Por Jesse Fernandes, Tech Lead de Ciência de Dados e Inteligência Artificial da Bravonix.

Trabalho com inteligência artificial e, sobretudo, com os desafios que surgem quando ela deixa de ser apenas uma experimentação e passa a fazer parte da rotina das organizações. Por isso, tenho acompanhado com atenção uma expressão que ganhou espaço no debate sobre IA: AI Slop.

O termo surgiu associado à produção em massa de materiais gerados por inteligência artificial, especialmente imagens, vídeos e textos de baixa qualidade. Em 2025, “slop” foi escolhida pelo Merriam-Webster como palavra do ano, refletindo o volume crescente de conteúdo digital de baixa qualidade produzido, em grande parte, com apoio de IA e distribuído em escala.

Mas acredito que limitar AI Slop a “conteúdo ruim feito por IA” reduz uma discussão que pode ser muito mais relevante para as empresas.

Em um artigo intitulado AI Slop, os pesquisadores Jessica M. Silbey e Woodrow Hartzog propõem justamente ampliar essa perspectiva. Disponibilizado no SSRN, plataforma acadêmica de pesquisa, o trabalho analisa o fenômeno nos campos da criatividade, da pesquisa e do trabalho. Para os autores, o conceito combina três elementos: pouco esforço na produção, transferência assimétrica do ônus para quem recebe e potencial degradação do ambiente em que aquela produção circula.

Essa definição me chamou atenção porque desloca a discussão da tecnologia, por si só, para a forma como ela é utilizada e para os efeitos que produz ao longo de um processo.

O ganho de produtividade precisa ser analisado por inteiro

Imagine um relatório produzido em poucos minutos com apoio de IA. O ganho parece evidente para quem o elaborou. Mas o que acontece se o documento contém informações que precisam ser verificadas, conclusões sem contexto ou dados que exigem uma nova análise?

O tempo economizado na produção pode reaparecer na etapa seguinte. É preciso revisar, validar e corrigir. Nesse caso, a IA não necessariamente eliminou trabalho; ela pode ter deslocado esse trabalho para outra etapa — ou para outra pessoa. Essa é uma das provocações mais interessantes do conceito de AI Slop.

Em uma área de marketing, por exemplo, a IA pode gerar rapidamente dezenas de versões de uma campanha. Para quem produz, há um ganho claro de velocidade. Mas o jurídico, o compliance ou a equipe responsável pela marca podem passar a receber um volume muito maior de textos para revisar, checar afirmações, conferir referências e validar a aderência às políticas internas. A produtividade de uma área pode, assim, transformar-se em uma fila de revisão para outra.

O mesmo vale para resumos de reuniões, relatórios executivos ou análises de clientes. O documento pode parecer pronto, mas alguém ainda precisa confirmar se os dados estão corretos, se o contexto foi preservado e se nenhuma conclusão foi apresentada com mais segurança do que as evidências permitem. Quando esse conteúdo orienta uma decisão, o custo de uma revisão superficial pode ser muito maior do que o tempo economizado na geração.

No ambiente corporativo, portanto, a questão deixa de ser apenas quanto a IA acelera uma tarefa e passa a incluir o que acontece depois dela. Quanto maior a escala de utilização, maior a necessidade de compreender os efeitos dessa produção sobre pessoas, processos e decisões subsequentes.

No setor público, um exemplo simples seria o uso de IA para gerar minutas de pareceres, relatórios técnicos ou respostas administrativas.

A IA pode reduzir muito o tempo de produção inicial, mas, se o conteúdo vier com informações imprecisas, referências incorretas ou interpretações fora do contexto, o trabalho acaba sendo transferido para quem precisa revisar e validar antes da publicação ou da decisão.

Outro exemplo é o uso de IA para analisar documentos de processos administrativos. Se forem gerados muitos resumos ou classificações sem critérios de qualidade, os servidores podem gastar mais tempo conferindo os resultados do que ganhariam com a automação.

Nesse cenário, a governança entra para definir onde a IA pode ser usada, qual nível de revisão humana é necessário, quem valida o resultado e em quais casos o conteúdo pode ou não seguir diretamente para uma decisão.

É aqui que entra a governança

Quando falamos em IA responsável, costumo partir de uma premissa simples: inovação e governança precisam evoluir juntas. Governar IA não significa criar obstáculos à adoção. Significa estabelecer condições para que a tecnologia seja utilizada de acordo com sua finalidade, seu contexto e seu nível de risco.

Uma aplicação usada para organizar ideias internamente não exige necessariamente o mesmo rigor de uma solução que analisa dados pessoais, produz um material enviado a clientes, recomenda a concessão de crédito ou apoia uma decisão de contratação. Todos esses usos podem envolver IA, mas não deveriam passar pelos mesmos níveis de revisão, aprovação e supervisão.

É preciso definir critérios proporcionais ao risco: quem pode usar a solução, com quais dados, em quais situações, quem valida as saídas, quais registros precisam ser mantidos e quem responde pelos resultados. Também entram nessa equação segurança da informação, privacidade, qualidade dos dados e mecanismos de supervisão humana.

Esse cuidado se torna ainda mais importante quando uma solução deixa a fase de experimentação e passa a operar em escala. O que funciona em um teste com poucas pessoas pode gerar riscos diferentes quando passa a produzir centenas ou milhares de saídas por dia.

Mais produção não significa necessariamente mais valor

A IA nos deu algo extraordinário: a capacidade de ampliar nossa produção. Mas existe uma diferença importante entre produzir mais e gerar mais valor.

Uma organização pode aumentar exponencialmente o volume de textos, análises, relatórios e outras entregas e, ao mesmo tempo, aumentar o volume de informação que seus profissionais precisam processar. Se cada ganho de velocidade vier acompanhado de novas etapas de revisão, validação e retrabalho, é preciso reconsiderar onde está, de fato, a eficiência.

É por isso que vejo o AI Slop menos como uma crítica à inteligência artificial e mais como um convite à maturidade. O problema não é produzir em escala. O problema é colocar conteúdos, análises ou decisões em circulação sem critérios de qualidade, validação e responsabilidade proporcionais ao risco.

À medida que as empresas ampliam o uso de inteligência artificial, precisam ampliar também sua capacidade de governá-la. Isso significa saber onde usar, como usar, quais dados podem ser utilizados, quem supervisiona, quais riscos precisam ser monitorados e quem responde pelos resultados.

O futuro da IA nas organizações não será definido apenas pela capacidade dos modelos de gerar resultados. Será definido também pela capacidade das empresas de avaliar, direcionar e assumir responsabilidade por aquilo que colocam em circulação. Produzir em escala é uma capacidade tecnológica; governar em escala é uma capacidade organizacional.