O stack de IA real da Kaleidos: o que a gente automatiza e onde a IA quebra

O stack de IA real da Kaleidos: o que a gente automatiza e onde a IA quebra

Todo mundo posta prompt. Quase ninguém mostra onde a IA erra e custa cliente.

O feed de marketing em 2026 é uma fila de gente vendendo o print da resposta perfeita. Ninguém posta o print da resposta que inventou uma estatística, citou um estudo que não existe e quase foi pro ar assinada por um cliente. Só que é exatamente aí que mora a diferença entre usar IA pra valer e usar IA pra postar que usa IA.

Vou te dar um número que devia estar em todo pitch de "IA aumenta produtividade" e nunca está. Em julho de 2025, o METR rodou um estudo controlado com desenvolvedores experientes de open source trabalhando em código que eles mesmos conheciam bem. Com ferramentas de IA, eles levaram 19% mais tempo pra completar as tarefas. E o detalhe que importa: eles achavam que tinham ficado cerca de 20% mais rápidos. A percepção de ganho e o ganho real apontavam em direções opostas (METR, 2025).

Isso não é um argumento contra IA. É um argumento contra usar IA no piloto automático. A gente automatiza pra caramba na Kaleidos, e é justamente por conhecer onde ela quebra que a automação funciona.

Principais takeaways

• A IA acelera o começo (rascunho, pesquisa, primeira versão) e mente com confiança no fim (número, fonte, nuance).
• Nosso pipeline padrão tem três etapas fixas: IA-rascunho → humano-edita → checagem factual obrigatória. Nenhuma é pulável.
• O ganho de produtividade da IA é real, mas assimétrico: grande em tarefa aberta e repetitiva, negativo ou ilusório em tarefa que exige contexto profundo.
• Em cripto, um dado errado não é só feio, é passivo jurídico e de credibilidade. A checagem factual existe por isso.
• O sistema que importa não é o modelo. É o processo em volta dele: quem checou, quem aprovou, o que já foi publicado.

O que a gente realmente automatiza

Deixa eu ser específico, porque "usamos IA" não quer dizer nada. Dentro do KAI, o sistema de conteúdo que a Kaleidos construiu, a IA carrega a primeira metade do trabalho:

• Rascunho. A partir do briefing do cliente e das referências que a gente alimenta, o modelo cospe a primeira versão de um post, uma thread ou um paper. Página em branco é o inimigo mais caro do time de conteúdo, e a IA mata esse inimigo em segundos.
• Pesquisa e curadoria. Cruzar newsletter, notícia, transcrição de vídeo e post da semana pra montar a pauta. A IA lê muito mais rápido do que qualquer humano e monta o mapa do que está acontecendo.
• Repurpose. Um paper vira thread, a thread vira carrossel, o carrossel vira legenda. Reformatar é trabalho mecânico, e trabalho mecânico é onde a máquina brilha.
• Variação por rede. O mesmo núcleo de ideia adaptado pro tom do LinkedIn, do X e do Instagram, cada um com sua regra.

Vale contextualizar com dado, porque a assimetria tem nome. O estudo Generative AI at Work, de Brynjolfsson, Li e Raymond, mediu agentes de suporte ao cliente usando um assistente de IA e encontrou 14% de aumento de produtividade na média, com ganho maior justamente entre os funcionários menos experientes (NBER, 2023). Ou seja: a IA nivela por cima em tarefa padronizada e de entrada. Junte isso ao estudo do METR lá de cima e a lição fica clara. IA ajuda muito onde a tarefa é aberta e repetitiva, e atrapalha onde a tarefa exige contexto que só o especialista tem. Rascunho é o primeiro caso. Decidir se um número está certo é o segundo.

Onde a IA quebra (e custa cliente)

Agora a parte que ninguém posta.

O caso mais didático do mundo aconteceu com a Air Canada. Um cliente perguntou ao chatbot do site sobre passagem com desconto por luto, o bot inventou uma política que não existia, e quando a empresa se recusou a honrar, o tribunal decidiu que a companhia era responsável pelo que o próprio chatbot disse. A Air Canada argumentou, com todas as letras, que o chatbot era "uma entidade legal separada" responsável pelas próprias ações. O tribunal não engoliu (BBC, 2024). A lição vale pra qualquer marca: o que a sua IA fala, a sua marca assina. Não existe "foi o modelo".

