Um projeto open source publicado no GitHub propõe usar o ASD-STE100, norma de inglês técnico simplificado criada para manuais aeronáuticos em 1986, como antídoto contra o chamado "AI slop", a onda de textos genéricos gerados por modelos de linguagem. Segundo o Hacker News (YCombinator), a iniciativa transforma a norma em skill para agentes de IA e inclui ferramentas de verificação automática com experimentos reproduzíveis em modelos como Claude e gpt-5.5.

Em resumo

  • Norma adotada — ASD-STE100 (Simplified Technical English), padrão aeronáutico de 1986, reaproveitado como regra de escrita para agentes.

  • Ferramenta central — linter heurístico ste-lint.py avalia saídas textuais contra as regras da norma.

  • Experimento — matriz de escrita com múltiplas tarefas e condições, comparando saídas de Claude e gpt-5.5 com e sem a skill STE100.

  • Reprodutibilidade — scripts de execução e amostras antes/depois disponíveis no repositório público.

De manual de cabine para filtro de qualidade

O ASD-STE100 nasceu quando a indústria aeronáutica precisava de documentação técnica legível por pilotos, mecânicos e tradutores com níveis distintos de fluência em inglês. A norma restringe vocabulário, impõe frases curtas e proíbe construções ambíguas que geram interpretações divergentes em contextos críticos.

Décadas depois, o mesmo problema aparece em outro ambiente, modelos de linguagem produzem textos longos, repetitivos e cheios de adjetivos vazios quando ninguém define limites claros de estilo. O projeto documentado no repositório woosal1337/blog reconhece essa paralela e empacota a norma como skill que agentes podem consultar antes de redigir ou revisar conteúdo.

A aposta não é bloquear a criatividade dos modelos, e sim canalizá-la dentro de regras que priorizam clareza, consistência terminológica e ausência de redundância. Para quem publica documentação técnica, tutoriais ou comunicados corporativos, a abordagem oferece um critério objetivo em vez de depender apenas do "tom certo" percebido pelo leitor.

Linter, testes cruzados e amostras comparativas

O coração operacional do projeto é o ste-lint.py, script heurístico que analisa textos gerados e sinaliza desvios das regras STE100. Heurística aqui significa que o linter aplica regras aproximadas de forma automatizada, útil para triagem em escala sem exigir revisão humana linha a linha em cada saída.

Os autores organizaram um protocolo experimental que isola variáveis de estilo e mede o efeito da norma sobre verbosidade, repetição e estrutura frasal. Essa matriz permite comparar como Claude e gpt-5.5 se comportam com e sem a skill STE100, sem depender de impressões subjetivas sobre qualidade.

O repositório inclui scripts para reproduzir os testes e amostras lado a lado mostrando versões antes e depois da aplicação das regras. Essa transparência importa porque debates sobre qualidade textual em IA costumam ficar na retórica; aqui há artefatos concretos que outros desenvolvedores podem executar, auditar e adaptar ao próprio fluxo editorial.

Por que regras físicas de 1986 ainda funcionam com LLMs

Modelos de linguagem não "sabem" automaticamente quando um texto soa profissional ou quando soa genérico. Eles imitam padrões estatísticos do treinamento, e na ausência de restrições explícitas tendem ao estilo mais frequente, frases longas, intensificadores vazios e conclusões que não acrescentam informação nova.

Normas como o ASD-STE100 funcionam porque traduzem décadas de experiência editorial em regras verificáveis. Ao convertê-las em skill para agentes, o projeto transforma um manual estático em camada ativa de controle de qualidade, aplicável antes da publicação final.

A lição vai além da aviação. Qualquer organização que dependa de IA para redigir relatórios, FAQs ou documentação interna pode se beneficiar de padrões explícitos em vez de prompts vagos do tipo "escreva de forma clara". Os resultados observados com Claude e gpt-5.5 sugerem que a diferença entre slop e texto útil pode estar menos no modelo escolhido e mais nas restrições impostas antes da geração.

Para a comunidade que acompanha o debate no Hacker News, o repositório abre um caminho prático, em vez de reclamar da mediocridade das saídas, é possível testar uma norma comprovada, medir resultados e decidir com dados se vale incorporar STE100 ao fluxo de produção de conteúdo assistido por IA. O material está disponível publicamente no GitHub para quem quiser replicar o protocolo.