Uma equipe entrega mais rápido, gera mais reviews, roda mais críticas de design e registra mais notas de retrospectiva do que nunca. O painel de atividade está verde. As decisões estão piorando. As duas coisas são verdadeiras ao mesmo tempo, e a segunda é invisível até algo caro quebrar.
A IA não causou a disfunção. Acelerou a disfunção que já estava lá. Uma equipe com cultura saudável de feedback ganha uma cultura saudável mais rápida. Uma equipe que pune divergência ganha uma máquina mais rápida e melhor documentada para suprimir divergência. A maioria das equipes é do segundo tipo e ignora isso.
Pavel Samsonov fez esse argumento no Product Picnic em junho de 2026, focado em design e produto. O mecanismo que ele descreve é geral. Vale para qualquer área que hoje roteia seu feedback por modelos.
Regras refutadas voltam como boa prática automatizada
Samsonov aponta uma falha específica que deveria preocupar quem usa IA para avaliar trabalho. “Leis” de design refutadas há décadas agora estão cozidas nos dados de treino dos LLMs. O “7 mais ou menos 2” de Miller como limite de elementos de interface. “Menos cliques é sempre melhor.” Nunca foram sólidas, e a área já superou tudo isso. O corpus de treino as preservou.
Então, quando um modelo revisa um design, ele ressuscita essas regras com confiança. A regra ruim volta vestida de boa prática. Um designer júnior que lê aquela crítica não tem como saber que a regra foi aposentada antes de ele nascer. O modelo não sinaliza incerteza. Ele afirma.
Isso é feedback que parece controle de qualidade e funciona como desinformação. O revisor é rápido, disponível, incansável e errado de um jeito difícil de pegar, porque soa como o consenso da indústria inteira.
Feedback abundante não é o mesmo que feedback útil
A promessa era que a IA daria um revisor a cada pessoa. O resultado é que cada pessoa agora se afoga em review.
Um modelo gera cinquenta comentários num documento onde um colega sênior teria deixado três. Quarenta e sete são ruído: preferências de estilo, repetições do óbvio, sugestões genéricas que servem para qualquer artefato. Os três que importam ficam soterrados na pilha, indistinguíveis por volume do resto. A atenção do leitor é um orçamento fixo. Inunde o canal e você enterra o sinal em vez de enriquecê-lo.
É aqui que a disfunção se acumula. Samsonov cita organizações alegando ganhos de eficiência de cerca de 300% enquanto ainda perdem os prazos. A atividade subiu. A vazão de feedback, rascunhos e revisões subiu. O que deveria vir junto, entregar no prazo, ficou para trás. A métrica mediu movimento. O prazo mediu resultado. Os dois se separaram.
Quando o feedback fica abundante e barato, deixa de ser sinal e vira textura. As pessoas aprendem a passar o olho, depois a ignorar, depois a gerar pelos mesmos motivos que ignoram: porque o sistema recompensa volume.
A crítica que importava é enterrada de propósito
Aqui está a parte que transforma um incômodo em problema de governança. Feedback abundante dá ao líder uma ferramenta que ele não tinha antes: seleção plausível.
Quando dez revisores deixam um comentário crítico cada, o gestor precisa lidar com dez humanos. Quando um modelo deixa cinquenta comentários e a equipe deixa outros trinta, o líder rola a tela, acha os quarenta que elogiam a direção que ele já escolheu e cita esses. O único comentário que dizia “isso não vai funcionar para o usuário real” continua no documento. Só foi vencido por voto, afogado num ruído que o próprio líder curou.
Samsonov evoca uma frase atribuída a Erika Hall: busque feedback, não aprovação. O canal inundado pela IA inverte isso. Líderes ganham um mecanismo para colher aprovação vestido de busca por feedback. Eles perguntaram. O sistema respondeu em volume. Eles escolheram. Cada passo parece aberto. O resultado já estava decidido antes do primeiro comentário cair.
