TL;DR: O May 2026 Core Update encerrou seu rollout em 21 de maio, mesmo dia em que publiquei aqui no TecMundo sobre o ciclo de volume com IA. Publishers que fabricaram conteúdo em escala para o Discover estão registrando quedas severas e irreversíveis no curto prazo. A Lei de Goodhart explica o mecanismo: quando a métrica vira meta, o comportamento se distorce até o sistema se ajustar. Há recuperação possível, mas não há atalho.

Este é um texto que não gostaria de escrever, mas é parte do que me levou a montar a 42ENGINE e a 42WP.

Não gostaria de escrevê-lo por me faltar argumento, mas pela frustração que me gera, uma vez que o problema foi construído com cumplicidade ampla, de ferramentas, de plataformas oportunistas, de publishers e, em parte, da lógica perversa dos incentivos que o próprio ecossistema de busca ajudou a criar.

Esse último Core Update terminou o rollout em 21 de maio, mesmo dia em que publiquei no TecMundo uma análise sobre as duas forças simétricas que alimentam o ciclo vicioso da desconstrução de valor: o pânico com o fim dos cliques e a corrida irresponsável por volume. O que descrevi como padrão emergente chegou.

Publishers em todo o Brasil estão em colapso. Ouvi isso de muita gente com queda acentuada de tráfego e, consequentemente, de receita. Mas a resposta honesta para quem me pergunta o que aconteceu é que a responsabilidade não é do Google, desculpe informar.

A lei de Goodhart

Em 1975, o economista Charles Goodhart descreveu um princípio simples e verdadeiro: quando uma métrica vira meta, ela deixa de ser uma boa métrica. As pessoas distorcem o comportamento para atingir a meta, e a métrica perde seu significado original.

O Google Discover virou meta, e o que acontece quando uma métrica vira meta?

As pessoas criam cobras para receber a recompensa por cobra morta.

A origem da metáfora aconteceu quando o governo colonial britânico na Índia criou um programa de recompensas por cobra morta. Moradores passaram a criar cobras em cativeiro para entregá-las. Quando o programa foi cancelado, as cobras foram soltas. O problema ficou pior do que antes. O ecossistema de conteúdo digital vem reproduzindo esse ciclo com precisão.

As cobras têm nomes conhecidos

Ferramentas que vendem conteúdo 100% gerado por IA, calibrado para trending topics do Google Discover, com páginas saturadas de publicidade de baixo custo por clique. Publishers que seguem sugestões automáticas de plataformas de analytics e publicam para os mesmos tópicos e ao mesmo tempo que todos os assinantes da mesma plataforma o fazem. O resultado é o mesmo, uma enxurrada de conteúdo de baixo valor, experiência degradada, zero jornalismo.

Documentei o caso Rite Aid na coluna anterior: uma keyword trending no Brasil em menos de 48 horas, 11 versões da mesma matéria publicadas por veículos diferentes, sem nenhum dado original, sem nenhuma apuração. O conteúdo fabricado ocupou o espaço do conteúdo autoral nos resultados de busca.

O Google, ao perceber que as cobras estavam sendo criadas apenas para receber a recompensa, suspendeu o pagamento. Era inevitável que iria acontecer, só não se sabia quando.

O efeito MAIE e a proximidade do cume

MAIE, ou Mount-AI Effect é a curva que aparece quando um publisher adota estratégia de volume com IA para capturar sinal algorítmico: subida íngreme, pico, descida vertical.

Uma agência de AEO celebrou +4.000% de tráfego no próprio site em setembro de 2025. Em abril de 2026: 190 visitas. Lily Ray monitorou mais de 220 sites identificados como clientes de plataformas de criação de conteúdo com IA: 54% perderam 30% ou mais do pico de tráfego orgânico; 22% perderam 75% ou mais. A descida é proporcional à artificialidade da subida e costuma ser muito mais veloz.

Se você está na fase ascendente, cuidado, pois pode estar muito próximo do cume.

A injustiça estrutural do ciclo

O que me incomoda não é que o Google ajuste o algoritmo. Algoritmos se ajustam e é o que deveriam fazer. O que me incomoda é que o conteúdo de qualidade pagou parte do preço pela volatilidade criada por quem não investiu na sua construção.

O que é possível fazer

Há recuperação. Fiz isso na CNN Brasil. Fizemos na 42WP com alguns publishers, recentemente. Porém, não é rápida, não existe mágica e não há atalho. É a reconstrução de autoridade com conteúdo original, experiência de leitura que respeita o leitor, CMS e infraestrutura preparados para entregar eficiência e consistência editorial.

A saúde da indústria e a medicação correta

A saúde da indústria de mídia está cada dia mais frágil e o que mais me preocupa não é a fragilidade em si, mas a resposta que boa parte do mercado escolheu para ela.

Paliativos funcionam para dar alguma qualidade de vida. Mas quando o diagnóstico é grave e a terapia escolhida é apenas aliviar o sintoma, o que se prolonga não é a recuperação, é a morte. Volume sem substância, publicidade invasiva e conteúdo sem governança são paliativos. Compram tempo, mas não recuperam a saúde.

A medicação correta existe. É mais lenta, exige disciplina e não produz resultado no trimestre, mas é a única que leva à recuperação. Autoridade editorial construída consistentemente, experiência de leitura que respeita o leitor, modelo de receita que não canibaliza a confiança que sustenta o negócio.

