EN

Como equipes de crescimento AI-native montam um sistema de conteúdo que melhora sozinho

Por , Fundador e líder de crescimento

A equipe de crescimento de uma empresa de SaaS em Série B roda um sprint semanal de conteúdo. São quatro posts no LinkedIn assinados pelo fundador, dois rascunhos de blog na fila e um calendário editorial montado por uma agência. Há ferramentas de IA em todo o processo: geradores de primeiro rascunho, reescritores de variações e um fluxo que leva notas de pesquisa de um espaço compartilhado para uma fila agendada. Seis meses depois, o volume de conteúdo mais ou menos dobrou. O CAC não se mexeu. As menções ao fundador vindas de fora continuam as mesmas. A equipe sabe dizer quais posts saíram na semana passada. Ninguém sabe dizer quais deles fizeram alguma diferença.

Este post parte desse cenário. Nesta semana, Tom Blomfield, sócio (General Partner) da YC, fez uma palestra para a turma atual da aceleradora. Ele defendeu que a maioria das empresas cola IA em cima de um fluxo de trabalho antigo e chama o resultado de ganho de produtividade. A proposta dele é redesenhar o próprio fluxo como um ciclo que melhora sozinho: cinco camadas, recursivas, que melhoram enquanto a equipe dorme. Os exemplos de Blomfield foram análise de produto e triagem de atendimento ao cliente. Ele não deu nenhum de crescimento ou de conteúdo. A seguir está o mesmo formato aplicado a essa área, com o blog que você está lendo como exemplo.

Resumo

  • Um sistema de conteúdo que melhora sozinho é um fluxo de produção de conteúdo refeito como um ciclo recursivo. São cinco camadas: sensores, regras, ferramentas, controle de qualidade e mecanismo de aprendizado. A cada ciclo, ele atualiza as próprias instruções, em vez de só rodar mais rápido.
  • O efeito composto está na camada de aprendizado. Quando um post passa em branco ou uma verificação pega uma falha, o sistema atualiza as regras e os arquivos que vai ler da próxima vez. Assim, os arquivos de cada sexta-feira são mais inteligentes que os da sexta anterior.
  • A maioria das ferramentas de conteúdo com IA entrega digitação mais rápida, mas pula as camadas de sensores e de aprendizado. O post da semana que vem sai mais rápido, e não mais inteligente, e o ciclo nunca se fecha.
  • A diferença entre crescimento assistido por IA e crescimento AI-native é o mecanismo de aprendizado. Sem ele, você aluga velocidade. Com ele, você é dono de um sistema de conteúdo que melhora enquanto você dorme.
  • A Leanboat roda este blog dentro desse ciclo: cerca de 40 regras, uma revisão pré-publicação com 23 verificações e uma rodada semanal de aprendizado às sextas. Uma pessoa aprova cada mudança nos arquivos de instruções.

A definição de Blomfield

Um sistema que melhora sozinho lê o que aconteceu no ciclo anterior e atualiza as próprias instruções antes de rodar o próximo. Essa atualização é a razão de tudo. Sem ela, o sistema faz na segunda-feira a mesma coisa que fez na segunda anterior, talvez mais rápido, mas não mais inteligente.

Blomfield divide o ciclo em cinco camadas, e cada uma tem uma função. A camada de sensores traz sinal de fora da empresa: e-mails, chamados de suporte, sinais de uso, cancelamentos. A camada de regras define o que o sistema pode fazer sozinho e o que precisa consultar uma pessoa antes. A camada de ferramentas reúne as ações específicas que o sistema pode executar: consultar um banco de dados, olhar uma agenda, publicar num canal. O controle de qualidade roda verificações antes que qualquer coisa saia: avaliações, filtros de segurança e revisão humana nos itens de alto risco. O mecanismo de aprendizado lê onde o ciclo falhou da última vez e atualiza as camadas acima antes do próximo ciclo.