Os funcionários leem isso rápido. Observam qual feedback vira ação e qual some sob cem sugestões geradas por modelo. Então param de oferecer a crítica que importa. A expressão de Samsonov é exata: ficam condicionados a manter a boca fechada. Não porque alguém proibiu a divergência. Porque a divergência agora desaparece no mesmo balde do autocomplete, e discutir com um balde não compensa o custo político.
Isso é desamparo aprendido, instalado em silêncio, medido em lugar nenhum. O organograma ainda mostra feedback fluindo. O sinal de verdade foi para o subterrâneo.
Por que isso é pior que lixo de output
Já escrevemos sobre dados fabricados no marketing e teatro de produtividade, em o acerto de contas da governança no marketing e o problema dos dois por cento de produtividade. Lixo de output é ruim. Uma lista de prospects fabricada é ruim. Mas lixo de output ao menos é inspecionável. Você consegue conferir um número contra uma fonte.
Lixo de feedback ataca o mecanismo que você usaria para pegar todas as outras falhas. O loop de feedback é como a equipe descobre que está errada. Corrompa o loop e você perde a capacidade de detectar que algo está corrompido. A equipe segue entregando decisões confiantes sobre sinal suprimido, e a primeira evidência dura do problema chega como churn de cliente, lançamento fracassado ou saída das pessoas que pararam de falar.
A essa altura a causa está meses rio acima e é impossível de rastrear. A decisão que afundou o lançamento parecia bem revisada na época. Tinha quarenta comentários de apoio.
Governe o feedback, não só o output
A correção é atrelar feedback a decisões e recusar que volume substitua sinal. Movimentos concretos:
Separe feedback gerado de feedback humano no canal. Um comentário de modelo e um comentário de colega nunca deveriam estar na mesma lista indiferenciada. Marque a origem. Um líder que quiser citar “o feedback” deveria ter que dizer de qual tipo.
Exija registros de decisão que nomeiem a divergência. Para qualquer decisão acima de um limiar, o registro precisa declarar a objeção mais forte levantada e por que foi vencida. Se a objeção mais forte arquivada for um detalhe de estilo, isso já é um sinal de que a crítica real foi enterrada.
Limite o papel de revisor do modelo. Use a IA para levantar categorias específicas e checáveis de problema: violações de acessibilidade, links quebrados, divergências de contrato. Não a use como revisor genérico de “o que você acha” que gera comentário aberto às dezenas. Volume aberto é exatamente o modo de falha.
Audite regras aposentadas. Se sua equipe usa IA para criticar trabalho, mantenha uma lista de “boas práticas” refutadas que os modelos ainda papagaiam, e revise contra ela. O modelo não vai te avisar que uma regra morreu. Alguém precisa avisar.
Faça isso agora: pegue suas três últimas decisões importantes e ache a objeção mais forte levantada contra cada uma. Se não conseguir achar nenhuma, seu loop de feedback não está saudável, está calado. Um loop calado com atividade em alta é a assinatura exata da supressão, e a IA torna isso mais barato de produzir do que nunca.
Fontes
- Product Picnic. “Feedback Loops Require Real Feedback. AI Drives It Underground..” Junho de 2026.
A Victorino ajuda equipes a manter o feedback atrelado a decisões enquanto a IA inunda o canal: contato@victorino.com.br | www.victorino.com.br
Todos os artigos do The Thinking Wire são escritos com o auxílio do modelo LLM Opus da Anthropic. Cada publicação passa por pesquisa multi-agente para verificar fatos e identificar contradições, seguida de revisão e aprovação humana antes da publicação. Se você encontrar alguma informação imprecisa ou deseja entrar em contato com o editorial, escreva para editorial@victorino.com.br . Sobre o The Thinking Wire →
Se isso faz sentido, vamos conversar
Ajudamos empresas a implementar IA sem perder o controle.
Agendar uma Conversa