O CEO havia fundado a empresa quinze anos antes. Na época, todos achavam que ele era louco: os investidores, os funcionários em potencial, até a família. Agora a empresa era multibilionária, ele tinha desenvolvido pessoalmente um novo produto baseado em IA, testado com clientes que adoraram, e entregado ao time para comercializar. Seis meses depois, nada havia acontecido. A equipe de vendas não vendia.

O marketing não promovia. Os desenvolvedores evitavam o projeto. Ninguém conseguia identificar quem estava bloqueando o que. O CEO trocou executivos-chave por pessoas explicitamente entusiastas com IA. Em alguns meses, o statu quo voltou.

Ele descrevia isso como a coisa mais frustrante da sua carreira: havia construído a empresa tomando riscos que todos consideravam impossíveis, e agora o próprio time que se beneficiara desses riscos resistia ao próximo movimento necessário.

O que ele não percebia, até conversar com Eric Ries, autor de The Lean Startup e do recém-lançado Incorruptible, é que não estava lutando contra sua equipe. Estava lutando contra a organização como entidade viva.

Ries descreve empresas como superorganismos: estruturas que mantêm fronteiras, metabolizam recursos, adaptam-se a pressões externas e exibem comportamentos que emergem das partes mas não podem ser previstos estudando essas partes isoladamente.

Mais importante: têm vontade própria de sobreviver, capaz de anular as preferências de qualquer indivíduo dentro delas, incluindo o fundador. O CEO havia criado um superorganismo cujo ethos era a inovação radical. Mas com o sucesso, o caráter emergente da organização havia se reorientado em direção à segurança, à certeza e à previsibilidade. A IA não mudou isso. Ampliou.

A resistência que ninguém consegue localizar: como o ethos de uma organização determina o que a IA vai amplificar

A observação de Ries é mais do que uma curiosidade teórica. É o ponto de entrada para entender por que tantas implementações de IA produzem resultados decepcionantes sem que ninguém consiga apontar o culpado. Ted Chiang, o escritor de ficção científica, formulou de modo preciso: “A maioria dos medos sobre IA é, na verdade, medo do capitalismo.” Quando imaginamos sistemas de IA otimizando o mundo à exaustão, sem considerar custos humanos, estamos descrevendo o que muitas organizações já fazem. A IA não cria esse desalinhamento: herda e acelera o que já existe.

Isso tem uma implicação que raramente aparece nas discussões sobre o tema: a pergunta relevante não é “para o quê a IA está otimizando?”, mas “para o quê a organização que usa a IA já estava otimizando antes?”. Se o ethos existente é a extração de valor em vez da criação, ou a performance de curto prazo em vez do desenvolvimento de capacidades, qualquer tecnologia que você introduzir vai amplificar esse padrão com eficiência crescente. A misdirection se torna elegante. O problema errado fica mais rápido de resolver.

O pânico em torno do desemprego tecnológico captura um risco real, mas funciona também como distração de um custo mais imediato e menos fotogênico: o custo cognitivo da delegação irrefletida. Não é que a IA vá substituir trabalhadores em abstrato. É que, no cotidiano de quem já usa a tecnologia, há um efeito silencioso sendo produzido sobre a capacidade de formular boas perguntas.

Certeza artificial: por que respostas rápidas e fluentes destroem o músculo que gera perguntas relevantes

Tomas Chamorro-Premuzic, chief science officer da Russell Reynolds e professor de psicologia organizacional na UCL e na Columbia University, cunhou o conceito de “certeza artificial” para descrever esse mecanismo. A IA não fornece apenas respostas: cria a ilusão de que você as compreendeu. O output é coerente, fluente, persuasivo. Mas coerência não é compreensão. O resultado é uma migração da cognição ativa para a cognição passiva: consumimos conhecimento em vez de gerá-lo, terceirizamos o raciocínio em vez de exercê-lo.

A curiosidade, do ponto de vista da neurociência, depende de incerteza. É o gap entre o que sabemos e o que queremos saber que ativa os circuitos dopaminérgicos do cérebro, o mesmo sistema envolvido na motivação e na recompensa. Quando esse gap é colapsado por respostas instantâneas e pré-embaladas, a motivação para explorar diminui. Por que investigar um problema em profundidade quando uma máquina resolve em segundos? Por que desenvolver compreensão real quando o entendimento superficial é suficiente para funcionar?

Chamorro-Premuzic usa a analogia da aptidão física: em um mundo onde máquinas fazem todo o esforço, os músculos atrofiam. A curiosidade é um músculo mental, e como qualquer músculo, enfraquece sem uso. A ironia linguística que ele aponta é sintomática: “deep learning” é hoje uma expressão associada principalmente a máquinas, enquanto o aprendizado humano arrisca se tornar progressivamente superficial. Sócrates temia que a escrita erosse a memória. O medo pode ter sido exagerado, mas a complacência também tem seus custos.

O ponto não é romantizar a lentidão ou resistir ao progresso tecnológico. É reconhecer que quando o esforço é removido do processo de aprendizado, o engajamento tende a cair; quando as respostas estão sempre disponíveis, o incentivo para questionar diminui; e quando a cognição é terceirizada com muita facilidade, as habilidades subjacentes se atrofiam. A conveniência pode silenciosamente deslocar os hábitos mentais que tornaram o progresso possível em primeiro lugar.

Otimizar vs. orientar: a distinção que explica por que 80% da solução depende da pergunta, não da resposta

Natalie Nixon, creativity strategist e autora de The Creativity Leap, usa uma distinção que ilumina o problema de um ângulo prático. Otimizar é fazer processos existentes rodarem mais rápido: dashboards, OKRs, retrospectivas. Orientar é recuar e perguntar se você está subindo a montanha certa antes de qualquer coisa. A maioria das organizações é excelente em otimização. A orientação é mais rara e muito mais valiosa.

Jim Szafranski, CEO da Prezi, aprendeu essa distinção duas vezes por caminhos distintos. Na primeira, como estudante de pós-graduação no MIT nos anos 1980, aplicando técnicas de IA na produção de uma siderúrgica. Na segunda, décadas depois, liderando uma plataforma global de apresentações na era da IA generativa. Em ambos os casos, o avanço não veio de tecnologia melhor, mas de uma pergunta melhor.

No MIT, o breakthrough aconteceu quando a equipe parou de otimizar a eficiência das máquinas e perguntou o que importava para o cliente: o prazo de entrega. Na Prezi, a virada ocorreu quando pararam de perguntar onde os usuários travavam na interface e começaram a perguntar o que eles tentavam realizar. A resposta foi inesperada: “Tenho uma apresentação amanhã. Esse é o meu problema.” Tinha pouco a ver com a beleza dos slides.

A implicação para a IA é direta, e Szafranski é explícito sobre ela: “Automação aplicada ao problema errado é apenas misdirection elegante.” No design thinking, até 80% do processo de resolução de problemas consiste em garantir que você esteja fazendo a pergunta certa antes de prototipar qualquer solução. A IA pode executar com maestria, mas só executa o que lhe é pedido. Se a pergunta está errada, a execução impecável te leva para mais longe do destino correto.

Há uma diferença entre líderes que prosperam com IA e aqueles que ficam frustrados com ela, e raramente essa diferença é técnica. Os primeiros têm clareza sobre o problema que estão no negócio de resolver, o que torna cada ferramenta, cada contratação e cada investimento proposital em vez de reativo. Os segundos têm sofisticação tecnológica crescente e propósito difuso.

A Archischool e o contraponto construtivo: quando a IA para de homogeneizar e começa a preservar autoria

Se as três fontes anteriores constroem o diagnóstico (IA amplifica ethos existente, erode curiosidade, otimiza o problema errado), a My Archischool, instituição de educação arquitetônica de Hong Kong, oferece o contraponto operacional mais interessante que encontrei recentemente.

A premissa da escola é a seguinte: a diferença entre uma IA genérica e uma IA que funciona como parceira criativa real está na fonte dos dados de treinamento. Modelos comerciais são treinados com volumes massivos de dados raspados da internet, o que produz outputs fluentes e homogêneos, úteis para tarefas padronizadas e problemáticos para qualquer trabalho que dependa de identidade visual ou voz singular.

A Archischool ensina seus alunos a tratar seus próprios arquivos (sketches, renders, paletas de materiais, estudos de proporção) como dados de treinamento proprietários. O resultado é um modelo treinado especificamente com o repertório do criador, capaz de gerar variações que preservam sua assinatura estética em vez de diluí-la.

O fluxo cobre todo o ciclo do projeto arquitetônico: da modelagem física inicial, fotografada e processada pelo modelo personalizado para explorar disposição de massas e alturas em contexto urbano, até a geração de ambientes imersivos em 360 graus na fase de desenvolvimento, chegando ao detalhamento de micro-proporções, emendas e alinhamentos de materiais na fase executiva. A tecnologia envolvida inclui fotogrametria, o mesmo princípio do Google Maps aplicado a estruturas físicas para criar espaços fotorrealistas renderizáveis.

A consequência mais relevante não é tecnológica, é conceitual: a Archischool inverte a lógica padrão de consumo de IA. Em vez de usar o modelo de outra pessoa e adaptar o resultado, o criador é a fonte de treinamento da sua própria IA. O dataset deixa de ser custo ou dependência e vira ativo intelectual protegido. A autoria, em vez de ser diluída pela tecnologia, é amplificada por ela.

Isso é o oposto da homogeneização que Ries e Chamorro-Premuzic descrevem. Mas só funciona quando há um acervo singular para ser treinado, o que exige, antes de qualquer decisão tecnológica, um longo período de curiosidade ativa, exploração genuína e acúmulo de perspectiva própria. A IA como co-autora pressupõe que você tenha algo a dizer. Ela não gera isso.

O que sobra quando todos têm acesso às mesmas ferramentas: por que curiosidade é a única vantagem que a IA não replica

A convergência dessas quatro fontes aponta para um argumento que merece ser tomado a sério: estamos no início de um período em que o acesso a ferramentas de IA se tornará tão ubíquo quanto o acesso à internet ou à eletricidade. Quando isso acontecer, a ferramenta deixa de ser diferencial competitivo. O diferencial passa a ser o que você faz com ela, e isso depende inteiramente da qualidade das perguntas que você é capaz de formular.

Chamorro-Premuzic é preciso sobre a economia dessa transição: conhecimento, ao menos em suas formas mais acessíveis, está se tornando abundante e barato. A capacidade de interrogar, refinar e construir sobre esse conhecimento está se tornando mais escassa e mais valiosa. A curiosidade não é mais soft skill ou traço de personalidade agradável. É o mecanismo subjacente que sustenta o aprendizado ao longo do tempo e determina se os outputs da IA vão se traduzir em insight genuíno ou permanecer como inteligência de superfície.

O perigo não é que as máquinas pensem por nós. É que passemos a confundir fluência com profundidade e acesso com domínio, deixando de exercitar os processos que tornam o pensamento nosso.

A resistência do time do CEO que Ries descreve, a atrofia cognitiva que Chamorro-Premuzic documenta, a misdirection elegante que Nixon e Szafranski nomeiam, a homogeneização que a Archischool recusa: são instâncias diferentes do mesmo problema. Não estamos resolvendo o problema errado por falta de capacidade. Estamos resolvendo o problema errado porque paramos de perguntar qual é o problema certo, e a IA, que é muito boa em resolver o que lhe é pedido, não vai perguntar isso por nós.

A curiosidade que sustenta essa pergunta não nasce de slogans sobre inovação. Nasce do desconforto produtivo de não saber, da tolerância à incerteza, do hábito de ir além da resposta disponível para chegar à pergunta que ainda vale a pena fazer. Em um ambiente onde todos têm os mesmos modelos de linguagem, esse hábito é o único recurso que não tem API.

The post IA no trabalho e o medo errado appeared first on Mauro Amaral.

A Thinking Machines Lab, startup fundada por Mira Murati em fevereiro de 2025, cinco meses depois de deixar o cargo de CTO da OpenAI, escolheu anunciar seu primeiro modelo público em uma seção In Brief do TechCrunch. O contexto importa: Murati passou seis anos na OpenAI, liderou o lançamento do ChatGPT, do DALL-E e do Sora, e saiu em setembro de 2024 para construir algo próprio.

