No artigo sobre Human Gates na Prática, tratamos de como desenhar a superfície onde uma pessoa decide sobre uma proposta formulada por um agente. Este artigo trata de um problema adjacente, mas distinto: o que fazer quando o próprio material de comunicação — a imagem que ilustra um artigo, uma página de produto ou um material comercial — passa a ser gerado por um modelo de IA.
A pergunta que normalmente se faz sobre uma imagem gerada por IA é: “ela parece boa? parece real?”. Essa é a pergunta errada, ou pelo menos incompleta. A pergunta que uma operação de conteúdo madura precisa fazer é: o que esta imagem está autorizada a representar?
Uma imagem tecnicamente impecável — sem anatomia estranha, sem texto embaralhado, com composição elegante — ainda pode cometer um erro grave de comunicação se for usada para sugerir algo que não existe: uma funcionalidade de produto, um resultado de cliente, uma tela de software. O inverso também é verdadeiro: uma imagem com pequenas imperfeições técnicas pode ser perfeitamente honesta sobre o que representa. Qualidade técnica e autoridade de evidência são propriedades diferentes, e tratá-las como sinônimos é a origem da maior parte dos problemas de confiança em conteúdo visual assistido por IA.
1. Visual-First não significa geração de imagem por padrão
Vale reafirmar um princípio já estabelecido na prática editorial da Codelevel: os três artigos técnicos anteriores publicados nesta mesma seção usaram majoritariamente diagramas determinísticos — vetores desenhados, não gerados — porque a função comunicacional deles era explicar arquitetura, fluxo de decisão e fronteiras de responsabilidade. Um diagrama de estados não ganha rigor sendo produzido por um modelo generativo; ele ganha rigor sendo desenhado com precisão.
A escolha de método de produção visual segue a necessidade de comunicação e o rigor de evidência exigido pelo conteúdo, não um padrão decorativo obrigatório. Visual-First não é sinônimo de imagem gerada por IA, e também não é sinônimo de “só diagrama técnico”. É a disciplina de planejar deliberadamente qual classe de asset visual serve a cada função, antes de produzir qualquer coisa.
Este artigo usa uma composição diferente — um Hero conceitual gerado por modelo especializado, complementado por diagramas determinísticos — justamente porque o assunto exige demonstrar, na prática, que essas classes coexistem com funções diferentes dentro da mesma operação editorial.
2. O pipeline de seis fronteiras de uma operação Visual-First governada
Tratar produção visual com IA como um botão de “gerar imagem” isolado é o que cria a maior parte dos problemas de proveniência. Uma operação madura separa a decisão em fronteiras distintas, cada uma com um responsável e um critério de saída diferente.
-
Intenção & Direção Visual. Antes de qualquer produção, define-se o objetivo comunicacional do asset, seu papel na página ou artigo, o público-alvo, o canal de publicação e — ponto central deste artigo — qual classe de evidência esse asset vai precisar sustentar. Um Hero editorial conceitual tem uma exigência de evidência completamente diferente de uma captura de produto.
-
Produção. Com a intenção definida, escolhe-se o método: modelo especializado de geração de imagem, composição determinística em SVG/HTML, ou captura real de interface. A escolha segue a necessidade comunicacional, não a disponibilidade de uma ferramenta.
-
Proveniência. Aqui reside a propriedade central deste artigo: registra-se explicitamente a origem do asset, sua classe e a relação declarada entre o que ele mostra e o que é real. Essa fronteira define qual rótulo público o asset pode legitimamente carregar.
-
QA Técnico & Visual. Validação de legibilidade, ausência de artefatos, anatomia coerente, consistência com a identidade de marca e comportamento responsivo. É uma condição necessária para publicação — mas, como veremos, não suficiente.
-
Human Gate. Aprovação humana explícita sobre autenticidade, composição e adequação editorial. Nenhum QA automatizado substitui essa decisão, porque QA técnico valida como a imagem foi feita, não o que ela está autorizada a dizer.
-
Publicação & Readback. Depois da aprovação, verifica-se que o que foi efetivamente publicado — metadados, OG, alt-text — corresponde exatamente ao rótulo de proveniência aprovado no Human Gate. Aprovação não é, por si só, garantia de que a publicação ocorreu como decidido.
3. Proveniência: a propriedade que faltava na conversa sobre IA generativa
A maior parte do discurso público sobre “qualidade” de imagens geradas por IA se concentra em defeitos técnicos: dedos deformados, texto ilegível, simetria quebrada. Esses problemas são reais, mas são apenas uma fração do risco. O risco mais sério e menos discutido é semântico: uma imagem tecnicamente perfeita pode comunicar algo factualmente falso sobre um produto, um cliente ou um resultado.
A tese central aqui é simples de enunciar e difícil de operacionalizar: a classe de origem de um asset participa daquilo que ele está autorizado a representar publicamente. Uma ilustração gerada por IA pode representar uma ideia, uma tensão conceitual, um clima editorial. Ela não se torna automaticamente prova de que uma funcionalidade de produto existe só porque está bem composta. Uma captura autêntica de interface, por outro lado, pode funcionar como evidência real de que um fluxo existe e opera — desde que os dados exibidos e o contexto ao redor sejam adequados para publicação pública.
Um caso real e generalizável ilustra por que essa distinção não é teórica. Durante um ciclo de materialização visual anterior desta mesma operação editorial, um frame de interface usado como referência de composição foi inicialmente tratado como uma captura real de produto. Uma verificação de proveniência mais rigorosa revelou que o frame era, na verdade, uma réplica HTML autorada — visualmente convincente, mas sem vínculo com dados reais ou com um sistema em execução. O rótulo de prova foi revogado e o asset foi reclassificado como referência composicional, válida para demonstrar hierarquia e proporção visual, mas nunca apresentada publicamente como evidência de que o produto existe ou opera daquela forma. Nenhuma linha de código, nenhum template e nenhuma decisão de design precisou ser descartada — apenas o rótulo foi corrigido para corresponder à origem real do asset.
