EN

Uma cultura de pull request para o conhecimento. A disciplina a que as equipes de marketing AI-native estão chegando.

Por , Fundador e líder de sistemas

Numa segunda-feira de fevereiro, uma estrategista de marketing de uma empresa de SaaS em Série B abre o documento de planejamento trimestral. Três meses antes, a equipe dela tinha montado um fluxo de IA para gerar análises de concorrentes a cada duas semanas: documentos de uma página com o título Como o Concorrente X vence. As análises caíam numa pasta compartilhada do Drive. Ninguém tinha revisado nenhuma delas em detalhe. Elas pareciam confiáveis e viraram a base do roadmap da estrategista. Na terça à tarde, o orçamento de desenvolvimento de um trimestre inteiro já estava destinado a uma funcionalidade que o Concorrente X tinha descontinuado publicamente em agosto passado. Duas das três afirmações da análise sobre o Concorrente X vinham de uma página de marketing de 2023, já arquivada, que a IA tratou como atual.

Este texto mostra como equipes de marketing AI-native impedem que essa falha vire rotina. A resposta curta vem de uma expressão a que três palestrantes chegaram de forma independente no Speero Circus 2026, na semana passada, em Londres: uma cultura de pull request para o conhecimento. A ideia é tratar os artefatos gerados por IA do jeito que engenheiros tratam código. Nada entra sem um revisor nomeado. Nada entra na base de conhecimento da equipe sem um sinal de aprovado ou reprovado. Nada vale como verdade até alguém assinar embaixo.

Três vozes independentes

Marcel Toben, líder de Engenharia e Experimentação da Zalando, descreveu o formato com mais precisão no resumo publicado da palestra dele. "Agentes de código com IA permitem que as equipes publiquem 10–50× mais rápido, mas a confiança não cresceu na mesma velocidade. Conforme as mudanças se acumulam, a revisão desmorona, as métricas ficam ruidosas e fica mais difícil confiar nas decisões." Ele chama isso de lacuna entre velocidade e confiança. O argumento dele é que a experimentação precisa virar o plano de controle das mudanças. É a disciplina que transforma a velocidade trazida pela IA em resultados com que a equipe consegue de fato trabalhar. Sem isso, publicar mais rápido é só sair do rumo mais rápido.

Leah Tharin, executiva de crescimento em SaaS B2B na Fyxer, foi mais direta no resumo da palestra dela. "O risco real da IA na experimentação não é a alucinação. É o contexto sem revisão virando verdade na organização." Ela defendeu o que chama de cultura de pull request para o conhecimento. A IA constrói o artefato, mas a aprovação segue o cuidado que engenheiros têm antes de fazer o merge de um código. Isso vale sobretudo quando quem consome o resultado (os líderes que fazem apostas estratégicas com base nele) não é técnico e não consegue auditar as fontes por conta própria.

A terceira voz independente foi Caitlin Sullivan, que conduziu um dos workshops do primeiro dia. A descrição publicada do workshop dela foi a mais concreta. A proposta é construir sistemas com vários agentes em que a tarefa de cada agente já vem com verificação embutida. Cada agente confere a própria produção com os dados de origem, cruza as conclusões entre várias fontes de dados e aponta contradições. Toda entrega traz citações e exigência de evidência. Os artefatos que o sistema entrega não são slides nem painéis. São arquivos markdown que produzem resultados consistentes e repetíveis a cada execução.

São três palestrantes, com três vocabulários diferentes, e um formato só. Toben nomeia a lacuna. Tharin nomeia o modo de falha. Sullivan entrega a arquitetura. Os três escreveram essas ideias de forma independente: três propostas separadas para a mesma conferência, escritas antes de qualquer um deles subir ao palco. Juntas, elas mostram o mesmo quadro. A IA gera conhecimento mais rápido do que as pessoas conseguem absorver, então a disciplina que precisa crescer não é a geração. É a revisão. Equipes que ainda usam ferramentas de produtividade com IA sem uma trava de revisão explícita correm um risco silencioso. A produção mais rápida delas vai se acumulando numa base de conhecimento que ninguém aprovou de fato.