A empresa não chegou pequena. Captou US$ 2 bilhões em sua primeira rodada de investimento, com Andreessen Horowitz na liderança e Nvidia, AMD e Cisco entre os co-investidores, atingindo uma avaliação de US$ 12 bilhões antes de ter qualquer produto público.

Mais do que isso, está estruturada como public benefit corporation, nomenclatura que, no direito empresarial americano, exige que a empresa equilibre resultado financeiro com uma missão de interesse público. Para uma empresa com esse capital, esse histórico e essa visibilidade, anunciar em In Brief é um gesto deliberadamente despretensioso.

Mas o anúncio não é sobre pouca coisa. O modelo se chama TML-Interaction-Small e a Thinking Machines o classifica como um “interaction model”, uma categoria que ela mesma está propondo.

Em essência: uma IA capaz de processar o que você diz e gerar a resposta ao mesmo tempo, em vez de esperar você terminar para depois pensar. No post que acompanhou o anúncio, Murati foi direta, explicando que a TML é:

“uma nova classe de modelo treinada do zero para lidar com interação em tempo real de forma nativa, em vez de adaptar isso a um modelo baseado em turnos

A escolha de “adaptar” (no original “gluing”) não é acidental. É uma crítica arquitetural à geração inteira de produtos de voz construídos sobre LLMs de turno.

O termo técnico para essa arquitetura é full duplex, emprestado das telecomunicações. É a mesma propriedade que distingue uma ligação telefônica de um walkie-talkie.

No walkie-talkie, você fala, solta o botão, espera o outro responder e aí fala de novo. No telefone, você pode rir enquanto o outro está falando, interrompê-lo no meio da frase, hesitar audivelmente. Os dois corpos ocupam o mesmo tempo.

A diferença parece sutil até você perceber que toda a geração atual de IAs conversacionais (ChatGPT, Claude, Gemini, todas) funciona, no fundo, como walkie-talkie.

Mais rápido, mais articulado, com voz sintética afinada, mas walkie-talkie. Você termina sua fala, ela começa a dela; você espera, ela espera. É uma convenção tão naturalizada que nem percebemos que está lá.

Foi essa naturalização que a Thinking Machines decidiu atacar.

Turn-taking como herança esquecida: a convenção invisível que sustenta toda IA conversacional desde o ChatGPT

Quando a OpenAI lançou o ChatGPT em novembro de 2022, a interface era literalmente um chat: uma caixa de texto onde você digita, aperta enter e espera a resposta aparecer linha por linha. A metáfora era a do messenger, do iMessage, do WhatsApp. O modelo só sabia que você tinha “terminado” porque você tinha enviado a mensagem.

Quando os modelos passaram a falar (quando o ChatGPT ganhou voz, quando o Gemini virou Live, quando o Claude entrou no telefone), essa estrutura subjacente não mudou. O que mudou foi a camada de superfície: a IA continuava esperando você terminar para começar, detectando o silêncio como sinal de “agora é minha vez”.

Por baixo disso, construiu-se uma série de hacks de UX para mascarar esse fato: indicadores de “estou ouvindo”, micro-pausas calibradas, sons de “uhum” gerados artificialmente. No núcleo, porém, ainda era turn-taking.

Turn-taking é um termo que vem da linguística, área que estuda como humanos se revezam para falar. Nas conversas reais, esse revezamento é negociado em tempo real, com sobreposições, sinais para-verbais, ajustes finos de prosódia.

Quando você conversa com alguém presencialmente, não espera silenciosamente até a pessoa terminar para só então começar a pensar no que dizer. Você já está formulando, já está reagindo, já está ocupando o tempo dela com a sua presença, mesmo em silêncio.

Os LLMs até agora só conseguiram simular o gesto final desse processo: a fala em si. Toda a parte que vem antes ficava de fora: escutar, antecipar, reagir, ocupar o tempo do outro. É isso que a Thinking Machines está dizendo querer mover para dentro do modelo.

Latência de 0,40 segundo: o que acontece quando uma máquina entra na janela de resposta humana

O número que a empresa colocou no comunicado não é acidental. Em conversas presenciais entre humanos, o tempo médio entre o fim do turno de quem fala e o início do turno de quem responde gira em torno de 200 a 400 milissegundos.

Qualquer coisa muito acima disso é percebida como hesitação ou estranhamento; qualquer coisa muito abaixo soa atropelado, fora do ritmo. É uma janela estreita, e ela existe em praticamente todas as línguas estudadas.

Os 0,40 segundo declarados pelo TML-Interaction-Small encaixam o modelo, pela primeira vez, dentro dessa janela. Para efeito de comparação: o GPT-4o em modo de voz opera, na prática, com latência percebida na ordem de 1 a 2 segundos. Suficiente para a conversa fluir, não suficiente para parecer humana.

A diferença entre “fluir” e “parecer humana” é o que está em jogo. Quando uma máquina começa a operar dentro da janela em que o próprio cérebro humano espera resposta, alguma coisa muda na relação.

Não é admiração pela engenharia. É algo mais difuso, mais corpóreo: o sistema que você consultava começa a se comportar como uma presença com a qual se negocia tempo. A relação é outra.

Presença como nova métrica: por que velocidade deixa de ser o que importa quando a máquina passa a ocupar o tempo

E aqui o discurso da indústria precisa ser repensado.

Por anos, a corrida da IA foi narrada em termos de qualidade do output. Quanto melhor o texto, quanto mais preciso o código, quanto mais sofisticada a análise. Quando o eixo se desloca para a interação nativa, esses critérios se tornam insuficientes. Não porque deixem de importar, mas porque param de capturar o que está acontecendo.

O que acontece, quando uma IA opera em full duplex, é que ela começa a participar do tempo da conversa em vez de simplesmente entregar produtos para esse tempo. Ela escuta enquanto fala. Hesita. Pode ser interrompida. Pode interromper.

Pode antecipar o que você ia dizer e completar a frase no meio, ou esperar deliberadamente, deixando o silêncio respirar. Cada uma dessas escolhas é estilística, não apenas funcional. Cada uma carrega uma marca de voz.

É aí que o problema se torna interessante. Porque “voz” amplia seu escopo: além de descrever o texto produzido pela IA, passa a descrever o modo como ela ocupa o tempo.

Uma IA que interrompe demais soa agressiva. Uma que espera demais soa burocrática. Uma que hesita com naturalidade soa pensativa. As diferenças entre marcas, entre experiências, entre produtos não vão ser mais “qual modelo escreve melhor”. Vão ser “qual modelo ocupa o tempo de um jeito que combina com o que estamos tentando ser“.

Essa é uma métrica que praticamente não existe ainda. Ninguém mede latência editorial. Ninguém faz benchmark de cadência. Os papers sobre IA conversacional avaliam coerência, fluidez, accuracy. Não há vocabulário consolidado para descrever o que torna uma presença convincente.

Há uma ironia aqui que vale registrar: essa é a mesma indústria que nomeia processamento batch de dreaming e latência computacional de thinking, uma engenharia semântica que já documentei em detalhe no artigo “O preço de chamar inferência de sonho“.

Criar vocabulário para presença temporal vai exigir o oposto: precisão onde hoje existe metáfora.

Vamos precisar construir esse vocabulário. E isso, paradoxalmente, vai puxar a conversa sobre IA para perto de áreas que ela tem evitado: a teoria do cinema, a teoria do teatro, a fenomenologia da presença, a análise de turn-taking em sociolinguística. Disciplinas que estudaram tempo compartilhado entre corpos por décadas. A IA, ao chegar ali, vai precisar pedir licença.

O que isso muda para quem cria conteúdo, lidera marca e desenha experiência conversacional em 2026

Para quem está do lado prático, desenhando produtos, criando conteúdo, definindo tom de voz de marca, a transição do turn-taking para o full duplex aciona uma reorganização silenciosa do que precisa ser pensado.

Primeiro: identidade de marca em IA passa a incluir cadência. Hoje, marcas que usam IA generativa pensam em vocabulário, em registro, em proibições e permissões verbais. Em 2026 isso continua valendo. O que se soma, porém, é uma camada nova: ritmo.

Uma marca de luxo quer uma IA que ocupa o tempo de uma forma. Uma plataforma de atendimento médico precisa de pausas diferentes de um app de delivery.

Cada combinação carrega uma assinatura temporal, e até agora não tínhamos sequer linguagem para discutir isso. A discussão sobre como a IA dilui a identidade verbal das marcas, ainda no eixo do vocabulário e do tom escrito, está aprofundada em um post lá da minha produtora, o: Tom de voz da marca: o que a IA está diluindo em silêncio.

O que o full duplex acrescenta é uma camada abaixo disso: não como a IA escreve, mas como ela ocupa o tempo enquanto fala.

Segundo: os fluxos de trabalho criativos vão mudar de paradigma. Hoje, trabalhar com IA é um ciclo de prompts e respostas: você pede, recebe, ajusta, pede de novo. Uma versão acelerada do trabalho de edição.

Com modelos full duplex, isso pode se aproximar do brainstorming presencial: você fala enquanto pensa, a IA acompanha enquanto fala, interrompe quando tem uma sugestão, hesita quando perde o fio. O ritmo é outro. E o tipo de coisa que emerge nesse ritmo, também.

Terceiro, e talvez o mais importante: a discussão sobre IA dissolver vozes autorais ganha uma camada nova. Quando a preocupação era texto, falávamos em homogeneização do estilo escrito. Quando a IA passa a também ocupar o tempo da fala, falamos em homogeneização da própria presença comunicativa. É um nível mais fundo de uniformização, e mais difícil de detectar, porque cadência opera abaixo do consciente.

Ligando os pontos finais

O TML-Interaction-Small ainda não está disponível. Vai sair primeiro como teste para pesquisadores limitado, depois como release mais amplo no fim do ano. Pode ser que cumpra a promessa dos benchmarks, pode ser que decepcione na experiência real. Esse não é o ponto.

O ponto é que, depois de anos pensando IA conversacional como uma versão melhor do chat de texto, alguém finalmente disse o óbvio: chat não é conversa. Conversa é compartilhamento de tempo. E qualquer tentativa séria de construir IA que conversa precisa começar daí, não da próxima atualização do prompt template.

Se eu fosse você, ficaria de ouvidos atentos. Não pela tecnologia em si, pela linguagem que vai ter que ser inventada para descrever o que ela vai começar a fazer. É ali, no vocabulário ainda inexistente, que mora a parte interessante.

Quer ler mais sobre o tema? Minha dica é assinar essa seção por e-mail

The post IA full duplex: quando a máquina para de esperar sua vez para começar a pensar appeared first on Mauro Amaral.

Aconteceu em São Francisco, na conferência de desenvolvedores da Anthropic. Entre as features anunciadas, uma chamou atenção menos pelo que faz e mais pelo nome que recebeu: dreaming.

Funciona assim: os agentes da Claude agora vasculham, entre uma sessão e outra, o que fizeram e o que aprenderam, ajustando seu próprio modo de operar com base nesses padrões. Em linguagem técnica: refinamento de contexto, síntese de logs e atualização de memória compartilhada.

Em linguagem de marketing: é sonho.

A escolha não é casual. Reece Rogers, em texto recente na Wired, faz um pedido quase exasperado: que as empresas de IA parem de nomear funcionalidades como se fossem processos da mente humana.

O argumento parece óbvio quando enunciado em voz alta. Software não sonha. Modelos de linguagem não lembram do jeito que eu lembro da casa da minha avó. Sistemas estatísticos não raciocinam como uma criança que descobre, pela primeira vez, que o reflexo no espelho é dela.

Mas há uma razão para a indústria insistir nesses termos. E essa razão diz menos sobre as máquinas do que sobre o tipo de relação que querem que estabeleçamos com elas.

O que parece, à primeira vista, escolha estilística de release é, na verdade, uma das tecnologias mais sofisticadas de moldagem de expectativa que já operaram em escala de consumo.

