Um agente de IA para atendimento costuma chegar com a aparência de um estagiário perfeito. Consulta o pedido, lê o histórico e prepara uma resposta em segundos. Não reclama, não almoça e nunca pede para trabalhar de casa.

Como funciona bem, alguém diz: “Já que ele escreve a resposta, por que não deixar enviar?”

Depois vem o desconto. Em seguida, o cancelamento. Logo aparecem a alteração cadastral e o acesso a mais um sistema. Quando a empresa percebe, o assistente que escrevia mensagens ganhou as chaves do balcão, do estoque e de parte do caixa.

Nenhuma dessas permissões parece importante o suficiente para chegar ao conselho. Não existe uma reunião chamada “Hoje vamos entregar autoridade operacional a um modelo probabilístico”. Existe apenas uma sequência de decisões convenientes.

Uma credencial mais ampla aqui. Uma exceção ali. Um “depois a gente revisa” para encerrar a conversa.

A IA não precisa adquirir consciência, desenvolver ambição ou planejar dominar a humanidade. Basta entender um pedido de forma errada e encontrar todas as portas abertas.

Essa é a mudança silenciosa. Estamos dando mãos à IA antes de decidir onde elas podem tocar. A partir daí, saber se ela escreve bem perde importância. A pergunta passa a ser outra: quantas coisas uma resposta errada consegue acionar antes que alguém perceba?

O texto da MIT Technology Review que inspirou esta edição pergunta o que a IA poderia aprender com décadas de segurança nuclear. A comparação não é totalmente absurda. Uma empresa não é uma usina, claro. Tratar todo chatbot como material radioativo seria uma excelente forma de criar comitês, formulários e reuniões. Controle de verdade, nem tanto.

Mas existe uma ideia da segurança nuclear que merece entrar na empresa: defesa em profundidade.

A Agência Internacional de Energia Atômica parte de uma constatação pouco sofisticada e muito útil: pessoas falham, equipamentos falham e procedimentos também falham. Por isso, nenhuma falha isolada deveria ser suficiente para atravessar todas as barreiras e causar o dano. [2]

Em linguagem empresarial, o mesmo modelo não deveria executar uma ação, fiscalizar o que fez e aprovar o próprio trabalho. Isso parece um sistema com três controles. Na prática, pode ser o mesmo erro usando três crachás diferentes.

Prompt não é parede e política interna não é cadeado. Escrever “não faça transferências indevidas” nas instruções da IA não equivale a impedir uma transferência indevida.

Uma barreira de verdade tem outra natureza. Acesso limitado. Teto de valor. Destinatários autorizados. Aprovação para ações sensíveis. Histórico que não desaparece. Credencial que pode ser revogada.

O objetivo não é construir uma IA incapaz de errar. Isso ainda não existe. O objetivo é impedir que um erro comum vire um incidente caro.

Nesse ponto costuma surgir a frase tranquilizadora: “Não se preocupe, haverá sempre uma pessoa aprovando.”

Eu me preocuparia justamente aí.

Se essa pessoa recebe cem decisões por hora, enxerga apenas a recomendação final e sabe que a IA costuma acertar, sua função logo se resume a apertar “confirmar”. Ela deixa de ser supervisora e vira um CAPTCHA com crachá.

A assinatura continua humana, mas o julgamento já foi embora.

Uma meta-análise publicada em 23 de outubro examinou o que acontece quando profissionais de saúde supervisionam automações erradas. Em quatro estudos reais sobre interpretação de eletrocardiogramas, 26,6% dos erros não foram reconhecidos nem corrigidos. A variação entre os estudos foi alta, e medicina não é atendimento ao cliente. A lição, porém, atravessa os dois ambientes: supervisão só protege quando alguém consegue encontrar o erro. [6]

Para revisar uma decisão importante, a pessoa precisa saber o que a IA pretende fazer, quais informações utilizou e como desfazer a ação. Também precisa ter tempo, conhecimento e autoridade para dizer não.

Sem isso, “humano no circuito” é apenas uma decoração disfuncional.

Por essa razão, eu não classificaria uma ferramenta como segura ou perigosa. Perguntaria algo muito mais concreto: o que ela consegue fazer dentro deste processo?

O mesmo modelo pode ler um contrato, recomendar uma resposta ou cancelar um pedido. O cérebro é o mesmo. O que muda é o tamanho da chave que a empresa colocou em sua mão.

A autonomia precisa crescer em degraus. Primeiro, a IA lê. Depois, recomenda. Só então começa a agir, preferencialmente em tarefas pequenas, reversíveis e fáceis de conferir.

Quando entram dinheiro, dados sensíveis, produção, comunicação externa ou direitos de pessoas, a conversa muda. O agente precisa ter identidade própria. O acesso deve ser mínimo. Limites de valor, quantidade e destinatário precisam existir no sistema, não apenas no prompt. Ações difíceis de desfazer exigem aprovação explícita. Microsoft e OpenAI recomendam esse tipo de controle para agentes conectados a ferramentas.

No Brasil, decisões automatizadas que utilizam dados pessoais também encontram a LGPD pelo caminho. A ANPD (Agência Nacional de Proteção de Dados, originalmente Autoridade Nacional de Proteção de Dados) recomenda avaliar riscos e salvaguardas antes de tratamentos de alto impacto. O titular pode solicitar revisão e explicações sobre decisões que afetem seus interesses.

