Como revisar conteúdo gerado por IA antes de publicar
Em outubro de 2026, a página do Google sobre conteúdo feito com IA generativa passou a dizer sem rodeio que é preciso checar manualmente os fatos e revisar todo conteúdo gerado por IA antes de publicar. A orientação vale também para title, description, dados estruturados e texto alternativo de imagem, que aparecem nos resultados de busca.
A dificuldade está no volume. Com IA, uma equipe pequena produz em uma tarde o que antes levava uma semana, e a revisão vira o gargalo. Daí surgem dois atalhos ruins: pedir para a própria IA revisar o que fez, ou revisar por gosto, com um “não curti” que ninguém consegue transformar em correção.
Este é o quarto texto da nossa série sobre agentes de IA aplicados a marca. Ele trata de como montar uma revisão que pega erro de fato, de marca e de texto, e de como fazemos isso na Headcore.
Por que a IA não deve revisar sozinha o próprio trabalho
Usar um modelo para avaliar textos tem nome na pesquisa: LLM como juiz. O estudo que popularizou a técnica, de Zheng e colegas, publicado em 2023, mostrou que um modelo forte concorda com avaliadores humanos em mais de 80% das comparações. O mesmo estudo descreveu os vieses desse juiz.
O primeiro é o de posição. Trocar a ordem de duas respostas mudava o veredito com frequência, e só o melhor modelo testado ficou consistente em mais de 60% dos casos. O segundo é o de prolixidade: alguns modelos preferiram a resposta mais longa mesmo quando ela só repetia o conteúdo da outra.
O terceiro é a preferência pelo que soa familiar. Wataoka e colegas mostraram em 2024 que modelos dão nota mais alta a textos que acham mais previsíveis, o que tende a favorecer o próprio estilo. Um modelo revisando o texto que ele mesmo escreveu, na mesma conversa, junta os três problemas: ele já sabe o que quis dizer e lê o que esperava ler.
Nada disso proíbe usar IA na revisão. Muda o desenho: quem revisa trabalha em outro contexto, sem ver como o texto foi feito, e com critérios definidos antes de ler a peça. No Claude Code, é para isso que servem os subagentes, que rodam numa janela de contexto separada da conversa principal.
As três camadas da revisão
Uma revisão que funciona separa três perguntas, porque cada uma pede um tipo de conhecimento diferente.
| Camada | Pergunta | Quem resolve melhor |
|---|---|---|
| Fato | O que está escrito é verdade, e de onde veio? | Quem conhece o assunto, com a fonte primária aberta |
| Marca | A marca diria isso, desse jeito? | Quem conhece as regras da marca, com o brain ou brand book na mão |
| Texto | O texto lê bem e soa como gente? | Editor, humano ou agente com regras escritas |
Na camada de fato, a regra é abrir a fonte original, porque o resumo dela costuma perder o detalhe que muda o sentido. Na checagem de uma pauta recente, um crescimento de 5,7% aparecia atribuído a um shopping específico. Na fonte original, o número era das vendas de todos os shoppings do grupo. A frase parecia certa, citava a fonte certa e estava errada.
Na camada de marca, a pergunta é se o texto respeita o posicionamento, a voz e o que a marca nunca diz. É aqui que um registro escrito da marca faz falta, porque sem ele cada revisor aplica a sua própria ideia de marca.
Na camada de texto entram ritmo, clareza e os padrões que denunciam escrita de IA, como a frase de efeito no fim de todo parágrafo ou a lista de três adjetivos. Reunimos esses padrões no nosso mapa de padrões de texto de IA.
A régua vem antes da peça
A revisão por gosto falha porque o critério aparece depois de ler a peça. Quem revisa sente que algo não funciona e procura uma justificativa. A troca que fizemos foi mudar a pergunta: em vez de “eu gostei?”, a revisão pergunta “isto falha contra o quê?”.
Toda reprovação precisa apontar uma régua que existia antes da peça e vale além dela: um princípio de comunicação com fonte, uma regra escrita da marca, uma especificação da plataforma. Se ninguém consegue apontar a régua, o comentário é opinião e não reprova a peça. Pode virar sugestão, e às vezes vira pergunta para a marca responder.
Como funciona a nossa mesa de revisão
Na Headcore, toda peça passa pela mesa-criativa, um dos plugins que usamos no Claude Code. A mesa tem dez lentes, cada uma com um olhar diferente sobre a peça. Cada lente lê sozinha, sem ver o parecer das outras, e o primeiro parecer de cada uma fica congelado antes da discussão. Depois as lentes discutem o que pega, e um registro mostra que ninguém reescreveu a opinião inicial.
A mesa não tira média. Uma falha fatal reprova a peça, mesmo que as outras notas sejam boas. Em média, uma peça com três notas confortáveis e um erro grave passaria raspando; na mesa, ela volta para produção com o motivo escrito.