E quem trabalha com comunicação, produto, marca ou estratégia precisa entender: essa não é uma discussão sobre semântica. É uma discussão sobre o que está sendo contratado quando se contrata uma ferramenta cujo nome promete fenômenos que ela não realiza.

A engenharia silenciosa por trás do release: por que empresas de IA escolhem nomear features com vocabulário humano

Linguagem nunca foi um troço neutro, sabemos disso, mas em produto digital ela é, além de não-neutra, uma arma. Nomear uma funcionalidade não é descrevê-la. É instalar, no usuário, um conjunto de expectativas: sobre o que aquilo faz, sobre o que pode prometer, sobre como deve ser tratada quando falha.

Quando a Anthropic chama de dreaming a rotina em que seus agentes processam logs entre execuções, está fazendo uma escolha estratégica: vincular uma operação computacional banal, um job batch de pós-processamento em essência, a uma das atividades mais carregadas de mistério da experiência humana.

A questão é que sonhar, no nosso vocabulário, não é só pensar adormecido. É processar inconsciente, é simbolizar, é fazer aparecer o que estava recalcado. Freud construiu uma carreira em cima disso. Calderón escreveu uma peça inteira sobre a impossibilidade de separar sonho e vida.

Quando uma empresa apropria essa palavra para descrever que seus servidores rodam um script noturno, o que está acontecendo não é metáfora. É captura. A indústria está pedindo emprestado o capital simbólico acumulado em séculos de literatura, filosofia e psicanálise, e devolvendo nada além de um press release.

A OpenAI fez algo parecido em 2024 com seus reasoning models. O nome implicava que o modelo “raciocinava”, e o release reforçava: “uma nova série de modelos de IA projetada para pensar mais antes de responder”. Quem opera produto sabe o que está sendo vendido ali: latência computacional fantasiada de performance cognitiva.

O modelo não pensa. Ele aloca mais tokens de cálculo antes de emitir resposta. Mas chamar isso de thinking muda completamente o contrato entre usuário e ferramenta.

O usuário passa a esperar pausa de reflexão, não tempo de processamento. E quando o resultado decepciona, a frustração vem com o vocabulário do julgamento moral, não do bug.

Falácia antropomórfica em ação: o que muda quando o usuário acredita que o software sonha, lembra ou raciocina

A antropomorfização distorce julgamentos morais sobre IA: sobre seu caráter, seu status, sua responsabilidade e a confiança que merece. É o que aponta pesquisa publicada no periódico AI & Ethics, referenciada por Rogers.

E esse não é um problema acadêmico. É um problema operacional, com efeitos diretos no dia a dia de quem usa essas ferramentas para tomar decisões — inclusive em contextos onde a delegação de juízo à máquina já acontece de forma silenciosa, tema que explorei no artigo “Quando a IA decide.”, lá no blog da CC.

O caso da memória ilustra isso com precisão. Diversas startups descrevem seus chatbots como tendo “memórias” sobre o usuário. Não a memória rápida e indistinta dos computadores, aquela em que dados ficam armazenados em buffers e RAM. Memórias humanas: mora em São Paulo, gosta de jogos de futebol à tarde, detesta abacate.

A escolha é deliberada. Memória, no sentido humano, implica intimidade, continuidade, algo construído entre duas partes. Memória técnica implica banco de dados estruturado, recuperável, deletável, transferível. As duas coisas funcionam de maneiras completamente diferentes, e exigem contratos completamente diferentes.

Quando alguém acredita estar “compartilhando memórias” com um assistente, e não “alimentando um banco de fatos sobre si mesma operado por uma empresa em outro continente”, as escolhas mudam. O que se diz muda. O que se confia muda. O nível de cuidado com privacidade muda.

Não porque alguém esteja sendo enganado, mas porque a linguagem já formatou a relação antes mesmo que ela começasse.

Constituição em vez de manual: quando a antropomorfização deixa o marketing e vira política interna de governança de produto

Há um detalhe revelador no texto de Rogers. A Anthropic publica algo chamado “constituição” para o Claude. Não termos de uso, não documentação técnica, não guidelines de segurança. Constituição.

E ali, em texto oficial, lê-se que a empresa discute o Claude usando termos normalmente reservados a humanos: virtude, sabedoria. A justificativa é instrumental: “esperamos que o raciocínio do Claude se valha de conceitos humanos por padrão, dado o papel do texto humano no seu treinamento; e achamos que encorajar o Claude a abraçar certas qualidades humanas pode ser ativamente desejável”.

A passagem é uma joia rara de documentação corporativa, porque admite o que normalmente fica subentendido. A antropomorfização não é um efeito colateral da comunicação. É vetor de design.

A empresa contrata um filósofo residente para fazer sentido dos “valores” do bot. E aí, de repente, o release vira teologia. Quem opera essa ferramenta passa a operar não um software, mas algo que tem virtudes e vícios, sabedoria e ignorância, valores e desvios.

A consequência prática disso, para profissionais de comunicação e produto, é incômoda. Quando a empresa-fornecedora codifica seu produto em vocabulário moral, o cliente passa a ser cúmplice involuntário dessa codificação.

Falar do Claude como “ele” não é mais opcional. Falar das “decisões” do agente passa a ser linguagem normal. E, lentamente, a ferramenta passa a ser parceiro, o contrato comercial ganha a textura de uma relação interpessoal.

Turistificação semântica: o esvaziamento de termos cognitivos transformados em rótulo comercial de funcionalidade

Há um fenômeno cultural mais amplo em jogo. Chamo de turistificação semântica: o processo pelo qual termos densos, carregados de história e especificidade, são esvaziados ao serem mobilizados como rótulo de funcionalidade comercial.

Aconteceu com “curadoria”, que virou seleção qualquer feita por alguém com bom gosto. Aconteceu com “narrativa”, que virou sinônimo de qualquer sequência de coisas que se conta. Está acontecendo agora, em escala industrial, com sonho, memória, raciocínio.

O custo dessa turistificação não é estético. É cognitivo.

Quando todo mundo passa a usar “sonhar” para descrever processamento batch, fica mais difícil falar sobre o sonho propriamente dito, aquele evento estranho e revelador que acontece quando dormimos. Quando “memória” passa a designar bancos de fatos pessoais armazenados por terceiros, o conceito de memória como construção subjetiva, falha, reconstruída a cada lembrança, perde lastro.

A linguagem vai ficando mais fina. As palavras pesam menos. E aí, quando precisamos delas para descrever experiências que realmente importam, elas já foram parar em outro lugar.

Para quem trabalha com conteúdo e comunicação, esse é um sinal que pede atenção. Não porque devamos virar polícia terminológica, mas porque cabe a esse ofício, mais do que a qualquer outro, manter a precisão das palavras como ferramenta de trabalho.

Se a indústria de IA vai continuar usando o vocabulário da cognição humana para nomear suas funcionalidades, e tudo indica que vai, quem opera no campo da comunicação precisa estar consciente de quando está reproduzindo essa linguagem e de quando vale a pena resistir a ela.

O que sobra para quem opera: contratar a ferramenta pelo que ela faz, não pelo que ela promete soar

O pedido de Rogers, no fundo, é simples: que se trate computação como computação. Que sonhar continue sendo sonhar, e que o que os servidores da Anthropic fazem entre uma sessão e outra ganhe um nome próprio, técnico, que descreva o que de fato acontece.

Refinamento de contexto. Síntese de logs. Atualização de heurísticas.

Nada disso vende press release tão bem quanto dreaming, é verdade. Mas há valor em descrever as coisas pelo que elas são, mesmo quando o nome próprio é menos sedutor.

Para profissionais de comunicação, produto e estratégia, fica uma provocação prática — que é, no fundo, uma versão mais específica de uma pergunta que já explorei aqui: para qual job você está contratando a IA? Da próxima vez que uma ferramenta chegar com nome que promete fenômenos cognitivos, memory, reasoning, dreaming, thinking, vale a pena perguntar o que está sendo prometido por baixo da metáfora.

Não para rejeitar a ferramenta, mas para contratá-la com clareza sobre o que ela faz e sobre o que ela não pode fazer.

A linguagem dos releases é uma das tecnologias mais baratas de produzir confiança. E é justamente por isso que ela merece ser lida com mais cuidado, não com menos.

Quer ler mais sobre o tema? Minha dica é assinar essa seção por e-mail

The post O preço de chamar inferência de sonho appeared first on Mauro Amaral.

Há uma cena recorrente em conversas com fundadores de startups, CEOs e diretores de marketing nos últimos meses. Alguém abre um pitch deck, mostra o slide de currículo do time, lista os MBAs, os mestrados, as graduações em universidades de prestígio.

Depois ri da própria piada e diz que na próxima rodada de contratação vai olhar mais portfólio do que diploma. A frase já saiu, já ouvi, ela vira quase como um encantamento para pessoas que cresceram acreditando que o ensino superior era um pacto inviolável entre esforço pessoal e mobilidade social.

Jay Caspian Kang, jornalista e escritor, abre essa fenda com precisão na primeira parte de uma série da New Yorker sobre a viabilidade do sistema universitário americano. O texto começa numa cena doméstica: o autor olha para o fundo de educação dos filhos e calcula se o dinheiro guardado para uma graduação daqui a nove anos não seria melhor empregado em outra coisa.

A pergunta parece individual. Kang a transforma em diagnóstico institucional. A IA, segundo ele, não vai destruir sozinha a universidade americana. Vai acelerar uma desilusão que já estava em curso.

De 74% para 35% em doze anos: o dado do Gallup que mede a velocidade de colapso da confiança no diploma universitário

Os números que Kang mobiliza ajudam a dimensionar a velocidade da queda. Em 2013, segundo o Gallup, 74% dos americanos entre 18 e 34 anos diziam que uma educação superior era muito importante. Em 2019, antes do ChatGPT virar produto de consumo, o número já tinha caído para 43%. Em 2025, chegou a 35%.

A faixa etária com o tombo mais íngreme entre todas as pesquisadas. Uma pesquisa Pew complementa o quadro: sete em cada dez americanos afirmam que o sistema de ensino superior está indo na direção errada, em boa medida por causa do custo. Quarenta por cento dos formados entre 22 e 27 anos ocupam vagas que não exigem diploma.

O diploma como certificado de conformidade: por que a universidade nunca foi, em essência, sobre transmitir conhecimento

Kang costura essas estatísticas com uma tese velha de Bryan Caplan, professor de economia na George Mason. Caplan argumenta há anos que a universidade não existe primariamente para ensinar. Existe para certificar.

O diploma é um carimbo de empregabilidade que sinaliza inteligência, ética de trabalho e capacidade de conformar-se a regras burocráticas. Quem paga não está comprando conhecimento. Está comprando o direito de ser reconhecido como contratável.

Quando essa hipótese atravessa o argumento de Kang, a discussão muda de natureza. A IA não está concorrendo com a universidade no terreno do conhecimento. Está deslocando o terreno onde o conhecimento certificado fazia diferença.

O que a IA faz com o monopólio do conhecimento certificado: revelação, não destruição do ensino superior

O que mais me interessa não está no susto sobre o futuro do diploma. Está na percepção de que a IA opera como revelador. Ela mostra com nitidez o que a universidade sempre foi e o que ela escondia melhor quando o monopólio da informação era mais firme.

Antes, era difícil saber se você estava pagando pelo saber ou pela cerimônia que organizava o saber. Agora, com um modelo de linguagem capaz de explicar cálculo diferencial em quatro parágrafos cuidadosos e gratuitos, o pacto fica exposto.

A diferença entre uma boa aula e o Claude não é o conteúdo. É a presença do corpo discente da Ivy League ao redor e o que esse corpo simboliza para um futuro recrutador.

Há um segundo eixo no argumento, que Kang não desenvolve mas que precisa ser dito. Se o diploma é certificado de conformidade, a confiança que ele organizava está vazando. Não vaza apenas das universidades.

Vaza dos escritórios de advocacia que faziam o caminho natural depois do Direito em uma top tier. Vaza das consultorias que organizavam a passagem de Harvard para McKinsey. Vaza dos veículos de prestígio que entregavam carreira para quem tinha o diploma certo.

