Postar mais não é aparecer mais

Alguém abre o painel de resultados quarenta minutos depois de publicar e nota que hoje saíram sete peças, todas geradas na mesma sessão, cada uma levando menos de dois minutos para nascer. A conta parecia óbvia: se uma peça sozinha já trazia um pouco de alcance, sete deveriam multiplicar esse número por sete. No dia seguinte, o painel mostra menos gente vendo cada peça do que via quando saía uma por dia. Ninguém mexeu no conteúdo, no horário de publicar nem no perfil. O que mudou foi só o volume, e foi o volume que derrubou o alcance de cada peça, o oposto do que a intuição sugeria.

Essa conta soa contraintuitiva porque a maior parte da vida fora da internet segue a lógica oposta. Fazer mais de uma coisa boa costuma trazer mais do resultado que ela já trazia. Atender mais gente rende mais receita. Escrever mais página de um relatório raramente reduz o valor dele. Nas redes que decidem quem vê o quê por meio de um algoritmo, essa lógica se quebra num ponto específico, medido e documentado, e quem produz conteúdo com apoio de IA tropeça nele com mais frequência do que quem não usa, porque a IA removeu o único freio que antes limitava o volume: o tempo que cada peça levava para nascer.

Isso costuma acontecer com quem trabalha sozinho, sem uma equipe de comunicação dedicada, cuidando do próprio site, da própria rede social e do próprio material de divulgação nas horas que sobram entre um atendimento e outro. A ferramenta de IA chega prometendo devolver parte dessas horas, e o que ela de fato devolve é outra coisa: velocidade de produção, não velocidade de resultado. A diferença entre as duas coisas é exatamente o que este texto tenta separar, e confundir uma pela outra é o jeito mais comum de gastar a hora que a ferramenta liberou produzindo mais do mesmo, em vez de produzindo melhor.

Uma peça por vez, não o total do dia

Dentro da própria produção de conteúdo que sustenta este site, uma pauta pedida certa vez trazia uma instrução simples: cinco publicações por dia, em cada canal, “para aparecer mais”. O resultado não foi mais aparência. Foi menos. A rede social distribui uma peça por autor de cada vez para quem segue aquele perfil, e publicar cinco vezes no mesmo dia não soma cinco doses de alcance. Faz as cinco peças competirem entre si pela mesma fração de atenção que uma peça sozinha teria recebido, porque o feed intercala outros autores entre uma publicação e a próxima do mesmo perfil, em vez de empilhar tudo em sequência.

Das novecentas peças produzidas numa pauta de conteúdo recente, apenas 282 entraram de fato na cadência recomendada, uma por dia útil em cada canal. As outras 618 viraram banco de reposição, guardadas para uso futuro em vez de publicadas todas de uma vez. Em proporção, isso é 31,3% da produção seguindo o ritmo que o próprio canal comporta, e 68,7% esperando a vez. O volume pedido foi entregue. A cadência, não, e foi exatamente a cadência, não o volume, que determinou quanto cada peça de fato apareceu.

Esse tipo de achado não é exclusivo de uma rede de fotos e vídeos. Uma operação de captação de contatos numa rede profissional, rodando convites de conexão sem controle do que ficava pendente, chegou a 989 convites parados, 790 deles havia mais de trinta dias, e 199 enviados numa única semana, contra um teto informal de cerca de cem por semana praticado pela própria plataforma. Isso é quase o dobro do ritmo que a rede considera saudável, e a consequência não foi mais gente aceitando. Foi a plataforma lendo aquele volume como sinal de baixa qualidade e reduzindo, silenciosamente, quantos convites novos aquele perfil conseguia enviar depois.

O padrão que conecta os dois casos é o mesmo, mesmo em plataformas diferentes, com mecanismos internos diferentes. Nenhum sistema que decide o que mostrar para quem trata volume como sinônimo de qualidade. Volume sem controle é lido como ruído, e ruído é o primeiro tipo de sinal que qualquer sistema de distribuição tenta filtrar.

