Brand Harness: Marcas como sistemas operacionais vivos e inteligentes

Por que o manual de marca em PDF precisa virar um sistema operacional da marca, quem já está fazendo isso e as tecnologias para montar um brand harness.

Compartilhar
Brand Harness: Marcas como sistemas operacionais vivos e inteligentes

Durante toda minha carreira como designer gráfico, perdi as contas de quantos manuais de identidade visual e de marca ajudei a criar. A gente passava meses construindo, e com orgulho a gente entregava um manual com logo, cores, fontes, grid, tom de voz, estilos, usos proibidos e mais várias coisas que, dependendo do tamanho do projeto, eram necessárias. Tudo isso era um artefato fixo, um livro quase que imutável de regras, que alguém precisava achar e interpretar antes de fazer qualquer peça. Isso funcionou enquanto quem produzia a comunicação eram poucas pessoas, bem treinadas, que conheciam a marca de cor.

Esse mundo acabou.

Boa parte das peças de uma marca já passa por um agente de IA em algum momento, seja o post que alguém do comercial monta sozinho, a apresentação gerada no ChatGPT, a landing page escrita pelo Claude Code ou a campanha com quinhentas versões de formato. Nenhum desses agentes abre o PDF, e mesmo quando abre, não sabe o que fazer com uma frase como "dê respiro ao logo".

A minha tese é que o manual de marca em PDF precisa ser ressignificado como um sistema operacional da marca, algo como um Brand Harness.

0:00
/0:08

Harness é um termo técnico que descreve os elementos que compõem um agente de IA, que, além de um LLM como motor, possui memória, loops, arquivos de prompts, tools e mais outras peças. Assim como um agente, uma marca precisa de um ecossistema em torno para funcionar, e que até hoje estava descrito em um PDF.

Agora, em vez de um documento para consultar, a marca vira tokens acessíveis, componentes, fluxos e algoritmos que validam o que sai, servidos ao mesmo tempo para pessoas e para agentes de IA. É isso que garante a consistência que esses novos tempos pedem, porque a escala da produção mudou e o jeito de guardar a marca precisa mudar junto.

Adoraria ser um gênio e que esta tese fosse original, mas não é o caso, é algo que já está sendo desenvolvido pelo mundo e com players como Adobe já nomeando produtos e levando ele ao mercado.

Abaixo eu te trago grande parte da minha pesquisa dos últimos meses, coisas que já estou desenvolvendo aqui na LBK pra nós, para clientes, e caminhos que surgiram nos últimos dias para ajudar a pavimentar este caminho.

Pra começar, dando alguns pontos para você saber por onde vamos passar:

  • Brand Harness é um sistema que codifica as diretrizes de marca para que fiquem acessíveis e auditáveis por agentes de ia, pessoas e ecossistemas.
  • O entregável de quem cria marca muda de manual para especificação, de um PDF estático para um MCP interativo.
  • O trabalho não acaba mais na entrega do projeto, abrindo possibilidade para novos modelos de negócio, como manutenção do sistema criativo, atualizações e até fornecimento de assets sob demanda.
  • A camada técnica, como cores, fontes, espaçamentos e componentes, já tem padrão aberto e já é lida por agentes.
  • A camada de cima e mais abstrata, como voz, julgamento e estratégia, segue sem padrão e sem medição, e ali uma pessoa continua com a palavra final.
  • Coca-Cola, Unilever e Atlassian já operam a marca como sistema, e plataformas como Frontify e Adobe já a servem para agentes de IA.

Por que o PDF não dá mais conta

Manual de marca sempre precisou de intérprete. O manual de padrões gráficos da NASA, de 1975, ganhou um guia para gestores, um livreto complementar que ensinava a aplicar as regras. No dia a dia, esse papel era do designer da casa e da agência que cuidava da conta, gente que sabia quando a regra podia ser quebrada e por quê.

Com agentes de IA, esse intérprete some. O modelo não leu o manual e, quando falta contexto, entrega a média de tudo o que já viu, com o gradiente roxo, o título em caixa alta e o card genérico que estamos vendo por aí. E faz isso em escala, porque uma diretriz confusa vira o mesmo erro repetido para dez mil clientes antes de você sair para o almoço. O freela sem briefing também errava, mas aprendia com a bronca, enquanto o agente repete o erro sem parar.