A própria New Yorker, onde Kang publica, é um exemplo do problema que descreve. Entrar na imprensa de prestígio ainda exige credencial. Mas o desejo de entrar nunca foi tão baixo.

Um adolescente ambicioso que queira fazer jornalismo hoje pode escolher entre se matar para chegar em Harvard ou abrir uma conta no Substack e começar a trabalhar. Os dois caminhos são imperfeitos. O segundo está mais barato.

Para onde migra a confiança quando o diploma perde valor simbólico: portfólio público, comunidade vertical e autoridade editorial acumulada

A pergunta central que essa erosão deixa em aberto: quando o diploma para de funcionar como certificado suficiente, para onde migra a confiança?

A resposta provisória é que ela migra para territórios próprios. Para o portfólio público bem indexado. Para a comunidade vertical onde a expertise circula entre pares. Para canais autorais onde uma assinatura individual ainda significa alguma coisa e carrega história de entrega.

A confiança não evapora. Ela troca de endereço e de cerimônia.

Esse deslocamento tem uma consequência operacional para quem produz conteúdo. A operação editorial autoral, organizada em hubs temáticos e bem indexada, vira o equivalente funcional do diploma para várias profissões criativas.

Construir repertório público, sustentar uma voz reconhecível ao longo de meses e anos, manter um corpo de obra navegável é hoje uma forma legítima de auto-credenciamento. O hub de conteúdo não é blog. É infraestrutura de autoridade.

Para quem trabalha em marketing, estratégia, design, código, jornalismo, a presença editorial bem feita opera como currículo vivo. E como em qualquer credencial, há trabalho duro, custo de oportunidade e curva de paciência.

Leia esse aqui também: A aura que falta: o que Jack Conte chamou de Consent, Credit, Compensation e o que isso muda para criadores, a mesma lógica do auto-credenciamento aplicada à prática editorial cotidiana.

Vale registrar também a armadilha simétrica que o argumento esconde. Kang usa a imagem dos gutters, aquelas calhas do boliche, os canais que capturam a bola quando ela sai da pista.

No contexto dele, gutter é o conjunto de restrições invisíveis que delimita o que um sistema de informação consegue produzir: os vieses estruturais, os temas que não entram, os pontos de vista que o sistema simplesmente não alcança.

Todo mediador de conhecimento tem os seus. Os modelos de IA têm seus gutters definidos pelas empresas que os treinam e pelas escolhas editoriais embutidas no processo. As universidades têm os seus definidos por décadas de tradição acadêmica, por quem ocupa cadeiras e por quais perguntas os congressos científicos consideram legítimas.

Assim, trocar um gutter pelo outro não é libertação. É realocação. O critério para decidir qual é mais tolerável precisa ser estético, ético e político, não apenas econômico.

Caplan, defensor entusiasta do desmonte da universidade, é também um defensor de leituras de mundo bastante específicas. Sam Altman tem as suas próprias preferências sobre o que merece circular. A escolha não é entre ter ou não ter mediador. É entre quais mediadores você aceita como interlocutores e com quais consegue manter distância crítica.

Por que as universidades de elite sobrevivem enquanto centenas de faculdades privadas desaparecem

O cenário que Kang projeta é familiar para quem acompanhou a consolidação de outras indústrias. Um efeito winner-takes-all (o vencedor leva tudo, em tradução livre) entre as grandes universidades de elite, sobrevivência por capital simbólico acumulado, desaparecimento gradual de centenas de pequenas faculdades privadas que não conseguem sustentar a equação econômica.

O número de americanos que cursam quatro anos de graduação tende a cair. O ensino superior se concentra em poucos campi e em muitos aplicativos.

Quem permanece dentro do sistema antigo passa a ser, com mais clareza do que hoje, o filho da classe que confia em instituições e que pode pagar pela versão pessoalmente ineficiente, porém socialmente rentável, da credencial.

O paradoxo da sobrevivência: As mesmas universidades que mais se beneficiam do credencialismo são as que têm menos incentivo para mudá-lo. Harvard e Stanford sobrevivem porque a credencial delas ainda funciona no mercado de trabalho das elites. O problema não é o topo da pirâmide. É o que acontece com os 80% que não chegam lá.

O que esse mapa americano muda para profissionais criativos e estratégicos no Brasil

No Brasil, a transposição não é literal. O ensino superior público de elite ainda não enfrentou uma onda comparável de descrédito. As universidades corporativas e os MBAs caros vivem ciclo próprio. O sistema de cotas, o ensino a distância de massa e a fragmentação do ensino privado de baixo custo desenham um mapa diferente.

Mas o vetor é o mesmo. A confiança nas credenciais formais está pressionada, e a IA acelera a percepção do custo de comprá-las.

Para quem trabalha com produção intelectual, criação e estratégia, a equação exige dois movimentos combinados: continuar levando a sério a formação clássica onde ela ainda funciona, e investir em paralelo em infraestrutura de autoria pública que opere como segunda credencial.

Não como substituto do diploma. Como evidência viva de competência, julgamento e voz. O que o mercado cada vez mais quer não é a promessa do diploma. É a prova do trabalho.

Volto à cena do começo. O fundador que ri do próprio MBA, o diretor de marketing que confia mais em portfólio do que em diploma, a mãe que se pergunta se vale a pena alimentar o fundo de faculdade dos filhos. Nenhum deles está fazendo discurso. Estão fazendo cálculo.

E é nesse cálculo, distribuído em milhões de famílias e mesas de reunião, que se decide o futuro de uma das instituições mais sólidas do século XX.

Kang quer saber se a universidade sobrevive. A pergunta mais produtiva talvez seja outra. Em que termos a universidade sobrevive. Para quem ela sobrevive. E o que constrói, no terreno aberto que sobra, quem não vai mais entrar nela.

Quer ler mais sobre o tema? Minha dica é assinar essa seção por e-mail

The post Inteligência artificial na universidade: o que isso revela appeared first on Mauro Amaral.

Há uma narrativa circulando em rodas de produção independente que Dana Harris-Bridson, editora-chefe da IndieWire, decidiu enfrentar diretamente (no artigo “Brands Won’t Save Indie Film: They’re Changing It”): a ideia de que marcas vão preencher o vazio de financiamento do cinema indie.

A lógica parece coerente. Cinema independente está sob pressão: financiamento mais escasso, distribuição menos confiável, caminhos tradicionais se estreitando. Ao mesmo tempo, marcas estão contratando executivos de estudio, experimentando formatos longa-metragem e se aproximando de produtoras de forma incomum para os parâmetros de poucos anos atrás. Junte os dois sinais e chega a uma conclusão que parece natural: se marcas querem storytelling e cineastas precisam de financiamento, talvez marcas possam preencher a lacuna.

Não vão.

E entender por que é mais importante do que a resposta em si.

Owned narrative IP: por que marcas entram em storytelling para construir ativos narrativos que controlam

A frase que aparece repetidamente nas discussões do setor é “owned narrative IP” — propriedade narrativa própria: um ativo acumulado, não apenas conteúdo produzido.

A distinção é fundamental. Conteúdo é o que você produz para comunicar. Ativo é o que você acumula e que se valoriza ao longo do tempo, desdobrando-se em formatos, plataformas e fluxos de receita.

Casper Shirazi, fundador da Storyfied Ventures — empresa com base em Dubai que trabalha com marcas de Oriente Médio e África do Norte para estruturar projetos de storytelling como ativos de longo prazo — coloca assim: “há uma escassez de IP narrativa própria”. Não há escassez de conteúdo.

Isso muda completamente a lógica da colaboração. Uma marca que financia um filme como campanha quer visibilidade e associação estética. Uma marca que entra em storytelling como investimento em IP quer controle sobre o que foi criado: a personagem, o universo, as extensões possíveis, os direitos de adaptação.

Quando um cineasta procura financiamento de marca trazendo um projeto já desenvolvido, ele está oferecendo conteúdo. Quando uma marca entra no espaço de storytelling pela lógica de IP, ela está procurando construir patrimônio narrativo. O desalinhamento é estrutural antes de ser criativo.

Brian Newman, consultor que trabalhou por anos no ecossistema de cinema independente antes de criar a Sub-Genre — uma consultoria que atua diretamente com marcas —, resume o problema com honestidade: “se você está procurando alguém para financiar um projeto que já desenvolveu, esse não é o caminho”.

Ciclo de marketing vs. ciclo de filme: por que o timing não fecha quando a conversa é “marca financiando indie”

Além da diferença de objetivo, há o problema de sincronização.

Orçamentos de marca operam em ciclos anuais fixos. Projetos de cinema independente vivem numa temporalidade completamente diferente: desenvolvimento, captação, pré-produção, produção e pós podem se estender por anos com múltiplos pontos de incerteza. As janelas não se encaixam naturalmente.

“Um projeto pode ser exatamente o que eles gostariam de fazer, mas você chegou logo depois que gastaram todo o orçamento de marketing do ano”, diz Newman. “As chances de acertar simultaneamente o alvo criativo e o timing são baixas.”

As exceções existem, mas são exatamente isso: exceções. A YSL apoiou filmes de Pedro Almodóvar e Jim Jarmusch. A Hyundai financiou “Bedford Park” no Sundance 2026 com US$ 1 milhão via uma relação pré-existente com o ator principal. Outliers sustentados por relações específicas não são modelo de negócio.

Estrategista-produtor como tradutor: quem viabiliza a colaboração entre marca e cineasta quando o incentivo é IP

O que está emergindo no espaço entre marcas e cineastas é uma nova categoria de profissional: parte estratégista, parte produtor, parte tradutor. Alguém que entende os incentivos dos dois sistemas e consegue estruturar projetos onde os dois sistemas se encaixam sem que nenhum dos dois se sinta sacrificado.

A tradução funciona nas duas direções. Marcas precisam entender que cineastas não podem funcionar como work-for-hire se o objetivo é construir IP duradoura: o trabalho é melhor quando quem cria tem algum interesse no resultado de longo prazo. Cineastas precisam entender que, nesse modelo, não estão entrando num sistema projetado em torno da propriedade deles.

Shirazi articula a tensão com precisão: “você não pode pedir a um cineasta para se importar com o jogo longo se ele não tem participação nele”. A estrutura precisa resolver isso antes de a produção começar — participação no backend, co-propriedade, divisão de lucros — ou a colaboração é premissa sobre premissa falsa.

Liberdade criativa sem propriedade: o que negociar antes de virar “arquiteto” de uma narrativa alheia

Nada disso torna o brand entertainment intrinsecamente bom ou ruim. Torna-o específico.

Shirazi resume o que funciona e o que não funciona com clareza: se o trabalho parecer um anúncio, falha. A marca precisa recuar criativamente. Mas ao mesmo tempo, a marca mantém controle econômico porque toda a premissa é que storytelling constrói valor de longo prazo para o negócio.

Para o cineasta ou criador que decide entrar nesse espaço sabendo o que é, a Harris-Bridson propõe uma clareza que raramente aparece nas discussões superficiais sobre o tema: você está construindo IP que outra pessoa vai possuir. Seu papel muda de dono para arquiteto. O upside real virá de como o contrato é estruturado — participação, crédito, extensões — não da propriedade default.

Essa é uma proposição legítima. Mas é completamente diferente do que o setor costuma descrever quando fala de “marcas financiando cinema indie”.

Quem é dono da história: a pergunta que deveria abrir, e não fechar, qualquer colaboração com marca

O que torna o artigo da Harris-Bridson valioso é que ele termina sem conforto falso. Mesmo com mais capital entrando no sistema via marcas, mais caminhos de desenvolvimento se abrindo e novos tipos de parceiros se tornando disponíveis, a pergunta central permanece:

Quem é dono da história?

Essa pergunta não é nova. Ela acompanha cada transição tecnológica e econômica que reconfigurou a relação entre criadores e distribuidores. Ela foi feita quando o streaming substituiu a janela de cinema. Foi feita quando as redes sociais transformaram criadores em inquilinos de plataformas que não controlam. Agora é feita quando marcas começam a estruturar IP narrativa própria. Eu tenho voltado nessa mesma estrutura em outros lugares: quando olho para o estúdio invisível (YouTube como infraestrutura) e quando descrevo o que acontece quando alguém controla o palco inteiro, como no caso Live Nation.