A correção aplicada, nos dois casos, não foi parar de produzir ou parar de tentar crescer a rede de contatos. Foi separar o que dá para gerar do que dá para publicar no mesmo período. No caso dos convites de conexão, o ritmo de envio caiu para abaixo do teto informal da própria plataforma, e a ideia de mandar cada convite acompanhado de uma nota de apresentação foi abandonada, porque a versão gratuita daquela rede só permite um número pequeno de notas por mês, e gastar essas notas num convite frio, que já chega explicando o que está sendo vendido, dá à pessoa um motivo para recusar antes mesmo de olhar quem está mandando o convite. No caso das publicações, o ritmo caiu para uma peça por dia útil, em cada canal, e o excedente virou reserva para os meses seguintes, em vez de pressão para publicar tudo de uma vez.

O sinal que decide quem vê, e o que ele não é

Em janeiro de 2025, o chefe do Instagram, Adam Mosseri, publicou uma série de vídeos explicando quais sinais pesam mais na hora de decidir para quem cada peça é mostrada⁷. Os três que carregam mais peso, segundo ele, são o tempo assistido, curtidas em relação ao alcance e envios em relação ao alcance. Curtida pesa um pouco mais para quem já segue o perfil. Envio pesa um pouco mais para alcançar gente que ainda não segue.

Envio por alcance

Proporção entre quantas pessoas viram uma peça e quantas dessas pessoas a enviaram para alguém, numa mensagem privada. É o sinal que Instagram usa com mais peso para decidir se mostra aquela peça para gente que ainda não segue o perfil, porque enviar algo para outra pessoa exige mais convicção de quem envia do que só curtir.

Tempo assistido

Quanto tempo, no total, as pessoas passam olhando uma peça, incluindo repetições. Substituiu a antiga contagem de visualização de três segundos como principal sinal para conteúdo em vídeo, e mede permanência real, não só o clique inicial.

Nenhum dos três sinais é volume de publicação. Nenhum deles sobe porque um perfil publicou mais peças no mesmo dia. Eles sobem quando uma peça específica prende atenção por mais tempo, recebe mais curtida em relação a quantas pessoas a viram, ou é enviada de uma pessoa para outra. Publicar mais peças, sem que cada uma delas melhore nesses três critérios, não move nenhum dos números que de fato decidem alcance. Só divide a atenção disponível entre mais concorrentes, e o concorrente mais direto de uma peça nova, na maioria dos dias, é a peça publicada horas antes pelo mesmo perfil.

Uma ferramenta de IA, usada para gerar instrução atrás de instrução no mesmo tema, tende a produzir peças parecidas entre si, porque a instrução original raramente muda entre uma geração e outra. Isso cria um efeito colateral pouco discutido: um lote de dez peças geradas com a mesma instrução costuma variar pouco no que de fato prende atenção, porque a estrutura de abertura, o tipo de imagem e o argumento central se repetem, só trocando palavra por palavra. Publicar as dez sem revisar qual delas de fato traz algo diferente não aumenta a chance de uma peça boa aparecer no meio. Aumenta a chance de o perfil publicar dez peças parecidas, competindo entre si pelo mesmo tipo de atenção, sem que nenhuma se destaque o suficiente para gerar envio.

O que cada sinal mede, e o que ele não mede

Sinal	O que mede	O que não mede
Tempo assistido	Quanto tempo, no total, as pessoas ficam olhando a peça	Quantas peças o perfil publicou naquele dia
Curtida por alcance	Aprovação de quem já viu, pesando mais para seguidores	Frequência de publicação do perfil
Envio por alcance	Convicção de quem viu a ponto de mandar para outra pessoa	Tamanho do catálogo de conteúdo disponível

Por que “mais” parece a resposta certa

Existe um motivo, medido em laboratório, para essa intuição errada persistir mesmo depois de o painel mostrar o resultado oposto. Justin Kruger e colegas publicaram, em 2004, um experimento em que pessoas avaliavam a qualidade de um poema, de uma pintura e de uma peça de armadura medieval, sem saber que a única variável manipulada entre os grupos era a quantidade de esforço supostamente investida na produção daquele objeto². A qualidade real do objeto era a mesma em todos os grupos. A avaliação de quem julgava, não. Quanto mais esforço a pessoa acreditava que tinha sido investido, maior a nota de qualidade e de valor dada ao mesmo objeto.

Efeito heurístico do esforço

Tendência de avaliar a qualidade e o valor de algo como maiores quando se acredita que a produção daquilo exigiu mais esforço, mesmo quando a qualidade real permanece igual. Descrito por Kruger, Wirtz, Van Boven e Altermatt em 2004, o efeito é mais forte quando a qualidade do objeto é difícil de julgar diretamente, o que é exatamente a situação de quem publica conteúdo e não tem como medir, na hora, se aquela peça específica vai render ou não.

