{"id":465,"date":"2026-10-07T16:04:43","date_gmt":"2026-10-07T19:04:43","guid":{"rendered":"https:\/\/hipercode.com.br\/blog\/?p=465"},"modified":"2026-10-07T16:04:43","modified_gmt":"2026-10-07T19:04:43","slug":"human-in-the-loop-no-marketing","status":"publish","type":"post","link":"https:\/\/hipercode.com.br\/blog\/human-in-the-loop-no-marketing\/","title":{"rendered":"Human in the loop: onde o humano aprova quando o agente de IA executa o marketing"},"content":{"rendered":"

Toda manh\u00e3 algu\u00e9m do time abre a fila e encontra 40 itens esperando: legenda de post, resposta de coment\u00e1rio, ajuste de lance, e-mail de nutri\u00e7\u00e3o, relat\u00f3rio pro cliente. O agente fez tudo de madrugada. Agora cada pe\u00e7a espera um clique, e o dia de quem aprova some nessa fila. \u00c9 assim que um human in the loop<\/strong> mal desenhado aparece numa opera\u00e7\u00e3o de marketing com IA: a promessa era ganhar tempo, e o humano virou o\u00a0gargalo.<\/p>\n

Este artigo mostra em que pontos o human in the loop protege a opera\u00e7\u00e3o e como a gente distribui a supervis\u00e3o em quatro n\u00edveis, conforme o risco de cada tarefa, com dado de uso real de agentes e um roteiro pra montar pontos de aprova\u00e7\u00e3o que n\u00e3o travam a\u00a0entrega.<\/p>\n

O que \u00e9 human in the loop e as tr\u00eas posi\u00e7\u00f5es do\u00a0humano<\/h2>\n

Human in the loop (HITL) \u00e9 o desenho em que uma pessoa participa do fluxo do agente de IA antes de a a\u00e7\u00e3o acontecer: revisa, aprova, edita ou rejeita. O termo voltou com for\u00e7a quando os agentes passaram a publicar, responder e gastar verba\u00a0sozinhos.<\/p>\n

Na pr\u00e1tica, o humano pode ocupar tr\u00eas posi\u00e7\u00f5es em rela\u00e7\u00e3o ao\u00a0agente.<\/p>\n

Human in the\u00a0loop<\/h4>\n

A pessoa est\u00e1 dentro do circuito. O agente prepara a a\u00e7\u00e3o e para. Nada sai sem aprova\u00e7\u00e3o expl\u00edcita. \u00c9 o modo de maior controle e de maior custo de\u00a0tempo.<\/p>\n

Human on the\u00a0loop<\/h4>\n

A pessoa est\u00e1 em cima do circuito. O agente executa sozinho, e o humano acompanha por painel, alerta ou amostragem, com poder de interromper e reverter. O controle passa a ser por\u00a0exce\u00e7\u00e3o.<\/p>\n

Human out of the\u00a0loop<\/h4>\n

O agente executa e registra. O humano consulta o registro quando precisa. Serve pra tarefa interna, revers\u00edvel e de baixo\u00a0impacto.<\/p>\n

O erro mais comum \u00e9 escolher uma posi\u00e7\u00e3o s\u00f3 pra opera\u00e7\u00e3o inteira. Aprova\u00e7\u00e3o em tudo gera fila, e a fila acaba empurrando o time a aprovar sem ler. O trabalho de desenho \u00e9 decidir a posi\u00e7\u00e3o tarefa por\u00a0tarefa.<\/p>\n

Por que a pergunta mudou quando o agente passou a\u00a0executar<\/h2>\n

Enquanto a IA era usada como chat, o human in the loop vinha de gra\u00e7a: a pessoa pergunta, l\u00ea a resposta e copia o que serve. No Brasil, esse ainda \u00e9 o uso dominante. Na pesquisa Tend\u00eancias de Marketing 2026, da Conversion<\/a>, 88,2% dos profissionais usam IA s\u00f3 de forma conversacional e 2,7% operam agentes aut\u00f4nomos, retrato que a gente detalhou no post sobre institucionaliza\u00e7\u00e3o da IA no marketing<\/a>.<\/p>\n