Tem outro problema, ainda mais sério: muita marca nem está escrita direito. Preparar o guia para a IA quase sempre obriga a definir coisas que ainda não existem. Um teste simples é pedir para três pessoas de áreas diferentes responderem, separadamente, o que a marca defende, o que ela nunca falaria e para quem ela não é. Se as respostas não batem, nenhuma ferramenta resolve, e a IA só vai deixar o buraco mais visível.

O que tem dentro de um brand harness

Eu enxergo um "Brand OS" em quatro camadas, cada uma num ponto diferente de maturidade.

A primeira são os tokens, os valores nomeados de cor, tipografia, espaçamento e canto, escritos num formato que a máquina lê. Em vez de "laranja institucional", o sistema guarda um nome e um valor exato, e qualquer ferramenta, do Figma ao agente que escreve código, puxa o mesmo número. É a camada mais madura, com padrão aberto e verificação automática. Pensa na clássica tabela Pantone, RGB, CMYK que investimos horas preenchendo, mas em uma escala muito maior com muito mais camadas.

A segunda são os componentes e ativos, como logo, ícones, fotos com direito de uso, templates e embalagens. O ponto é fazer o agente montar com o que já existe, porque é na versão parecida que ele desenha sozinho que a marca começa a escorregar. Aqui confesso que é a parte mais difícil e em que minhas pesquisas práticas sempre esbarram, pois, como designer chato com o detalhe, encontrar uma forma de criar templates inteligentes o suficiente para serem utilizados de forma generativa e com qualidade é ainda um grande pesadelo. Já rodei muitos testes usando ferramentas como Abyssale e Bannerbear, mas juntar as peças de uma forma eficiente ainda é complicado.

A terceira é a voz, com tom, termos proibidos e os claims que o jurídico aprovou. Aqui temos um grande acervo de textos públicos e aprovados, casos do que não fazer, textos simples e focados que explicam como a voz deve soar, qual tom, e como ela deve se portar. Tecnicamente é uma das camadas mais fáceis de resolver, mas difícil de mensurar.

0:00
/0:16

A quarta é a estratégia e o julgamento, que reúne posicionamento, valores que entram em conflito, o que é premium para aquela marca e o registro de por que uma exceção foi aprovada e outra não.

É a camada que mais diferencia uma marca da outra, e justamente a que menos dá para automatizar.

Em volta delas entram os fluxos, que definem quem pode pedir o quê, quem aprova e para onde vai cada peça, e os validadores, os algoritmos que conferem o que saiu antes de chegar ao público.

Logo, fonte e paleta, a parte que as ferramentas atuais já resolvem bem, são os 10% fáceis de uma marca, e o resto é onde está o trabalho de verdade.

Quem já está fazendo

Nas marcas

Um case bem famoso é o da Unilever, que junto com a Nvidia conseguiu ganhar escala na criação dos seus assets. A empresa criou gêmeos digitais de cada embalagem, réplicas 3D que respeitam cada medida, tom e forma do produto, e as imagens de campanha passaram a ser renderizadas a partir deles. A consistência de marca que ela declara é de 100%, pois o produto não passa só por um gerador de imagem. O render é baseado em tecnologia de CGI tradicional, sendo apenas assistido por IA para pós-produção.

A tecnologia por trás deste case é a Nvidia Omniverse, com a qual, em resumo, a gente consegue manipular objetos 3D de uma forma muito fácil e alimentar vários tipos de sistemas generativos, sem precisar rodar o render na sua máquina, já que isso roda no servidor da Nvidia.

A gente já testou várias coisas com isso, é bem bacana, mas, em muitos casos, o stack, com a dificuldade técnica que carrega, pode ser substituído por Three.js ou algo semelhante, pois os benefícios ainda são meio confusos.

A Coca-Cola foi por outro caminho com o Fizzion, criado com a Adobe. Enquanto os designers trabalham no Illustrator e no Photoshop, o sistema captura as decisões de layout e tipografia e as transforma num StyleID, uma identidade legível por máquina que aplica as regras da marca em outros formatos e mercados. O que me interessa ali é a marca sendo aprendida enquanto as pessoas trabalham, em vez de escrita num documento à parte. Isso tudo é mostrado no vídeo case do projeto, mas nunca vi funcionar pessoalmente.

Do lado de quem faz produto digital, a Atlassian publicou o DESIGN.md do seu design system, e as telas geradas com ele no Figma Make saíram com cara de Atlassian. O teste da própria empresa trouxe uma lição: o arquivo inteiro gastou bem mais processamento do que servir as mesmas regras pelo servidor MCP dela (o protocolo aberto que liga agentes de IA a ferramentas e dados), que entrega só a parte que a tarefa pede, e o agente às vezes redesenhava um componente em vez de usar o real.

