Dias 3-4: Meus usuários não conseguem ler seu próprio conteúdo gerado por IA

Dias 3-4 do log de operações diárias. Dois dias, três revelações sobre o que acontece quando você constrói um produto de IA para um público global.

Revelação 1: O Ponto Cego do Idioma

Um novo usuário se inscreveu do Brasil — ele gerencia um produto sobre rotinas para TDAH (ADHD em inglês). Eles conectaram o Twitter, a IA analisou o perfil, gerou automaticamente uma estratégia de marketing e começou a criar conteúdo em inglês. Tudo funcionando conforme o planejado.

Exceto por um detalhe: o usuário não lê inglês fluentemente.

Eles queriam publicar em inglês para alcançar um público global — essa é a estratégia correta. Mas não conseguiam revisar o que a IA escrevia. Estavam aprovando cegamente conteúdos que não entendiam. Isso é uma experiência de usuário (UX) terrível.

A solução: Adicionei um botão "Traduzir" a cada peça de conteúdo gerada pela IA. Clique nele, e o Gemini traduz o texto para o seu idioma. Funciona como o "Traduzir Tweet" do Twitter — um clique, veja a tradução abaixo do original, clique novamente para ocultar. Os resultados são cacheados para não gastar chamadas de API re-traduzindo o mesmo conteúdo.

É uma funcionalidade pequena, mas que desbloqueia um workflow crítico: gerar conteúdo no idioma do público, revisar no seu próprio idioma. Isso é algo que ferramentas monolíngues nunca consideram.

Revelação 2: Uma Palavra Matou o Onboarding

Adicionei rastreamento de analytics ao assistente de onboarding — cada etapa, cada clique, cada desistência. Em poucas horas, tive dados de uma sessão de usuário real:

• onboarding_wizard_view — usuário abriu o assistente
• onboarding_product_type: saas — selecionou SaaS
• onboarding_product_type: ecommerce — espere, mudou para E-commerce
• onboarding_product_type: saas — voltou para SaaS novamente
• ...depois nada. Eles desistiram.

O usuário alternou entre "SaaS" e "E-commerce" três vezes e depois desistiu. Ele não sabia qual escolher. O produto dele — rotinas para TDAH — não é nem um SaaS tradicional nem uma loja de e-commerce. É um produto de conteúdo/educação.

A solução: Removi a escolha inteiramente. A distinção entre SaaS/E-commerce era algo que eu me importava para o roteamento interno, não algo que os usuários deveriam pensar. Agora todos começam como "saas" por padrão e o sistema se adapta com base na descrição real do produto.

Lição: se um usuário precisa perguntar "qual desses eu sou?", suas categorias estão erradas.

Revelação 3: Usuários Querem Ver Dentro da Caixa Preta

O agente de IA processa centenas de eventos de aprendizado diariamente. Ele constrói memórias de marketing. Ajusta a estratégia. Mas os usuários não tinham como ver nada disso. Para eles, a IA era uma caixa preta que às vezes postava coisas.

A solução: Construí uma página de "AI Insights" com três abas:

• Ciclo de Aprendizado — feed em tempo real do que a IA aprendeu hoje (quais posts performaram bem, quais floparam, quais padrões ela detectou)
• Banco de Memória — o conhecimento acumulado da IA sobre seu produto: ângulos de conteúdo vencedores, preferências do público, abordagens que falharam e devem ser evitadas
• Relatório Semanal — dados de performance agregados com ajustes de estratégia explicados em linguagem simples

Isso é o que eu chamo de "IA de caixa branca" — o oposto da caixa preta. Se os usuários conseguem ver o raciocínio da IA, eles confiam mais nela. E quando a IA comete um erro, eles podem percebê-lo.

Task Executor: A IA Agora Faz Suas Próprias Tarefas

Construí um Task Executor que roda duas vezes ao dia. O agente de IA cria sua própria lista de tarefas (escrever um blog, interagir com um post, publicar conteúdo), e agora ele auto-executa essas tarefas sem intervenção humana.

Execução de ontem:

• 84 tarefas concluídas — 39 posts de blog escritos, 33 ações de engajamento, 12 posts sociais publicados
• 217 posts de blog no total no sistema agora (8 novos hoje)
• Zero falhas — todas as tarefas concluídas com sucesso

O agente está se tornando genuinamente autônomo. Ele decide o que fazer, faz, aprende com os resultados e ajusta. Eu estou apenas observando os dashboards.

Números dos Dias 3-4 (12-13 de março de 2026)

Usuários & Crescimento

• Total de usuários registrados: 67 (+3 ontem, +0 hoje)
• Usuários no piloto automático: 7 (eram 6 no Dia 2)
• Destaque de novo usuário: produto de rotinas para TDAH do Brasil — Twitter conectado, onboarding completo finalizado
• Clientes pagantes: 0 (ainda pré-receita)

Atividade do Agente de IA

• Posts gerados: 38 (29 ontem + 9 hoje)
• Tarefas auto-executadas: 100 (84 ontem + 16 hoje)
• Posts de blog escritos por IA: 217 total (8 novos hoje)
• Eventos de aprendizado processados: 1.367 (1.052 ontem + 315 hoje)
• Novos insights gerados: 228 (190 ontem + 38 hoje)
• Total de memórias de IA: 964 (eram 613 no Dia 2)
• Produtos com aprendizado ativo: 7

Código Entregue

• Novas funcionalidades: 4 (página de AI Insights, botão de Traduzir, Analytics de onboarding, Task Executor)
• Ajuste de UX: Removida a seleção de SaaS/E-commerce do onboarding
• Correção de bug: Posts de blog em chinês agora recebem slugs de URL em inglês adequados via tradução por IA
• Deploys: 8+ (frontend, backend, celery worker)
• Tempo de codificação humana: ~3 horas com Claude Code (ao longo de 2 dias)

O que eu aprendi

O maior insight desses dois dias: seus usuários não são você. Eu falo inglês, então nunca notei o problema do idioma. Eu sei o que "SaaS" significa, então nunca questionei a escolha no onboarding. Eu construí o sistema de IA, então eu sei o que ele está fazendo — mas os usuários não sabem.

Cada suposição que eu tinha sobre meus usuários era baseada em mim mesmo. O analytics e o usuário brasileiro me ensinaram que meu produto precisa funcionar para pessoas que não são nada parecidas comigo — idiomas diferentes, modelos mentais diferentes, expectativas diferentes.

A contagem de memórias de IA saltou de 613 para 964 em dois dias. São 351 novos pontos de dados sobre o que funciona e o que não funciona em 7 produtos diferentes. O sistema está aprendendo mais rápido do que eu consigo revisar — o que é exatamente o objetivo, e também exatamente por que o dashboard de transparência "caixa branca" importa.

Foco de Amanhã

• Monitorar o primeiro conteúdo gerado automaticamente do usuário brasileiro — a IA está segmentando corretamente o público de TDAH/bem-estar?
• Verificar se o onboarding simplificado reduz as desistências (preciso de mais pontos de dados)
• Começar a trabalhar na integração com o LinkedIn — vários usuários solicitaram

Dias 3-4 do log diário. O agente de IA agora tem 964 memórias, escreve seus próprios posts de blog e executa suas próprias tarefas. Mas foi preciso um usuário do Brasil para me ensinar que meu produto tinha um ponto cego de idioma. O melhor feedback de produto vem dos usuários que você menos espera.