Esse efeito explica metade do problema. A outra metade vem de um estudo publicado em 2021 na revista Nature Communications, com análise computacional de mais de um milhão de publicações, de mais de quatro mil pessoas, em várias redes sociais¹. A descoberta central foi que o comportamento humano de publicar segue, de forma mensurável, os mesmos princípios de aprendizado por recompensa observados em outros contextos de escolha repetida: as pessoas espaçam suas publicações de um jeito que maximiza a taxa média de recompensa social recebida ao longo do tempo, não a soma total de publicações feitas.

Antes da IA, esse espaçamento acontecia sozinho, sem ninguém decidir conscientemente. Produzir uma peça levava tempo, e o tempo que levava funcionava como freio natural: ninguém publicava dez vezes no mesmo dia porque produzir dez peças boas no mesmo dia, sem ajuda, era caro demais para valer a pena. A IA reduziu esse custo para quase zero, e ao reduzir o custo, removeu o freio que antes mantinha a cadência dentro da faixa que o próprio aprendizado por recompensa, sem ninguém calcular nada, já tinha encontrado como ideal. O que sobrou foi só o efeito heurístico do esforço, empurrando na direção errada: quanto mais fácil ficou produzir, mais a sensação de “estou fazendo pouco” cresceu, e mais gente decidiu compensar aumentando o volume, exatamente o oposto do que a pesquisa de recompensa social indica como padrão de melhor retorno.

O platô que leva a produzir mais, não a publicar melhor

Vale entender por que a euforia inicial da IA vira, tão rápido, essa compensação por volume, porque o mecanismo não é só psicológico, é também de adoção da própria ferramenta. No Brasil, a pesquisa TIC Empresas 2025, do Cetic.br, encontrou que o uso de inteligência artificial por empresas cresceu de 13% para 17% entre 2024 e 2025, um avanço de 4 pontos percentuais, cerca de 30,8% em termos relativos⁶. Entre pequenas empresas, de 10 a 49 funcionários, o crescimento foi maior: de 10% para 15%, um avanço relativo de 50%. E, entre as empresas que já usam alguma IA, a geração de linguagem natural (o tipo de recurso que produz texto, resposta automática e comunicação) foi o uso que mais cresceu no período, de 20% para 30%, também 50% de avanço relativo.

Esses números descrevem um público específico: alguém que adotou uma ferramenta de geração de texto recentemente, ainda dentro da fase em que o uso é novo o suficiente para a euforia inicial ainda estar presente, mas não é mais tão novo a ponto de continuar surpreendendo a cada uso. É exatamente a fase em que a tentação de compensar a queda de euforia com mais volume aparece.

Um estudo apresentado na Designing Interactive Systems Conference de 2024, com doze pessoas acompanhadas ao longo de três semanas usando uma ferramenta de IA generativa para comunicação científica, testou diretamente se o valor percebido de uma ferramenta de IA era só efeito de novidade, que cai com o tempo, ou se vinha de outra coisa⁵. O achado foi que a utilidade percebida da ferramenta, depois das três semanas de familiarização, tinha subido, não caído, e o motivo principal não foi a novidade em si. Foi a capacidade de cada pessoa aprender a personalizar a instrução que dava para aquela ferramenta, ajustando o que pedia conforme entendia melhor o que ela conseguia entregar.

Esse é o ponto que separa quem atravessa o platô descrito no início deste texto de quem fica preso nele, compensando com volume. A utilidade real de uma ferramenta de IA não vem de usar ela mais vezes. Vem de aprender a pedir melhor, o que exige tempo de atenção dedicado a ajustar a instrução, não tempo dedicado a publicar mais peças com a instrução genérica que já estava sendo usada desde o primeiro dia. Quem interpreta a queda da euforia inicial como sinal de que precisa produzir mais está resolvendo o problema errado. O problema não é volume insuficiente. É instrução pouco refinada, e refinar instrução consome o mesmo tempo que, de outra forma, seria gasto publicando peça atrás de peça sem diferença real entre elas.