Isso não é motivo para colocar a IA numa gaveta e esperar o mundo ficar previsível. É motivo para não automatizar uma decisão que a própria empresa ainda não consegue explicar.

Esperar demais pode deixar a empresa para trás. Entregar as chaves sem saber como retomá-las pode levá-la a um lugar bem pior.

Fontes utilizadas

1. MIT Technology Review Brasil. Para evitar a catástrofe da Inteligência Artificial, aprenda com a segurança nuclear. Acessar fonte

2. Agência Internacional de Energia Atômica. Basic Safety Principles for Nuclear Power, defesa em profundidade e independência das barreiras. Acessar fonte

3. Stanford HAI. AI Index Report 2026, capítulo Responsible AI. Acessar fonte

4. NIST. Artificial Intelligence Risk Management Framework, núcleo Govern, Map, Measure e Manage. Acessar fonte

5. NIST. Generative Artificial Intelligence Profile, NIST AI 600-1. Acessar fonte

6. npj Digital Medicine. Human oversight of erroneous clinical AI and decision support: systematic review and meta-analysis. Acessar fonte

7. Microsoft Learn. AI agent shared responsibility model. Acessar fonte

8. OpenAI Developers. Guardrails and human review for agent tool calls. Acessar fonte

9. Microsoft Learn. Reduce autonomous agentic AI risk. Acessar fonte

10. ANPD. Relatório de Impacto à Proteção de Dados Pessoais. Acessar fonte

11. ANPD. Direito dos titulares e revisão de decisões automatizadas. Acessar fonte

12. ANPD. Contestabilidade e decisões automatizadas no Fórum da Internet no Brasil. Acessar fonte

13. Anthropic. Responsible Scaling Policy e arquitetura de defesa em profundidade. Acessar fonte

14. Google DeepMind. Frontier Safety Framework e níveis de capacidade crítica. Acessar fonte

Às 8h17, um cliente pergunta quando o pedido será entregue. O vendedor abre o sistema, procura uma mensagem no celular e liga para a logística. Às 11h40, uma proposta volta porque faltou o frete. No fim da tarde, o dono da empresa ainda precisa autorizar um desconto que ninguém soube calcular sozinho.

Nada disso parece um grande problema de tecnologia. É apenas mais uma terça-feira.

Empresas perdem tempo assim todos os dias: procurando informações, conferindo documentos, respondendo às mesmas perguntas e levando exceções para as poucas pessoas que sabem o que fazer. Parte desse trabalho exige experiência e julgamento. Outra parte consiste em ler, organizar, comparar e preparar uma resposta.

É justamente nessa segunda parte que a inteligência artificial já pode ajudar.

Para quem nunca usou, uma explicação basta: a IA é um software capaz de interpretar textos, documentos e dados, encontrar relações entre eles e produzir uma resposta ou recomendação. Ela não conhece a empresa por mágica, não acerta sempre e não substitui a responsabilidade de quem decide. Mas pode realizar em minutos tarefas que hoje consomem horas de procura e preparação.

A decisão mais urgente não é comprar a ferramenta mais famosa nem automatizar a empresa inteira. É descobrir qual trabalho repetitivo, caro e frequente merece um primeiro teste. O Prumo Discovery ajuda a encontrar esse trabalho, a plataforma GreenIA coloca a melhoria em funcionamento dentro de um fluxo acompanhado.

O que a IA pode fazer na segunda-feira

Na área comercial, ela pode ler um pedido, apontar informações ausentes, consultar regras e preparar uma proposta. No atendimento, pode localizar uma resposta em contratos, manuais e históricos antes que alguém passe meia hora procurando. No financeiro, pode organizar documentos, identificar divergências e redigir uma cobrança para revisão. Na operação, pode reunir ocorrências de várias fontes e mostrar quais realmente exigem atenção.

O verbo importante é “pode”. Cada empresa possui dados, regras e riscos diferentes. Uma clínica não trata uma informação como uma distribuidora; uma indústria não aprova uma compra como um escritório de serviços. A tecnologia é parecida, mas o trabalho precisa ser desenhado para o negócio.

Essa diferença explica um dado brasileiro. No Panorama IA da TOTVS e da H2R, 50% das empresas pesquisadas já usavam inteligência artificial em rotinas diárias, mas apenas 7% calculavam o retorno. Muita gente já pede ajuda a uma IA para escrever ou resumir. Poucas empresas conseguem dizer quanto tempo, dinheiro ou erro esse uso realmente eliminou.

Usar uma ferramenta não é o mesmo que melhorar uma operação.

O primeiro passo não começa pela tecnologia

Voltemos ao pedido de desconto: a IA pode reunir preço, margem, estoque, histórico do cliente e prazo de pagamento. Antes disso, alguém precisa responder a perguntas menos interessantes: quem pode conceder cada desconto, qual margem é aceitável, onde estão os dados e em que situação uma pessoa deve interromper o fluxo.

Esse é o papel de um diagnóstico bem-feito: o trabalho começa pela rotina como ela acontece, não pela demonstração de uma ferramenta. Mede-se quanto tempo o processo leva, onde ele trava, que erro produz prejuízo e quem responde pelo resultado. A conclusão define qual caso deve avançar primeiro e o que precisa ser preparado para que o teste produza evidência útil.