O agente muda a conta porque ele age. Cada a\u00e7\u00e3o precisa de uma regra de supervis\u00e3o, e a maioria das empresas ainda n\u00e3o escreveu essa regra. O State of AI in the Enterprise 2026, da Deloitte<\/a>, ouviu 3.235 l\u00edderes em 24 pa\u00edses: 74% esperam usar agentes ao menos de forma moderada at\u00e9 2027, e s\u00f3 21% t\u00eam um modelo maduro de governan\u00e7a pra IA ag\u00eantica. Entre as lacunas citadas est\u00e1 a falta de limites claros entre o que o agente decide sozinho e o que exige aprova\u00e7\u00e3o\u00a0humana.<\/p>\n

No post sobre governan\u00e7a de agentes de IA no marketing<\/a>, o tema \u00e9 quem responde pelo agente. Aqui o tema \u00e9 em que momento essa pessoa entra no\u00a0fluxo.<\/p>\n

O custo de aprovar tudo: quando o human in the loop vira\u00a0gargalo<\/h2>\n

Quem coloca o primeiro agente pra rodar costuma exigir aprova\u00e7\u00e3o em tudo. Faz sentido no come\u00e7o. O problema aparece quando o volume cresce e a regra continua\u00a0igual.<\/p>\n

E o volume est\u00e1 crescendo. A pesquisa da Ahrefs<\/a> com profissionais de marketing, publicada em 30 de setembro de 2026 com 301 respondentes, mostra mais conte\u00fado de IA saindo e quase ningu\u00e9m confiando nele sem\u00a0revis\u00e3o.<\/p>\n

\n
69%<\/span>publicam uma fatia maior de conte\u00fado feito com IA do que no ano anterior (Ahrefs, 2026)<\/span><\/div>\n
66%<\/span>s\u00f3 confiam no conte\u00fado de IA depois que um humano revisa (Ahrefs, 2026)<\/span><\/div>\n
2,7%<\/span>confiam no conte\u00fado de IA sem revis\u00e3o nenhuma (Ahrefs, 2026)<\/span><\/div>\n
29%<\/span>j\u00e1 usam IA pra checar o que a IA escreveu, contra 14% em 2025 (Ahrefs)<\/span><\/div>\n<\/div>\n

A fila cresce mais r\u00e1pido que o\u00a0time<\/h3>\n

Junte as duas curvas: a produ\u00e7\u00e3o do agente cresce quase sem custo extra, e a capacidade de revis\u00e3o continua do tamanho do time. Em pouco tempo, o human in the loop vira fila. O fen\u00f4meno ganhou at\u00e9 apelido, botsitting<\/em>: o tempo gasto vigiando, aprovando e corrigindo agente, que come as horas que a automa\u00e7\u00e3o deveria\u00a0devolver.<\/p>\n

A fila cobra o tempo de quem aprova e cobra o atraso da entrega. Uma resposta de coment\u00e1rio aprovada seis horas depois perde boa parte do valor. \u00c9 o mesmo racioc\u00ednio do post sobre retrabalho de IA<\/a>: revis\u00e3o e corre\u00e7\u00e3o entram na conta do ganho\u00a0l\u00edquido.<\/p>\n

\n\"Carimbo
Quando a fila cresce, o human in the loop corre o risco de virar carimbo: aprova\u00e7\u00e3o r\u00e1pida, sem\u00a0leitura.<\/figcaption><\/figure>\n

O carimbo\u00a0autom\u00e1tico<\/h3>\n

Tem um custo mais grave. Com a fila longa, a pessoa passa a aprovar sem ler. O nome t\u00e9cnico \u00e9 vi\u00e9s de automa\u00e7\u00e3o, a tend\u00eancia de confiar na sa\u00edda da m\u00e1quina mesmo quando ela erra. O artigo 14 do AI Act europeu<\/a>, sobre supervis\u00e3o humana de sistemas de alto risco, pede que quem supervisiona se mantenha consciente desse vi\u00e9s e consiga reverter a sa\u00edda e interromper o\u00a0sistema.<\/p>\n