O efeito composto está nessa última camada. Pense num post que passou em branco, num briefing que gerou a resposta errada ou numa consulta que a IA não conseguiu resolver. Quando um sensor pega uma falha assim, o sistema não se limita a registrá-la. Ele atualiza a camada de ferramentas (uma nova visão do banco de dados, um novo arquivo de instruções), a camada de regras (uma regra nova para a próxima vez) ou o arquivo de voz da marca que a IA lê a cada execução. Seis meses depois, o comportamento do sistema reflete tudo o que a equipe corrigiu, uma atualização de cada vez. Ninguém sentou numa sexta-feira para "otimizar" o sistema. Ele se otimizou fazendo o trabalho e lendo os resultados.

É essa a camada que a maioria dos fluxos de conteúdo pula. As ferramentas de escrita com IA vendidas como SaaS, a categoria que passou dois anos se apresentando como o pacote de produtividade do conteúdo, entregam digitação mais rápida. Por padrão, elas não se corrigem com base no que funcionou na semana passada. O post da semana que vem sai mais rápido. Não sai mais inteligente.

As camadas ausentes

A maioria das ferramentas de conteúdo com IA não tem duas das cinco camadas: o sensor que observa o que funcionou e o mecanismo de aprendizado que atualiza o sistema a partir disso. Por isso, usar mais delas deixa o post da semana que vem mais rápido, nunca mais inteligente.

Pedro Dias, pesquisador que trabalha com fontes primárias sobre busca com IA, faz uma versão mais afiada desse argumento no campo de SEO. Para ele, a nova leva de ferramentas de otimização para busca com IA vende estrutura: marcação schema, conteúdo fatiado para a IA, páginas reescritas para a IA. A vantagem defensável de verdade na busca com IA é a evidência, o conteúdo primário e original que o modelo não tem como deixar de citar. A mesma lacuna aparece na produção de conteúdo. Uma equipe de crescimento pode assinar quatro ferramentas de escrita com IA e publicar dezesseis posts por semana. Por padrão, nenhuma delas observa o que é citado, quem clica para ver o perfil, quais frases viram print e o que os buscadores com IA mostram para uma consulta que importa à equipe. A camada de sensores não existe. O mecanismo de aprendizado também não. O ciclo está aberto.

Garry Tan, CEO da YC, escreve sobre esse mesmo formato por outro ângulo. O texto dele sobre o que chama de meta-meta-prompting descreve a estrutura em volta da IA. Há um arquivo de regras de nível mais alto, que define a voz e os limites da empresa, e um conjunto de pequenos arquivos de instruções que a IA chama pelo nome. Há também um registro do que funcionou e um sistema que atualiza tudo isso quando a IA percebe que errou. Essa última peça, o sistema que atualiza os arquivos, é a camada de aprendizado. O agente de office hours de Blomfield na YC tem a mesma estrutura, aplicada a outra função. A Anthropic publicou um conjunto de padrões para construir agentes de IA eficazes: formas de uma IA dividir tarefas entre subagentes, conferir o próprio trabalho e aprender com as falhas. São essas as peças de engenharia que um ciclo que melhora sozinho usa para ler a própria produção.

São três fontes, com três vocabulários diferentes, e um formato só. Como nenhuma delas trata especificamente de marketing de conteúdo, levar esse formato para o conteúdo é o trabalho que vem a seguir.

O ciclo deste blog

O blog que você está lendo é, ele mesmo, um exemplo do ciclo. São cinco camadas, as nossas, rodando num único repositório e numa pasta de arquivos de instruções. Dá para percorrer camada por camada (pesquisa, rascunho, revisão, distribuição), porque cada etapa é um exemplo do formato que este post defende.