O que cada lente pode cobrar segue uma hierarquia de três camadas:
| Camada | O que é | Peso |
|---|---|---|
| Canônica | Princípio de comunicação com fonte nomeada | Define a nota |
| Marca | O Brand Brain da marca, auditado e versionado | Define o mínimo aceitável |
| Empírica | Padrão observado numa plataforma, com data | Só informa, não reprova |
A regra mais útil vale para a camada de marca: nenhuma reprovação por marca sem citar a seção do Brand Brain que a sustenta. Se o brain não cobre o ponto, a mesa registra uma pergunta aberta para a marca responder. A peça não é reprovada por uma regra que não existe.
A saída é um veredito com a reforma necessária, enviada direto para quem produz: o agente de peças, o de páginas ou o de vídeo. A memória de marca que sustenta essa revisão está explicada no texto sobre CLAUDE.md e Brand Brain.
Peça única ou lote
Nem tudo precisa de mesa. Quando um conceito gera trezentas variações de anúncio, revisar uma por uma não cabe no prazo e também não é necessário. As variações de um mesmo conceito tendem a errar do mesmo jeito.
Por isso separamos o que é escasso do que é repetitivo. O conceito, de dois a quatro por campanha, é julgado peça por peça na mesa. O lote passa por verificação automática de especificação, como tamanho de texto, formato e termos proibidos, e por amostragem. A primeira peça de cada família vira a referência que as outras seguem.
O que continua com a pessoa
Na nossa operação, a IA prepara a revisão e a pessoa decide. Nenhuma peça sai sem aprovação humana. Também é com a pessoa que fica a checagem de fato que exige julgamento: decidir se uma fonte é confiável, se um número de 2025 ainda serve em 2026, se uma afirmação sobre um cliente pode ser publicada.
Quando a revisão encontra um erro que pode se repetir, ele vira regra escrita no Brand Brain. É assim que a revisão de hoje reduz o trabalho da próxima.
Checklist para começar
- Defina por escrito, antes de produzir, o que reprova uma peça.
- Separe a checagem de fato, de marca e de texto, mesmo que a mesma pessoa faça as três.
- Abra a fonte primária de cada número, com data.
- Se usar IA para revisar, use outro contexto, sem o histórico da produção, e entregue os critérios junto.
- Não tire média: um erro grave reprova.
- Revise também title, description, alt e dados estruturados.
- Transforme em regra todo erro que puder voltar.
A série completa
Este texto faz parte de uma série de cinco sobre agentes de IA aplicados a marca:
- Subagentes e equipes de agentes no Claude Code
- Skills e plugins no Claude Code
- CLAUDE.md e Brand Brain: memória de marca para IA
- Como revisar conteúdo gerado por IA (este texto)
- Como usamos IA na operação da Headcore
Perguntas frequentes
Dá para usar IA para revisar conteúdo gerado por IA?
Dá, com cuidado no desenho. Estudos sobre IA como juiz mostram viés de posição, preferência por respostas longas e tendência a favorecer textos que soam familiares. A revisão funciona melhor num contexto separado, sem acesso à produção, com critérios escritos antes e aprovação final de uma pessoa.
O Google penaliza conteúdo feito com IA?
A orientação do Google, atualizada em outubro de 2026, pede que todo conteúdo gerado por IA tenha os fatos checados e seja revisado manualmente antes de publicar, incluindo title, description, dados estruturados e texto alternativo. O foco da página está na precisão e na qualidade do que é publicado.
Qual a diferença entre revisão de marca e revisão de texto?
A revisão de marca pergunta se a marca diria aquilo, de acordo com o posicionamento, a voz e as regras escritas. A revisão de texto olha clareza, ritmo, erros e padrões que denunciam escrita de IA. Um texto pode estar impecável e ainda assim fora da marca.
Detector de IA resolve a revisão?
Não resolve. Detector tenta dizer se um texto parece escrito por máquina, e isso não diz nada sobre se o fato está certo ou se a marca diria aquilo. As três camadas da revisão continuam necessárias, com ou sem detector.
Como revisar muito conteúdo sem travar a produção?
Separe o conceito do lote. O conceito é julgado peça por peça; as variações passam por verificação automática de especificação e por amostragem, tendo a primeira peça de cada família como referência. Erros que se repetem viram regra, o que reduz a revisão das rodadas seguintes.
O que é uma revisão às cegas?
É quando cada revisor lê a peça sem ver a opinião dos outros e registra o parecer antes de qualquer discussão. Isso evita que o primeiro comentário puxe os demais. Na nossa mesa de revisão, o parecer inicial de cada lente fica congelado antes do debate.
Fontes: Google Search Central, orientação sobre conteúdo de IA generativa (atualizada em 01/10/2026) · Zheng et al., Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena, 2023 · Wataoka et al., Self-Preference Bias in LLM-as-a-Judge, 2024.
