O que uma peça de teatro centenária ensina sobre IA generativa, curadoria e produto digital

Depois de mais de uma década projetando sistemas distribuídos e, mais recentemente, plataformas de IA generativa, aprendi que os melhores frameworks de design raramente vêm de manuais de engenharia. Vêm de lugares inusitados — às vezes de uma conversa sobre teatro. Quando li a entrevista com Fernando Heitor sobre a peça Variedades (...como uma ópera bufa erótica e satírica), que revisita 100 anos do Teatro Variedades no Parque Mayer, algo não me saiu da cabeça: a forma como ele descreve a construção de personagens que são "assíduas" daquele espaço diz muito sobre o desafio mais espinhoso que enfrentamos hoje em produtos de IA generativa.

Não, este artigo não é sobre teatro. É sobre curadoria de conteúdo, design de persona para agentes generativos e aquilo que ninguém discute em tech: linha editorial como camada crítica de infraestrutura. Se você trabalha com engenharia de software, produto digital ou inteligência artificial aplicada, o que Heitor descreve sobre escolher quem está em cena, quando cada personagem entra e como a plateia reage à sobreposição de vozes — isso é o molde de um problema de produto que estamos longe de resolver.

A persona como curadoria, não como perfil estatístico

Na engenharia de IA, quando falamos em "persona", geralmente nos referimos a um conjunto de parâmetros — tom de voz, nível de formalidade, restrições temáticas — que alimentamos num prompt de sistema. O resultado, na maioria das vezes, é um personagem de papelão: responde sobre qualquer assunto com a mesma textura artificial de quem foi treinado por um dataset genérico. Já no teatro de revista, uma persona é construída por seleção negativa rigorosa: o que esse personagem não faz define quem ele é.

Na peça de Heitor, as dez personagens "assíduas" do Parque Mayer não existem para cobrir todo o espectro da experiência humana. Elas existem porque habitam aquele território específico — a boemia, o humor satírico, a tensão entre erotismo e crítica política. Há uma curadoria drástica no recorte. E é exatamente essa curadoria que falta em 90% dos chatbots e assistentes que vejo em produção hoje.

Em produtos digitais que lidam com conteúdo gerado por IA, aprendi da pior forma que dar ao modelo uma "persona geral" é o caminho mais curto para conteúdo sem alma. Numa implementação recente de um assistente de suporte técnico para uma plataforma de telecomunicações, insistimos em treinar o modelo para ser "amigável, técnico e resolutivo" ao mesmo tempo. O resultado foi um assistente que demorava três parágrafos para dizer "sim", porque tentava agradar a todos os estilos de comunicação. Só resolveu quando forçamos uma persona com um recorte estreito: a de um técnico sênior de plantão, com pouca paciência para conversa fiada, mas capacidade alta de diagnóstico direto.

O dilema da cobertura versus consistência

Há um trade-off estrutural aqui que engenheiros de software conhecem bem: o de cobertura versus consistência. Quanto mais abrangente você quer que sua persona de IA seja, menos consistente ela fica. O modelo começa a "achar" que pode falar sobre política internacional com a mesma autoridade com que explica uma falha de roteamento. Isso não é um bug de fine-tuning — é uma consequência inevitável de datasets que misturam domínios sem hierarquia de curadoria.

No teatro, Heitor resolve isso com o que chamei mentalmente de "restrição espacial": as personagens só existem dentro do Parque Mayer. Elas não são convidadas a opinar sobre economia global. Quando tentam, o efeito é cômico — exatamente porque a plateia sabe que aquilo está fora do território daquela personagem. Em IA generativa, raramente oferecemos essa âncora espacial. O modelo flutua entre domínios sem nunca ser ancorado por um contexto físico ou histórico que limite seu escopo de atuação.

Na prática, descobri que a solução não está em prompts mais longos, mas em camadas de roteamento de intenção anteriores ao modelo generativo. Você não pede para o LLM decidir sobre o que pode ou não falar — você cria uma máquina de estados que direciona cada consulta para o "personagem" certo, com seu próprio prompt e seu próprio dataset de contexto. É mais trabalho de infraestrutura, mas é o único jeito de fazer o modelo soar como alguém de verdade, não como um resumo do Wikipedia.