A resposta não é “nunca colabore”. É “colabore sabendo o que é cedido”. Liberdade criativa e propriedade podem coexistir, mas exigem que a estrutura seja desenhada para isso antes de o trabalho começar. Quando a estrutura não é desenhada, a liberdade é real e a propriedade é da marca.

A Harris-Bridson não resolve a tensão. Ela a coloca onde precisa estar: no centro de cada decisão. Participar desse sistema ou ser definido por ele, ao fim, são as duas únicas posições disponíveis.

Quer ler mais sobre o tema? Minha dica é assinar essa seção por e-mail

The post A incrível história das marcas que querem ser arquitetas da casa dos outros appeared first on Mauro Amaral.

Um bilhão. Esse é o número de usuários que hoje navegam com alguma forma de bloqueio ativo de rastreamento, segundo levantamento recente da Ad-Shield. Não é um nicho de techies paranóicos. É uma fatia substancial de qualquer audiência que qualquer publisher considera sua. Eles chegam ao site, leem o artigo, talvez voltem amanhã. Mas para os sistemas de analytics e monetização da maioria dos veículos, eles simplesmente não existem.

A Penske Media Corporation, dona de títulos como Variety e Rolling Stone, chamou esse fenômeno de dark traffic e começou a tentar iluminá-lo. O que encontrou foi revelador: parte da audiência que ela já tinha, que já estava lendo, nunca havia sido contada.

Dustin Park, VP de operações de receita da empresa, resumiu o problema com uma precisão incômoda: “Se uma fatia significativa da sua audiência é invisível para seus sistemas de analytics e para sua pilha de anúncios, você esteve sistematicamente subavaliando os canais que a alcançam.”

O dark traffic é apenas a primeira camada de um problema maior. Porque ao mesmo tempo em que publishers descobrem que parte da audiência que têm é invisível, eles também descobrem que o conteúdo que produzem está sendo consumido por sistemas que não prestam contas. E que as perguntas que os leitores fazem a esses sistemas recebem respostas que ninguém audita. Três camadas de invisibilidade simultâneas, cada uma alimentando a seguinte.

O que é dark traffic e por que uma parte da sua audiência se tornou invisível

A lógica do dark traffic é simples e perturbadora. Usuários que usam VPNs corporativas, navegadores com bloqueio nativo, extensões de privacidade ou redes institucionais chegam ao site sem deixar rastro utilizável. Eles não são registrados pelo pixel de publicidade. Não alimentam o sistema de retargeting. Não aparecem nos relatórios que o publisher usa para vender espaço publicitário.

O resultado prático é que o publisher negocia com anunciantes a partir de um número menor do que o real. Ele cobra menos pelo que entrega mais. E quando as métricas de performance chegam, a comparação é sempre desfavorável: o publisher parece render menos do que as plataformas fechadas, onde todo clique é rastreado e todo usuário tem CPF.

O que a Penske descobriu ao trabalhar com tecnologia de recuperação de dark traffic é que o ganho potencial de audiência visível está entre 5% e 20%. Em alguns contextos, mais. Não é um ajuste marginal. É a diferença entre um veículo que parece estar em declínio e um veículo que estava sendo mal mensurado.

Mas o ponto mais relevante aqui não é a solução técnica. É o diagnóstico estrutural: a arquitetura da web evoluiu de um modo que prejudica sistematicamente quem produz conteúdo em favor de quem distribui. As plataformas fechadas têm acesso a dados que os publishers independentes nunca terão por padrão. E a solução, até agora, é contratar uma startup para tentar recuperar o que já deveria ser seu.

Licenciamento de conteúdo para IA: quem define o valor e por que a resposta é um problema

Enquanto o dark traffic corrói a capacidade do publisher de medir sua própria audiência, outro problema avança em paralelo. As empresas de inteligência artificial precisam de conteúdo para treinar seus modelos e para responder às perguntas de seus usuários. Esse conteúdo vem, em grande parte, do trabalho de publishers que levam anos construindo arquivos, editorias e vozes reconhecíveis.

Em 2025, as grandes empresas de IA comprometeram cerca de 2,9 bilhões de dólares em acordos de licenciamento com um número relativamente pequeno de publishers grandes. A cifra parece expressiva até que se percebe que esse mercado está sendo construído sem nenhuma infraestrutura neutra de verificação e pagamento.

David Kohl, fundador do Morgan Digital Ventures, descreveu o problema com uma metáfora certeira. A Microsoft, por exemplo, está desenvolvendo modelos de precificação que pagariam publishers com base no “valor demonstrado” do seu conteúdo. O problema, ele observou, é que a entidade responsável pela contabilidade é a mesma que compra o conteúdo. “É a raposa tomando conta do galinheiro”, escreveu.

O precedente histórico para esse tipo de dilema é bem documentado. A indústria da música enfrentou exatamente a mesma tensão há um século. A resposta foi o ASCAP, fundado em 1914, uma organização de compensação coletiva pertencente aos próprios criadores, sem stake nos acordos que administra.

O sistema bancário resolveu problema semelhante com o ACH network: a Nacha define as regras, a Clearing House opera a infraestrutura, e nenhuma das duas tem interesse financeiro nas transações que processa.

A editorial de conteúdo está chegando a um ponto de inflexão semelhante. A complexidade dos acordos bilaterais entre publishers e plataformas de IA vai crescer em ordens de magnitude nos próximos anos. Sem uma infraestrutura neutra de settlement, o que vai emergir é uma versão amplificada do mesmo disfuncionamento que o programático criou: intermediários com incentivos desalinhados extraindo valor de uma cadeia que fingem servir.

Quem decide o que a IA responde sobre saúde mental, geopolítica e finanças

A terceira camada é talvez a mais difícil de quantificar, mas é a que tem as implicações mais amplas. Quando um usuário pergunta a um modelo de linguagem sobre geopolítica, saúde mental, finanças ou processos seletivos, alguém decidiu como aquela resposta seria formulada. Quem foi?

Campbell Brown, que foi a primeira e única chefe de jornalismo do Facebook e hoje dirige a Forum AI, passou anos tentando responder a essa pergunta. Sua empresa avalia como os modelos de fundação performam em “tópicos de alto risco”, aqueles onde não há respostas binárias e onde erros têm consequências reais.

O que ela encontrou não foi tranquilizador: um modelo puxando fontes ligadas ao Partido Comunista Chinês para histórias sem relação com a China, vieses políticos identificáveis em quase todos os sistemas testados, ausência sistemática de contexto e perspectiva.

O que Brown nomeou foi algo que a indústria de mídia social nunca quis enfrentar diretamente: otimizar para engajamento tem sido péssimo para a sociedade. As plataformas de IA foram construídas com foco em código e matemática porque esses domínios têm respostas verificáveis. A informação é mais difícil. Mas mais difícil, como ela argumentou, não é opcional.

Por que as startups que prometem resolver a crise editorial são parte do problema

Há um detalhe que atravessa as três fontes deste cluster e que vale nomear diretamente: cada uma delas apresenta uma startup como parte da solução.

A Ad-Shield recupera dark traffic. A TollBit e a ProRata constroem infraestrutura para licenciamento de conteúdo a LLMs. A Forum AI quer colocar especialistas humanos como árbitros do que a IA diz. São iniciativas legítimas. Documentam problemas reais. Mas há algo estruturalmente problemático em tratá-las como respostas.

A Ad-Shield tem investidores que se beneficiam enquanto o dark traffic continuar sendo um problema que publishers precisam resolver individualmente, empresa por empresa. A TollBit e a ProRata são intermediários numa cadeia de pagamento sem árbitro neutro, o que significa que carregam os mesmos incentivos que o programático carregou e que transformaram aquele ecossistema num campo de extração de valor.

A Forum AI levantou 3 milhões de dólares e contratou Niall Ferguson e Tony Blinken para tentar auditar o que o Gemini responde sobre conflitos internacionais. É uma tentativa séria de um problema sério. Mas é uma tentativa privada, movida por capital de risco, de resolver o que deveria ser responsabilidade coletiva da indústria.

O ASCAP não nasceu de uma startup. Nasceu de compositores que perceberam que acordos bilaterais não escalam e que a única forma de garantir remuneração justa é construir infraestrutura neutra coletiva, pertencente a quem cria, sem interesse nos resultados individuais.

A crise editorial pós-IA não vai ser resolvida por quem tem incentivo financeiro para que ela continue existendo como conjunto de problemas separados, cada um com sua solução proprietária. Ela vai ser resolvida, se for, quando a indústria parar de terceirizar a construção da sua infraestrutura para empresas cujo sucesso depende da perpetuação do problema.

Até lá, cada novo round de investimento em mais uma startup de “solução editorial” é, também, um dado sobre a profundidade da crise.

Resumindo para você sair daqui com um repertório diferente

Três camadas de invisibilidade, um diagnóstico comum. O publisher pós-IA não está enfrentando uma crise de relevância ou de modelo de negócio. Está enfrentando uma crise de infraestrutura: os sistemas que deveriam permitir que ele medisse sua audiência, recebesse pelo seu conteúdo e mantivesse algum controle sobre como suas informações circulam foram construídos por terceiros com interesses distintos dos seus.

O que a história de outros setores ensina é que esse tipo de problema tem solução conhecida. Requer organização coletiva, infraestrutura neutra e disposição para construir algo que não pertença a nenhum acionista em particular. A editorial de conteúdo ainda não chegou lá. Mas os sintomas estão documentados, os modelos existem e o custo de não agir cresce a cada ciclo.

O que você percebeu de mudança na sua própria relação com fontes editoriais desde que passou a usar IA para busca?

Quer ler mais sobre o tema? Minha dica é assinar essa seção por e-mail

The post Como a IA redesenhou o funil editorial sem avisar ninguém appeared first on Mauro Amaral.

Em fevereiro de 2021, o Facebook apagou as notícias da Austrália. Do dia para a noite, páginas de jornais, portais e emissoras de televisão desapareceram do feed australiano. O gesto era uma resposta cirúrgica ao News Media Bargaining Code, uma lei que o governo australiano estava prestes a aprovar e que obrigava Google e Meta a negociar pagamentos com editoras jornalísticas. Se o problema era o uso de conteúdo jornalístico nas plataformas, a Meta tinha uma solução elegante: parar de usar.

O bloco durou menos de uma semana. A Meta voltou atrás, extraiu concessões do governo e fechou acordos bilaterais com editoras selecionadas. O Bargaining Code foi aprovado. A indústria jornalística australiana celebrou. Parecia uma vitória.

Não era.

Quatro anos depois, a Meta encerrou todos esses acordos. O governo australiano, que tinha poder legal para forçar novas negociações, optou por não fazer nada. A razão oficial era evitar que a Meta bloqueasse notícias de novo, o que revelava, com precisão involuntária, que a lei inteira tinha sido construída sobre uma premissa frágil: a ideia de que plataformas digitais devem compensar editoras jornalísticas porque “usam” seus conteúdos.

No início de maio de 2026, o governo australiano anunciou o sucessor do Bargaining Code. Chama-se News Bargaining Initiative. É uma melhora genuína. E, com uma única mudança, seria algo próximo de ideal. Mas sem essa mudança, vai repetir os erros do antecessor pelo mesmo motivo que os gerou: o desconforto coletivo de chamar subsídio público pelo nome.

A narrativa do roubo: por que o argumento intelectual no jornalismo nunca foi sobre propriedade intelectual

A queixa das editoras australianas é legítima. Google e Meta concentram mais de 80% de toda a receita publicitária digital do país. Jornais que viviam de anúncios impressos não conseguem competir num mercado onde quem tem mais dados cresce mais, e quem cresce mais acumula mais dados. É um ciclo que beneficia plataformas e penaliza quem depende de jornalistas para funcionar.

