Passei anos ouvindo criadores falarem do algoritmo do YouTube como se fosse um juiz que avalia vídeos e distribui prêmios. Não é isso. O sistema não classifica o seu vídeo: ele classifica pessoas, uma por uma, e o seu vídeo é apenas um dos candidatos que ele testa contra o perfil de comportamento de cada indivíduo.

Quem entende essa inversão para de brigar com métrica e começa a crescer. Quem não entende continua otimizando tag, palavra-chave e horário de postagem para um sistema que parou de ligar para isso.

• O próprio YouTube já disse isso em público: o diretor de Crescimento e Descoberta da plataforma afirmou que o algoritmo não empurra vídeos para os usuários, ele busca vídeos para mostrar a eles. Tudo nos sistemas gira em torno da audiência, não do criador.

• Não existe reputação de canal no ranqueamento. A pergunta que a máquina faz não é "esse canal é bom?", é "essa pessoa específica vai gostar disso agora?".

• A arquitetura tem duas etapas: geração de candidatos (de milhões para centenas) e ranqueamento (de centenas para a ordem que você vê). São duas redes neurais com objetivos diferentes.

• Desde 2025 o núcleo migrou para modelos de linguagem. O YouTube adaptou o Gemini para recomendação, criou identificadores semânticos para vídeos e passou a gerar recomendações em vez de apenas buscá-las por similaridade.

• Satisfação passou a pesar mais que tempo assistido bruto. Vídeo curto que deixa a pessoa satisfeita bate vídeo longo que deixa a pessoa arrastando a barra.

• Shorts e longo-formato rodam em motores separados. Desempenho em um não transfere automaticamente para o outro.

A frase oficial que reorganiza tudo

Todd Beaupré, diretor de Crescimento e Descoberta do YouTube, resumiu o funcionamento do sistema numa frase que a maioria dos criadores nunca leu: o algoritmo não empurra vídeos para cima das pessoas, ele vai buscar vídeos para mostrar a elas. Na mesma fala, ele acrescentou que tudo nos sistemas da plataforma está centrado na audiência e que não existe castigo algorítmico contra canais.

Isso desmonta três crenças que dominam grupos de criadores:

1. "O algoritmo me puniu." O sistema não guarda rancor porque não avalia canal por média de desempenho. Ele avalia vídeo a vídeo, e sempre em relação a um espectador concreto.

2. "Meu vídeo fraco derrubou o canal." Um vídeo que performa mal não contamina o próximo. O que muda é a leitura que o sistema faz sobre qual público combina com aquele tema.

3. "Preciso agradar o algoritmo." Você não agrada o algoritmo. Você agrada uma pessoa, e o algoritmo apenas registra a reação dela e ajusta a próxima entrega.

O YouTube não distribui vídeos. Ele distribui pessoas. Seu vídeo é o candidato, o espectador é o critério.

Como a máquina funciona por dentro

Falo isso como quem constrói sistemas de recomendação em produção, não como quem assistiu a um vídeo sobre o assunto. A arquitetura do YouTube é pública desde 2016, quando a equipe publicou o artigo Deep Neural Networks for YouTube Recommendations. Ela tem duas fases, e entender a diferença entre elas explica quase todo comportamento estranho que você vê no Analytics.

Fase 1: geração de candidatos

Uma rede neural pega o catálogo inteiro, na casa dos bilhões de vídeos, e reduz para algumas centenas de candidatos plausíveis para aquele usuário específico. O input aqui não é o seu vídeo: é o histórico de visualização da pessoa, as buscas dela, o padrão de sessão, o dispositivo, a hora, a região, o idioma.

Nesta fase, o sistema trabalha por vizinhança de comportamento. Se muita gente que assiste ao canal X também assiste ao canal Y, os dois passam a habitar a mesma região do espaço vetorial. É por isso que um canal pequeno consegue aparecer ao lado de um gigante: ele não venceu o gigante, ele foi mapeado como pertencente ao mesmo bairro de interesse.