Como no mercado financeiro, as quedas costumam ser bruscas e a recuperação é lenta. Espero que este texto provoque uma reflexão que ajude a repensar o papel e propósito de cada um, muito além da métrica — ainda que ela seja importante. Chamemos essa reflexão de Lei de good heart!

Publicado na semana passada, Labor Market Impacts of AI: A New Measure and Early Evidence é o estudo mais detalhado já produzido pela Anthropic sobre o impacto da inteligência artificial no mercado de trabalho. Analisou mais de um milhão de conversas reais com o Claude, mapeou mais de 20 mil tarefas profissionais e criou uma métrica chamada “observed exposure”, a distância entre o que a IA é teoricamente capaz de fazer e como está sendo efetivamente usada nas organizações.

Para profissionais de computação e matemática, modelos de linguagem são teoricamente capazes de executar 94% das tarefas. Em funções administrativas, o gap é semelhante. O vermelho, adoção real, é uma fração do azul, capacidade possível.

O próprio paper identifica o problema e indica que a diferença entre a exposição atual à IA e a exposição potencial é muito grande, abrindo a possibilidade de maior disrupção adiante. Mas há uma dimensão que o estudo não captura.

O problema das fotografias

O paper mede um momento. Uma fotografia de onde a adoção chegou em relação ao que já é possível. É uma contribuição valiosa para gestores que precisam entender o presente.

Mas o presente não é onde o risco mais relevante se esconde.

A fronteira azul não é estática. Enquanto o vermelho tenta alcançar o azul atual, os modelos continuam avançando e expandindo o próprio azul em velocidade provavelmente superior à velocidade da capacidade de qualquer organização absorver o que já existe no mundo teórico. Não por falha das empresas, mas porque a capacidade teórica se expande mais rápido do que a fricção corporativa — legal, cultural, regulatória — permite.

É preciso mudar o foco e observar o “vazio”, o espaço além do que a teoria nos permite enxergar hoje. Não o vermelho do que já foi adotado, nem o azul do que já se sabe possível. Mas o branco do que ainda não tem contorno, mas que ganhará forma em 18 a 36 meses.

É nesse espaço que o risco real se prepara, silenciosamente.

Execute, Adapt, Unlearn

A partir dessa observação desenvolvemos um framework de três círculos para avaliar prontidão organizacional diante da expansão da IA.

Execute é o círculo interno, no domínio do conhecido. Aqui a organização opera o que já sabe, com processos estabelecidos e métricas de eficiência. É onde a maioria das análises de impacto da IA se concentra e onde os resultados são mais visíveis.

Adapt é o círculo intermediário, no domínio da mudança. A organização precisa de abertura para absorver o que já é tecnicamente possível, mas ainda não foi internalizado. A métrica aqui não é velocidade, mas permeabilidade. A capacidade de mudar sem quebrar.

Unlearn é o círculo externo, no domínio do desconhecido em mutação. Aqui as métricas do passado deixam de funcionar. Eficiência, velocidade, ROI — todos são instrumentos calibrados para o que já existe. No espaço branco, a única métrica útil é a qualidade da experimentação: a capacidade de errar com aprendizado, de desaprender ativamente para explorar o que ainda não tem forma.

Perguntas diferentes para contextos diferentes

O C-level gerencia a tensão entre Execute e Adapt. A execução, acelerar adoção, reduzir fricção, transformar capacidade teórica em operação real. Roadmaps, change management, e indicadores de cobertura. O horizonte é o que cabe no balanço.

O board monitora a distância entre Adapt e Unlearn. A prontidão organizacional, que indica a capacidade da empresa de navegar de forma consciente quando o azul se expande e engloba o que hoje está no espaço branco. O horizonte é o que ainda não tem nome.

A maioria dos modelos de maturidade de IA disponíveis hoje está calibrada para a tensão Execute/Adapt. Perguntam “quão bem está sendo adotado?” quando a pergunta estratégica do board deveria ser: “quão bem estamos organizacionalmente preparados para o que ainda não sabemos que virá?”. Esse é o tipo de pergunta que estamos interessados na Comissão do Futuro da Governança, no IBGC - Instituto Brasileiro de Governança Corporativa.

São perguntas fundamentalmente diferentes e, por isso, exigem instrumentos igualmente fundamentalmente diferentes.

O que medir no espaço branco

A pergunta sobre prontidão para o círculo Unlearn não tem resposta fácil.

Se o CA só consegue avaliar a IA com métricas de eficiência e velocidade de adoção, ele está, na prática, navegando o futuro com instrumentos do passado. O espaço branco não é um vácuo temporário que a adoção eventualmente preencherá. É o espaço onde decisões estratégicas são tomadas sem consciência do risco real e onde as organizações mais bem preparadas construirão vantagem antes que o risco se torne visível para todos.

Prontidão para o Unlearn não se mede com quantas ferramentas de IA a empresa adotou. Mede-se pela capacidade da organização de experimentar sem garantia de retorno, de errar sem punição, de desaprender uma certeza operacional antes que ela se torne um obstáculo.

É uma métrica de cultura antes de ser uma métrica de tecnologia.

The 42* question

Se sua organização precisasse desaprender uma certeza estratégica hoje para estar pronta amanhã, qual seria ela? E quem no seu conselho está fazendo essa pergunta?