Nas plataformas

A Frontify tem um servidor MCP com 52 ferramentas e conector oficial no Claude, e cada pessoa só acessa pelo agente o que já vê na plataforma. A Adobe criou o Brand Intelligence, que aprende a marca com os guias e com as aprovações, rejeições e comentários do time, deixando para os administradores a decisão sobre o que vira padrão.

Já a brand.ai vende um Brand OS com esse nome, que transforma guias e documentos em regras legíveis por máquina e avalia o risco de marca de cada peça.

Recentemente, o Google implementou isso no Gemini for Business, dando para pequenos negócios a possibilidade de manter consistência na criação de peças de marketing a partir de um manual digital.

Alguns outros que encontrei:
https://encodedbrands.ai/
https://standards.site/
https://ruler.studio/
https://www.typeface.ai/
https://zeroheight.com/

Nas agências

A R/GA criou o BRDNA Sequencer, que transforma princípios, sistemas e exemplos da marca em habilidades criativas e as distribui para Figma, Claude, ChatGPT e Frontify, num primeiro momento só para mídia estática. A Omnicom, com a Adobe, montou uma operação com agentes em que nenhuma ação de IA passa por cima de uma decisão humana e tudo roda no ambiente do próprio cliente. Para quem anuncia, fica a pergunta de onde a marca mora, com a agência ou do lado do cliente.

As tecnologias por trás

Dá para montar boa parte de um creative harness com peças abertas, e é como estamos construindo as coisas por aqui, uma estrutura agnóstica sem a marca ficar presa a um fornecedor.

Tokens

Os tokens seguem o formato do DTCG, grupo comunitário do W3C que estabilizou um JSON neutro, sem dono, para cor, tipografia e espaçamento. Ferramentas como o Style Dictionary convertem esses tokens em código para cada plataforma, do site ao aplicativo.

Arquivos que o agente lê

Em cima dos tokens ficam os arquivos de texto que o agente lê antes de trabalhar. O AGENTS.md, com instruções gerais para agentes, foi para uma fundação neutra da Linux Foundation junto com o MCP.

O DESIGN.md, do Google, junta tokens e explicação sobre como aplicá-los, confere sozinho regras como o contraste mínimo de acessibilidade e exporta para o padrão DTCG.

O BRAND.md cobre estratégia, voz, visual e governança, com uma tabela de frases que a marca usa e que nunca usa.

Completam o grupo as skills, pastas de instruções e scripts que o agente carrega quando precisa, e a regra que eu sigo é pôr o inegociável em script, como o hexadecimal exato e a área de respiro do logo, e deixar o julgamento na instrução.

O encanamento

O MCP entrega a marca ao agente sob demanda, com permissão por pessoa e sem carregar o manual inteiro a cada pedido. Arquivo e servidor não competem, porque o arquivo é o registro que a marca possui e leva para onde quiser, e o MCP é a forma de entregá-lo a cada ferramenta.

Para as peças, o caminho mais seguro é limitar o agente a um catálogo de componentes aprovados, como faz o A2UI, assunto da nossa capa sobre GenUI. Logo, rótulo e produto entram por template, vetor ou render 3D, nunca redesenhados pelo gerador, que é onde eles mais quebram.

Validadores

Os validadores trabalham em três níveis. No determinístico, a máquina confere cor por uma fórmula de diferença perceptual, além de fonte, contraste, termos proibidos e claims aprovados, e isso já é confiável. No perceptual, modelos de visão e de leitura de texto em imagem conferem se o logo, a pessoa e o texto certo estão na peça, a frações de centavo por imagem, desde que cada regra seja validada com peças da própria marca. No julgamento, que cobre tom, composição e o que é premium, um modelo de IA pode opinar, mas quem decide é uma pessoa.

Procedência e registro

O C2PA grava no próprio arquivo a origem e as edições da peça, e um bom Brand OS guarda quem aprovou o quê e por quê, o que vira memória da marca e, de quebra, prova de que houve decisão humana no processo.

O que ainda não está resolvido

Descrevendo assim todas as peças e como elas se conectam, parece fácil e que tudo está resolvido. Mas não está, e todos os dias estamos trabalhando para resolver vários gargalos, como a medição, pois ainda não temos benchmarks validados do que funciona.

