Uma pessoa fazendo conteúdo, atualizações diárias sem falhar. Até agora, publiquei mais de uma dúzia de artigos longos, com uma média de 120.000 visualizações cada, um crescimento acumulado de mais de 9.000 seguidores e uma taxa de salvamento estável de 0,5-1% — ou seja, uma em cada cem pessoas que veem o conteúdo acha que vale a pena guardar para depois.
Não é que minha escrita seja excepcional. É porque existe um sistema de produção de conteúdo com IA operando nos bastidores — desde a seleção de tópicos, pesquisa de materiais, rascunho e ilustrações até a revisão de dados, todo o processo é executado pela IA; eu apenas tomo as decisões.
O protótipo desse sistema vem do fluxo de trabalho do Claude Code compartilhado publicamente por @dontbesilent. Ele usa essa abordagem para publicar 13.000 conteúdos por ano, operando 7 plataformas simultaneamente e ganhando 700.000 seguidores anualmente. Eu peguei e modifiquei significativamente com base nas minhas necessidades para artigos longos no X. Este post compartilha a versão que estou usando atualmente usando após essas modificações.
Conceito Central
@dontbesilent mencionou uma questão muito fundamental: a maioria das pessoas usa IA para conteúdo de forma fragmentada — elas pedem para a IA quando têm uma ideia, publicam a resposta e depois esquecem. Da próxima vez que tiverem uma ideia, começam do zero novamente.
A solução dele é transformar todo o processo em um loop fechado: ideias vão para uma biblioteca de tópicos → IA pesquisa na biblioteca de materiais por elementos reutilizáveis → escrever usando um framework validado → publicar → revisão de dados → destilar padrões eficazes de volta para a metodologia. Cada criação adiciona algo ao sistema, em vez de reinventar a roda toda vez.
Adotei essa lógica diretamente. Abaixo está a versão que modifiquei.
Base de Conhecimento em Quatro Camadas
Eu uso o Obsidian para gerenciar conteúdo e o Claude Code para executar. O sistema é dividido em quatro camadas.
Primeira Camada: Corpus.
O maior problema da escrita com IA não é que ela escreve mal, mas que não soa como você. Leitores de textos longos leem palavra por palavra; se o "sabor de IA" for muito forte, parece estranho.
Então, salvo tudo o que já disse — tweets, pontos de vista discutidos em conversas do WeChat, gravações e pensamentos fragmentados anotados. Depois, extraio um guia de estilo de escrita a partir disso: gosto de declarar conclusões antes de dar razões, prefiro números a adjetivos, gosto de usar lógica de outras indústrias para explicar o assunto atual e não uso "frases motivacionais" para concluir.
A IA lê este guia antes de cada rascunho, então o primeiro rascunho é pelo menos 70-80% parecido comigo. Depois de escrever, executo uma verificação de "des-saborização de IA" para destacar expressões que parecem muito mecânicas para eu alterar.
O que ela detecta? Aqui estão algumas armadilhas comuns:
- Palavrões de marketing: empoderamento, loop fechado, conectar, lógica subjacente — delete na hora.
- Falar pelo leitor: "Você pode pensar..." "Muitas pessoas vão perguntar..." — como você sabe o que os outros pensam?
- Tom instrutivo: "Lembre-se," "Você deve," "O cerne é apenas uma frase" — estou conversando, não dando aula.
- Dados fictícios: "90% das pessoas não sabem" — de onde você tirou esses 90%?
- Frases curtas independentes para efeito dramático: Uma frase. Uma palavra. Parágrafo. — Isso é o que tem mais "sabor de IA".
- Slogans/frases de ouro em negrito: Pessoas verdadeiramente poderosas são todas... —Delete.
Essas regras estão armazenadas no sistema. A IA as executa automaticamente após o primeiro rascunho e marca os acertos em vermelho. Com essas duas etapas, o "toque humano" em artigos longos melhora significativamente.
Segunda Camada: Biblioteca de Materiais.
Desconstruções de 47 contas similares, dados de mais de 1.100 conteúdos, análise estrutural de artigos virais e conceitos e citações reutilizáveis.
Antes de escrever um novo artigo, a IA primeiro consulta a biblioteca de materiais: quem já escreveu sobre tópicos semelhantes, qual ângulo gerou dados, e qual estrutura os leitores estão dispostos a salvar. Não é copiar; é escolher um caminho com base nos dados de outros.
Após desconstruir 47 contas, várias descobertas influenciaram diretamente minha estratégia de tópicos:
- Conteúdo com mais de 1 milhão de visualizações se enquadra em apenas 5 categorias: tutoriais de ferramentas essenciais, ciência médica/saúde, IA + ganhar dinheiro, análise de persona e coleções de recursos. Outros tipos quase nunca ultrapassam um milhão.
- Taxas de salvamento e exposição não estão necessariamente correlacionadas positivamente. Alguns artigos têm exposição média, mas altas taxas de salvamento, indicando valor de longo prazo — vale a pena escrever sobre eles repetidamente.