Essa etapa não é burocracia. É o que impede a empresa de usar tecnologia para acelerar um problema mal compreendido.

Quando existe um caso claro, a GreenIA se torna o primeiro passo operacional. Ela pode ser configurada com o contexto, os documentos e as regras da empresa para apoiar aquele fluxo. No exemplo, o pedido chega de forma organizada, as informações necessárias são reunidas e uma recomendação fica pronta para o gerente aprovar. A decisão continua humana; a procura e a preparação deixam de começar do zero.

O valor não está em conversar com uma tela. Está em fazer um trabalho conhecido acontecer de maneira mais rápida, consistente e mensurável.

Começar pequeno não é esperar pouco

A pesquisa global da McKinsey mostra por que essa distinção importa. Oitenta por cento dos respondentes perceberam ganho de produtividade individual com IA, mas 37% relataram impacto positivo no lucro operacional e apenas 6% foram classificados como empresas de alto desempenho. Quase três quartos desse grupo haviam redesenhado fluxos de trabalho; entre os demais, apenas um quarto fez o mesmo.

Em português comum: ajudar uma pessoa a terminar um texto mais rápido é útil, mas o resultado empresarial aparece quando o trabalho inteiro melhora.

Um primeiro teste pode durar quatro semanas. A empresa escolhe uma rotina, mede tempo, custo, erros e retrabalho e define quais decisões continuam com pessoas. O fluxo entra na GreenIA e é acompanhado de perto. Ao final, compara-se o que aconteceu com o que ocorria antes.

O teste começa a fazer sentido quando o trabalho melhora, a equipe usa a solução e o custo se sustenta. Quando dados ou regras ainda são frágeis, o aprendizado indica o que precisa ser corrigido antes de ampliar. Se a tarefa escolhida acontece pouco ou não pode ser medida, a empresa leva a experiência para um caso mais adequado, em vez de transformar uma escolha ruim em uma conclusão sobre toda a tecnologia.

A urgência não autoriza qualquer projeto

Na mesma pesquisa da McKinsey, 40% dos respondentes de grandes organizações disseram estar ampliando o uso de agentes de IA, sistemas capazes de executar uma sequência de tarefas, ante 27% no ano anterior. Nas organizações menores, a proporção permaneceu em 22%.

Isso não significa que toda empresa deva correr para instalar agentes. Significa que parte do mercado já acumula experiência enquanto outra parte ainda tenta entender por onde começar. A ferramenta pode ser comprada depois; os meses de aprendizado sobre dados, pessoas e processos não chegam em uma caixa.

Nem toda tarefa serve como ponto de partida. Uma rotina rara ensina pouco; um processo confuso precisa ser organizado; informações sensíveis exigem controles. O Prumo Discovery ajuda a escolher melhor a sequência, e a GreenIA recebe um caso delimitado o bastante para gerar aprendizado sem expor a operação inteira.

A urgência correta é menos dramática e mais prática: escolher uma dor conhecida, testar com pouco risco e produzir evidência para a próxima decisão.

A IA já pode trabalhar na sua empresa. A pergunta para a próxima reunião é: qual tarefa consome tempo e dinheiro suficientes para merecer o primeiro teste?

Sua empresa está avaliando um investimento em IA, produto digital ou transformação, mas ainda não possui clareza suficiente para avançar? Escreva para vinicius.debian@theneil.com.br com FASE ZERO no assunto e descreva a decisão que precisa ser tomada.

Às 6h47, uma esteira de reciclagem para porque um filme plástico se enrolou antes do triturador. A equipe isola a área enquanto um caminhão espera no pátio. Vinte e três minutos depois, a linha volta e o sistema registra apenas: parada operacional.

Troque a esteira por um caixa sem sistema, uma doca sem espaço, uma cozinha aguardando insumo ou uma equipe comercial refazendo um pedido. O setor muda, mas o mecanismo é o mesmo: o trabalho para, o custo continua e quase nunca a causa fica bem registrada.

Esse desperdício ganhou outro peso em 16 de outubro, quando a Emenda Constitucional 141 reduziu a jornada máxima semanal e estabeleceu dois dias de repouso remunerado. A transição começa com 42 horas e chega a 40 no ano seguinte, sem redução salarial. Sem entrar no mérito político ou social, interessa a decisão imposta a qualquer empresa dependente de turnos, atendimento ou fluxo operacional.

A semana mais curta não cria, por si só, um projeto de inteligência artificial. Ela cria uma decisão de capacidade.

Cada empresa terá de descobrir quanto do resultado depende de presença humana e quanto se perde em espera, falha, retrabalho, deslocamento ou informação ruim. A primeira parte pede escala, contratação, negociação ou revisão de volume. A segunda pode melhorar com processo, gestão e, em alguns casos, IA. Misturar as duas produz projetos caros e metas impossíveis.

Toda empresa tem uma linha que para

Na recicladora, a parada aparece na esteira. Em outros negócios, ela costuma ficar escondida entre departamentos. Um pedido aguarda aprovação porque o desconto saiu da regra. Um caminhão ocupa a doca por causa de uma divergência fiscal. O cliente repete seus dados porque atendimento e cobrança usam sistemas diferentes. Isolados, esses episódios parecem pequenos; somados, consomem a capacidade que a empresa tentará recuperar quando o tempo disponível diminuir.