O que a saturação faz com o alcance, medido

Um estudo publicado em março de 2025, na revista Mathematics, modelou como a informação se espalha entre contas de uma rede social e encontrou uma correlação negativa significativa: quanto mais contas uma pessoa segue, menor a chance de ela repassar qualquer publicação específica, porque a atenção disponível para repassar algo é finita e cada conta adicional seguida compete pela mesma fatia dela³. O nome que os autores dão a esse fenômeno é efeito de saturação, e ele não descreve o comportamento de uma plataforma específica. Descreve um limite estrutural: atenção humana não escala junto com o número de fontes disputando ela.

Um segundo estudo, publicado em 2026 na revista Celebrity Studies, descreve o ecossistema atual de quem produz conteúdo como um estado de hipersaturação e expansão contínua, em que a visibilidade digital de um perfil deixou de se traduzir, de forma confiável, em reconhecimento ou audiência real⁴. O autor chama isso de exposição orientada por algoritmo: um modelo de visibilidade em que aparecer mais vezes na tela de alguém não corresponde mais, necessariamente, a construir presença de fato reconhecida por quem vê. É possível publicar muito e ser cada vez menos lembrado, porque o volume de concorrência ao redor de cada peça também cresceu, e cresceu mais rápido do que a atenção disponível para absorvê-lo.

Um levantamento de mercado, sem o mesmo rigor de revisão por pares dos dois estudos acima, mas coerente com eles, encontrou que o alcance por peça publicada cai conforme a frequência de publicação sobe, mesmo quando o alcance total do perfil, somando todas as peças do período, cresce⁸. Ou seja: publicar mais pode aumentar a soma de gente alcançada no mês, e ao mesmo tempo reduzir quanta gente cada peça individual alcança, e são essas duas contas diferentes que costumam ser confundidas na hora de julgar se “postar mais” funcionou.

A régua mudou de novo em dezembro de 2025

No último dia de 2025, Mosseri publicou um memorando de vinte lâminas descrevendo como via o ano seguinte, e o tema central foi autenticidade⁹. A leitura dele é que a IA generativa tornou trivial produzir conteúdo com aparência profissional, e que isso está mudando o que faz um perfil se destacar dos demais: não é mais a qualidade técnica da peça, porque qualquer ferramenta hoje entrega qualidade técnica razoável em segundos. É a credibilidade de que aquilo é real, feito por uma pessoa específica, num momento específico. Ele descreveu a internet caminhando para um mundo de conteúdo sintético infinito, em que a marca registrada de quem sempre soube se destacar (a capacidade de ser genuíno) deixa de ser exclusiva de ninguém, porque qualquer ferramenta consegue imitar a forma de genuinidade sem ter o conteúdo dela.

O rumo que a plataforma seguiu depois desse memorando foi rebaixar conteúdo que parece genericamente produzido por IA ou repostado sem nenhuma transformação, e favorecer uma estética mais crua, com imperfeição deliberada, como sinal de que aquilo é real. Isso não é o mesmo que penalizar quem usa IA. É penalizar conteúdo que se parece com produção em série, e produzir muito, rápido e sem diferenciação entre uma peça e outra é exatamente o padrão que se parece com produção em série.

Isso cria uma armadilha de duas camadas para quem passou a produzir mais depois de assinar uma ferramenta de IA. A primeira camada é a saturação: mais peças do mesmo perfil competem entre si pela mesma atenção. A segunda camada, mais recente, é de reconhecimento de padrão: peças produzidas em lote, sem diferenciação real entre uma e outra, tendem a se parecer com o tipo de conteúdo que a própria plataforma está treinando seus sistemas para identificar e rebaixar. A velocidade que a IA entrega resolveu o problema de produzir. Não resolveu, e em alguns casos piorou, o problema de aparecer.

O caso: novecentas peças, trezentas usadas, o resto esperando

Vale contar o caso citado antes com mais detalhe, porque o número sozinho esconde o processo que levou até ele. A pauta original pedia volume alto porque a lógica, na hora de pedir, parecia sólida: mais peças, mais chance de alguma delas performar, mais presença constante do perfil. Novecentas peças foram produzidas dentro do prazo pedido, divididas em três frentes: 410 de conteúdo de diagnóstico, explicando problema e mecanismo para quem ainda está entendendo se aquilo se aplica ao próprio caso; 176 de apresentação de site, mostrando o que muda depois de resolver um problema específico; e 314 de autoridade, construindo o tipo de material que sustenta confiança ao longo do tempo, não o que gera clique imediato.