O problema é que essa queixa legítima foi embalada numa narrativa errada. Em vez de dizer “as plataformas dominam o mercado de publicidade e isso prejudica o jornalismo”, o argumento foi “as plataformas roubam nosso conteúdo e precisam pagar por isso”.

A diferença não é semântica: ela determina quais soluções são possíveis, quem tem poder de negociação e o que acontece quando a narrativa é testada na prática.

Meta testou a narrativa duas vezes. Primeiro, em 2021, com o bloqueio de notícias: se o problema é o uso de conteúdo jornalístico, a solução é parar de usar. Segundo, em 2023, quando deixou todos os acordos expirarem e o governo australiano respondeu com silêncio. Em nenhum dos dois casos houve resposta à altura porque qualquer resposta teria exigido admitir que a narrativa nunca foi sobre roubo.

Essa mesma armadilha retórica circula em debates similares no Brasil, na União Europeia e no Canadá. O Canadá aprovou uma versão do bargaining code em 2023, a Meta bloqueou notícias e, desta vez, não voltou atrás. O bloqueio continua em vigor. A narrativa do roubo não sobreviveu à primeira chamada de blefe.

Acordos secretos e assimetria de poder: como o código funcionava para quem já era grande

Além da mentira fundacional sobre propriedade intelectual, o Bargaining Code tinha um segundo problema estrutural: operava inteiramente na sombra.

Não havia requisito de quanto cada plataforma precisava pagar nem quantos veículos precisavam ser incluídos. As negociações eram privadas, os valores sigilosos, e os contratos continham cláusulas proibindo editoras de divulgar o que recebiam. O sistema era apresentado como negociação comercial entre partes iguais quando, na prática, era uma intervenção de política pública disfarçada de mercado livre.

Isso criou uma assimetria que beneficiou quem menos precisava de ajuda. A News Corp e a Nine Entertainment, as duas maiores empresas de mídia do país, tinham lobby suficiente para pressionar o governo caso não recebessem o que queriam. Veículos menores recebiam ofertas para aceitar ou rejeitar, sem espaço real para negociação.

E os acordos eram formalmente estruturados como licenciamento de conteúdo para o Google News Showcase e para a aba de notícias do Facebook, dois produtos criados em parte precisamente para ser veículos jurídicos por onde esses pagamentos pudessem fluir. A ficção estava embutida no design desde o início.

O News Bargaining Initiative: o que muda, o que permanece e onde está o nó

O NBI corrige algumas distorções. Expande o escopo para três plataformas, incluindo TikTok, o que já torna explícito o que o sistema anterior escondia: isso nunca foi sobre conteúdo jornalístico. TikTok proíbe links na maioria dos contextos. A inclusão da plataforma no mecanismo só faz sentido se você admite que o ponto é tributar concentração de receita publicitária, não compensar “uso” de notícias.

A estrutura de incentivos também é mais equilibrada. Para cada dólar australiano pago a um veículo grande via negociação direta, a empresa tem desconto de A$1,50 no imposto. Para cada dólar pago a um veículo de pequeno ou médio porte, o desconto é A$1,70. E as plataformas precisam fazer acordos com pelo menos quatro veículos diferentes para cancelar integralmente sua obrigação fiscal.

São melhorias reais. Mas o sistema ainda incentiva negociações secretas. E o governo australiano deixou claro que é exatamente isso que quer: as plataformas fechando acordos diretos com editoras, do mesmo jeito que acontecia antes, com a diferença de que agora existe um imposto como ameaça de fundo que ninguém pretende acionar.

O mecanismo que está debaixo do nariz: por que a solução mais eficiente é a que todos estão ativamente evitando usar

Aqui é onde o NBI revela sua contradição central. Se as plataformas decidirem não fazer acordos, pagam o imposto de 2,25%. O governo australiano estima que isso geraria mais de A$300 milhões por ano. E como esse dinheiro seria distribuído? Com base numa fórmula simples: quanto mais jornalistas uma empresa emprega, mais recebe.

Essa é uma política pública muito boa. Não há opacidade, não há assimetria de poder entre veículos grandes e pequenos, não há ficção jurídica de licenciamento. É um mecanismo transparente que incentiva diretamente a contratação de jornalistas, e cujo volume cresce automaticamente conforme as receitas das plataformas crescem.

O problema é que o governo australiano está ativamente tentando evitar que esse mecanismo seja ativado. Nas coletivas de anúncio, o primeiro-ministro Albanese foi explícito: a intenção é que as plataformas façam acordos, como sempre fizeram. O imposto é o plano B que ninguém quer acionar.

A razão profunda é simples. Acionar o imposto exigiria admitir em voz alta que isso é um subsídio público ao jornalismo local. Que o governo decidiu, como política de Estado, que a saúde da imprensa regional merece intervenção fiscal. Que Google, Meta e TikTok devem contribuir para um fundo administrado em nome do interesse público.

Essas são posições perfeitamente defensáveis, e qualquer espectro político pode sustentá-las com argumentos sólidos. Mas nenhuma delas cabe confortavelmente na narrativa de que tudo isso é apenas “compensação por roubo de conteúdo” num mercado livre funcionando normalmente. E enquanto governos continuarem preferindo essa narrativa ao incômodo de chamar subsídio de subsídio, vão continuar construindo mecanismos eficientes que se recusam a usar.

O caso australiano importa para além da Austrália. Brasil, União Europeia e outros mercados estão mapeando iniciativas similares. E a questão de fundo é a mesma em todos: como redistribuir, de forma justa e sustentável, a receita que foi capturada por um punhado de plataformas que não precisam mais de conteúdo jornalístico para funcionar.

Para criadores de conteúdo independentes, para agências, para qualquer pessoa que ganha a vida produzindo conteúdo, o argumento tem uma tradução direta: o problema nunca foi o algoritmo te ignorando. Foi que a receita publicitária foi capturada por plataformas que podem prescindir do seu trabalho. Nomear isso com precisão é o primeiro passo para construir qualquer solução que não se desfaça na primeira chamada de blefe.

Matar a negociação. Manter o imposto.

Você acha que regulação de plataformas é o caminho para financiar jornalismo local no Brasil? Ou há outra saída?

Quer ler mais sobre o tema? Minha dica é assinar essa seção por e-mail

The post O imposto que ninguém quer cobrar appeared first on Mauro Amaral.

Tem um momento, no início dos anos 2010, em que toda foto de Instagram parecia a mesma foto. Brunch em mármore, café com latte art, planta lateral, luz norte. Não era falta de imaginação dos fotógrafos. Era a escola Kinfolk se infiltrando, plataforma a plataforma, até virar o jeito padrão de mostrar que você tinha bom gosto.

Aquilo foi um ensaio. O que está acontecendo agora é o filme inteiro.

Quando o ChatGPT começou a gerar imagens, depois quando o Midjourney refinou o realismo, depois quando o Gemini empacotou tudo isso num botão, o que mudou não foi a quantidade de imagens bonitas no mundo. Foi o custo marginal delas.

Imagem polida virou um clique. Tipografia premium virou um prompt. Layout moderno virou um preset. E a estética que antes funcionava como sinal de competência, aquela coisa quase litúrgica de mostrar que você tinha pago um designer bom, virou ruído indistinguível.

Kyle Chayka, no New Yorker (autor de Filterworld: How Algorithms Flattened Culture), batiza essa camada pelo nome que melhor captura o fenômeno: tasteslop, um termo cunhado pela consultora de tendências Emily Segal. Bom gosto industrializado, verniz uniforme. Uma capa Picador genérica, uma identidade de startup genérica, uma campanha de moda genérica, todas com a mesma cara de coisa bem resolvida, todas dizendo a mesma coisa por baixo: alguém pagou pelo pacote certo de prompts.

Diante disso, começa a aparecer uma reação que parece, de longe, contraintuitiva. Gente piorando a estética de propósito. Funciona como posicionamento, não como regressão.

Feio com assinatura: por que designers reconhecidos estão adotando a estética da bagunça deliberada como posicionamento

Vale prestar atenção em quem está fazendo isso, porque não são amadores tentando parecer profissionais. É exatamente o oposto.

Richard Turley, designer que reconfigurou a linguagem visual da Bloomberg Businessweek nos anos 2010, assinou recentemente, em colaboração com a Travel Agency, uma campanha da Guess em que o logo aparece riscado por cima de uma selfie granulada, em amarelo ácido, com tipografia em caixa baixa e composição que parece feita às pressas no Photoshop por alguém de quinze anos.

Zack Cohn, cofundador da Travel Agency, conta em entrevista ao New Yorker que o briefing era literalmente abraçar “a aleatoriedade que vem de pessoas”. A campanha viralizou.

Granola, ferramenta de IA para reuniões corporativas, fez o mesmo gesto na direção contrária da sua categoria. Enquanto OpenAI e Anthropic adotam identidades visuais que parecem logos de empreiteira de defesa, a Granola escolheu uma espiral verde irregular, “janky de propósito”, segundo Max Ottignon, cofundador da Ragged Edge, agência por trás do rebrand. A tese era sutil e precisa. Numa categoria onde a estética padrão é precisão clínica, parecer um pouco bagunçado vira marca, vira humano, vira não-IA.

Christine Tyler Hill, designer em Burlington, Vermont, virou guarda escolar de bairro pra ganhar vinte dólares por hora e poder olhar para o entorno em vez de para uma tela. Começou a fazer quadrinhos sobre o que via, depois transformou em zine impresso mensal, The Cloud Report.

Em janeiro deste ano, depois de um vídeo viral no TikTok, mil assinantes pagantes apareceram em vinte e quatro horas. Hoje são mais de três mil, alguns no exterior. Hill resume com precisão o que está em jogo: “estou tentando fazer uma coisa que pareça mesmo ter sido feita por uma pessoa”.

Esse “parecer ter sido feito por uma pessoa” é o ponto.

A gramática dos sinais mudou: o que o polimento passou a comunicar e por que fricção visual virou prova de processo humano

A imperfeição, na história da arte, sempre foi vocabulário disputadíssimo. Basquiat usava letra trêmula como assinatura social. Rose Wylie pinta como se nunca tivesse aprendido a pintar, e isso é exatamente o argumento dela.

O sloppy (que podemos traduzir aqui como “desleixo”) é uma posição política, quase. Mas a função do sloppy varia conforme o que está saturando o ambiente Nos anos 1980, o sloppy reagia ao mercado de arte que pedia objetos pasteurizados para sala de estar de banqueiro.

Nos anos 2000, o lo-fi reagia à fotografia de stock corporativo, aquela coisa de equipe sorrindo em sala de reunião com gráfico de barras ao fundo. Agora, ele reage a outra coisa. Reage a um excesso de competência sintética que tornou a competência visual irrelevante como diferencial.

O que muda não é a estética. É o que ela sinaliza. Já rastreei esse mecanismo por outro ângulo, ao analisar o conceito de aura no contexto da autoria digital. O padrão é recorrente: quando uma qualidade se torna replicável, o valor migra para outra camada.

Polimento, hoje, sinaliza criação barata. Não no sentido de qualidade, mas no sentido de custo de produção. Se sua peça parece impecável, é provável que tenha sido cuspida em segundos por um modelo. E esse “provável” basta para esvaziar o gesto. O cérebro do espectador faz a conta inconsciente: muito bem feito, pouco esforço, pouca decisão, pouco a respeitar.

Já a fricção sinaliza outra coisa. Tempo investido. Material manipulado. Risco assumido. Alguém que poderia ter clicado em “gerar” e escolheu não fazer isso.

Quando a Apple, em vez de manter o segredo de produção que cultivou por décadas, libera um vídeo mostrando os bastidores de uma campanha do MacBook Neo, com gente construindo props e filmando mãos reais, isso não é transparência por modismo. É movimento estratégico calculado.

A Apple precisa convencer um espectador cético de que aquela peça foi feita por humanos. Que tem custo. Que tem mão. Caso contrário, o público assume IA por padrão e a peça deixa de comunicar. Tor Myhren, vice-presidente de comunicações de marketing da Apple, descreveu o filme em torno dos métodos “tactile and handmade” como ênfase deliberada na “criatividade humana”.