Esse episódio generaliza para um princípio direto: verificar proveniência antes de aplicar um rótulo de prova custa pouco; descobrir a falta de proveniência depois de publicar custa a credibilidade de toda a peça.
4. “Alucinação visual” não é uma categoria única
É comum ouvir “alucinação” como um rótulo genérico para qualquer problema em uma imagem gerada por IA. Esse uso esconde que existem pelo menos quatro falhas distintas, com causas e controles de detecção completamente diferentes.
-
VISUAL_DEFECT— falha técnica de renderização, sem intenção semântica: anatomia incoerente, texto ilegível ou embaralhado dentro da própria imagem, artefatos visuais evidentes. É detectável por inspeção técnica direta e não exige julgamento editorial — apenas repetição ou descarte do asset. -
VISUAL_MISREPRESENTATION— uma imagem tecnicamente limpa que sugere algo falso sobre o produto ou o negócio: uma UI fabricada apresentada como tela real, um painel com métricas inventadas. É o caso mais perigoso porque frequentemente passa no QA técnico e só é capturado por uma verificação explícita de proveniência. -
BRAND_INCONSISTENCY— um asset correto e factualmente neutro, mas fora da identidade visual aprovada: paleta, tipografia, composição ou tom divergentes dos guardrails da marca. É controlado por checklist de direção de arte, não por verificação factual. -
EVIDENCE_FAILURE— a classe de proveniência do asset não sustenta a alegação feita ao seu redor: o exemplo mais direto é um rótulo de “captura real” aplicado sobre uma referência composicional. Esse tipo de falha só é evitável com decisão humana explícita no Human Gate — nenhum QA técnico detecta automaticamente que um rótulo está desalinhado da origem real do asset.
Tratar essas quatro falhas como uma única categoria genérica de “alucinação” leva a um erro comum: aplicar apenas QA técnico (que resolve VISUAL_DEFECT) e assumir que isso também resolve EVIDENCE_FAILURE ou VISUAL_MISREPRESENTATION. Não resolve. São problemas diferentes, com remédios diferentes.
5. Human Gate: a decisão que nenhum QA automatizado substitui
QA técnico responde perguntas sobre como uma imagem foi feita: ela tem anatomia correta? O texto está legível? As dimensões estão certas? Essas perguntas são necessárias, mas não respondem à pergunta mais importante: o que esta imagem está autorizada a dizer, neste contexto, para este público?
Essa é uma decisão humana por construção. Um Human Gate de produção visual precisa avaliar simultaneamente três planos: fidelidade técnica (o asset está bem produzido), autenticidade de proveniência (o rótulo proposto corresponde à origem real) e adequação editorial (o asset comunica o que o texto ao redor dele afirma, nem mais, nem menos). Nenhum desses três planos substitui o outro, e a ausência de decisão explícita não equivale a aprovação — silêncio nunca aprova.
Na prática editorial consolidada nesta mesma operação, isso significa que um asset pode passar perfeitamente em todas as verificações técnicas automatizadas e ainda assim ser barrado no Human Gate porque o contexto de uso proposto excede o que sua classe de proveniência autoriza — como aconteceria ao tentar usar uma ilustração conceitual gerada por IA para substituir uma captura de produto ainda pendente.
6. Publicação e readback: a prova não termina na aprovação
Aprovar um asset em um Human Gate é uma decisão de conteúdo; publicá-lo corretamente é uma questão de execução técnica separada. Um bom Human Gate seguido de uma publicação sem verificação de readback ainda permite divergência silenciosa: o alt-text pode não corresponder à classe aprovada, a imagem de OG pode divergir do Hero validado, os metadados podem não refletir a proveniência decidida.
A disciplina de readback aqui segue o mesmo princípio aplicado a qualquer mutação sensível nesta arquitetura editorial: aprovação de conteúdo e confirmação de que o conteúdo publicado corresponde exatamente ao aprovado são dois eventos distintos, e o segundo precisa ser verificado, não presumido.
O que este artigo não afirma
Para ser consistente com a própria tese, é necessário declarar explicitamente os limites do que foi dito aqui:
- Este artigo não afirma que governança de produção visual elimina erros visuais ou alucinações — ela torna esses erros mais detectáveis e atribuíveis antes da publicação, nada além disso.
- Não afirma que geração de imagem por IA é obrigatória para operações de conteúdo Visual-First, nem que substitui direção de arte ou julgamento humano.
- Não apresenta nenhum mecanismo específico — QA de proveniência, readback, checklist de Human Gate — como requisito arquitetural universal válido para qualquer operação de conteúdo; são exemplos de implementação possível das propriedades descritas (verificabilidade, auditabilidade, autoridade de evidência explícita).
- Não usa nenhuma captura de produto como prova nesta publicação. O Hero deste artigo é uma ilustração conceitual (
AI_GENERATED_VISUAL,EVIDENCE_AUTHORITY = CONCEPTUAL_ONLY) e não deve ser interpretado como demonstração de interface de qualquer produto Codelevel ou OpenPharma. - Não atribui a este pipeline nenhum resultado comercial, de conversão ou de produtividade. Essas métricas, quando existirem, exigiriam evidência auditada independente — não estão sendo alegadas aqui.
Produção visual assistida por IA não elimina a necessidade de direção, proveniência e decisão humana — ela apenas muda onde essas decisões precisam acontecer. Uma operação Visual-First madura trata a classe de origem de cada asset como parte do que ele está autorizado a comunicar, não como um detalhe técnico irrelevante para o público.