Cada uma dessas três frentes tem uma cadência diferente que faz sentido para o papel que exerce. Conteúdo de diagnóstico tende a ter vida mais curta, porque responde a uma dúvida específica que muda conforme o assunto muda de contexto. Conteúdo de autoridade tende a durar mais, porque não depende de um evento recente para continuar relevante. Publicar as três frentes na mesma cadência, só porque as novecentas peças saíram prontas ao mesmo tempo, ignoraria essa diferença de vida útil, e foi por isso que a divisão em cadência por canal, descrita a seguir, também levou em conta de que frente cada peça vinha, não só de que canal ela ia sair.

A lição registrada dentro da própria operação, depois desse episódio, foi separar duas perguntas que parecem a mesma e não são: quanto conteúdo dá para produzir, e quanto conteúdo dá para publicar sem que uma peça atropele a outra. A primeira pergunta, com IA, tem uma resposta muito mais alta do que tinha há um ano. A segunda depende do limite de atenção de quem segue aquele perfil, um limite que não muda só porque a produção ficou mais rápida.

Publicar novecentas peças ao longo de um trimestre, respeitando uma cadência de uma por dia útil, não é o mesmo trabalho que publicar novecentas peças na primeira semana e nada depois. O banco de reposição de 618 peças não é desperdício: é capacidade guardada para os meses seguintes, o que evita o próximo erro comum, que é parar de produzir assim que o volume acumulado parece suficiente e sofrer com um vazio de conteúdo alguns meses depois. O ganho real da IA, nesse caso, não foi publicar mais no mesmo dia. Foi ter menos meses vazios ao longo do ano, porque a produção deixou de depender de escrever tudo em cima da hora.

A cadência final também não foi igual para todos os canais que receberam parte dessas novecentas peças. Um canal voltado para imagem satura mais rápido do que um canal de texto mais longo, porque a competição por atenção dentro dele é mais imediata, e por isso o ritmo de uma peça por dia útil funcionou como ponto de partida, não como regra fixa aplicada sem ajuste a cada canal. Onde o sinal de saturação apareceu mais cedo, o intervalo entre peças aumentou. Onde o canal comportava mais sem perder alcance por peça, o intervalo ficou menor. Nenhuma dessas decisões veio de uma fórmula pronta. Vieram de observar, canal por canal, em que ponto o alcance de uma peça nova começava a cair em relação à peça publicada antes dela, o mesmo tipo de leitura de sinal que orienta o critério de testar pouco antes de escalar, citado mais adiante neste texto.

Onde postar mais, de fato, ajuda, e a objeção que fica no ar

Nem toda situação em que alguém pensa em aumentar o volume está cometendo o erro descrito até aqui, e seria exagero tratar frequência alta como sempre errada. Existe uma exceção real, com um limite claro, e existe uma objeção que qualquer pessoa lendo até aqui já deve estar formulando.

A exceção é o perfil sem histórico nenhum, com poucos ou nenhum seguidor. Um perfil assim ainda não tem uma base de seguidores capaz de gerar sinal de envio ou de tempo assistido em volume suficiente para o algoritmo aprender o que aquele perfil oferece. Nessa fase inicial, publicar com uma frequência um pouco maior do que a recomendada para um perfil já estabelecido ajuda a dar ao sistema de distribuição mais amostras para aprender com quem aquele conteúdo ressoa, e é diferente de publicar sete peças no mesmo dia depois que o perfil já tem uma audiência formada, competindo entre si pela atenção dela.

Não existe, nas pesquisas citadas aqui, um número universal de quantos dias ou quantas peças essa fase inicial deveria durar antes de voltar para a cadência padrão. O estudo sobre aprendizado por recompensa¹ descreve o padrão de espaçamento que as pessoas encontram sozinhas, ao longo do tempo, à medida que aprendem o que funciona com a própria audiência, não um número fixo de dias de teste. Isso significa que a fase de amostragem inicial termina quando o perfil começa a ter seguidores suficientes para o sinal de envio e de tempo assistido virar mensurável, não numa data marcada de antemão, e quem segue publicando em volume alto depois desse ponto, achando que ainda está na fase inicial, volta a cair no mesmo erro de saturação descrito nas seções anteriores.