A linguagem corporativa da Apple raramente se compromete com palavras dessa ordem; quando se compromete, é porque o terreno mudou.

A fricção virou prova.

O preset do erro: quando a inteligência artificial aprende a simular imperfeição e o lo-fi deixa de ser diferencial estético

Aqui o argumento faz uma curva incômoda, e é nessa curva que a maioria das análises sobre o tema escorrega.

Se “imperfeição igual a humano” é a equação que está se firmando, a IA aprende a equação. E aprende rápido.

Já existem prompts virais para forçar o ChatGPT a gerar imagens “no estilo mais desajeitado, rabiscado e patético possível”, com cara de MS Paint, com pixels grandes, com erro de proporção.

O resultado tem traço infantil, brushstroke desigual, paleta limitada. Parece falha. Parece mão. Parece humano. Não é. Olhando de perto, os tais rabiscos saem com largura de pincel idêntica e composição centralizada, denúncias da inércia estética dos modelos.

E isso muda a natureza do problema. Antes, a estratégia era simples. Fuja do polido, abrace o erro, ganhe diferenciação. Agora a estratégia precisa ser mais sutil, porque o erro também virou preset. Se a sua marca decidiu ir de lo-fi e a IA pode replicar lo-fi com um clique, você ganhou apenas alguns meses de vantagem competitiva estética.

O que sobra, então, é o processo. Estilo virou parte gerável da equação.

Christine Tyler Hill não vende rabisco. Ela vende uma cidade pequena, um bairro específico, crianças que ela conhece pelo nome, um inverno em Vermont, uma mulher que abriu mão de design corporativo para virar guarda de trânsito. O zine é o produto, o estilo é o sinal, mas o que sustenta tudo é uma vida concreta sendo vivida fora da tela. Isso a IA não terceiriza.

A campanha da Guess funciona porque tem Richard Turley assinando, com vinte anos de Bloomberg nas costas, com decisões editoriais reais por trás de cada borrão. O selo de risco está no histórico de quem fez, não no acabamento.

Granola pode ser copiada visualmente em uma tarde. O que não pode ser copiado é a posição estratégica de uma empresa de IA escolhendo, de propósito, parecer menos otimizada que seus concorrentes para se diferenciar. Essa decisão exige uma leitura cultural específica, uma aposta calibrada, uma coragem de marca. A decisão é o que carrega valor. O resultado visual dela é só o efeito colateral.

Três coisas que ainda não saem de prompt: restrição, continuidade e responsabilidade como diferencial criativo real

Existe uma frase circulando nesse debate que vale a pena reformular sem virar slogan. O premium contemporâneo não é alta resolução, é alta fricção. A versão honesta dessa ideia é mais áspera. O premium contemporâneo é qualquer coisa que ainda exija decisão humana visível. E “visível” é a parte difícil.

Visível como? Não basta mostrar o bastidor, porque bastidor também vira gênero, vira fórmula, vira “behind the scenes” performático. A Apple já entendeu isso, mas qualquer marca média que tente reproduzir o movimento vai parecer cosplay de autenticidade.

Visível, no caso, significa três coisas concretas.

A primeira é restrição. Materiais limitados, ferramentas específicas, paletas estreitas, prazos longos. Quanto mais a peça parece ter sido feita dentro de uma restrição, mais ela se distancia do output infinito de um modelo. Restrição é prova de processo.

A segunda é continuidade. Uma peça única pode ser IA. Uma série coerente que evolui ao longo de meses, com pequenas variações que só fariam sentido para alguém que está vivendo a coisa, é mais difícil de simular. O zine mensal de Hill funciona porque tem cinco edições em sequência, com piadas internas, com referências a edições anteriores, com bairro reconhecível. Continuidade é prova de tempo.

A terceira é responsabilidade. Quem assina, com nome, posição e custo de errar publicamente. Modelos não são processados por má decisão estética. Designers humanos são. Quando uma campanha como a da Guess vai ao ar e divide opinião, alguém precisa responder pela escolha. Esse alguém tem reputação em jogo. A reputação é o que a IA não consegue penhorar.

O briefing que ainda não existia: o que muda para marcas e profissionais criativos quando o acabamento visual vira commodity

Pra quem produz comunicação, o cenário é menos romântico do que parece. Não basta resolver “vamos ser mais lo-fi”, porque o lo-fi também já é gerável. A questão real é estrutural.

Se você é uma marca, isso significa repensar onde você investe. Acabamento de pixel, render, layout impecável, tudo isso virou linha de base. Investir mais nessas frentes é investir num diferencial que não existe mais.

O que ainda escala atenção é o que ainda exige humano de verdade. Editoria. Ponto de vista. Posicionamento cultural. Capacidade de fazer escolhas estranhas que um modelo não faria. Comprometimento com narrativas longas que precisam ser sustentadas por gente real.

Se você é freelancer ou estúdio, o briefing precisa mudar. “Faz uma identidade moderna e premium” passa a ser um pedido inviável, porque a referência de moderno e premium é o output médio de IA. O que vale é “faz uma identidade que carregue minhas decisões editoriais específicas”, uma conversa muito mais difícil, muito mais lenta, e muito mais cara. É também a única que não compete com prompt.

Se você é audiência, vale começar a fazer uma pergunta nova diante do que consome. Não “o que aqui foi feito”, porque feito foi todo mundo, todo mundo é feito. A pergunta útil é: o que aqui foi decidido. Decidido é diferente. Decidir custa.

A economia da decisão: como a IA está forçando o trabalho criativo a se reposicionar em torno do que ainda exige presença humana de verdade

A história da arte é cheia de momentos em que a tecnologia barateou um gesto e forçou os humanos a reposicionar o valor noutro lugar. A fotografia barateou o retrato e empurrou a pintura para a abstração.

O áudio digital barateou a gravação e empurrou a música ao vivo para a economia da experiência. A IA está barateando o acabamento visual e empurrando o trabalho criativo para uma economia da decisão.

A boa notícia, se houver alguma, é que decisão é uma matéria-prima razoavelmente abundante em humanos. Todo mundo decide o tempo todo. A má notícia é que a maior parte da indústria criativa passou os últimos vinte anos convencendo o mercado de que o seu valor estava no acabamento, no polido, no “isso aqui não fica perfeito sem a gente”. E agora fica perfeito sem a gente.

O que vai sobrar para quem trabalha com isso é a parte que sempre foi a mais difícil de explicar para o cliente, o que analisei com mais detalhe ao falar sobre o fim da era do criativo rockstar. Ponto de vista. Leitura cultural. Coragem editorial. Paciência. Restrição. Responsabilidade pelo que escolheu. Foi sempre o que valia. Só que dava para esconder atrás do bom acabamento. Não dá mais.

Quando todo mundo pode imprimir perfeição, o luxo, e a única coisa que ainda funciona como sinal, é deixar a mão aparecer. Não a mão como filtro. Não a mão como estética. Não a mão como preset. A mão como prova de que alguém esteve ali, com tempo, com dúvida, com responsabilidade pelo que ficou.

Quer ler mais sobre o tema? Minha dica é assinar essa seção por e-mail

The post Quando a falha é o seu maior luxo appeared first on Mauro Amaral.

Era dia de prova final em Harvard quando o Canvas saiu do ar. Canvas — sem o “a” no final, para não confundir com o Canva, a popular ferramenta de design — é um sistema de gestão de aprendizagem (LMS) desenvolvido pela empresa americana Instructure.

É a plataforma digital onde professores postam aulas, alunos entregam trabalhos, realizam provas e acompanham notas. Em universidades americanas de grande porte, o Canvas é tão onipresente quanto o e-mail institucional: está no centro de toda a vida acadêmica digital.

Não foi um bug. Não foi um servidor sobrecarregado no fim de semestre. Foi extorsão. Um grupo operando sob o nome ShinyHunters invadiu a Instructure, empresa por trás da plataforma de gestão de aprendizagem mais usada nos EUA, exigiu pagamento e, diante do silêncio da empresa, colocou o Canvas em modo de manutenção.

Em questão de horas, universidades como Columbia, Rutgers e Georgetown enviavam alertas emergenciais. Distritos escolares em pelo menos doze estados estavam offline. Mais de 8.800 instituições afetadas, segundo os próprios atacantes.

O crime foi amplamente coberto. Mas a pergunta que ficou embaixo de toda a cobertura técnica é mais incômoda: por que uma única plataforma tem o poder de paralisar a educação de milhares de instituições ao mesmo tempo? E o que isso revela sobre como construímos a infraestrutura do conhecimento nas últimas duas décadas?

Concentração como modelo de negócio: como o SaaS educacional se tornou um ponto único de falha com impacto em escala global

O Canvas não é uma anomalia. É o resultado previsível de uma dinâmica familiar: plataformas SaaS competem por adoção institucional, crescem via contratos plurianuais, acumulam dados e processos integrados e, com o tempo, tornam-se caras demais para abandonar. As instituições ficam presas não por escolha ativa, mas por inércia estrutural acumulada.

É o mesmo mecanismo que colocou o Log4j em bilhões de sistemas antes que alguém descobrisse a vulnerabilidade crítica, em 2021. Ou que fez com que uma atualização do CrowdStrike derrubasse companhias aéreas, hospitais e bolsas de valores em julho de 2024. A concentração em infraestrutura digital cria fragilidades sistêmicas que só ficam visíveis no momento da ruptura.

No caso do Canvas, a dimensão do impacto tem uma camada adicional: as vítimas diretas não tomaram nenhuma decisão tecnológica. Não assinaram contratos, não avaliaram riscos, não escolheram fornecedores. Apareceram para fazer a prova e encontraram a plataforma offline.

Da criptografia para a coerção: por que a extorsão digital evoluiu para um modelo de pressão social antes de pressão técnica

O ransomware clássico operava pelo bloqueio: pague ou perca os dados. O modelo atual, chamado às vezes de extorsão dupla ou data extortion ransomware, funciona pela ameaça de exposição. Os atacantes não precisam bloquear sistemas para forçar o pagamento. Ameaçam vazar informações sensíveis publicamente. E quando o alvo concentra dados de estudantes e menores de idade, a pressão social se multiplica.

Allison Nixon, diretora de pesquisa da Unit 221b e uma das pesquisadoras que mais de perto acompanha grupos como o ShinyHunters, descreveu para a Wired uma mudança de natureza no comportamento desses grupos: “as táticas de pressão começam a se parecer muito mais com máfia violenta do que com qualquer coisa ligada a hacking habilidoso.” DDoS, deface de páginas de login, e-mails em massa, ameaças a familiares de executivos. A sofisticação técnica cedeu lugar à brutalidade organizacional.

Isso desloca a pergunta relevante. Não é mais “quão difícil é invadir seus sistemas”. É “quão caro é resistir à pressão depois que você já foi comprometido”.

Name-jacking e a economia da reputação: por que grupos hackers operam hoje como franquias de medo reutilizáveis

Um detalhe do caso Canvas merece mais atenção do que recebeu: não está claro quem, exatamente, opera hoje sob o nome ShinyHunters.

O nome tem história documentada. Foi associado a grandes vazamentos de dados no início dos anos 2020. Mas à medida que grupos hackers fragmentam e se recombinaam, o nome virou um ativo reutilizável. Nixon aponta que a atividade recente parece vir de um subgrupo às vezes chamado de ScatteredLapsus$Hunters, com conexões ao Com. Outros ataques recentes usaram o nome Lapsus$ com pouca relação com o grupo original.

Essa prática dissolve a atribuição, complica respostas jurídicas e diplomáticas e cria um efeito de reputação emprestada: o novo grupo se beneficia do medo associado ao nome sem precisar construir credibilidade própria. A reputação é o ativo. O crime é o produto. O nome é a marca.

A cena que resume o problema: estudantes encontraram uma mensagem de extorsão onde deveria estar o portal de aprendizagem

Na manhã de 8 de maio, estudantes de Harvard tentaram submeter trabalhos finais e encontraram uma página modificada pelos hackers com uma lista de instituições comprometidas e um prazo: negociem até 12 de maio ou os dados serão vazados.