A trava de revisão no marketing

É aqui que a metáfora de engenharia deixa de ser metáfora e vira fluxo de trabalho. Numa equipe de engenharia, toda mudança de código passa por um pull request. Há um revisor nomeado, uma comparação explícita do que mudou (o diff), um sinal de aprovado ou reprovado e uma conversa de comentários que precisa ser resolvida antes do merge, a entrada do código na base principal. Código que não passa por essa trava não vai para produção. A disciplina está na estrutura, e não na boa intenção.

No conhecimento de marketing, a tradução é direta. Todo briefing, resumo, documento de pesquisa, atualização de persona de cliente ou retrospectiva de campanha gerado por IA é um artefato de conhecimento. Hoje, a maioria das equipes de marketing trata esses artefatos como "entregas": coisas que caem no Drive e são usadas. Na verdade, são propostas de merge. Eles viram o conhecimento de trabalho da equipe por padrão, a menos que alguém os revise e aprove. O problema está nesse padrão.

O fluxo

Este é o formato que implantamos dentro de uma equipe de marketing AI-native. São cinco passos, encaixados no fluxo real da equipe, e não colados por cima como um processo extra.

O fluxo clássico. Uma ferramenta de IA produz um artefato: um briefing, um resumo, um rascunho, um documento de pesquisa. Ele cai no Drive ou no Slack. Quem precisava dele dá uma lida rápida, usa o que parece útil e segue em frente. Nenhum revisor é nomeado. Nenhum sinal de aprovado ou reprovado fica registrado. O artefato entra no conhecimento de trabalho da equipe por padrão.

Teste primeiro. Antes de levar a trava para a equipe toda, faça um teste de duas semanas. Nomeie revisores como no passo 2 abaixo, mas deixe os artefatos saírem como sempre. O revisor registra o que teria apontado no passo 3 (aprovado, reprovado ou corrigido), sem bloquear nada. Depois de duas semanas, o registro mostra quantos artefatos teriam sido reprovados, quais tipos de falha predominam e qual revisor vira o gargalo. A maioria das equipes descobre que um ou dois tipos de artefato concentram 80% do valor. Comece por eles e depois amplie.

A versão AI-native que propomos.

  1. Todo artefato gerado por IA sai com um cabeçalho. Artefato é tudo o que vai entrar na base de conhecimento da equipe: briefing, resumo, documento de pesquisa, atualização de persona de cliente, retrospectiva de campanha. Rascunhos de trabalho e explorações não contam. O cabeçalho tem quatro campos. Eles dizem quem disparou a geração, que fontes ela usou, qual foi a tarefa dada ao agente e que sinal a geração deveria produzir. Sem cabeçalho, não há revisão possível.
  2. Um revisor nomeado é definido no momento do disparo, e não depois. Quando a geração roda, ela indica a pessoa que precisa aprovar. A agenda dessa pessoa ganha um horário reservado. A revisão é uma etapa do fluxo, e não uma pendência acumulada.
  3. O trabalho do revisor é dar um sinal de aprovado ou reprovado e corrigir. Aprovado quer dizer que o artefato vale como está. Reprovado quer dizer que o revisor rejeita o artefato ou faz as correções nele. As correções importam, como mostra o passo 5.
  4. Artefatos aprovados recebem um marcador de merge antes de entrar na base de conhecimento. O revisor aplica o marcador quando aprova. Tudo o que não tem o marcador continua sendo rascunho. Ninguém pode citar um rascunho num documento de estratégia, numa apresentação para o conselho ou numa mensagem para o cliente.
  5. As correções do revisor voltam para as instruções do agente. É aqui que está o ciclo com efeito composto. Quando um revisor corrige um artefato, a correção não conserta só aquele artefato. Ela edita o arquivo de instruções que o agente lê na execução seguinte. O mesmo tipo de erro não se repete. Em seis meses, o comportamento do agente passa a refletir o histórico de revisões acumulado da marca, uma correção de cada vez. O revisor está ensinando ao sistema o que é um bom trabalho para aquela equipe.

