Do modelo à implantação: como montar nos arquivos da sua equipe um loop de conteúdo que melhora sozinho
Por Ygor Fonseca, Fundador e líder de sistemas
Duas equipes de marketing começaram o mesmo trimestre com a mesma estrutura. As duas assistiram à palestra de Tom Blomfield para a turma da YC sobre empresas que melhoram sozinhas. As duas concordaram que o modelo de cinco camadas (sensores, política, ferramentas, controles de qualidade e aprendizado) era o formato que queriam. As duas compraram as mesmas ferramentas de IA. As duas puseram os mesmos líderes de crescimento no comando.
Três meses depois, a estrutura da primeira equipe é uma pasta. Um arquivo de regras principal que a IA lê em toda tarefa. Alguns arquivos de instruções menores para os trabalhos que a equipe faz com mais frequência. Um registro crescente do que foi aprendido. Na segunda de manhã, o líder de crescimento da equipe abre a pasta, roda o briefing de conteúdo da semana, e o resultado já reflete as edições da semana anterior, porque essas edições foram para o arquivo. A estrutura da segunda equipe é um espaço no Notion, um canal no Slack onde a gerente de ciclo de vida vem "treinando a IA na conversa" e uma pasta de prompts avulsos colados em janelas de chat. O resultado está parecido com o de fevereiro, quando tudo começou. Nenhuma edição teve efeito composto.
O mesmo modelo, com implantações diferentes. A distância entre as duas é o assunto deste texto.
O texto de ontem, que acompanha este, mostrou o que o loop que melhora sozinho de Blomfield faz quando aplicado a crescimento e conteúdo. Ali, as cinco camadas aparecem como fluxo de trabalho, com o próprio blog da LeanBoat como exemplo. Este texto é a outra metade. Como é, na prática, montar essas cinco camadas nos arquivos de uma equipe? Onde as camadas ficam? O que se cria primeiro? E o que acontece quando nada acontece, quando a equipe tem as ferramentas de IA mas a implantação nunca sai do papel?
Resumo
- Um loop que melhora sozinho é implantado como uma pasta, e não como um produto SaaS. Cada uma das cinco camadas de Blomfield (sensor, política, ferramenta, controle de qualidade e aprendizado) vira um ou mais arquivos markdown de texto simples, que a IA lê quando precisa e que a equipe versiona como código.
- A ligação entre os arquivos é feita por roteamento. A IA lê o arquivo de regras principal em toda tarefa, e ele aponta para o arquivo ou os dois arquivos de instruções, com nome, e para as referências de memória de que a tarefa precisa. Não é uma janela de contexto gigante a cada vez.
- A implantação segue uma ordem ao longo do primeiro mês, e não acontece de uma vez. Na semana 1, o arquivo de regras principal e um arquivo de instruções. Na semana 2, o primeiro sensor. Na semana 3, o primeiro controle de qualidade em modo de teste. Na semana 4, a primeira rodada de aprendizado.
- A camada de aprendizado é a que a maioria das implantações pula. Sem ela, os arquivos estão iguais em novembro e em maio, o sistema nunca ganha efeito composto e o multiplicador de trabalho desaparece.
- Quatro modos de falha quebram a implantação: correções que não voltam para os arquivos, uma única pessoa como gargalo de aprovação, regras que se contradizem e a publicação do catálogo (que acaba com a vantagem defensável). O formato pode ser compartilhado. O catálogo é de cada equipe.
As cinco camadas em arquivos
Cada camada do modelo de Blomfield vira um ou mais arquivos na implantação. Os arquivos são de texto simples, quase sempre markdown. São versionados do jeito que engenheiros versionam código e lidos pela assistente de IA quando ela precisa. Quem edita os arquivos é uma escolha de projeto, à qual voltaremos: a IA sozinha, a pessoa depois de aprovar uma proposta da IA, ou uma mistura que varia de arquivo para arquivo. A implantação não é um produto SaaS. É uma pasta.
Camada de sensores. Um arquivo por fonte de sinal. Cada arquivo de sensor é um pequeno arquivo de instruções que diz à IA o que buscar, como pontuar o que buscou e onde guardar o resultado. A equipe que faz um levantamento diário de pesquisa tem um arquivo de instruções de sensor para esse levantamento: quais vozes ler, o que pular, o que sinalizar e quais campos preencher no resultado. A equipe que puxa um relatório mensal de citações tem um arquivo de sensor para esse relatório. Cada sensor produz um arquivo de saída, como o registro diário de pesquisa ou o registro de citações, que a camada seguinte consegue ler.