Seria desonesto vender o brand harness como coisa pronta. O maior buraco é a medição, porque nenhum checador comercial que eu encontrei publica taxa de acerto sobre as diretrizes do cliente. No único estudo que achei com dois revisores humanos avaliando consistência de marca, a concordância entre eles foi zero, e mesmo com 70% de acerto, a faixa dos melhores sistemas medidos, todo apontamento ainda precisa de alguém conferindo. Por isso, o que estamos testando é o validador aconselhar e a pessoa aprovar no final.

O segundo problema é a fidelidade. Por mais que os modelos de geração de imagem e vídeo tenham avançado muito, eles ainda não são 100% fiéis.

Em todos os testes que rodamos, o controle não consegue ser absoluto utilizando só a facilidade do generativo, apenas implementando no fluxo alguma etapa determinística, como gerar o render em CGI (como no Omniverse). E não é só por aqui, tem pesquisas mais estruturadas mostrando isso.

O terceiro é a voz, porque modelos instruídos a imitar uma marca continuaram distinguíveis do texto real, e lista de palavras proibidas não segura a voz sozinha.

Tem ainda o aprisionamento e a segurança. O protocolo é aberto, mas o conteúdo nem sempre, já que a política dos grandes players, como Canva e Adobe, não deixa você importar um brand guide de fora, que não viva dentro de suas plataformas. E se a gente não consegue levar as informações para dentro dos sistemas mais utilizados pelos times, temos mais uma vez o sistema isolado.

O que muda para quem cria marca

Eu enxergo duas grandes mudanças. A primeira está no entregável. O trabalho de design e branding deixa de terminar num manual e passa a terminar numa especificação, que define o que o sistema pode fazer, o que nunca deve fazer e para quem pergunta quando a situação não está escrita. Agências e estúdios vão vender a autoria dessa camada de julgamento, não mais o PDF, e quem souber escrever essa especificação vai valer mais.
E isso está conectado à segunda grande mudança, que é a de modelo de negócio. Até o momento, entregamos o projeto e viramos as costas e o trabalho acabou. Com um sistema operacional vivo, a manutenção deste sistema, as novas peças que podem entrar e as atualizações que podem ser feitas tornam o acordo financeiro muito mais parecido com um SaaS do que com um serviço tradicional.

Inclusive, convido você a ler este artigo da Sequoia, um dos maiores fundos de investimento do mundo, que fala sobre serviço como o novo software.

Para montar um brand harness do zero, ou avaliar um que alguém quer me vender, eu olharia cinco coisas:

  • Exporta tudo em formato aberto, para a marca sair com os próprios arquivos se trocar de fornecedor.
  • Serve a marca para os agentes por MCP, só de leitura e com permissão por pessoa.
  • Marca cada regra como determinística, perceptual ou de julgamento, e trata cada tipo de um jeito.
  • Manda para uma pessoa com nome tudo o que não sabe julgar, e o que o sistema aprende entra como proposta, nunca como regra automática.
  • Registra as decisões e mede o próprio acerto, porque validador sem número é só mais uma opinião.

Aprenda como desenvolver seus sistemas criativos

Temos uma aula focada na Introdução a Engenharia Criativa que vai te dar todas as bases de como pensar sistemas criativos e como construí-los utilizando design e tecnologia. Saiba mais aqui.

Resumo da Ópera

O manual em PDF cumpriu o seu papel enquanto quem fazia a comunicação eram poucas pessoas, bem treinadas. Com agentes produzindo em escala, a marca precisa existir como sistema, com tokens que qualquer ferramenta lê, componentes que o agente monta em vez de redesenhar, fluxos com dono e validadores que conferem o que sai.

A base desse sistema já existe e é aberta, e quem está na frente descobriu que a consistência vem de restringir e registrar, não de pedir ao gerador que obedeça. O topo, onde moram a voz e o julgamento, continua sendo trabalho de gente, e é ali que quem cria marca vai ganhar valor, desenhando os critérios que as máquinas seguem.

É Engenharia Criativa em estado puro, entender como criação, tecnologia, dados, automação, produção e negócio dependem uns dos outros. Quem enxergar essas conexões vai parar de entregar PDF e começar a entregar sistema.

Se você quer aprender sobre engenharia criativa, te convido a assistir ao Aulão de Introdução à Engenharia Criativa, com mais de 3 horas comigo explicando tudo sobre como pensar e desenvolver projetos criativos utilizando tecnologia.

bju na bundinha e até a próxima.

Leo Becker