A Confederação Nacional da Indústria ouviu 1.664 empresas antes da emenda: 85% utilizavam 44 horas semanais entre trabalhadores ligados à produção e 97% esperavam algum impacto. O Ministério do Trabalho e Emprego aponta possíveis efeitos sobre emprego, sobrecarga e absenteísmo. As premissas são diferentes e nenhuma responde à pergunta de uma empresa específica: onde faltarão horas?

É por isso que a média do setor ajuda menos do que um mapa honesto do trabalho. Se a ausência de uma pessoa fecha um posto obrigatório, o problema é cobertura. Se a equipe está presente, mas espera autorização, procura informação ou corrige erro evitável, existe uma perda de processo. Só a segunda situação oferece uma hipótese séria de ganho sem simplesmente transferir pressão para quem ficou.

Onde a IA realmente entra

A IA é boa em observar repetição, comparar muitos eventos e perceber sinais que escapam à atenção humana. Numa recicladora, uma câmera pode identificar materiais que costumam causar entupimento, estimar quanto produto valioso termina no rejeito ou acompanhar indícios de desgaste. Numa distribuidora, pode sinalizar pedidos com alta chance de divergência antes da separação. Num atendimento, pode localizar os motivos que fazem o cliente voltar a ligar.

O valor não está no alerta, está na ação que o alerta permite.

Se ninguém consegue retirar o objeto da esteira com segurança, corrigir o pedido antes do carregamento ou resolver a causa do segundo contato, o modelo apenas descreve o problema com mais sofisticação. A tecnologia faz sentido quando há um evento recorrente, um sinal disponível antes da perda, uma decisão que pode ser tomada a tempo e um resultado econômico que a empresa consegue medir.

Esse limite também revela um efeito pouco intuitivo. Uma máquina com menos paradas pode exigir mais gente para alimentar, inspecionar, movimentar e expedir. Um atendimento mais rápido pode aumentar a demanda sobre a equipe que resolve exceções. Recuperar capacidade numa etapa desloca o gargalo para a seguinte; por isso, o ganho local não deve entrar no orçamento antes de atravessar o processo inteiro.

Um teste menor que a promessa

Antes de comprar câmera, sensor, robô ou licença, escolha uma perda. Durante quatro semanas, acompanhe um fluxo real e registre quando ele para, por qual motivo e com que consequência. O registro só precisa ser simples o bastante para sobreviver a uma segunda-feira ruim.

Depois, formule uma hipótese estreita. Na recicladora: um alerta reconhece o plástico antes do triturador e permite uma intervenção segura? Na logística: uma análise detecta a divergência documental antes de o caminhão ocupar a doca? No atendimento: a classificação identifica a causa do retorno e permite resolvê-la no primeiro contato?

O sistema começa em modo de sombra, recomendando sem executar. A equipe compara alertas com eventos reais e mede falsos alarmes, segurança, qualidade e resultado financeiro. O projeto avança quando a melhora se repete e custa menos que a capacidade recuperada; deve parar quando o ganho só aparece com mais ritmo, menos pausa, horas extras escondidas ou risco transferido.

Há um custo em esperar demais, porque a empresa pode chegar à nova jornada sem saber onde perde tempo. Também há um custo em correr, comprar tecnologia e descobrir tarde que o gargalo era escala, manutenção básica, uma regra comercial ou uma peça que nunca está no almoxarifado.

A mudança mais silenciosa não está no número de horas. Está no preço das pequenas interrupções que a organização aprendeu a tolerar. Com menos tempo disponível, uma aprovação parada, uma informação digitada duas vezes ou uma falha sem causa conhecida deixa de ser incômodo operacional e passa a disputar capital, pessoas e margem.

Na próxima reunião, a pergunta útil não é “onde podemos usar IA?”. É esta: das horas que precisamos recuperar, quantas dependem de mais gente e quantas estão presas num processo que ainda não conseguimos explicar?

Sua empresa está avaliando um investimento em IA, produto digital ou transformação, mas ainda não possui clareza suficiente para avançar? Escreva para vinicius.debian@theneil.com.br com FASE ZERO no assunto e descreva a decisão que precisa ser tomada.

Meu time e eu passamos dois dias dentro da operação de um cliente, conversando com controladoria, fiscal, recursos humanos, suprimentos e até com os operadores da balança. Cada área tinha seu vocabulário, suas urgências e sua parte da história; nenhuma conseguia enxergar a empresa inteira dentro de um único sistema.

Não encontramos uma organização parada, pacientemente à espera de um diagnóstico. Encontramos uma empresa mudando enquanto trabalha: uma nova fábrica em construção, um departamento trocando de liderança e um investidor que passou a cobrar reuniões semanais de caixa, além de resultados mensais para o conselho. Tudo isso enquanto o sistema atual ainda luta para entregar os números no tempo necessário.

Esse cenário muda completamente a natureza do diagnóstico, porque fotografar apenas a operação de hoje pode produzir recomendações com prazo de validade curto. A revisão do controle de ponto e dos atestados precisa considerar a chegada da nova liderança do departamento pessoal; os relatórios financeiros devem acompanhar a rotina de gestão implantada pelo investidor; os processos operacionais terão de absorver uma fábrica que ainda nem entrou plenamente em cena.