O timing da entrada em cena como lição de UX

Outro ponto que Heitor menciona e que ressoa fortemente com produto digital é o timing. Numa ópera bufa, a sátira funciona porque a personagem entra no momento exato em que a tensão acumulada da plateia precisa de um alívio. Não um segundo antes — que estraga o crescendo — e não um segundo depois — que perde o gancho. Isso é o que chamamos em arquitetura de sistemas de latência percebida pelo usuário, mas com uma camada semântica adicional: não basta que o conteúdo chegue rápido; ele precisa chegar no momento narrativo certo.

Trabalhei em um projeto de recomendação de conteúdo para uma plataforma de notícias onde o modelo generativo escrevia resumos de artigos para recomendar ao usuário. O algoritmo de recomendação era bom — as taxas de clique estavam acima da média. Mas a sensação de "estranheza" persistia. Usuários reportavam que os resumos "não pareciam pertencer àquele momento da leitura". Depois de debugar o pipeline, percebemos que o modelo estava gerando resumos com tom de conclusão (como se o usuário já tivesse lido o artigo), mesmo quando o recomendávamos antes da leitura. O conteúdo era tecnicamente correto, mas o timing da "persona do resumidor" estava errado: ela entrava em cena com a entonação de quem encerra um assunto, quando deveria ter a entonação de quem abre um convite.

Corrigir isso exigiu separar o modelo generativo em dois "atores": um para resumo pré-leitura (tom de curiosidade, pergunta não respondida) e outro para resumo pós-leitura (tom de síntese, destaque). O custo computacional dobrou. A satisfação do usuário subiu num patamar que o custo justificou com folga. A lição é incômoda para quem busca eficiência de hardware: às vezes, a melhor otimização não é rodar um modelo só mais rápido, mas rodar dois modelos mais especializados, com entradas e saídas distintas.

Personagens que evoluem sem perder a identidade

Um aspecto que Heitor aborda indiretamente é a continuidade da persona através de décadas de apresentações. O Teatro Variedades tem 100 anos. As personagens mudam de intérprete, os temas mudam, o humor se atualiza — mas há algo na essência de cada personagem que permanece reconhecível por décadas. Isso, para quem trabalha com IA aplicada, é o santo graal: como fazer um modelo generativo evoluir seu conhecimento sem perder a coerência de sua persona original?

Na prática, o problema aparece quando você faz fine-tuning de um assistente com novos dados. Digamos que seu chatbot de atendimento bancário aprendeu a usar um tom mais descontraído após um ano de feedback dos usuários. Aí você precisa atualizar o modelo com novas regras de compliance bancário. Se você simplesmente adiciona os novos dados ao dataset de treinamento, a persona "desaprende" o tom descontraído e volta ao padrão burocrático do modelo base. Você está preso num ciclo de "perda de identidade" a cada atualização.

A abordagem que tenho adotado em arquiteturas recentes é o que chamo de "fine-tuning por camadas concêntricas": o núcleo da persona (tom, restrições éticas, regras de escopo) é treinado uma vez e congelado. Depois, camadas periféricas de conhecimento (produtos novos, regras de negócio, vocabulário sazonal) são adicionadas em adaptadores separados, que o modelo consulta por roteamento atento. A persona não é re-treinada — ela é "decorada" com conhecimento novo que passa por um crivo de compatibilidade. Se o novo dado contradiz o núcleo da persona, o sistema rejeita o dado, não a persona. Parece simples, mas a implementação exige uma separação clara entre o que é identidade e o que é conhecimento.

É o mesmo que um ator faz ao interpretar o mesmo personagem por trinta anos: a essência não muda, mas o conhecimento de mundo do ator se atualiza. O público percebe a diferença entre um personagem que envelheceu e um personagem que foi reescrito. Em IA, entregar essa sensação de "envelhecimento natural" é um dos grandes gargalos de produto.