Marketing comum n\u00e3o entra no alto risco da lei europeia, mas o desenho serve de refer\u00eancia. Um human in the loop que aprova 100% do que recebe, em segundos, funciona como carimbo: d\u00e1 a sensa\u00e7\u00e3o de controle e tira a aten\u00e7\u00e3o dos casos que pediam um olhar de\u00a0verdade.<\/p>\n

O que os dados de uso real mostram sobre supervis\u00e3o de\u00a0agentes<\/h2>\n

O estudo mais detalhado sobre como as pessoas supervisionam agentes saiu da Anthropic<\/a>, em fevereiro de 2026, com dados do Claude Code e da API p\u00fablica. Programa\u00e7\u00e3o responde por quase metade da atividade, e o padr\u00e3o de supervis\u00e3o serve pra qualquer opera\u00e7\u00e3o com\u00a0agentes.<\/p>\n

\n

Dado<\/p>\n

Quanto das a\u00e7\u00f5es dos agentes passa por algum tipo de\u00a0controle<\/h3>\n

% das chamadas de ferramenta feitas por agentes na API p\u00fablica da Anthropic,\u00a02026<\/p>\n

\n
Com pelo menos uma salvaguarda<\/span><\/span><\/span>80%<\/span><\/div>\n
Com um humano no circuito de alguma forma<\/span><\/span><\/span>73%<\/span><\/div>\n
Com a\u00e7\u00e3o aparentemente irrevers\u00edvel<\/span><\/span><\/span>0,8%<\/span><\/div>\n<\/p><\/div>\n

Fonte: Anthropic, Measuring AI agent autonomy in practice<\/a>, fevereiro de\u00a02026.<\/p>\n<\/figure>\n

Quase tr\u00eas em cada quatro a\u00e7\u00f5es ainda t\u00eam um humano no circuito de algum jeito, e menos de 1% parecem irrevers\u00edveis, como mandar um e-mail pra um cliente. A maior parte do que o agente faz d\u00e1 pra desfazer. \u00c9 essa minoria irrevers\u00edvel que pede um human in the loop\u00a0r\u00edgido.<\/p>\n

Quem tem mais experi\u00eancia aprova menos e interrompe\u00a0mais<\/h3>\n

Entre usu\u00e1rios novos, com menos de 50 sess\u00f5es, cerca de 20% das sess\u00f5es rodam com aprova\u00e7\u00e3o autom\u00e1tica total. Com 750 sess\u00f5es, essa fatia passa de 40%. Ao mesmo tempo, a interrup\u00e7\u00e3o sobe: usu\u00e1rios com cerca de 10 sess\u00f5es interrompem o agente em 5% dos turnos, e os experientes, em cerca de\u00a09%.<\/p>\n

Quem conhece o agente para de aprovar passo a passo e passa a acompanhar a execu\u00e7\u00e3o, intervindo quando algo sai do trilho. Migra do human in the loop pro human on the loop. A Anthropic conclui na mesma linha: supervis\u00e3o eficaz \u00e9 estar em posi\u00e7\u00e3o de intervir quando importa, e regras que obrigam a aprovar cada a\u00e7\u00e3o criam atrito sem necessariamente trazer mais\u00a0seguran\u00e7a.<\/p>\n

O agente bom tamb\u00e9m sabe pedir\u00a0ajuda<\/h3>\n

Nas tarefas mais complexas, o pr\u00f3prio Claude Code para pra pedir esclarecimento mais de duas vezes mais do que o humano interrompe. No uso interno da Anthropic, a taxa de sucesso nas tarefas mais dif\u00edceis dobrou entre agosto e dezembro, enquanto as interven\u00e7\u00f5es humanas por sess\u00e3o ca\u00edram de 5,4 pra 3,3. Supervis\u00e3o boa se desenha dos dois lados: uma instru\u00e7\u00e3o como “se faltar informa\u00e7\u00e3o sobre pre\u00e7o, prazo ou promessa ao cliente, pare e pergunte” vale tanto quanto um ponto de\u00a0aprova\u00e7\u00e3o.<\/p>\n

Os 4 n\u00edveis de supervis\u00e3o que a gente usa na\u00a0opera\u00e7\u00e3o<\/h2>\n