- Crescimento de seguidores e exposição também não estão necessariamente correlacionados positivamente. Um post de persona com 119.000 exposições ganhou 156 seguidores, enquanto um tutorial com 77.000 exposições ganhou apenas 25. Personas fazem as pessoas quererem seguir o indivíduo; tutoriais fazem as pessoas salvarem e saírem.
Terceira Camada: Pipeline de Conteúdo.
Pool de Tópicos → A Ser Aprofundado → Em Andamento → Publicado. O pool mantém constantemente uma dúzia de tópicos prontos para escrever e uma dúzia de candidatos que precisam de mais material. Não escrevo apenas o que sinto vontade — escolho do pool com base na estratégia.
Os tópicos giram em várias faixas: prática de projetos, desconstrução de faixas de ganhar dinheiro com IA, negócios de base de baixo limiar e novas tendências de paradigma de IA. Cada faixa tem intensidade diferente — tutoriais de ferramentas hardcore têm a maior exposição, introduções de persona crescem seguidores mais rápido e revisões de dados têm público restrito, mas boas taxas de salvamento. Escolho tópicos com base nos objetivos atuais: tutoriais para exposição, personas para seguidores e revisões para valor de longo prazo.
Quarta Camada: Metodologia.
Quais títulos são eficazes, quais tópicos viralizam, quais estruturas têm altas taxas de salvamento — tudo destilado a partir dos meus próprios dados de publicação.
Títulos são a parte mais fácil de quantificar. Após uma dúzia de artigos longos, os títulos que têm bom desempenho basicamente se enquadram em quatro padrões:
Verifique antes de publicar: Há números específicos? Há uma tag de identidade? Há um contraste? O leitor sabe o que vai obter depois de ler o título? Quanto mais acertos, melhores os dados.
Ilustrações
Ilustrações para artigos longos no X são cruciais. No feed, a ordem de atenção do usuário é Imagem HERO > Título > Corpo. Se a imagem for ruim, ninguém clica, independentemente do título.
Meu princípio: A tríade imagem HERO, título e gancho não deve repetir informações. A imagem HERO te mostra rapidamente "que tipo de conteúdo é este", o título fornece uma âncora de dados para fazer as pessoas pararem, e o primeiro parágrafo do corpo expande os detalhes. Três coisas transmitem três camadas diferentes de informação.
Existem dois estilos de ilustrações, selecionados automaticamente selecionados com base no tipo de conteúdo:
Tutoriais usam infográficos — fundo branco, bolhas decorativas claras, cartões arredondados, ícones planos e títulos grandes em português, como um banner hero limpo de um site SaaS. Artigos de opinião usam pôsteres conceituais — texto grande como moldura, com personagens e texto entrelaçados, como um pôster de exposição em vez de um PPT.
Cada artigo longo recebe uma capa mais dois ou três infográficos internos. A IA gera prompts com base no conteúdo do artigo, chama a API GPT Image 2 para produzir imagens, e então eu baixo e corto para a proporção necessária. O que costumava levar meia hora no Canva agora leva 10 minutos para três imagens.
Dados de Textos Longos
Aqui estão alguns representativos:
A exposição média é de cerca de 120.000, com uma taxa de salvamento de 0,5-1%. O post de previsão do futuro com IA teve a maior taxa de salvamento, em 1,01% — a combinação de IA + ganhar dinheiro + assimetria de informação faz os leitores salvarem mais ativamente.
Padrões Cultivados a partir de Dados
"Cultivar regras a partir de dados" é a metodologia central do dontbesilent. Aqui estão padrões específicos derivados dos meus próprios dados de textos longos no X:
Títulos devem ter números específicos. "Monetização de 100k em 4 meses," "$155 vs $15," "ROI de 452%" — todos os artigos longos de sucesso carregam números concretos. Números são a coisa mais fácil de fazer as pessoas pararem em um feed.
IA deve ser a protagonista. Artigos tutoriais sobre IA consistentemente ficam acima de 100.000 visualizações, enquanto conteúdo puro de investimento raramente ultrapassa 50.000. As pessoas vêm a esta conta para ver "como usar IA", não "como negociar ações".
"Ajudar você a economizar tempo" é a lógica subjacente da viralização. Coletar contas públicas, introduções ao Codex, prática de ilustração — a característica comum de todos os artigos longos virais é "eu testei, enfrentei os problemas e organizei para você; é só seguir".
Fórmula Viral: Tutorial hardcore ou experiência real + Âncora de dados específica + Caminho reproduzível. Nenhum título viral é um conceito abstrato. Todos seguem a estrutura de "eu fiz X, e o resultado foi Y" — compartilhar experiências mais dados, não dar lições.
Essas regras são atualizadas a cada novo artigo publicado. O sistema é autocorretivo.
Você Pode Usar Diretamente
O dbskill do dontbesilent (mais de 4.000 estrelas no GitHub) é um ótimo ponto de partida. Você também pode fazer o que eu fiz: pegar as ideias centrais dele e modificá-las de acordo com suas próprias necessidades.
Você não precisa acertar de uma vez. Comece construindo seu pool de tópicos e biblioteca de materiais, execute por duas semanas e deixe os dados te dizerem qual direção ajustar.