Na nossa operação, a quebra aparece em três lugares, sempre os mesmos:

1. O número inventado. Esse é o mais perigoso porque vem embrulhado em confiança total. Já peguei um agente nosso escrever, num paper de estudo de caso, uma estatística de um pesquisador real com o percentual trocado: o estudo dizia uma coisa, o rascunho afirmava outra, com direito a citação bonitinha. Se isso vai pro ar num material de autoridade, a Kaleidos perde a única coisa que um paper existe pra construir, que é confiança.

2. A fonte que não diz aquilo. Pior que inventar número é citar fonte de verdade que não sustenta a afirmação. Num material sobre foco e produtividade, um rascunho afirmou que "leva 23 minutos pra recuperar o foco depois de uma interrupção" e amarrou isso a uma pesquisa. Fomos atrás da fonte primária: a pesquisa mede o tempo de retomada de uma tarefa, não isso que o texto afirmava. O número virou lenda de tanto ser repetido por intermediários, e a IA repete lenda com a mesma cara de quem repete fato.

3. A nuance regulatória. Em cripto isso é vida ou morte. Uma regra do Banco Central sobre stablecoin, um enquadramento da CVM, o status de um token: a IA generaliza, arredonda e perde o detalhe que muda tudo. Um material que sugere um atalho de câmbio que a regulação acabou de vetar não é só errado, é um risco que a gente coloca no colo do cliente.

Os três têm a mesma raiz: o modelo otimiza pra soar plausível, não pra estar certo. Plausível é o suficiente pra passar batido numa leitura rápida. É exatamente por isso que a leitura rápida não pode ser a última etapa.

O pipeline: IA-rascunho, humano-edita, checagem factual

Tudo que a Kaleidos publica passa por três etapas fixas. Não é sugestão, é o fluxo do sistema.

Etapa 1 — IA-rascunho. O KAI gera a primeira versão a partir do briefing e das referências. Rápido, barato, imperfeito de propósito. O objetivo aqui não é qualidade final, é ter matéria-prima pra trabalhar em cima. Rascunho ruim em cinco segundos vence página perfeita que nunca começa.

Etapa 2 — Humano-edita. Um editor pega o rascunho e faz o que a IA não faz: corta o genérico, injeta a voz específica da marca, adiciona o bastidor real e a opinião que ninguém mais assinaria. Aqui a régua é dura. Se o parágrafo poderia estar em qualquer blog da internet, ele sai. A marca vive no que é só seu, e o que é só seu a IA não tem como saber, porque não estava na sala.

Etapa 3 — Checagem factual obrigatória. Essa é a etapa que quase todo mundo pula e a que mais evita desastre. Dado por dado:

• Todo número precisa de fonte primária nomeada. Sem fonte, o número cai.
• Toda fonte é aberta e conferida contra o que o texto afirma. Citação que não sustenta a frase é descartada.
• Regra regulatória é validada na fonte oficial (BCB, CVM, SEC), nunca num resumo de segunda mão.

Por que isso virou sistema, e não só "cuidado"

Dava pra fazer tudo isso na base do "presta atenção, revisa bem". Não escala. Quando você opera dezenas de contas, com voz distinta em cada uma e dado sensível em todas, o gargalo deixa de ser gerar texto — a IA resolveu isso — e passa a ser controle: quem checou aquele número, quem aprovou aquele post, o que já foi publicado e o que ainda é rascunho.

Foi por isso que a gente construiu o KAI em vez de empilhar dez ferramentas soltas de IA. Ferramenta gera texto. Sistema garante que o texto passou pelas três etapas antes de sair com o nome do cliente. A parte cara e defensável nunca foi o modelo, que todo mundo tem o mesmo. É o processo em volta dele.

O resumo que eu daria pra qualquer founder pensando em automatizar marketing com IA: automatize a produção com vontade, terceirize o julgamento com o modelo e você vai amplificar erro em escala. A IA é a melhor estagiária do mundo e a pior editora-chefe. Trate assim.

Se você quer montar um stack de conteúdo com IA que acelera sem colocar a sua marca em risco, é exatamente esse tipo de operação que a gente desenha na Kaleidos. Fala com a gente em /contato.