Como reutilizamos aprendizados entre projetos

Cada projeto melhora o próximo — literalmente

Todo site que a TIDEX entrega alimenta um banco de aprendizados que melhora os prompts do pipeline. Não é metáfora. Cada ajuste de curadoria — cada headline rejeitado, cada CTA trocado, cada correção de tom — é registrado num log estruturado. Depois de 12 projetos, a gente tinha 847 registros de ajustes. Agrupamos por categoria e descobrimos que 62% dos ajustes eram de tom de voz (IA formal demais), 21% eram de hierarquia de informação (features antes de benefícios) e 17% eram dados incorretos (IA inventando informações). Esses padrões viraram regras nos prompts. O resultado: a taxa de rejeição na curadoria caiu de 55% no projeto 1 pra 40% no projeto 12.

O log de curadoria: como funciona

Toda vez que o operador rejeita ou altera algo que a IA gerou, ele registra 3 coisas: o que a IA gerou, o que foi colocado no lugar e por quê. Esse registro leva 10 segundos por ajuste. Em 15 minutos de curadoria com 6 ajustes médios, são 60 segundos extras de documentação. Parece pouco, mas depois de 20 projetos, esses logs formam um dataset valioso. A gente usa esse dataset de duas formas: como few-shot examples nos prompts (mostrando à IA "não faça X, faça Y") e como material de treinamento pra novos operadores. O log substituiu o que numa agência seria uma reunião de retrospectiva de 1 hora — com informação mais precisa e sem opinião subjetiva.

Prompts versionados: o que muda entre versões

Os prompts do pipeline estão na versão 34. Cada versão é um commit no Git com changelog explicando o que mudou e por quê. A versão 12, por exemplo, adicionou a regra "nunca use a palavra soluções no headline" depois que 8 dos 10 primeiros projetos geraram headlines com "soluções". A versão 19 incluiu exemplos de CTAs que convertem no mercado brasileiro, porque a IA tendia a gerar CTAs em estilo americano ("Get started today"). A versão 27 adicionou restrições de Schema.org depois que 3 projetos saíram com campos obrigatórios faltando. Cada versão é testada com 2 projetos reais antes de virar padrão. Se a qualidade cair, a gente volta pra versão anterior.

Padrões por nicho: o atalho mais valioso

Depois de fazer sites pra designer, nutricionista, personal trainer e loja de açaí, a gente começou a perceber padrões por nicho. Designers respondem melhor a headlines com verbos de ação ("Crie espaços que inspiram"). Profissionais de saúde convertem mais com headlines de benefício direto ("Cuide da sua saúde com acompanhamento real"). Gastronomia funciona com linguagem sensorial ("Sabor artesanal em cada detalhe"). Esses padrões viram presets de nicho nos prompts. Quando o briefing identifica o nicho, o prompt já carrega exemplos de headlines, CTAs e tom de voz que funcionaram em projetos anteriores do mesmo segmento. Isso reduziu ajustes de curadoria em 35% nos projetos com preset disponível.

O efeito composto: por que o projeto 50 será melhor que o projeto 5

A matemática é simples: cada projeto gera em média 6 aprendizados registrados. Depois de 50 projetos, serão 300 aprendizados alimentando os prompts. A taxa de rejeição na curadoria, que começou em 55% e está em 40%, deve cair pra 25% ou menos com esse volume de dados. Isso significa curadoria mais rápida, menos ajustes, tempo humano menor por projeto. O custo de produção, que hoje é R$50, pode cair pra R$35 quando a curadoria levar 3 minutos em vez de 5. Não é teoria — é extrapolação dos dados que já temos. O efeito composto de aprendizado é o moat real da TIDEX. Qualquer pessoa pode copiar a stack, mas não pode copiar 50 projetos de aprendizado acumulado.