Fase 2: ranqueamento

Uma segunda rede pega as centenas de candidatos e ordena. Aqui entram os sinais que os criadores conhecem: probabilidade de clique, duração prevista de visualização, chance de curtir, chance de compartilhar, chance de marcar "não tenho interesse". Em 2019 a equipe publicou Recommending What Video to Watch Next: A Multitask Ranking System, descrevendo como o modelo otimiza vários objetivos ao mesmo tempo e corrige distorções de posição, porque um vídeo no topo da tela recebe mais clique só por estar no topo.

Traduzindo para a prática: o sistema não maximiza uma métrica. Ele equilibra objetivos de engajamento com objetivos de satisfação, e esses dois grupos frequentemente entram em conflito. Clickbait ganha no primeiro e perde feio no segundo.

Fase 3, a nova: o Gemini dentro do motor

Aqui está a mudança estrutural que quase ninguém explicou direito. O YouTube passou a construir o que chama de Large Recommender Model, um modelo de recomendação derivado do Gemini. O caminho técnico está documentado no artigo PLUM: Adapting Pre-trained Language Models for Industrial-scale Generative Recommendations e numa apresentação pública da equipe, Teaching Gemini to Speak YouTube.

Três peças importam para quem cria conteúdo:

• Semantic IDs. Cada vídeo é convertido em um identificador que carrega significado, gerado a partir de embeddings multimodais do próprio conteúdo, imagem e áudio incluídos. O vídeo deixa de ser um número arbitrário numa tabela e passa a ser um "token" que o modelo entende semanticamente.

• Recuperação generativa. Em vez de buscar candidatos por similaridade de vetor, o modelo gera a sequência de identificadores dos próximos vídeos, como um modelo de linguagem gera as próximas palavras. Ele está literalmente prevendo o que você vai querer assistir, token por token.

• Pré-treino continuado. O modelo nasce do Gemini, aprende a "língua" do YouTube e é continuamente refinado com dados novos de engajamento. Ou seja: ele já entra sabendo do mundo, e depois aprende sobre você.

O ganho reportado foi maior justamente nos casos difíceis: usuário novo, sem histórico, e vídeo recém-publicado, sem dados de desempenho. A substituição das tabelas de embedding por Semantic IDs foi associada a uma alta em torno de 5% na taxa de cliques em Shorts. O gargalo do projeto não foi qualidade, foi custo de servir em escala de bilhões de usuários, o que exigiu reduções de custo acima de 95% e inferência offline para viabilizar produção.

O que "seguir pessoas" significa na prática

Se o objeto de estudo é o espectador, vale saber o que o sistema observa. Não é uma lista secreta, é comportamento medido:

• Sequência, não só conteúdo. A ordem em que você assiste importa. O modelo é sequencial: ele prevê o próximo item a partir da trilha, igual a um preditor de texto.

• Contexto. Hora do dia, dia da semana, dispositivo, se você está na TV da sala ou no celular na fila do banco. O mesmo humano recebe feeds diferentes em contextos diferentes.

• Covisitação. Quem mais assiste o que você assiste. É o sinal que define o seu bairro algorítmico e, por consequência, o do seu canal.

• Sinais negativos explícitos. "Não tenho interesse", "não recomendar este canal", remover do histórico. Esses são os mais fortes, porque são ordens, não sentimentos.

• Pesquisas de satisfação. Aquela caixinha pedindo nota para o vídeo. Ela alimenta diretamente o objetivo de satisfação do ranqueador.

• Retorno. Se você volta amanhã. Esse é o objetivo real de longo prazo, e é o que separa o sistema atual do de dez anos atrás.

A virada de tempo assistido para satisfação

Entre 2012 e cerca de 2020, a regra prática era simples: maximize tempo assistido. Isso produziu uma geração de vídeos inflados, com introdução de dois minutos e enrolação até o marco dos oito minutos.