O sistema que deveria mediar o aprendizado tinha sido sequestrado para servir como canal de comunicação dos atacantes com suas vítimas.

Não é só ironia narrativa. É uma demonstração concreta do que acontece quando a mediação digital de uma relação institucional inteira fica concentrada em uma única plataforma. Quando o Canvas falha, não é um sistema que colapsa. É a arquitetura de acesso ao conhecimento de 8.800 instituições que desaparece ao mesmo tempo.

As universidades escolheram o Canvas racionalmente, dentro de uma lógica de mercado que recompensa a adoção de soluções consolidadas. O problema é que a decisão individual de cada instituição, agregada em escala, produziu uma fragilidade sistêmica que nenhuma delas tinha incentivo de corrigir sozinha. Os economistas chamam isso de externalidade negativa: os custos do risco se distribuem por toda a rede; os benefícios da concentração ficam com a plataforma.

O vácuo regulatório: por que plataformas LMS concentram risco sistêmico sem os requisitos de resiliência que isso exige

Bancos têm regulação de capital e resiliência operacional. Sistemas de saúde têm regulação de proteção de dados e continuidade de serviço. Infraestrutura de telecomunicações tem obrigações de disponibilidade. Plataformas de gestão de aprendizagem operam em um vácuo que permite a concentração de risco sistêmico sem os requisitos correspondentes.

A Instructure declarou o incidente resolvido na quarta-feira. Na quinta, o Canvas voltou com outra falha. Na sexta, estava estável “para a maioria dos usuários”. A empresa não respondeu sobre a relação entre as duas interrupções.

Nixon resumiu com precisão: “é notável que um número pequeno de reincidentes possa escalar por anos para chegar a esse ponto. Isso fala do problema sistêmico internacional do cibercrime e da necessidade de que governos ao redor do mundo deixem a geopolítica de lado e cooperem para parar quem extorque dinheiro e preda crianças.”

O que fica depois do Canvas voltar ao ar

O Canvas voltou. As provas foram remarcadas. O ciclo seguirá.

Mas o caso deixa uma questão que nenhum patch resolve: até onde a promessa de digitalização da educação pode avançar sem que se construa, junto com ela, uma arquitetura de responsabilidade compatível com o risco que ela cria?

A eficiência das plataformas SaaS é real. Os benefícios da centralização são reais. Mas a fragilidade sistêmica que essa centralização produz também é real, e ela tem um custo que não aparece em nenhuma linha do contrato de software.

Harvard e suas 8.800 companheiras descobriram esse custo no pior momento possível. A próxima vez pode ser saúde. Pode ser infraestrutura de transporte. Pode ser o sistema que você usa para trabalhar amanhã.

A pergunta não é se vai acontecer de novo. É se, quando acontecer, teremos construído algo mais robusto para depender.

Quer ler mais sobre o tema? Minha dica é assinar essa seção por e-mail

The post Maior sistema educacional dos EUA sai do ar em dia de prova final em ataque de hackers appeared first on Mauro Amaral.

Em algum momento de 2025, uma jornalista canadense chamada Brishti Basu precisou provar que a polícia de Vancouver havia alterado um comunicado oficial após a publicação de uma matéria dela. Para fazer isso, ela acessou o Wayback Machine, a ferramenta de arquivamento da Internet Archive que captura snapshots de páginas ao longo do tempo. O arquivo estava lá. A alteração ficou documentada. A reportagem se sustentou.

O Wayback Machine é usado para esse tipo de coisa há décadas. Não é uma ferramenta de nostalgia digital, é infraestrutura de accountability. A Wikipedia o cita em mais de 2,6 milhões de artigos. Advogados o usam em procedimentos judiciais. Historiadores confiam nele para documentar como instituições mudam de posição ao longo do tempo.

No final de 2025, o New York Times bloqueou o Wayback Machine. O Guardian e o USA Today Co. seguiram. A justificativa declarada foi proteger o conteúdo de ser usado para treinar modelos de inteligência artificial. A justificativa é legítima.

A batalha entre publishers e empresas de IA é real, os interesses são grandes, e nenhum veículo deveria ter seu trabalho capturado sem consentimento para alimentar um produto concorrente. O problema é que o mecanismo escolhido para a defesa não distingue o crawler da OpenAI do jornalista que precisa verificar uma declaração oficial. Brishti Basu foi atingida junto.

Isso seria apenas uma notícia de tecnologia se não fosse pela coincidência de outro evento, em outro continente, revelando o mesmo padrão.

Suécia, unicórnios e o caderno: como o maior polo tech da Europa decidiu retirar as telas das escolas públicas

A Suécia tem mais unicórnios tech per capita do que qualquer outro país europeu. É de lá que saíram o Spotify, o Klarna, dezenas de empresas de software que moldaram como o mundo digital funciona. É também o país que, em 2026, adotou como política de governo a retirada de tablets e telas das salas de aula do ensino fundamental, resumida no slogan från skärm till pärm. Da tela ao fichário.

A decisão não é sem base. A OCDE documentou que a adoção de tecnologia nas escolas suecas foi feita sem objetivos pedagógicos claros. Dispositivos chegaram às salas de aula porque deveriam chegar, não porque havia um plano sobre o que fazer com eles. Pesquisas mostram correlação entre uso intensivo de telas e queda na compreensão leitora. Cerca de 24% dos jovens suecos não atingem níveis básicos de alfabetização. A preocupação é real.

Mas Karin Fast, pesquisadora que coordenou o projeto The Digital Backlash and the Paradoxes of Disconnection pela Nordicom, instituição nórdica de referência em pesquisa de mídia, aponta algo que a decisão sueca não discutiu: a retirada de tecnologia das escolas públicas não afeta todas as crianças do mesmo jeito.

Filhos de famílias de maior renda continuam com acesso doméstico a computadores, ferramentas de IA e conexão de qualidade. Crianças de famílias mais pobres ficam sem os dois: sem a profundidade cognitiva que a escola não conseguiu entregar com as telas, e sem a fluência digital que o mercado de trabalho vai exigir.

A causa diagnosticada era a ausência de intenção pedagógica. A solução adotada foi retirar a tecnologia. Mas retirar a tecnologia sem design pedagógico é exatamente tão acrítico quanto adotá-la sem design pedagógico. O problema não era a tela. Era a ausência de propósito.

Overcorrection digital: o mecanismo pelo qual reações ao excesso tecnológico atacam o sintoma, não a causa

O que une Brishti Basu e as escolas suecas não é uma teoria sobre tecnologia. É um mecanismo de defesa que funciona da mesma forma nos dois contextos, e tem nome: overcorrection.

O conceito vem da teoria de sistemas e da psicologia comportamental. Descreve o padrão em que uma resposta a um problema vai além do ponto de equilíbrio necessário, atacando não a causa mas a infraestrutura adjacente a ela. Não é uma correção de rota deliberada.

É rejeito por reflexo: a reação proporcional ao desconforto, não ao problema real. O sinal mais claro de que uma overcorrection está ocorrendo é que o problema estrutural permanece intacto depois que a reação acontece. O sintoma some da vista. A causa continua operando.

Publishers não processaram as empresas de IA pelo uso indevido de conteúdo. Bloquearam o arquivo público. A Suécia não redesenhou o uso de tecnologia nas escolas. Retirou os dispositivos. Em ambos, a reação é compreensível, imediata e politicamente legível. Em ambos, o problema estrutural permanece exatamente onde estava.

A OpenAI continua treinando modelos com conteúdo de toda a internet que não tem robots.txt. A ausência de intenção pedagógica nas escolas suecas não foi diagnosticada nem resolvida, apenas contornada pelo recurso mais simples. E em ambos os casos, quem paga o preço não é quem causou o problema.

Karin Fast e seus colegas chamam isso de paradoxo da desconexão. O backlash digital raramente ataca o capitalismo de vigilância, a hegemonia das plataformas ou a ausência de regulamentação. Ataca o sintoma mais visível e mais fácil de nomear.

O padrão se repete quando observamos o neo-luddismo universitário americano: jovens que largaram os celulares também respondem ao sintoma mais visível da economia da atenção, não à sua arquitetura de negócio. Ao fazer isso, frequentemente destroem algo que não era o inimigo.

Overcorrection com argumento: o que separa rejeito por reflexo de correção intencional com propósito claro

Nem toda reação ao excesso tecnológico segue esse padrão. Há uma distinção que o debate público raramente faz, e que me parece crítica.

No campo do design gráfico, existe um movimento documentado sob o conceito de estética anti-híper-digital: a rejeição do polimento excessivo, da simetria perfeita e dos outputs homogêneos do design gerado por IA. Artistas e studios estão deliberadamente escolhendo o imperfeito, o feito à mão, a textura que nenhum prompt reproduz facilmente.

Parece, à primeira vista, a mesma overcorrection. Mas há uma diferença substantiva: essa escolha tem um argumento estético e estratégico claro. Não é rejeito da ferramenta porque a ferramenta causou dano. É busca por aquilo que a ferramenta não consegue reproduzir.

O mesmo raciocínio aparece no conceito de dieta informacional — ou Efeito Flamingo. A ideia parte de uma observação simples: flamingos são cor-de-rosa porque comem camarão. Se parassem, virariam brancos, iguais a qualquer outra ave.

Criadores que consomem apenas conteúdo gerado por algoritmo, treinado em média cultural, produzem outputs que se parecem com tudo o que já existe. Quem consome arquivo, clássicos, materiais fora do circuito de recomendação, produz algo que se destaca. A escolha analógica aqui não é romantismo. É estratégia de diferenciação.

Há ainda um terceiro registro: o que A aura que falta explorou ao perceber que eficiência sem presença é um problema de design, não de tecnologia. A Tríade Criativa sistematiza isso como design de ecologia da atenção: não o abandono das ferramentas, mas o design de quando, onde e para quê elas entram. A desconexão como ferramenta, não como bandeira.

Essas são overcorrections com design. A distinção que importa não é entre analógico e digital. É entre reação por reflexo e escolha por argumento.

O argumento que não estou fazendo: por que criticar a overcorrection não é defender a tecnologia

Estou ciente de que esse argumento pode soar como defesa da tecnologia, e não é. O que os publishers fizeram ao Wayback Machine foi um erro com consequências reais para o jornalismo. O que a Suécia fez pode amplificar desigualdades que já existiam. Estou dizendo que os dois erros têm a mesma origem: a reação foi proporcional ao desconforto, não ao problema.

A IA está produzindo danos reais. A atenção das crianças está sendo fragmentada de formas que pesquisadores ainda estão mapeando. Nenhum desses problemas é pequeno. O que estou questionando é a confiança de que a retirada resolve, quando o que resolve, na maior parte das vezes, é o redesenho.

A escola finlandesa, que aparece como contraponto recorrente nos debates sobre educação, não ficou famosa por ter ou não ter tecnologia. Ficou famosa por ter professores bem formados e autonomia pedagógica. A ferramenta é variável. A intenção com que se usa a ferramenta é o que determina o resultado.

Da retirada ao redesenho: a pergunta que publishers e governos não fizeram antes de agir

Nessa parte do texto, a convenção seria entregar a resposta. Uma lista com três passos, um framework acionável, algo que o leitor pudesse aplicar na segunda-feira. Não tenho isso. A ausência da resposta é parte do argumento.

O que tenho é uma pergunta que já coloquei em outro contexto, ao examinar o fetiche pela ferramenta, e que me parece igualmente útil aqui: quando você identifica um excesso tecnológico na sua vida, no seu trabalho ou na sua instituição, a reação que você considera está atacando a causa ou o sintoma mais próximo?

Publishers que bloquearam o arquivo público não perguntaram isso. O governo sueco, ao que tudo indica, também não.

A próxima vez que eu ver alguém propor uma solução para um problema tecnológico, vou tentar identificar o que essa solução destrói junto. Não para não agir. Para agir melhor.

Você tem casos em que viu isso acontecer? Fico curioso para ouvir.

Quer ler mais sobre o tema? Minha dica é assinar essa seção por e-mail

The post A Suécia tirou as telas das escolas. Mas o problema ficou onde estava. appeared first on Mauro Amaral.