Essa exceção tem um limite que outro caso, dentro da mesma operação, deixou claro. Quinze peças de um produto digital foram publicadas de uma vez, num nicho escolhido por intuição, todas ativas, sem nenhum erro técnico. Depois de alguns dias, as visitas ficaram praticamente nulas. Não era um problema de execução, era escolha de nicho: no mesmo recorte, ao longo de 360 dias, 29 produtos novos tinham entrado e apenas 2 deram certo, uma taxa de sucesso de 6,9%, e o preço médio praticado naquele nicho ficava entre 30% e 45% abaixo do que estava sendo cobrado.

A diferença entre a exceção legítima (perfil novo, sem histórico, precisando de amostra) e o erro comum (perfil já estabelecido, publicando alto volume achando que mais é sempre melhor) é o tamanho do teste. Um perfil novo publicando com frequência um pouco maior, por um período curto e definido, está testando. Um perfil publicando quinze peças de uma vez, sem intervalo para ler o resultado de nenhuma delas antes de lançar a próxima, não está testando nada, está apostando todo o volume de uma vez e perdendo a chance de aprender com o que já saiu.

A objeção que fica no ar, depois de tudo isso, é razoável: “se eu não postar todo dia, o algoritmo esquece de mim”. A resposta a essa pergunta, dentro do critério adotado na própria operação para lidar com produção de conteúdo, não é sobre frequência mínima. É sobre cota.

O medo de ser esquecido, que motiva boa parte do instinto de postar todo dia, confunde presença constante com relevância constante. As duas não são a mesma coisa, e o efeito heurístico do esforço descrito antes explica bem por que essa confusão é tão comum: parece que fazer mais é sempre a resposta mais segura, mesmo quando o próprio sistema que decide quem vê o quê está dizendo, com dado, o contrário.

Essa confusão pesa mais para quem trabalha sozinho do que para quem tem uma pessoa de apoio cuidando da rotina de publicação. Sem ninguém para dividir a decisão de quando publicar e o quanto, a pergunta “já faz tempo que eu não posto nada” costuma vir acompanhada de uma sensação de dívida, parecida com a de deixar uma resposta de cliente sem enviar. A diferença é que uma resposta de cliente sem enviar tem um custo real e imediato, enquanto um dia sem publicação, isoladamente, não tem nenhum custo medido em nenhuma das pesquisas citadas aqui. Tratar as duas ausências com o mesmo peso é o que empurra alguém a publicar por publicar, só para aliviar a sensação de dívida, em vez de publicar porque aquela peça específica tem algo que vale a pena ser visto.

O que fazer com a velocidade que a IA entrega

A velocidade que a IA dá para gerar conteúdo não precisa virar velocidade de publicação. Pode virar, em vez disso, um banco maior de material testado, com mais tempo disponível para ler o sinal de cada peça antes de decidir o que vem a seguir. O critério que se mostrou funcional, dentro da própria operação descrita aqui, tem poucos elementos, e todos vêm de erro real, não de recomendação genérica.

O primeiro elemento é testar uma peça, ou no máximo duas ou três, antes de produzir um lote inteiro em cima da mesma ideia. Isso vale tanto para conteúdo de rede social quanto para produto digital, porque o erro das quinze peças publicadas de uma vez e o erro das cinco publicações no mesmo dia têm a mesma raiz: gerar volume antes de saber se aquilo específico funciona.

O segundo elemento é medir o sinal certo, não o volume publicado. Quantas peças saíram no mês diz quanto foi produzido. Não diz quanto foi de fato visto, nem por quanto tempo, nem se alguém considerou aquilo bom o suficiente para mandar para outra pessoa. Uma calculadora de alcance orgânico ajuda a estimar, antes de publicar mais, quanto alcance o perfil já comporta com a base de seguidores atual, e serve de referência para notar quando um aumento de frequência está reduzindo o alcance médio por peça em vez de aumentar o alcance total.

O terceiro elemento é separar cadência de capacidade. Capacidade é quanto dá para produzir num mês, e a IA aumentou bastante essa capacidade para quem trabalha sozinho. Cadência é quanto o canal, e quem segue aquele canal, comporta receber sem que uma peça atropele a outra. Confundir as duas leva direto ao erro descrito neste texto inteiro: tratar capacidade alta como justificativa para cadência alta, quando as duas seguem lógicas diferentes.

Cadência de publicação

Quantidade de peças que um canal específico comporta receber, de um mesmo perfil, sem que uma nova publicação reduza o alcance da anterior antes que ela tenha tido tempo de circular entre quem segue aquele canal. Diferente de capacidade de produção, que é quanto dá para gerar num período, a cadência depende do comportamento de quem segue o canal, não da velocidade da ferramenta usada para produzir o conteúdo.