Onde quebra. No cansaço do revisor. Se uma pessoa só cuida da revisão de todos os artefatos, a fila cresce mais rápido do que ela consegue dar conta. Ou as aprovações viram carimbo, ou o sistema fica tão lento que a equipe passa a contorná-lo. A correção é dividir a revisão por área e limitar quantos artefatos cada agente entrega por semana. Os artefatos de retenção ficam com o responsável por retenção, e os de mídia paga, com o responsável por mídia paga. O fluxo não se sustenta na força de vontade. Ele se sustenta na disciplina de capacidade.

O efeito para quem contrata

As equipes que publicam conhecimento gerado por IA sem uma trava explícita de revisão não estão decidindo pular a revisão. Estão decidindo por omissão. Cada artefato que cai na pasta do Drive sem sinal de aprovado ou reprovado é um voto que diz isto está aprovado. Em seis meses, mil artefatos sem revisão viram uma base de conhecimento de mil páginas que ninguém leu de verdade. A equipe trabalha em cima dessa base todos os dias. O plano trimestral da estrategista veio de algum lugar.

O custo mais profundo é a confiança. Alguns desses planos vão se revelar construídos sobre fontes ruins. Pode ser uma análise de concorrente tirada de uma página arquivada de 2023, um resumo de cliente que inventou uma reclamação sem ninguém notar ou um diagnóstico de retenção feito com a coorte errada. Quando isso acontece, a confiança interna nos artefatos de IA desaba. Quem opera deixa de usá-los. A equipe volta para a pesquisa manual, e isso custa a vantagem de velocidade que justificou a implantação da IA. Sem a trava, o que morre é a própria velocidade.

Três coisas mudam quando a trava está no lugar. Primeiro, o operador sênior deixa de absorver a perda de contexto toda vez que um estrategista júnior usa um artefato de IA num documento de planejamento. O artefato passou ou não passou pela revisão, e esse sinal vai junto com ele. Segundo, o agente melhora semana a semana, porque as correções do revisor viram dados de treino para a próxima execução, em vez de ficarem na cabeça de alguém. Terceiro, o trabalho passa a ser auditável. Um revisor com histórico de aprovações e reprovações deixa um rastro documentado. Sem esse rastro, um trabalho AI-native é uma caixa-preta tanto para a agência quanto para a marca.

Pense em quem estava no Speero na semana passada e nos líderes de experimentação da Zalando e da Fyxer, que nomeiam o problema em voz alta. Pense também nas equipes de marketing AI-native que rodam, sem alarde, a própria versão da trava. Essas equipes estão chegando a uma cultura de pull request para o conhecimento, e não são mais lentas do que as equipes sem ela. Andam na mesma velocidade. Só se recusam a fazer o merge de conhecimento na base em que vão trabalhar amanhã antes que uma pessoa nomeada tenha aprovado.

A disciplina que as equipes de marketing AI-native começam a compartilhar não pede que elas gerem menos. Pede que façam menos merge.

Leia também

O imposto da rotatividade: como agências de marketing guardam o que as pessoas sabem

Quando uma equipe adota IA pessoa por pessoa, cada saída leva junto as regras do cliente e um histórico particular com a IA. Duas regras de gestão e um piloto em uma unidade mantêm esse conhecimento na agência.

Leia mais

Sua ferramenta de conversão com IA entrega um vencedor por semana. Veja como saber quais são reais.

A vantagem de uma ferramenta de conversão com IA é a velocidade: mais testes, mais rápido. Mas mais testes fabricam, por pura mecânica, mais vencedores falsos. A pilha de ganhos reportados pode crescer enquanto a sua taxa de conversão real fica parada. A verificação que pega isso, e duas medidas que a ferramenta não vai entregar a você.

Leia mais

Conte para a gente sobre o seu projeto

Onde estamos

  • Lisbon
    Portugal
  • São Paulo
    Brasil
  • Rio de Janeiro
    Brasil