Camada de sensores. Três fontes alimentam cada decisão editorial. A primeira é um arquivo diário de pesquisa, produzido por um agente de IA. Ele lê as vozes que acompanhamos num rastreador de vozes do mercado (cerca de quarenta, entre aliados e vozes contrárias), mostra o que elas publicaram nas 24 horas anteriores e pontua cada candidato com uma rubrica que mantemos. A segunda é um levantamento mensal de citações em busca com IA, nas consultas principais que escolhemos defender, que mostra quais domínios são citados e onde estamos ausentes. A terceira é o registro de toda conversa que chega até nós (ligações de vendas, apresentações de parceiros, mensagens diretas aos fundadores) num arquivo compartilhado, com uma coluna "o que motivou isto". Esse arquivo inclui o engajamento nas versões curtas para o LinkedIn que publicamos junto com cada post. Os sensores não são painéis. São arquivos.

Camada de regras. Um conjunto crescente de regras no nosso sistema de memória, que todo rascunho precisa cumprir. Hoje são cerca de quarenta, cobrindo fontes, higiene de citação, estrutura de título, vocabulário para textos públicos e mecânica de distribuição. Cada regra traz um "porquê" ligado ao fato que a originou. A maioria nasceu de uma falha específica, encontrada num rascunho específico. Não publicamos o catálogo de regras. O catálogo é a voz da marca num formato que a máquina lê e, com o tempo, vira o ativo mais diferenciado que a marca tem. A arquitetura é a parte que dá para compartilhar. As provas são a vantagem defensável.

Camada de ferramentas. Uma pasta pequena de arquivos de instruções, cada um com seu nome, que a IA lê ao escrever ou revisar. Um arquivo de revisão pré-publicação com vinte e três verificações. Um arquivo de revisão de título com doze verificações e uma biblioteca de padrões. Um arquivo de checagem de fatos, acionado quando há citações. Um arquivo de pesquisa diária, que faz a coleta dos sensores. Um arquivo para o LinkedIn, que transforma cada post do blog num texto curto, com um ângulo novo, assinado pelo autor no mesmo dia. Cada arquivo guarda a voz da marca, os recursos de estrutura que aquele tipo de trabalho usa e exemplos anteriores que deram certo e que não deram. A IA lê o arquivo certo quando está fazendo aquele tipo de tarefa. Não inventamos um formato novo toda segunda-feira.

Controle de qualidade. Todo rascunho passa pela revisão pré-publicação antes de sair. A verificação dá aprovado ou reprovado e traz edições específicas para cada item reprovado, cobrindo fontes, estrutura e higiene de citação. A versão para o LinkedIn passa por uma forma mais leve da mesma verificação antes de ir ao ar. Verificações novas começam em modo de teste: durante duas semanas, registram o que teriam barrado, sem impedir a publicação. Depois das duas semanas, o fundador decide quais passam a valer e quais saem. O princípio é simples. Uma verificação que ainda não pegou uma falha real ainda não é um controle e precisa evoluir.

Mecanismo de aprendizado. Uma rodada semanal de aprendizado às sextas e uma rodada mensal mais profunda na última sexta de cada mês. Um agente de IA lê o que foi publicado no período anterior e aponta padrões. Ele mostra quais posts foram citados na busca com IA, quais mudaram de posição no Search Console e quais foram mencionados por quem nos procurou. Mostra também quais versões para o LinkedIn atraíram engajamento de vozes conhecidas e quais não atraíram. O agente propõe edições específicas nos arquivos de instruções. Padrões ligados a bons resultados ganham peso e padrões ligados a resultados ruins perdem. Vozes novas que conquistaram citações entram na fila do rastreador de vozes do mercado, e exemplos que se mostraram fracos são marcados para sair. O líder de crescimento revisa cada mudança proposta e aprova, ajusta ou rejeita. A rodada mensal também revisa a proporção entre pilares, a proporção entre categorias e o desvio do calendário. O agente propõe os remanejamentos do mês seguinte, e o líder de crescimento aprova. A primeira rodada mensal completa acontece daqui a nove dias.