Essa distinção também explica por que a cadência recomendada não é a mesma para todo canal usado por um mesmo perfil. Uma rede voltada para imagem e vídeo curto satura mais rápido do que uma newsletter por e-mail, porque a competição por atenção dentro do feed é imediata, enquanto uma mensagem de e-mail chega sozinha, sem outra peça do mesmo remetente competindo com ela na caixa de entrada no mesmo instante. Tratar os dois canais com a mesma cadência, só porque a ferramenta de IA produz para os dois com a mesma velocidade, ignora que o limite real está do lado de quem recebe, não do lado de quem produz.

Segunda ordem: o que aparece depois de acertar a cadência

Quando alguém consegue, de fato, reduzir o volume de publicação para o que o canal comporta, e passa a produzir em lote controlado, testando antes de escalar, o problema seguinte que aparece não é mais de excesso. É de medição. Depois de corrigir a cadência, fica a pergunta de se aquela mudança específica, sozinha, é responsável pela diferença de resultado observada, ou se outra coisa mudou junto no mesmo período (um lançamento, uma época do ano, um concorrente saindo do ar).

Essa é uma lacuna real dentro da própria operação descrita aqui: não existe, até a publicação deste texto, uma linha de base medida antes da mudança de cadência e comparada com uma linha de base depois, isolando só essa variável. O que existe é o registro de que o volume publicado sem controle produziu alcance por peça pior, e de que a correção seguiu o critério de testar pouco antes de escalar. Isso é evidência de padrão, coerente com o que os estudos de saturação e de aprendizado por recompensa citados aqui descrevem. Não é prova de causa isolada, e tratar como se fosse repetiria o mesmo erro de confundir uma métrica que sobe com um resultado que de fato aconteceu.

O gargalo de medição não é exclusivo de quem produz conteúdo. Ele reaparece em qualquer decisão tomada sozinho, sem alguém de fora conferindo se a mudança feita foi de fato a causa do resultado observado, e é o mesmo tipo de lacuna que aparece quando alguém decide sozinho, sem consultar ninguém, e paga o preço de decidir sem checar a própria conta. Corrigir a cadência de publicação resolve o problema descrito neste texto. Não resolve, sozinho, a ausência de um jeito confiável de medir se a correção funcionou melhor do que o erro que ela substituiu, e essa segunda lacuna costuma durar muito mais tempo do que a primeira, porque montar uma rotina de medição exige um tipo de disciplina diferente do que corrigir uma cadência errada de uma vez.

O que continua sem resposta

Os dois estudos acadêmicos citados aqui sobre saturação³⁴ foram feitos em escala grande, olhando o ecossistema inteiro de uma rede ou um conjunto amplo de perfis, não o caso específico de um perfil pequeno, de quem trabalha sozinho e publica algumas vezes por semana. É razoável esperar que o mesmo mecanismo de saturação apareça em escala menor, porque a lógica de atenção finita não depende do tamanho do ecossistema observado, mas razoável não é medido, e essa é uma extrapolação, não um dado direto sobre esse tipo específico de perfil.

O estudo sobre o efeito heurístico do esforço² mediu julgamento de qualidade de poema, pintura e armadura medieval, não de publicação em rede social. A aplicação feita aqui, de que o mesmo efeito explica por que produzir mais parece sempre a resposta certa mesmo quando o resultado medido diz o contrário, é uma inferência razoável sobre um mecanismo psicológico geral, não uma réplica direta do experimento original no contexto específico de redes sociais.

O levantamento de mercado sobre alcance por peça caindo conforme a frequência sobe⁸ não passou pelo mesmo processo de revisão por pares dos estudos acadêmicos citados neste texto, e isso foi dito no momento em que o dado foi usado, não escondido depois. Vale como sinal coerente com a pesquisa acadêmica, não como prova do mesmo peso.

Por fim, o critério de “duas a três peças por nicho, esperar, ler o sinal”, citado aqui a partir do caso das quinze peças sem visita, nasceu do fracasso do volume alto. Isso prova que quinze estava errado para aquele caso. Não prova, por si só, que três é o número certo em qualquer outro contexto, e tratar esse número como regra fixa, sem reavaliar caso a caso, seria trocar um erro de excesso por outro erro, o de aplicar uma regra tirada de um único caso a situações que podem pedir números diferentes.