O formato de um arquivo de sensor é sempre o mesmo. Uma condição de disparo (o que faz essa busca rodar). Uma lista de fontes (de onde ela lê). Um critério de pontuação (o que merece ser guardado). Um modelo de saída (como o resultado aparece quando chega). O que o arquivo NÃO tem é a análise propriamente dita. A IA roda a busca, produz o resultado e para. A equipe lê o resultado como um analista leria um relatório de pesquisa.
Camada de política. Um arquivo de regras principal que a IA lê em toda tarefa, mais uma pasta de memória para as regras menores do dia a dia. O arquivo principal guarda as constantes: os limites do tom de voz da marca, os assuntos proibidos e as decisões recentes do fundador que se sobrepõem ao padrão. Guarda também o botão de parada, com as condições que interrompem o loop e devolvem o controle à pessoa. A pasta de memória guarda o registro das regras que a equipe aprendeu com o tempo, uma regra por arquivo. Cada regra tem um gatilho ("quando X acontecer, aplique Y") e um motivo ("criamos esta regra depois que Z deu errado" ou "criamos esta regra porque o fundador decidiu W nesta data").
O catálogo de regras é a parte que ninguém publica. Do ponto de vista da arquitetura, é o tom de voz da marca num formato que a máquina lê, acumulado ao longo do tempo. É também a vantagem defensável. O formato pode ser compartilhado: um arquivo principal, uma pasta de memória, uma regra por arquivo, gatilho e motivo em cada uma. O catálogo em si, não.
Camada de ferramentas. Um arquivo de instruções por tarefa recorrente. Chamamos de "arquivo de instruções" um pequeno arquivo markdown que ensina a assistente de IA a fazer um tipo de trabalho: escrever uma análise de concorrência, rodar a checagem antes de publicar, resumir um texto para o LinkedIn, propor um título. Cada arquivo tem um gatilho claro (quando usar), um escopo (para que serve e para que não serve), os movimentos estruturais da tarefa, exemplos de entregas anteriores que funcionaram e exemplos que não funcionaram. Quando a equipe começa um tipo novo de tarefa, não inventa um formato do zero. Escreve um novo arquivo de instruções, e a próxima vez que a tarefa aparecer já usa esse arquivo.
Os arquivos de instruções acumulam valor do mesmo jeito que as regras. Cada novo projeto acrescenta alguns. Depois de seis meses, a pasta é o método vivo da agência, escrito para uma IA executar, e não para ficar bonito num slide.
Camada de controle de qualidade. Um arquivo de checagem por controle. Uma checagem antes de publicar. Uma checagem de fatos que dispara quando há citações. Uma checagem de título. Uma checagem do resumo para o LinkedIn. Cada arquivo de checagem tem uma lista de itens, um critério de aprovado ou reprovado para cada item e uma ação em caso de falha (bloquear a publicação, sinalizar para revisão, propor uma correção). Toda checagem nova começa em modo de teste: durante duas semanas, ela registra o que teria sinalizado, sem bloquear nada. A pessoa lê o registro e decide quais itens passam a valer e quais saem. Uma checagem que ainda não pegou uma falha real ainda não é um controle de qualidade.
O conteúdo das checagens também não é publicado. O formato é a arquitetura: um arquivo por controle, itens em cada checagem, primeiro o modo de teste e depois a passagem para valer. Os itens de fato, as condições de falha de fato e a biblioteca de padrões que a checagem usa para avaliar um rascunho ficam todos na pasta, e ficam lá.
Camada do mecanismo de aprendizado. Um arquivo agendado por ciclo. Um arquivo de rodada semanal de aprendizado. Um arquivo de rodada mensal. Cada um é, ele mesmo, um pequeno arquivo de instruções que diz à IA o que ler, que padrões procurar e que tipo de edição propor. A IA lê o que foi publicado no período anterior e entrega uma lista de propostas: edições no arquivo de regras, novos arquivos de instruções para tarefas que apareceram mais de duas vezes, ajustes nas configurações dos sensores e a passagem de checagens do modo de teste para valer. A pessoa revisa cada proposta e aprova, modifica ou rejeita.
Esta é a camada que a maioria das implantações pula. A IA produz bastante sem ela, mas o sistema nunca ganha efeito composto. Sem um arquivo de aprendizado, as instruções da equipe estão iguais em novembro e em maio. O multiplicador de trabalho some. E o motivo de ter feito a implantação desaparece junto.
