Em março de 2025, Tobi Lütke enviou um e-mail interno à Shopify dizendo que o uso de inteligência artificial passava a ser uma expectativa básica. Antes de pedir novas contratações, uma equipe precisaria demonstrar por que não conseguia resolver o problema com as ferramentas que já tinha, e o uso de IA também passaria a fazer parte das avaliações de desempenho. Em abril, Lütke publicou o memorando no X, dizendo que o conteúdo já estava vazando de qualquer forma.
Um ano e meio depois, em uma conversa com Shane Parrish, ele usou uma expressão para descrever um dos efeitos desse novo modo de trabalhar: “slop grenades”, ou granadas de lixo (tradução livre). O termo se refere ao conteúdo gerado por IA e enviado adiante sem revisão suficiente.
Um dos exemplos dados por Lütke foi o de uma alteração de código produzida por um agente e aprovada sem que ninguém tivesse lido direito. Outro foi o de uma ideia que caberia em duas linhas virar um e-mail longo, que o destinatário depois pede para outra IA resumir.
O diagnóstico faz sentido, mas fica incompleto quando separado do tipo de incentivo que ajudou a produzir esse comportamento.
Quando uma empresa estabelece que as equipes devem provar que não conseguem fazer mais com IA antes de contratar, ela não está apenas estimulando o uso de uma ferramenta, também está criando uma expectativa explícita de aumento de produtividade com o mesmo número de pessoas, ou com menos.
A Shopify terminou 2024 com cerca de 8.100 funcionários e 2025 com aproximadamente 7.600. O relatório anual não relaciona essa redução ao memorando sobre IA, e não há base para afirmar uma relação causal direta, mas a combinação dos dois movimentos ajuda a entender o contexto em que essa cobrança por produtividade acontece.
O memorando de 2025 exigia IA antes de contratar; em 2026, o CEO reclama do que chega pronto e sem revisão.
O problema é que trabalho não termina quando algo é produzido. Existe também o custo de revisar, conferir contexto, corrigir erros e assumir responsabilidade pelo resultado.
A IA reduziu bastante o custo da produção em várias tarefas, mas não eliminou essa segunda parte, porque alguém ainda precisa entender o assunto e decidir se aquilo pode seguir adiante. O próprio Lütke reconheceu algo próximo disso ao dizer que uma máquina não assume responsabilidade pelo trabalho; uma pessoa assume.
Quando a produção acelera e a revisão não, esse custo tende a mudar de lugar. Quem gera um texto, um código ou uma análise pode economizar tempo, mas outra pessoa talvez precise gastar esse mesmo tempo entendendo, corrigindo ou descartando o que recebeu. É nesse deslocamento que as “granadas de lixo” aparecem.
O problema não depende apenas de alguém ter usado IA sem cuidado, mas também de sistemas de trabalho que valorizam velocidade de entrega sem medir com a mesma atenção o esforço necessário para revisar o que foi produzido.
Uma pesquisa da BetterUp Labs com o Stanford Social Media Lab, publicada em setembro de 2025, tentou medir justamente esse efeito. O estudo ouviu 1.150 trabalhadores de escritório nos Estados Unidos sobre a quantidade de conteúdo gerado por IA que recebiam sem revisão adequada e o tempo necessário para corrigi-lo. O interesse desse tipo de levantamento está menos no número isolado e mais no custo que normalmente não aparece nos indicadores tradicionais de produtividade, porque ele fica distribuído entre caixas de entrada, documentos, reuniões e revisões feitas por quem recebe o material.
A Shopify é um caso interessante porque os dois momentos ficaram públicos. Primeiro veio uma regra que incentivava as equipes a ampliar o uso de IA e demonstrar que estavam extraindo mais das ferramentas antes de pedir novas pessoas. Depois veio a crítica ao volume de conteúdo gerado e repassado sem revisão suficiente. Entre um momento e outro, a empresa terminou o ano seguinte com cerca de quinhentos funcionários a menos.
Para quem trabalha com produto, isso recoloca uma pergunta antiga em um contexto novo. Medir apenas quanto uma ferramenta permite produzir a mais pode esconder uma parte importante do resultado.
Se a produção cresce, mas o trabalho de revisão é simplesmente transferido para outras pessoas, parte do ganho desaparece fora do lugar onde a produtividade está sendo medida.
Talvez a pergunta mais útil não seja apenas quanto mais uma equipe conseguiu produzir com IA, mas quanto tempo foi necessário, depois, para que outras pessoas verificassem, corrigissem ou refizessem aquilo que foi produzido.