O ponto não é que essa montagem seja sofisticada. Ela não é. O ponto é que ela gera efeito composto. A cada sexta, os arquivos ficam um pouco mais inteligentes do que na sexta anterior, e os rascunhos de cada segunda leem os arquivos atualizados. O sistema que escreveu este post é o sistema descrito nele.

Autonomia e aprovação

Um ciclo que melhora sozinho pode rodar de forma totalmente autônoma quando as falhas dele têm baixo risco. O nosso mantém uma pessoa na cadeira da aprovação por decisão, e não por falta de maturidade, porque a pessoa é a marca.

O agente de office hours de Blomfield na YC não tem uma pessoa no circuito de aprovação. Ele detecta uma falha, escreve a correção no código, abre um merge request, pede a outro agente de IA que revise a mudança e publica durante a noite. De manhã, o ciclo já colocou a própria correção no ar.

Isso funciona na YC porque as falhas são de baixo risco pela própria natureza: o conserto de uma ferramenta de consulta num banco de dados interno, uma nova visão para encontrar os fundadores relevantes. Pegar um erro depois da publicação custa pouco. A próxima consulta falha e alguém percebe. A segunda verificação é outro agente revisando a mudança antes do merge.

Para nós, autonomia total não é a meta, e não por falta de maturidade. A pessoa está no nosso ciclo por decisão, em quatro papéis que não terceirizamos: direção estratégica, curadoria da pesquisa, revisão do conteúdo e aprovação. A aprovação é o papel que não se negocia. Cada edição num arquivo de instruções, cada consulta nova na coleta dos sensores, cada mudança nas regras de voz da marca e cada post publicado com o nome de alguém passam pela revisão e pela aprovação dessa pessoa antes de entrar. A IA faz o trabalho braçal. A pessoa responde pela marca, pelo critério, pela experiência, pela autoridade e pela revisão final.

A arquitetura comporta uma versão mais autônoma. Poderíamos liberar as categorias de baixo risco (um campo novo nos sensores, um ajuste no controle de qualidade, um nome novo no rastreador de vozes), com um agente de monitoramento lendo cada mudança registrada em busca de desvios. Não fazemos isso porque o valor que entregamos é justamente a parte que o modo autônomo tira. O ciclo multiplica o trabalho. A pessoa é a marca. O fechamento da própria palestra de Blomfield chega ao mesmo lugar: as pessoas vivem na borda do cérebro, fazendo a interface com o mundo real. A visão estratégica é trabalho da pessoa. A revisão que pega o desvio antes que ele vire seis semanas de posts ruins com o nome de alguém também é.

O teste honesto é este. Se um ciclo de conteúdo que melhora sozinho roda sem pessoas e a produção sai do rumo por seis semanas antes de alguém perceber, isso não é uma equipe AI-native. É uma equipe sem supervisão. O ciclo existe para dar efeito composto ao critério da equipe, e não para substituí-lo.

Crescimento assistido e crescimento AI-native

A divisão entre crescimento assistido por IA e crescimento AI-native aparece exatamente aqui. O crescimento assistido por IA deixa o próximo post mais rápido. O crescimento AI-native deixa o próximo post mais inteligente. Isso acontece porque o sistema que lê o que funcionou na semana passada molda o que será escrito na semana seguinte. Na sexta-feira, o arquivo que guarda a voz da marca carrega mais do que a equipe aprendeu do que carregava na segunda. O ciclo de cinco camadas é o mecanismo desse efeito composto. Uma equipe de crescimento sem mecanismo de aprendizado aluga a velocidade da IA assistida, e o efeito composto fica com quem construiu as ferramentas. Uma equipe com esse mecanismo está construindo um sistema de conteúdo que melhora enquanto ela dorme. E esse sistema de conteúdo é dela.

Textos que acompanham este: a ordem de implantação, camada por camada, como arquivos numa pasta, e a superfície onde o ciclo publica: as cinco camadas de operação de Birkett que uma equipe pequena precisa preencher.

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