M2 delegou 40% dos textos de marketing a uma rede neural e manteve a qualidade do conteúdo

A M2 demonstrou um cenário prático em que a IA não substitui a equipe editorial, mas assume uma porção significativa do conteúdo rotineiro. Dentro da empresa, redes neurais já foram confiadas com aproximadamente 40% dos textos de produto e marketing, mas o esquema final não se resume a apertar um único botão: a qualidade é mantida através de regras rígidas, prompts precisos e participação obrigatória de humanos em tarefas complexas e criativas. O motivo para iniciar a redação por IA foi o crescimento do volume de conteúdo.

A equipe editorial precisava cobrir mais tarefas para marketing, vendas e suporte sem expandir a equipe ou terceirizar tudo. No início, a M2 considerou opções padrão — contratar um novo redator, terceirizar parte do trabalho ou construir uma ferramenta interna de IA. Escolheram o terceiro caminho como o mais rápido e econômico, mas imediatamente impuseram uma limitação: a rede neural deve escrever no tom da marca e cumprir a política editorial interna não pior do que um autor iniciante.

O problema-chave não se mostrou na escolha do modelo, mas em como explicar à IA os padrões da empresa. A M2 não treinou um modelo separado em seu próprio corpus de textos, mas foi através de um sistema de prompts. Na primeira etapa, a equipe coletou as principais regras de Tone of Voice, restrições sintáticas, palavras-chave de parada e requisitos de nomenclatura de produtos em um grande prompt do sistema.

Essa abordagem zero-shot não funcionou: o modelo perdia o foco, escrevia de forma muito plana e às vezes misturava estilos. Depois disso, a equipe editorial passou para um cenário few-shot, onde junto com as instruções no prompt eram adicionados exemplos bons e ruins de textos reais. Isso deu resultados previsíveis e tornou possível criar templates separados para notícias, redes sociais e outros formatos.

Tecnicamente, a redação por IA é construída na plataforma corporativa Videocat com componentes llama.cpp e Open WebUI, e Google Gemma 3 é usado como o modelo de trabalho no caso descrito. Mas nesta história, o que importa mais do que o stack específico é o princípio arquitetônico: a ferramenta permanece flexível para que diferentes modelos possam ser conectados e testados para diferentes tarefas.

Essa abordagem remove a dependência de um único provedor e permite encontrar o equilíbrio certo entre qualidade, velocidade e custo de geração. Como resultado, a rede neural na M2 não apenas escreve rascunhos e adapta textos para canais, mas também ajuda a gerar ideias, transcrever informações de imagens e explicar sua própria lógica. Este último é especialmente importante para funcionários fora da equipe editorial: quando o modelo argumenta a escolha de palavras e estrutura, funciona simultaneamente como assistente e como ferramenta de treinamento.

Ao mesmo tempo, a empresa deliberadamente não tenta transformar a IA em uma substituição completa para um editor. A M2 divide claramente as áreas de responsabilidade. Tarefas rotineiras, baseadas em templates e em massa podem ser dadas à máquina quase inteiramente, mas textos aprofundados, conceitos criativos, slogans e materiais onde a precisão emocional é necessária ainda permanecem com as pessoas.

Esse equilíbrio ajuda a aliviar a ansiedade da página em branco, acelera a preparação de rascunhos e alivia a equipe editorial sem perder a humanidade do texto. Uma seção separada é a segurança: a ferramenta de IA funciona dentro de um circuito interno, e os funcionários recebem treinamento sobre quais dados podem ser carregados no sistema e quais não podem. Este é um detalhe importante para qualquer empresa que queira usar modelos generativos não em uma caixa de areia, mas em processos reais.

A conclusão do caso M2 é bem prática e, portanto, útil: as redes neurais já podem assumir uma porção significativa da rotina de conteúdo, mas não conseguem por si só criar uma redação forte. Primeiro, as empresas precisam de seus próprios padrões, um Tone of Voice claro e editores ao vivo que distingam entre texto bom e texto formalmente correto. Apenas depois disso a IA se torna não uma ameaça aos empregos, mas um multiplicador de força para a equipe.

Para o mercado, este é outro sinal: a demanda se deslocará não de autores para máquinas, mas de executores comuns para especialistas que possam projetar processos, configurar prompts e levar rascunhos de máquinas para o nível de marca.