O que a curadoria de elenco ensina sobre dados de treinamento

Heitor e seus coautores escolheram dez personagens para representar 100 anos de teatro. Por que dez? Por que essas dez? Qual o critério de exclusão? Ele não detalha na entrevista, mas qualquer editor de produto entende que a curadoria de elenco é tão importante quanto a curadoria de dados de treinamento para IA generativa. Se você coloca personagens demais, a peça vira um ruído de vozes sobrepostas. Se coloca de menos, o espectro de situações que a peça consegue cobrir fica limitado. É exatamente o trade-off de granularidade de especialistas em sistemas multi-agente.

Em 2023, liderei um projeto de criação de um conjunto de agentes generativos para uma plataforma educacional. A tentação foi criar dezenas de "professores especialistas", um para cada tópico do currículo. O resultado foi um ecossistema de agentes que se contradiziam em conceitos fundamentais — o agente de matemática básica usava uma definição de "função" diferente do agente de cálculo. Em vez de enriquecer a experiência, a multiplicidade de vozes gerou desorientação no usuário.

Reduzimos o elenco para cinco personagens principais, cada um com um território de conhecimento amplo, mas com uma voz muito distinta: o "professor paciente" para fundamentos, a "pesquisadora cética" para tópicos avançados, o "prático construtor" para aplicações. A cobertura de tópicos não diminuiu — os cinco agentes conversavam entre si por uma API de handoff quando um tópico invadia o território do outro. O que mudou foi a clareza para o usuário: cada interação começava com "Você está falando com a pesquisadora cética", e o usuário sabia que teria uma perspectiva analítica, não um tutorial passo a passo.

O erro de tratar IA generativa como ator solo

Há uma crença implícita no mercado de que um modelo grande o suficiente pode substituir um time de especialistas. Essa crença é reforçada por demonstrações onde um LLM responde a perguntas de domínios variados com aparente naturalidade. O que essas demonstrações não mostram é a degradação de qualidade específica do domínio — o fato de que o modelo que fala de física quântica com fluência é o mesmo que comete erros básicos de lógica proposicional dois prompts depois.

A peça de Heitor é uma ópera bufa — um formato que depende da sobreposição de vozes, da dissonância entre personagens que cantam ao mesmo tempo melodias diferentes. Isso não é defeito, é característica. O humor e a sátira emergem justamente da colisão de perspectivas. Em IA generativa, tentamos eliminar a dissonância a todo custo, buscando um modelo "consistente". Talvez o próximo passo de produto seja abraçar a dissonância estruturada: ter múltiplas personas num mesmo ecossistema que discordam, se complementam e criam tensão narrativa — com o usuário como plateia privilegiada dessa colisão.

Não estou falando de caos. Estou falando de curadoria intencional de vozes que sabem o momento de entrar, o momento de sair e o momento de cantar em uníssono ou em conflito. É um design de interação muito mais sofisticado do que o prompt padrão que entregamos hoje.

Implicações diretas para quem constrói produto de IA

Se você está construindo um produto digital com IA generativa, sugiro três perguntas que não estão nos playbooks de design thinking, mas que estão implicitamente respondidas por qualquer montagem teatral de qualidade:

• Qual é o território físico ou conceitual da sua persona? Ela existe dentro de que limites? O que está fora do seu palco?
• Qual é o timing de entrada em cena? Sua persona aparece no momento certo da jornada do usuário ou chega atrasada, falando o que já deveria ter sido dito?
• Quantas vozes seu produto comporta antes de virar ruído? E como você orquestra o handoff entre elas sem perder o fio narrativo?

Essas perguntas não têm respostas universais. Dependem do seu público, do seu conteúdo e, principalmente, do que você entende como "identidade" do seu produto. O Teatro Variedades existe há 100 anos porque suas personagens são reconhecíveis através de gerações, não apesar das mudanças, mas justamente por saberem o que não mudar. Talvez o maior insight que a engenharia de IA pode tomar emprestado do teatro seja este: persona forte é feita de restrições, não de possibilidades.

Ao final do dia, todo produto digital que gera conteúdo está montando uma peça. A diferença entre uma experiência inesquecível e um ruído descartável está nos atores que você coloca no palco e, mais importante, na mão firme do curador que decide quem não entra.