O roteamento
A ligação entre os arquivos importa tanto quanto os arquivos. O princípio é simples: a assistente de IA lê o arquivo de regras principal em toda tarefa. Quando a tarefa bate com um gatilho, esse arquivo aponta, pelo nome, para o arquivo de instruções correspondente. As referências de memória são carregadas quando a tarefa precisa de contexto. As saídas dos sensores, das checagens e do aprendizado ficam cada uma no seu arquivo, e a assistente lê essas saídas quando a tarefa faz referência a elas.
A assistente não lê tudo toda vez. É assim que foi projetado. Uma tarefa nova aciona o arquivo principal, mais um ou dois arquivos de instruções com nome, mais as referências de memória relevantes. Outra tarefa aciona outra combinação. A documentação da Anthropic chama isso de roteamento: a assistente identifica qual é a tarefa e traz só os arquivos que importam para ela. A equipe não mantém uma janela de contexto gigante a cada chamada. A equipe mantém uma pasta, e a assistente monta a parte certa sob demanda.
A implantação fica num sistema de controle de versão. Cada mudança é um commit com mensagem e horário. A equipe consegue ver o que mudou na semana passada, o que a IA propôs e a pessoa aprovou e o que a pessoa rejeitou. Dá para auditar a pasta como se audita um repositório de código. Se uma entrega sai errada, a equipe consegue rastrear quais arquivos a assistente usou para produzi-la e em que versão esses arquivos estavam naquele momento.
O modo autônomo
O texto de ontem explicou por que o nosso loop roda com aprovação humana, e não de forma totalmente autônoma como o agente das sessões de mentoria (office hours) que Blomfield usa na YC. A implantação aceita as duas versões, e a camada de política é a chave. O arquivo de regras principal diz: "para mudanças da categoria X, a revisão de um segundo agente de IA é a aprovação final; para mudanças da categoria Y, a pessoa aprova". As duas são implantações válidas do mesmo modelo de cinco camadas. A versão autônoma funciona na YC porque, por categoria, as edições nos arquivos são estreitas e de baixo risco. Um segundo agente de IA consegue pegar a maioria das regressões antes de a mudança entrar.
A maioria das implantações de marketing e crescimento não está nessa categoria. Edições nas regras de tom de voz da marca, nas convenções de título, nos limites de tom e na lista do botão de parada não falham de forma barulhenta. Uma edição ruim faz sair seis semanas de trabalho sutilmente fora da marca, assinado por uma pessoa com nome, antes que alguém perceba o desvio. Quando a equipe nota, o catálogo já vem acumulando o formato errado em silêncio, e o multiplicador de trabalho já opera ao contrário.
O nosso padrão é a aprovação humana. A arquitetura aceita as duas versões. Escolhemos a aprovação humana porque o critério da pessoa é a parte pela qual a marca paga. O loop acumula o critério da equipe na pasta, e esse efeito composto é o objetivo. O modo autônomo tiraria a parte que dá experiência e autoridade ao conteúdo. É por isso que a pessoa precisa estar nesse loop. Categorias estreitas podem passar a ser autônomas com o tempo: uma configuração nova de sensor que rodou sem problemas por seis semanas, um ajuste de baixo risco num arquivo de instruções que outro agente de IA consegue revisar sozinho. Nesses casos, um agente de monitoramento lê cada mudança registrada em busca de desvios de padrão e leva o que encontrar à pessoa toda semana. Mas as edições de política, as edições de tom de voz da marca e tudo o que sai assinado por um autor com nome ficam com a pessoa, por decisão de projeto.
O teste honesto está no próprio arquivo de política. Ele deixa a IA registrar edições no tom de voz da marca ou nas regras do botão de parada sem uma etapa de aprovação humana? Então a implantação escolheu o modo autônomo, e a equipe aceitou o desvio como uma categoria de risco. A escolha é legível: é uma linha num arquivo que qualquer pessoa da equipe consegue ler. Nós não colocamos essa linha.
A ordem da implantação
As cinco camadas não são montadas no primeiro dia. Tentar ligar tudo de uma vez não funciona: a equipe monta uma pasta linda e vazia, e nada roda.
Uma implantação que funciona é montada mais ou menos nesta ordem.
Semana 1. O arquivo de regras principal. No topo, a hipótese de trabalho: três frases sobre o que a equipe está tentando fazer, por que agora e o que está impedindo. Os limites do tom de voz da marca. O botão de parada, com as condições que interrompem o loop e devolvem o controle à pessoa. Um arquivo de instruções para a tarefa que a equipe mais faz. Isso basta para começar a rodar trabalho real na implantação. Todo o resto entra quando passa a ser necessário.