Essa era terminou. Hoje a plataforma pondera satisfação acima de duração bruta, o que muda o cálculo por completo:

• Espectador que assiste 100% de um vídeo de 8 minutos e curte manda um sinal mais forte que espectador que assiste 40% de um vídeo de 25 minutos e sai.

• Existe o conceito de abandono bom: a pessoa clicou, achou a resposta em 40 segundos, saiu satisfeita. Isso não é falha de retenção, é entrega cumprida.

• Título e thumbnail que prometem mais do que o vídeo entrega geram clique alto e satisfação baixa. Nas duas fases do sistema, isso é veneno.

Os primeiros 30 segundos são o input mais precoce e mais barato que o modelo tem para prever satisfação. Não porque exista uma regra escrita dizendo isso, mas porque é ali que a decisão de continuar acontece, e o modelo aprendeu a correlação.

Shorts e longo são dois jogos separados

Isso não é boato de comunidade, é consequência de arquitetura: os dois formatos têm superfícies, padrões de consumo e modelos de avaliação distintos. Shorts vive de decisão em menos de dois segundos e de swipe. Longo vive de intenção e de sessão.

A escala explica o investimento: a carta do Neal Mohan em 2026 apontou algo em torno de 200 bilhões de visualizações diárias em Shorts, contra cerca de 70 bilhões no começo de 2024. E o YouTube segue ampliando as ferramentas de sinal negativo nesse formato: em julho de 2026 a interface de Shorts trocou os ícones de curtir e não curtir por um coração e ganhou as opções "não tenho interesse" e "não recomendar este canal".

Olhe o que esse detalhe revela. Cada botão novo desses não serve ao criador, serve ao modelo. É mais uma sonda para medir a pessoa com precisão.

7 consequências práticas para quem cria

1. Escreva o vídeo para uma pessoa, com nome e situação. Não para "meu nicho". O modelo pontua reação individual, então conteúdo que ressoa fundo em um perfil específico vence conteúdo que agrada mornamente a todos.

2. Cumpra a promessa da capa nos primeiros 30 segundos. Sem recapitulação, sem apresentação, sem pedir inscrição antes de entregar valor. Entregue a primeira parte da resposta imediatamente.

3. Mantenha coerência de bairro. Como a fase de candidatos funciona por covisitação, mudar radicalmente de tema todo vídeo impede o sistema de estabilizar seu mapeamento. Não é punição, é falta de dado.

4. Pense em pares e sequências. O objetivo do sistema é sessão e retorno. Vídeo que naturalmente puxa outro vídeo seu contribui para o objetivo que o modelo mais valoriza.

5. Pare de perseguir CTR isolado. CTR alto com satisfação baixa é o pior resultado possível. Prefira a capa honesta com clique menor e retenção real.

6. Traga informação que não existe em outro lugar. Com modelo semântico lendo o conteúdo, refazer o que 50 mil vídeos já disseram deixou de ser atalho. Dado próprio, teste próprio, número próprio: é isso que diferencia.

7. Trate o canal como negócio, com números. Receita por mil visualizações, custo de produção por vídeo, tempo investido por publicação. Eu acompanho os meus lançamentos no Controle, porque canal sem controle de custo é hobby caro disfarçado de projeto.

O outro lado: se ele segue pessoas, ele também molda pessoas

Essa é a parte que os cursos de crescimento não abordam, e que me interessa mais como quem constrói tecnologia. Um sistema que otimiza para prever o seu próximo clique inevitavelmente reduz o seu leque de escolhas ao que ele já sabe sobre você. Recomendação responde pela maior parte do tempo assistido na plataforma, o que significa que a curadoria da sua dieta informacional foi terceirizada para um modelo estatístico.

E os controles de usuário funcionam menos do que o marketing sugere. Um estudo da Mozilla com mais de 20 mil participantes mediu a eficácia das opções de ajuste: "não recomendar este canal" interrompeu cerca de 43% das recomendações indesejadas e "remover do histórico" cerca de 29%. Útil, mas longe de controle real.