Não basta entender como a empresa funciona. É preciso imaginar, com alguma disciplina, como ela precisará funcionar daqui a seis meses.

A empresa não espera o diagnóstico terminar

Projetos de transformação costumam partir de uma fantasia confortável: primeiro a empresa se estabiliza, depois organiza seus processos e, finalmente, escolhe a tecnologia.

A empresa média raramente segue esse roteiro.

Enquanto uma área revê seus procedimentos, outra contrata pessoas, um sócio pede novos indicadores, uma unidade começa a operar e um cliente importante muda a forma de comprar. Quando tudo parece finalmente organizado, alguém abre outra fábrica.

Esperar a poeira baixar pode significar esperar indefinidamente.

Durante muito tempo, imaginamos que a casa deveria ficar pronta para só então arrumar os móveis. A IA permite trabalhar de outra maneira, criando rotinas menores, provisórias e ajustáveis enquanto a construção continua. Em vez de decidir hoje como toda a empresa deverá operar durante a próxima década, podemos testar como uma parte do trabalho precisa funcionar na próxima semana.

Isso não significa automatizar a bagunça com mais velocidade. Significa aproveitar a mudança para descobrir o que precisa ser preservado, o que perdeu sentido e o que ainda não existe, embora já esteja fazendo falta.

No caso desse cliente, o relatório financeiro não pode ser tratado apenas como uma forma mais rápida de reunir números. O investidor criou outra cadência de gestão, com reuniões semanais de caixa e resultados mensais para o conselho; agora é necessário definir quais dados entram, quando devem estar disponíveis, quem responde por eles e o que acontece quando duas áreas apresentam números diferentes.

O mesmo vale para ponto e atestados. Criar uma solução fechada antes da chegada da nova liderança pode engessar uma rotina que ainda será revista, mas esperar vários meses para começar também custa caro.

O caminho está em compreender o que já foi decidido, reconhecer o que continua em aberto e construir rotinas capazes de evoluir sem exigir uma reforma completa a cada mudança.

Talvez o sistema não seja o problema inteiro

Quando os números demoram a chegar, a conclusão aparece rápido: “precisamos trocar o sistema”.

Pode ser verdade. Também pode ser que o sistema registre corretamente transações, documentos fiscais, pagamentos e aprovações, mas não tenha sido desenhado para a nova velocidade da empresa.

O dado existe, embora chegue atrasado, fragmentado ou dependente de alguém que conhece o caminho secreto entre módulos, planilhas e mensagens. Toda empresa parece ter pelo menos uma pessoa assim; quando ela sai de férias, parte da arquitetura sai junto.

Substituir o núcleo inteiro para corrigir essa experiência seria parecido com reformar um prédio porque as pessoas se perdem no corredor.

Os anúncios recentes de tecnologia mostram uma alternativa. Novas camadas conseguem relacionar conversas, documentos e atividades distribuídas por vários aplicativos; agentes passam a consultar informações e executar tarefas em sistemas financeiros, comerciais e de recursos humanos sem obrigar o usuário a percorrer uma coleção de telas.

O sistema original continua cuidando das regras, permissões e registros. A nova camada organiza o caminho entre pessoas, informações e sistemas.

É isso que está por trás de nomes como software headless e MCP. A linguagem parece reservada à equipe de tecnologia, mas a consequência interessa à diretoria: a empresa pode manter o sistema que registra a verdade e construir sobre ele uma experiência mais próxima do trabalho real.

O sistema financeiro não precisa virar uma ferramenta para reuniões do conselho. Pode continuar cuidando de lançamentos, contas e regras enquanto outra rotina reúne os dados, aponta inconsistências e prepara a visão utilizada na reunião semanal de caixa.

O sistema de RH também não precisa ser substituído apenas porque ponto, atestados, mensagens e aprovações vivem em lugares diferentes. Uma camada pode organizar essa jornada, desde que a informação oficial continue sendo devolvida ao sistema correto.

Surge, assim, uma terceira opção entre conviver com a experiência atual e substituir tudo: preservar o que funciona, melhorar a rotina e aprender, pelo uso, o que realmente precisa mudar.

A solução nova também pode envelhecer

Essa alternativa traz um risco. Quando a nova rotina começa a copiar cadastros, inventar regras ou escolher sozinha qual informação vale, ela deixa de simplificar o trabalho e vira outro sistema central, apenas menos visível.

Dados financeiros, regras fiscais, folha de pagamento, preços e alçadas precisam continuar em ambientes governados, com responsáveis e histórico. A nova camada pode buscar, organizar, comparar e apresentar; qualquer alteração sensível deve respeitar permissões e retornar à fonte oficial.

Caso contrário, a empresa melhora a tela e piora o problema.

Também não adianta instalar uma experiência elegante sobre um sistema inseguro, sem suporte ou incapaz de acompanhar o negócio. Um painel bonito pode esconder a desordem por algum tempo, mas não produz um fechamento confiável.

A sobreposição faz sentido quando o núcleo ainda merece confiança e a dificuldade está no caminho entre pessoas, informações e decisões. Quando cada melhoria exige cadastros paralelos, regras duplicadas e contornos improvisados, a substituição precisa voltar à conversa.

Comece por uma rotina

O melhor teste não envolve a empresa inteira. Pode começar por uma rotina recorrente que atravesse duas ou três áreas, como a preparação da reunião semanal de caixa, o tratamento de ponto e atestados ou a consolidação mensal enviada ao conselho.

