Automatizei meu pipeline de conteúdo com IA. O que funcionou, o que quebrou e o que não vou repetir.
Este post é o resultado direto do pipeline que estou descrevendo. Não é exemplo hipotético, não é tutorial baseado em teoria — é documentação do que aconteceu de verdade enquanto eu construía o sistema que gera o conteúdo que você está lendo agora.
Isso significa que os erros aqui são reais. Os custos são reais. O que quebrou, quebrou de verdade. E o que funcionou, está em produção hoje.
Os pilantras do mercado de automação de conteúdo vendem a versão bonitinha: o sistema pronto, rodando, gerando resultado. Não mostram o processo. Não mostram os meses de tentativa e erro, as ferramentas descartadas, os prompts que funcionavam no teste e falhavam em produção. Não falam dos custos reais — nem financeiros nem de tempo.
Eu vou mostrar.
“Falta de método, não de ferramenta.” Construir um pipeline de conteúdo com IA confirmou isso em cada etapa. Cada vez que algo quebrou, a causa foi a mesma: eu tinha a ferramenta certa, mas o método errado.
Por que automatizar o pipeline de conteúdo
O problema que eu estava tentando resolver era específico: produzir conteúdo consistente — blog, carrossel, reels, LinkedIn, newsletter — sem depender exclusivamente de bloco de tempo dedicado. O conteúdo precisava ser produzido mesmo nos dias em que não havia tempo para produção manual.
A hipótese era: se eu documentar bem o método, posso treinar um sistema de IA para executar as partes repetíveis, enquanto eu cuido das partes que exigem julgamento.
A hipótese estava certa. O caminho para chegar lá foi muito mais tortuoso do que eu esperava.
A arquitetura que ficou de pé
Depois de várias iterações, o pipeline atual funciona assim:
- Ideação: coleta notícias via RSS + dados de SEO → gera ideias ranqueadas por relevância e alinhamento ao posicionamento → salva no Notion com score
- Blog: ideia aprovada entra no pipeline → gera post completo HTML (~2000 palavras) → publica no WordPress → cria imagem de capa → cria page no Notion
- Derivações: a partir do blog, gera automaticamente carrossel (8 slides), roteiro de reels (60s), adaptação LinkedIn, email Seinfeld
- Agendamento: cada peça vai para fila FIFO de datas → agendada no GHL para publicação automática
- Performance: coleta métricas semanalmente → analisa o que funcionou → alimenta o documento de aprendizados que instrui futuras gerações
Do clique “aprovar ideia” até newsletter programada: menos de 3 minutos de execução.
Chegar nessa arquitetura levou 4 meses.
O que funcionou desde o início
Algumas apostas funcionaram exatamente como previsto.
Claude como núcleo de geração
A qualidade do texto saindo do Claude com contexto rico é consistentemente boa. O ponto crítico foi aprender que o modelo não é o problema — o problema é sempre o contexto. Com positioning.md bem estruturado, personas detalhadas, exemplos do tom certo e restrições explícitas, o output é utilizável. Sem isso, é texto genérico que não representa o posicionamento.
Notion como centro de controle
Todas as peças de conteúdo vivem no Notion. Isso foi a decisão certa. Ter uma única fonte de verdade — com status, datas, relações entre blog/derivações/ideias, performance — eliminou a confusão de “onde está esse conteúdo?”. O custo foi tempo de setup inicial para criar o schema correto.
Pipeline FIFO para agendamento
A fila por data — sem lacuna, sem conflito entre plataformas — resolveu o problema de coordenação. Cada plataforma tem sua própria fila. O sistema calcula a próxima data disponível automaticamente. Funciona.
O que quebrou — e como quebrou
Esta é a parte que os tutoriais de automação não mostram.
Quebra 1: Cloudflare bloqueando requests Python
O que aconteceu: O GHL (GoHighLevel) usa Cloudflare como WAF. Qualquer request do Python via urllib ou requests com TLS fingerprint padrão é bloqueado silenciosamente — retorna HTML de erro em vez de JSON, sem código de status de erro. O script falhava, o sistema continuava como se tivesse funcionado.
Como descobri: Emails não chegavam. Investiguei e percebi que o agendamento no GHL não estava sendo criado — mas o pipeline não retornava erro.
A correção: Toda comunicação com GHL agora usa subprocess + curl com User-Agent de navegador real. Funcionou. Mas custou tempo de debug que não estava no plano.
Quebra 2: Merge tags erradas no body do email
O que aconteceu: Emails do workflow GHL chegavam com body vazio. O conteúdo estava sendo enviado, mas não aparecia.
A causa: Eu estava usando {{location.nome_do_campo}} em vez de . A diferença é sutil. O resultado é body completamente vazio, sem erro, sem log.
Impacto real: Um email foi enviado para 216 leads com body vazio antes de eu detectar. Isso custou credibilidade e precisou de email de correção.