Nenhuma dessas lacunas é motivo para não corrigir a cadência de publicação enquanto uma resposta mais completa não existe. O mecanismo central, o de que volume sem controle dilui o alcance de cada peça, está sustentado por mais de uma linha de evidência independente, de laboratório e de campo, mesmo que nenhuma delas, sozinha, cubra todo o caso de quem trabalha sozinho, publicando algumas vezes por semana, sem equipe e sem orçamento para testar em escala. Esperar uma pesquisa desenhada exatamente para esse público específico, antes de mudar qualquer coisa, custaria mais do que testar a mudança com uma peça pequena e ler o resultado antes de decidir se ela funcionou.

Glossário

Cadência de publicação

Quantidade de peças que um canal específico comporta receber, de um mesmo perfil, sem que uma nova publicação reduza o alcance da anterior antes que ela tenha tido tempo de circular entre quem segue aquele canal. Diferente de capacidade de produção, que é quanto dá para gerar num período, a cadência depende do comportamento de quem segue o canal, não da velocidade da ferramenta usada para produzir o conteúdo.

Efeito heurístico do esforço

Tendência de avaliar a qualidade e o valor de algo como maiores quando se acredita que a produção daquilo exigiu mais esforço, mesmo quando a qualidade real permanece igual. Descrito por Kruger, Wirtz, Van Boven e Altermatt em 2004, o efeito é mais forte quando a qualidade do objeto é difícil de julgar diretamente, o que é exatamente a situação de quem publica conteúdo e não tem como medir, na hora, se aquela peça específica vai render ou não.

Envio por alcance

Proporção entre quantas pessoas viram uma peça e quantas dessas pessoas a enviaram para alguém, numa mensagem privada. É o sinal que Instagram usa com mais peso para decidir se mostra aquela peça para gente que ainda não segue o perfil, porque enviar algo para outra pessoa exige mais convicção de quem envia do que só curtir.

Tempo assistido

Quanto tempo, no total, as pessoas passam olhando uma peça, incluindo repetições. Substituiu a antiga contagem de visualização de três segundos como principal sinal para conteúdo em vídeo, e mede permanência real, não só o clique inicial.

Referências

1. ↑ Lindström, B.; Bellander, M.; Schultner, D. T.; Chang, A.; Tobler, P. N.; Amodio, D. M.. A computational reward learning account of social media engagement. Nature Communications. 2021. consultar Acesso em 2026-09-23.
2. ↑ Kruger, J.; Wirtz, D.; Van Boven, L.; Altermatt, T. W.. The effort heuristic. Journal of Experimental Social Psychology. 2004. consultar Acesso em 2026-09-23.
3. ↑ Atienza-Barthelemy, J.; Losada, J. C.; Benito, R. M.. Modeling Information Diffusion on Social Media: The Role of the Saturation Effect. Mathematics (MDPI). 2025. consultar Acesso em 2026-09-23.
4. ↑ Echauri, G.. Algorithmic-driven exposure: hyper-saturation and ever-expansion in the content creator ecosystem. Celebrity Studies. 2026. consultar Acesso em 2026-09-23.
5. ↑ Long, T.; Gero, K. I.; Chilton, L. B.. Not Just Novelty: A Longitudinal Study on Utility and Customization of an AI Workflow. Proceedings of the 2024 ACM Designing Interactive Systems Conference (DIS '24). 2024. consultar Acesso em 2026-09-23.
6. ↑ Cetic.br / CGI.br. Uso de Inteligência Artificial por empresas brasileiras avança e atinge 17%, aponta pesquisa do Cetic.br. Cetic.br — TIC Empresas 2025. 2025. consultar Acesso em 2026-09-23.
7. ↑ Social Media Today (reportando série de vídeos de Adam Mosseri). Instagram Shares Algorithm Insights To Inform Strategy. Social Media Today. 2025. consultar Acesso em 2026-09-23.
8. ↑ Social Media Today. Does Posting More Often on Instagram Reduce Reach? [Report]. Social Media Today. 2025. consultar Acesso em 2026-09-23.
9. ↑ Newsweek (reportando memo de fim de ano de Adam Mosseri). Instagram boss predicts future of app: "One major shift". Newsweek. 2025. consultar Acesso em 2026-09-23.