Durante algumas semanas, a nova camada consulta dados, reúne contexto e propõe ações sem retirar do sistema atual sua função oficial. A empresa observa quanto tempo o processo leva, quantas pessoas participam, onde surgem correções e quais informações continuam sendo digitadas mais de uma vez.

O teste também precisa olhar para a frente: essa rotina continuará fazendo sentido quando a fábrica estiver operando, a nova liderança tiver assumido e a governança do investidor fizer parte do calendário?

Se continuar, a empresa terá criado mais do que uma automação. Terá construído uma ponte entre a operação atual e a organização que está tentando se tornar.

Empresas médias quase nunca mudam depois de organizar tudo. Elas se organizam enquanto mudam.

A IA torna possível redesenhar o trabalho durante essa transição, desde que a empresa saiba onde a verdade permanece registrada, quem pode agir e qual futuro precisa entrar no projeto desde o começo.

Sua empresa está avaliando um investimento em IA, produto digital ou transformação, mas ainda não possui clareza suficiente para avançar? Acesse nosso site e descreva a decisão que precisa ser tomada. Será um prazer conversar com você.

Na terça-feira, a Workday anunciou uma mudança que parece técnica, mas altera a forma como as empresas compram software. Seus agentes de inteligência artificial poderão executar tarefas de recursos humanos e finanças sem que alguém abra o sistema. Permissões, aprovações e registros continuam existindo. O login deixa de ser necessário.

Durante décadas, o orçamento de software começou com uma conta simples: número de usuários multiplicado pelo preço da licença. Essa lógica funciona enquanto pessoas precisam entrar no sistema para trabalhar. Quando agentes executam tarefas diretamente, o número de acessos deixa de explicar o consumo e diz ainda menos sobre o valor produzido.

Os fornecedores já procuram outras formas de cobrar. A Microsoft utiliza créditos. A Salesforce combina preços por ação, conversa ou resolução. A SAP cobra agentes autônomos por ação. A Bubble introduziu créditos em outubro. As unidades variam, mas seguem a mesma direção: a conta passa a acompanhar o trabalho da máquina.

Surge então uma pergunta que raramente aparece na demonstração comercial: quando um agente precisa de cinco tentativas para concluir uma tarefa, a empresa está pagando por produtividade ou pela dificuldade da tecnologia?

O preço perdeu o assento

Licenças ociosas desperdiçam dinheiro, embora ofereçam uma vantagem importante: previsibilidade. Cem usuários multiplicados por um valor mensal produzem um teto conhecido.

Um agente rompe essa relação ao consultar diferentes sistemas e executar tarefas sem ocupar um único assento. A cobrança por consumo parece mais coerente para o fornecedor. Para o comprador, cria uma despesa cujo valor depende do caminho percorrido pela máquina.

Na Salesforce, cada ação retira créditos de um saldo. Na Microsoft, o consumo varia conforme o modelo, o contexto e as ferramentas acionadas. A SAP também cobra por ação, entendida como cada passo necessário para consultar um serviço, produzir uma resposta ou disparar um fluxo.

O mecanismo parece transparente até encontrar uma operação real.

Considere uma empresa média que entregue a um agente a conferência de notas fiscais. O agente lê o documento, consulta o pedido de compra, confirma o recebimento e verifica as regras fiscais antes de encaminhar o pagamento.

Uma nota regular exige poucos passos. Uma divergência de quantidade ou imposto provoca novas consultas, aprovações e tentativas. O consumo cresce justamente quando a tarefa se torna mais difícil.

A fatura mostra quantas ações foram executadas. A empresa precisa saber quantas notas foram processadas corretamente, quantos pagamentos indevidos foram evitados e quanto trabalho continuou nas mãos da equipe.

O aumento de consumo pode representar uma exceção legítima que o agente conseguiu resolver. Também pode esconder repetição, erro ou uma integração instável. Contar ações não revela qual dessas situações ocorreu.

A fatura mede esforço

Uma pesquisa publicada pela G2 nesta semana ouviu 1.019 compradores de software B2B em várias regiões. Entre eles, 46% relataram custos operacionais de agentes acima do esperado. Para 45%, supervisão e retrabalho consumiram mais de um quarto dos ganhos de produtividade previstos.

Os resultados são autorrelatados, não representam especificamente o Brasil e vêm de uma empresa que participa do mercado de software. Ainda assim, indicam o intervalo que costuma existir entre uma boa demonstração e uma operação economicamente saudável. Agentes erram, repetem etapas, pedem contexto, acionam integrações e devolvem parte do trabalho para pessoas.

O mesmo levantamento mostra que pagamentos por uso, ação ou tarefa passaram de 38% em 2025 para 57% em 2026. Cobrar por resultado parece mais alinhado, mas transfere o problema para outra pergunta: o que exatamente conta como resultado?

Um chamado encerrado pode voltar dois dias depois. Uma cobrança recuperada pode provocar o cancelamento do cliente. Uma nota fiscal processada pode conter um erro que só aparecerá na conciliação.

A empresa precisa definir sua unidade econômica dentro da operação. Em contas a pagar, ela pode ser uma nota processada corretamente, dentro do prazo e sem pagamento duplicado. Só depois dessa definição créditos, ações e chamadas técnicas ganham contexto.