Semana 2. O primeiro arquivo de sensor. Escolha o sinal que já orienta decisões e que não está sendo registrado em lugar nenhum. Em geral, ele tem a ver com engajamento no conteúdo, respostas recebidas ou acompanhamento de citações. Ligue a busca do sensor e mande a saída para um arquivo que a equipe consiga ler. Acrescente um segundo arquivo de instruções para a segunda tarefa mais comum. Rode o arquivo de instruções que já existe em produção e anote o que falha.
Semana 3. O primeiro controle de qualidade. Escolha o modo de falha que já apareceu duas vezes nas semanas 1 e 2. Escreva a checagem em modo de teste: ela registra o que teria sinalizado, sem bloquear nada. Depois de duas semanas em teste, a pessoa revisa o registro e faz a checagem passar a valer.
Semana 4. A primeira rodada de aprendizado. A IA lê o que foi publicado no mês anterior, as saídas dos sensores e os registros das checagens. Depois propõe edições nos arquivos para onde o padrão aponta: o arquivo de regras, um arquivo de instruções, a configuração de um sensor, qualquer coisa que tenha virado um padrão recorrente. A pessoa revisa as propostas e aprova as que fazem sentido. A partir daí, o loop roda numa frequência semanal, e os arquivos são a parte que fica mais inteligente a cada ciclo.
Essa sequência deixa uma implantação funcionando no fim do primeiro mês. Ela não está pronta, mas já produz e aprende. Depois disso, o catálogo segue crescendo. No terceiro mês, o método de trabalho da equipe já está nos arquivos.
Os quatro modos de falha
São quatro modos de falha, na ordem de frequência com que aparecem.
O primeiro é a correção que não volta para o arquivo. A pessoa revisa o que a IA entregou e corrige de boca ou editando o documento final, mas nunca atualiza os arquivos que estão por baixo. O mesmo tipo de erro se repete na rodada seguinte, porque as regras e as instruções não mudaram. A disciplina é esta: nenhuma correção vale até o arquivo ser atualizado. Se uma decisão é tomada fora do arquivo, o arquivo está errado e precisa ser corrigido antes da próxima chamada.
O segundo é uma única pessoa como gargalo. A IA propõe bastante. Se uma pessoa só é dona de todas as aprovações, a fila cresce mais rápido do que se esvazia. Ou as aprovações viram carimbo (e o controle para de funcionar), ou o sistema desacelera até as pessoas darem um jeito de contorná-lo (e o controle deixa de ser usado). A correção é dividir a aprovação por área. As edições de um sensor são aprovadas pela pessoa mais próxima daquele sensor. As edições de um arquivo de ferramenta são aprovadas por quem executa aquela tarefa. As edições de política ficam com o líder, porque a política é o tom de voz da marca.
O terceiro são regras que contradizem outras regras. Com o tempo, a memória de política acumula regras, e algumas vão entrar em conflito. A correção é uma revisão mensal de contradições: a IA lê a pasta de regras e aponta os conflitos, a pessoa resolve, e as resoluções voltam para os arquivos. Sem essa revisão, a IA acaba aplicando a regra que leu por último, e essa não é a regra que a equipe queria.
O quarto é publicar o catálogo. O formato da implantação é a parte que pode ser publicada. O catálogo de regras, checagens, fontes dos sensores e instruções é a parte que acumula valor e a parte que é específica de cada marca. Tratar a implantação como um modelo para baixar, uma "pasta inicial" que a equipe entrega a um comprador, acaba com a vantagem defensável. O catálogo ganha valor por ser construído por cada equipe ao longo do tempo, e não por ser copiado inteiro.
Arquitetura e implantação
O modelo de Blomfield é a arquitetura. A implantação é o que acontece quando uma equipe monta essa arquitetura nos próprios arquivos. A arquitetura pode ser compartilhada, e este texto a compartilha. A implantação é de cada equipe, e o catálogo que ela produz com o tempo é a parte que pertence à equipe.
A primeira equipe do começo deste texto, a da pasta, montou uma implantação que funcionava no primeiro mês e depois deixou o catálogo crescer. Três meses depois, a implantação é a equipe. Quem entrar em seguida lê os arquivos e se atualiza em uma tarde. Quem sair leva o próprio critério, mas as regras e as instruções que escreveu ficam. O multiplicador de trabalho está fazendo o que o modelo de Blomfield disse que faria.
A segunda equipe continua digitando em janelas de chat. As ferramentas de IA dela funcionam como prometido. E funcionam sem nada por baixo.