Na Hipercode, cada tarefa de agente recebe um n\u00edvel de supervis\u00e3o antes de entrar em produ\u00e7\u00e3o. O n\u00edvel fica escrito na ficha do agente, junto com o dono e o crit\u00e9rio de\u00a0qualidade.<\/p>\n

N\u00edvel 1: o agente executa e\u00a0registra<\/h3>\n

Tarefas internas, revers\u00edveis e de baixo impacto. O agente faz e deixa log, e algu\u00e9m consulta quando precisa. Exemplos: classificar leads por origem, organizar a pauta da semana, resumir reuni\u00e3o, montar a primeira vers\u00e3o de um\u00a0relat\u00f3rio.<\/p>\n

N\u00edvel 2: o agente executa e o humano\u00a0monitora<\/h3>\n

Tarefas com exposi\u00e7\u00e3o limitada e regra clara, no modo human on the loop. O humano acompanha por painel, alerta e amostragem semanal, com bot\u00e3o de parada \u00e0 m\u00e3o. Exemplos: responder d\u00favidas frequentes no direct com respostas j\u00e1 aprovadas, ajustar lance dentro de um teto, agendar posts de um calend\u00e1rio\u00a0aprovado.<\/p>\n

N\u00edvel 3: o agente prepara e o humano\u00a0aprova<\/h3>\n

Tarefas que v\u00e3o pro p\u00fablico ou pro cliente, ou que mexem com a voz da marca. O agente entrega pronto e para. Exemplos: post novo no perfil, e-mail pra base inteira, pe\u00e7a nova de an\u00fancio, relat\u00f3rio mensal pro cliente. \u00c9 aqui que o human in the loop rende mais, porque o volume \u00e9 menor e o risco de exposi\u00e7\u00e3o \u00e9\u00a0real.<\/p>\n

N\u00edvel 4: o humano decide e o agente\u00a0informa<\/h3>\n

Dinheiro acima do teto, promessa comercial, resposta a crise ou decis\u00e3o que afete diretamente uma pessoa. O agente levanta dados e recomenda. Quem decide \u00e9 uma pessoa, com nome. Exemplos: aumentar a verba de uma campanha, responder uma reclama\u00e7\u00e3o p\u00fablica grave, mudar\u00a0pre\u00e7o.<\/p>\n

\n\"Mesa
Cada tarefa do agente ganha o seu n\u00edvel de supervis\u00e3o, e o human in the loop fica reservado pra onde o risco \u00e9\u00a0real.<\/figcaption><\/figure>\n

Quando a gente mapeia as tarefas de uma opera\u00e7\u00e3o, a maior parte cai nos n\u00edveis 1 e 2. O human in the loop de verdade fica concentrado em poucas tarefas, e \u00e9 por isso que ele funciona: a pessoa tem tempo pra ler o que\u00a0aprova.<\/p>\n

Como decidir o n\u00edvel de cada\u00a0tarefa<\/h2>\n

Duas perguntas resolvem a maior parte dos casos, feitas pra cada a\u00e7\u00e3o do agente, j\u00e1 que o mesmo agente pode ter a\u00e7\u00f5es de n\u00edveis\u00a0diferentes.<\/p>\n

Pergunta 1: d\u00e1 pra\u00a0desfazer?<\/h4>\n

Um rascunho errado se apaga. Um ajuste de lance volta no dia seguinte. Um e-mail enviado pra 20 mil contatos fica enviado. Pelo dado da Anthropic, a\u00e7\u00f5es irrevers\u00edveis s\u00e3o menos de 1% do total, e s\u00e3o elas que justificam o human in the loop\u00a0obrigat\u00f3rio.<\/p>\n

Pergunta 2: quem v\u00ea o\u00a0resultado?<\/h4>\n

Resultado que fica dentro do time tolera erro. Resultado que chega ao cliente pede mais cuidado. Resultado p\u00fablico, em nome da marca, ou que mexe com dinheiro pede o maior cuidado de\u00a0todos.<\/p>\n

Cruzando as duas\u00a0respostas<\/h4>\n