O segredo é aproximar o custo e resultado

É nesse intervalo que o GreenIA, plataforma corporativa de IA da TheNeil, assume uma função prática. A plataforma reúne quem utiliza IA, quais dados e modelos participam, quanto cada operação consome e o que ela entrega.

Cada agente pode ter um responsável, um orçamento, limites de autonomia e um critério de conclusão. Informações antes espalhadas entre a fatura do provedor, os registros das integrações e as planilhas da área financeira passam a ser observadas dentro do mesmo fluxo.

Na conferência de notas fiscais, o GreenIA pode registrar consumo, tentativas, integrações e aprovações. A equipe mede o que importa para a operação: notas processadas corretamente, exceções resolvidas, pagamentos indevidos evitados e tempo humano ainda necessário.

Essa combinação permite entender por que a conta cresceu. Se o agente consumiu mais porque resolveu uma divergência relevante, o gasto pode ser justificável. Se repetiu chamadas sem produzir uma decisão, a empresa está financiando desperdício técnico.

O mesmo registro permite agir antes do fechamento mensal. Quando o consumo se aproxima do limite, a operação pode exigir aprovação, reduzir a autonomia ou interromper a execução. Tarefas mais simples podem ser encaminhadas a modelos mais econômicos. Agentes que trabalham muito e entregam pouco tornam-se visíveis antes que o desvio vire rotina.

O GreenIA, como qualquer plataforma usada para operar IA com eficiência, depende de uma escolha que a tecnologia não pode fazer pela empresa: qual resultado merece ser contado?

Sem essa definição, o painel pode estar correto e a decisão continuar errada.

Medir não basta

Nem toda experiência precisa de uma estrutura detalhada de controle. Uma tarefa barata, reversível e de baixo risco talvez exija apenas um limite mensal. Aplicar o mesmo rigor a qualquer automação tornaria o experimento mais caro que o problema.

A gestão da IA deve tornar a economia da operação visível sem criar aparência de precisão sobre processos que ainda não sabem reconhecer sucesso. A interpretação continua sob responsabilidade de quem conhece o negócio e aceita interromper uma automação quando a conta deixa de fechar.

Quando o software perde o usuário, o assento deixa de servir como referência. Em seu lugar, a empresa precisa construir uma relação verificável entre consumo, resultado e margem.

A pergunta para a próxima reunião de diretoria é simples: qual resultado precisa ser analisado para provar que o trabalho realizado pela IA vale mais do que custa?

Se a decisão for por onde começar com IA na sua empresa, é isso que fazemos no Prumo Discovery. Quer saber mais? Então vamos conversar!

Explorar a IA exige algo parecido: menos fé no jeito como sempre fizemos as coisas e mais coragem para questionar o óbvio.

Na próxima segunda-feira, alguém vai abrir o computador às oito da manhã e encontrar trabalho pronto: o relatório semanal montado, os desvios de estoque destacados e talvez uma cobrança preparada para envio. Ninguém precisou ficar até mais tarde. Enquanto a empresa dormia, um agente de IA continuou trabalhando.

Eu gosto dessa cena porque ela tira a inteligência artificial do palco e coloca a tecnologia onde empresa de verdade acontece: no meio da rotina, com prazo, sistema ruim, dado atrasado e alguém que terá de explicar o resultado depois.

Na semana passada, a OpenAI apresentou os Dots, agentes sempre ativos com computador em nuvem próprio, acesso a aplicativos autorizados e capacidade de tocar vários projetos. Também lançou tarefas recorrentes para equipes, executadas por horário ou evento, mesmo com o computador fechado. A Microsoft vem posicionando o Agent 365 como uma central para identificar, governar e auditar agentes, enquanto a Meta abriu uma nova frente corporativa para levar os seus ao mercado empresarial.

O assunto da semana parece ser o agente que trabalha sozinho. A pergunta mais útil é outra: qual responsabilidade estamos entregando e quem responde por ela amanhã cedo?

Até aqui, boa parte do uso de IA cabia dentro de uma conversa: alguém perguntava, o modelo respondia e uma pessoa decidia o que fazer. Quando a rotina acorda sozinha, consulta sistemas, prepara uma entrega e volta no dia seguinte, o prompt vira operação; um erro pequeno também volta amanhã, e depois de amanhã, até ganhar orçamento, cliente e reputação.

A própria documentação da OpenAI traz um detalhe importante: uma execução marcada como concluída não prova que o trabalho terminou corretamente. Parece óbvio, mas boa parte das automações corporativas ainda confunde sistema funcionando com resultado entregue.

Talvez isso ajude a explicar a distância entre adoção e valor. Na pesquisa global de 2026 da McKinsey, 80% dos respondentes disseram perceber melhora na produtividade individual com IA, 37% atribuíram algum impacto positivo no EBIT da organização e apenas 6% entraram no grupo de alto desempenho. No Brasil, o Panorama IA encomendado pela TOTVS encontrou metade das empresas usando a tecnologia na rotina diária, enquanto 7% calculavam o retorno. São pesquisas baseadas em respostas, não auditorias causais, ainda assim o desenho é familiar: usamos primeiro, medimos quando alguém pergunta.

Essa improvisação costuma sobreviver enquanto a ferramenta aparece de vez em quando; quando o trabalho se repete sozinho, ela começa a cobrar juros.

