O feed é a vitrine. A operação é a casa

Conteúdo pode educar um cliente antes da conversa comercial. Pode traduzir termos, mostrar critérios, tornar um problema visível e permitir que alguém compreenda como uma empresa pensa.

Esse é, inclusive, um dos papéis deste blog para a i-9.ai.

Mas conteúdo não substitui entrega.

O feed é a vitrine.

A operação é a casa.

Não adianta publicar diariamente que a empresa está “revolucionando o futuro” enquanto alguém continua copiando pedido entre planilhas, procurando a versão correta de um documento no e-mail e dependendo de uma pessoa específica para lembrar qual é o próximo passo.

Gerar mais conteúdo sobre inovação não torna a operação inovadora.

Torna a contradição mais bem diagramada.

Quando eu olho para uma empresa, não começo perguntando qual modelo ela quer usar nem quantas publicações deseja automatizar. Começo procurando onde o trabalho trava, onde o contexto se perde, que decisão se repete, que erro volta a aparecer e que pessoa virou uma integração manual entre sistemas.

Foi por isso que escrevi que sua empresa não precisa descobrir onde colocar IA. Precisa descobrir onde existe um problema real e qual é a menor intervenção capaz de melhorar o resultado com controle.

Às vezes essa intervenção será conteúdo.

Talvez o gargalo seja justamente transformar conhecimento técnico disperso em material que vendas, atendimento e clientes consigam compreender. Nesse caso, um sistema editorial governado pode ser capacidade operacional de verdade.

Às vezes será uma automação.

Às vezes será um validador, um agente, uma integração, uma memória revisável ou uma combinação deles.

O que não deveria ser é uma ferramenta procurando uma tarefa vistosa para justificar a compra.

Uma revisão rápida antes de chamar isso de estratégia

Se você está avaliando um uso de IA na sua empresa, experimente responder:

1. Qual trabalho, gargalo ou decisão deu origem ao projeto?
2. Quem recebe o resultado e o que consegue fazer melhor com ele?
3. Que capacidade passará a existir além de produzir mais saída?
4. Qual parte pede linguagem e interpretação, e qual parte deveria continuar sendo uma regra fixa?
5. De onde vêm os dados e como a origem será preservada?
6. Que critério define uma entrega correta?
7. Como o sistema encontra erro, incerteza ou informação ausente?
8. Que ferramentas ele pode usar e até onde vai sua permissão?
9. Em que ponto precisa parar e devolver a decisão para uma pessoa?
10. Como mediremos se o gargalo melhorou?
11. Quem mantém o sistema quando a demonstração termina?
12. Como corrigir, desligar ou voltar atrás?

Se a resposta honesta for “queremos apenas produzir bons conteúdos com mais consistência”, tudo bem.

Defina voz, fonte, revisão, objetivo, responsabilidade e o que torna o conteúdo digno de publicação.

Isso já é muito melhor que vestir um calendário vazio com a palavra “estratégia”.

Mas, se existe fila, retrabalho, decisão repetitiva, informação perdida ou erro recorrente em outra parte da empresa, talvez a oportunidade mais importante não esteja no feed.

Talvez esteja trabalhando silenciosamente todos os dias para continuar invisível.

A conversa que me interessa começa antes da ferramenta

Na i-9.ai, eu trabalho para transformar contexto, requisitos e gargalos em sistemas que possam ser usados, verificados, monitorados e governados.

Isso pode envolver software convencional, automação, agentes, dados, memória, validação, infraestrutura, segurança e integração. Pode envolver conteúdo quando ele fizer parte do problema real.

Meu trabalho não começa com um pacote genérico procurando onde ser instalado.

Começa por entender o trabalho.

Se você reconheceu um processo que hoje depende de improviso, contexto perdido ou esforço manual demais, entre em contato. Você não precisa chegar sabendo qual tecnologia usar.

Pode chegar com o gargalo.

O que vale colocar em escala

Eu não quero menos conteúdo porque foi produzido com IA.

Quero menos conteúdo que não tinha motivo para existir.

Quero sistemas que ajudem uma pessoa a pesquisar melhor, explicar melhor, decidir melhor e executar melhor — sem esconder fonte, limite ou responsabilidade atrás de uma interface conveniente.

Se a aplicação certa for um artigo, ótimo. Que ele carregue uma percepção real, algo verificável e uma utilidade que sobreviva ao gesto de rolar a tela.

Se a aplicação certa estiver na operação, melhor ainda. Que a IA saia da apresentação sobre o futuro e entre no processo com permissão, critério, monitoramento e alguém responsável pelo resultado.

Se o único resultado foi publicar mais coisas que ninguém precisava ler, você não ampliou capacidade.

Automatizou ruído.

A inteligência artificial não precisa ocupar todos os espaços.

Mas, antes de usá-la apenas para preencher um, talvez valha perguntar o que ela poderia ajudar a construir.

Continue lendo

• Se você acha que IA é só um chatbot, já começou pelo limite errado
• Sua empresa não precisa descobrir onde colocar IA
• Escrever com IA não me tornou menos autor
• A melhor resposta não é a que mais me agrada

Para se aprofundar

• Chatbot: visão enciclopédica de interfaces de conversa; o termo descreve a forma de interação, não toda a arquitetura possível atrás dela.
• Automação: introdução a sistemas que executam processos com diferentes níveis de intervenção humana.
• Garantia da qualidade: contexto sobre práticas usadas para prevenir, encontrar e corrigir problemas antes que uma entrega avance.
• Integração de sistemas: visão geral da conexão entre componentes e sistemas que precisam trocar dados ou coordenar processos.
• Engenharia de prompts: contexto enciclopédico sobre a elaboração de instruções e contexto para modelos generativos; um prompt não equivale ao sistema de trabalho descrito neste texto.
• Framework: contexto sobre estruturas reutilizáveis de software; uma estrutura maior não é automaticamente melhor para uma necessidade pequena.

Referências e limites de uso

• AWS, “O que é geração aumentada via recuperação (RAG)?”: define RAG como o uso de uma base externa para acrescentar contexto à resposta de um modelo de linguagem. É documentação de uma fornecedora de tecnologia e não prova que RAG melhore qualquer processo, seja necessária ou constitua a arquitetura adequada para os exemplos deste artigo.

Os exemplos deste texto são hipóteses de arquitetura usadas para explicar capacidades e controles. Não são estudos de caso, promessa de resultado nem recomendação técnica universal. O desenho adequado depende do processo, dos dados, do risco, das integrações e de quem responde pela decisão.