Como retreinar o seu próprio feed em cinco minutos

• Use ordem, não sentimento. "Não recomendar este canal" e "remover do histórico" funcionam melhor que simplesmente não curtir.

• Limpe o histórico do que você assistiu por impulso. Cada item ali é um voto que você deu sem querer.

• Crie contas ou perfis separados por intenção. Estudo em um, entretenimento em outro. É a forma mais eficaz de impedir que a maratona da madrugada contamine sua página inicial de trabalho.

• Pause o histórico quando for pesquisar algo fora do seu padrão. Uma curiosidade pontual não precisa virar identidade algorítmica.

O que eu faria se começasse um canal hoje

Escolheria um problema específico de um público específico, publicaria dez vídeos que resolvem esse problema em variações diferentes e mediria uma coisa só: quantas pessoas assistem ao segundo vídeo depois do primeiro. Não visualizações. Não inscritos. Continuidade.

Porque é exatamente isso que o modelo está tentando prever, e é o único número que prova que existe uma pessoa do outro lado querendo mais. Métrica de vaidade impressiona no print. Continuidade constrói canal.

Um aviso final, e esse é de quem trabalha com sistemas: desconfie de todo conteúdo que vende uma data exata de atualização do algoritmo com um passo a passo infalível. O que existe de documentado é uma migração gradual para modelos generativos, publicada em artigos técnicos e apresentações da própria equipe. O resto é engenharia reversa de gente olhando o próprio Analytics e generalizando.

Vou continuar destrinchando esses sistemas por dentro aqui no blog, com fonte técnica e sem promessa mágica. Se você cria conteúdo, escolha um vídeo do seu canal hoje e responda: para qual pessoa, exatamente, ele foi feito? Se não souber responder em uma frase, achou o problema.

Perguntas frequentes

O algoritmo do YouTube pune canais que ficam sem postar?

Não. A própria plataforma afirma que não existe castigo algorítmico e que o sistema não avalia canal por reputação. A queda que se observa depois de uma pausa costuma vir de menos vídeos novos na competição pelo feed e de sazonalidade de interesse do público, não de penalidade.

Um vídeo com desempenho ruim prejudica os próximos?

Não diretamente. O ranqueamento é feito vídeo por vídeo em relação a cada espectador. O que um vídeo ruim faz é dar ao sistema informação de que aquele tema não casa bem com o público atual do canal, o que muda o mapeamento, não a "nota" do canal.

O algoritmo do YouTube usa inteligência artificial de verdade ou isso é discurso de marketing?

Usa, e há documentação técnica pública. São redes neurais profundas desde 2016 na geração de candidatos e no ranqueamento, ranqueamento multitarefa desde 2019 e, mais recentemente, modelos de recomendação derivados do Gemini com identificadores semânticos e recuperação generativa.

Número de inscritos ainda importa para as recomendações?

Menos do que a maioria imagina. Inscrito influencia o feed de inscrições e sinaliza afinidade, mas não é um multiplicador de alcance. Um canal pequeno pode superar um grande na página inicial de uma pessoa se a satisfação prevista for maior para aquela pessoa.

Postar Shorts ajuda meu canal de vídeos longos a crescer?

Não de forma automática. Os dois formatos rodam em sistemas de avaliação separados, com padrões de consumo diferentes. Shorts servem para descoberta e para alimentar o topo do funil, mas conversão para o longo depende de você conduzir a pessoa, não do algoritmo transferir audiência.

Quanto tempo o sistema leva para entender um canal novo?

Não existe prazo fixo, porque não existe um período de teste formal. O que existe é acúmulo de dado: cada publicação gera reações que refinam o mapeamento do canal. Os modelos generativos mais recentes melhoraram justamente os casos com pouco histórico, o que reduz o problema do início frio, sem eliminá-lo.