Quebra 3: HTML expandido no WordPress corrompendo CSS
O que aconteceu: Em um momento de otimização, eu fiz o pipeline salvar o HTML renderizado de volta no post_content de uma página WP com Elementor. O resultado: o wpautop inseriu tags </p><p> dentro de blocos <style>, corrompendo todo o CSS. O site perdeu cores e layout.
A regra que ficou: post_content de páginas WP com Elementor deve conter APENAS o shortcode. Nunca o HTML expandido.
Quebra 4: Imagens com prompt genérico
O que aconteceu: As primeiras imagens de capa geradas por IA eram visualmente aceitáveis mas sem identidade. Qualquer um poderia ter gerado.
O que mudou: Cada editoria tem agora um estilo visual definido (Executar: ferramentas, gestos, foco; Confrontar: tensão visual, contraste; Existir: contemplativo, escala humana). O prompt inclui estilo, composição, paleta e o que evitar. A diferença é visível.
Quebra 5: Roteiro de reels sem estrutura de corte
O que aconteceu: Os primeiros roteiros gerados eram bons como texto, mas não como roteiro de vídeo. Não tinham marcações de tempo, indicação de B-roll, transições, ritmo.
A correção: O prompt de geração de roteiro agora inclui template estruturado com blocos [0-3s], [4-15s], etc., dual-track (fala + visual), e instrução explícita de que cada cena deve ter Felipe falando — sem silêncio.
O que descartei no caminho
Algumas apostas não funcionaram e foram abandonadas.
Geração automática de conteúdo sem curadoria
Tentei um ciclo em que o pipeline gerava e publicava sem aprovação humana. O resultado foi conteúdo tecnicamente correto mas sem o julgamento editorial que define se um post deve existir. Voltei para o modelo com gate de aprovação — a ideia precisa ser aprovada antes de entrar no pipeline.
Múltiplos modelos de IA em paralelo para comparar outputs
Testei usar GPT-4 e Claude em paralelo para escolher o melhor output. O overhead de comparação manual eliminava o benefício de automação. Claude com contexto rico produzia outputs mais consistentes. Descartei o paralelo.
Geração de vídeo totalmente automatizada
O pipeline de vídeo (gravar, editar, publicar) estava no roadmap para automação total. A tentativa revelou que edição de vídeo com IA ainda não está no nível de qualidade aceitável para o canal — pelo menos não sem curadoria significativa. Esse step continua manual.
Custos reais
Para ser concreto sobre o que significa “automatizar com IA”:
- Tempo de setup: ~4 meses para chegar na versão atual (parte de projetos paralelos, não dedicação integral)
- Custo Claude API: em torno de R$ 15-25 por semana, dependendo do volume de geração
- Infraestrutura: Railway para hospedagem dos scripts agendados, ~R$ 25/mês
- GHL: já era ferramenta existente — não adicionou custo marginal
- Tempo de manutenção: ~2-3 horas por semana para curadoria de ideias, aprovação de posts e correções de bugs
O que o pipeline economiza: 10-15 horas semanais de produção de conteúdo manual, além de eliminar a inconsistência de output que vem com produção manual.
O que não vou repetir
Três decisões que, olhando para trás, eu evitaria:
- Não documentar o schema do Notion desde o início. Tive que refatorar relações, renomear propriedades, corrigir IDs hardcoded em múltiplos scripts. Custo alto de manutenção evitável.
- Não testar falhas antes de colocar em produção. Os erros mais custosos (emails vazios, posts sem CSS) foram descobertos em produção. Testes com inputs defeituosos antes de escalar teriam poupado dano real.
- Tentar automatizar antes de entender o processo manualmente. As partes que mais quebraram foram as que eu tentei automatizar sem ter feito manualmente antes. Você não consegue automatizar o que não entende completamente.
Perguntas frequentes
Quanto tempo leva para construir um pipeline similar?
Depende do nível técnico e do escopo. Para alguém com familiaridade com APIs e automação: 4-8 semanas para um pipeline funcional básico (blog + 2 derivações + agendamento). Para o escopo completo que descrevo aqui, 3-4 meses — incluindo os ciclos de debugging e refinamento que são inevitáveis.
É necessário saber programar para construir isso?
Sim — para o nível de personalização e confiabilidade descrito aqui. Ferramentas no-code como n8n ou Make permitem chegar num resultado funcional mais rápido, mas com menos controle sobre comportamento em casos de falha. Para produção confiável, algum nível de código é necessário.
O conteúdo gerado por IA tem qualidade suficiente para publicar?
Com contexto rico — positioning, personas, exemplos de tom, restrições explícitas — o output é utilizável como rascunho que precisa de curadoria mínima. Sem esse contexto, é texto genérico. A qualidade do output é diretamente proporcional à qualidade do input. Isso não muda independentemente do modelo usado.