Toda empresa sabe o que acontece quando contrata alguém sem definir responsabilidade, alçada ou resultado esperado. Com agentes, fizemos isso em escala e chamamos de inovação. O NIST já trata identificação, autorização e auditoria como questões centrais e discute como ligar a ação de um agente a uma pessoa responsável; em linguagem menos técnica, a máquina precisa de dono, limite, orçamento e histórico.

É nesse ponto que a plataforma GreenIA se destaca. A plataforma da TheNeil foi desenhada para configurar, executar, supervisionar e medir operações autônomas, definindo fontes, ações permitidas, aprovações, consumo e evidências. Modelos e agentes ficam nos bastidores, como componentes de uma operação que alguém consegue acompanhar e interromper.

Existe uma condição importante aqui: a GreenIA não conserta um processo que ninguém entende. Colocar governança sobre uma rotina confusa pode produzir um painel impecável, atualizado em tempo real e perfeitamente inútil, porque a empresa continua sem saber o que seria um bom resultado.

Para uma empresa média, o primeiro movimento cabe numa rotina frequente, de baixo impacto e fácil de conferir, sem inaugurar uma força de trabalho digital na próxima terça-feira.

Pense no fechamento semanal de pedidos pendentes: hoje alguém exporta dados do ERP, confere prazos, identifica divergências e prepara uma lista para a reunião. O primeiro teste pode deixar o agente apenas lendo as fontes e montando a minuta, sem enviar mensagens ou alterar pedidos; durante quatro semanas, a equipe compara o resultado com o trabalho humano e mede tempo, cobertura, alertas errados, itens perdidos e custo.

Uma entrega consistente permite aumentar a autoridade e deixar o agente preparar mensagens para aprovação; erros concentrados em exceções reconhecíveis ajudam a melhorar as regras, enquanto a dependência de acordos informais, planilhas atrasadas e do João, que “sabe como funciona”, revela o trabalho que ainda vem antes da tecnologia.

A GreenIA começa a fazer sentido quando essa rotina atravessa sistemas, envolve mais de um agente ou modelo e precisa ser comparada ao longo do tempo. Antes disso, uma prova controlada e bons registros podem bastar; depois disso, deixar cada automação com sua própria permissão, conta e critério de sucesso vira uma forma bastante moderna de perder o controle.

Também existe o risco de cuidado demais, claro. Colocar um comitê em cada tarefa mata o aprendizado e preserva rotinas que ninguém defenderia em voz alta. O caminho prático é autoridade graduada, orçamento pequeno e reversibilidade: o agente começa observando, ganha espaço quando acerta e para quando a evidência deixa de sustentar a decisão.

O detalhe mais importante dessa semana talvez seja o mais banal: rodar novamente amanhã. Repetição transforma uma demonstração em compromisso, e compromisso exige gestão.

Na próxima reunião de diretoria, eu levaria uma única pergunta: qual trabalho pode continuar esta noite, quem responderá por ele amanhã e qual evidência autoriza deixá-lo rodar de novo?

Sua empresa está avaliando um investimento em IA, produto digital ou transformação, mas ainda não possui clareza suficiente para avançar? Escreva para vinicius.debian@theneil.com.br com FASE ZERO no assunto e descreva a decisão que precisa ser tomada. Será um prazer falar com você!

21 de setembro de 2026 | Tempo estimado de leitura: 5 minutos

Na semana passada, Finep e BNDES escolheram a Monashees para estruturar um fundo de inteligência artificial com estimativa de mobilizar até R$ 500 milhões. O anúncio trouxe um critério preciso: o fundo pretende apoiar empresas nas quais a IA seja central ao modelo de negócio e à geração de valor.

O critério pertence ao universo das startups. Uma indústria familiar tem outra história, outra estrutura de capital e clientes com expectativas bem diferentes. Para uma empresa média, o anúncio serve como convite a definir o papel econômico da IA e a examinar quais capacidades poderiam chegar ao mercado.

Escrever e-mails, resumir documentos e acelerar tarefas economiza horas e reduz atrito interno. O produto chega ao cliente como antes, com a mesma promessa e quase sempre pelo mesmo preço. A tecnologia melhora a execução sem ampliar a proposta de valor.

Projetos comercialmente relevantes começam a aparecer quando a empresa reconhece algo que passou a saber, prever ou executar por um custo viável. Essa capacidade pode dar origem a um serviço que antes seria caro demais, lento demais ou simplesmente impossível de oferecer.

Uma pesquisa encomendada pela AWS à Strand Partners estima que metade das empresas brasileiras já usa IA. Entre as adotantes, 58% estariam no nível mais básico, concentradas em ganhos incrementais de eficiência, enquanto apenas 15% foram classificadas no nível avançado, ligado à transformação ou à criação de modelos de negócio.

A Softex chegou a números menores de adoção e informou que 79,8% das empresas usuárias recorriam a soluções disponíveis no mercado. As metodologias são diferentes e os percentuais não permitem uma comparação direta. Os dois estudos ajudam a enxergar o mesmo movimento: o acesso se espalhou e boa parte das empresas compra recursos já disponíveis.

Com ferramentas semelhantes ao alcance de muitos concorrentes, a diferença aparece naquilo que cada empresa consegue fazer com o próprio repertório. Para o cliente, valor pode significar receber um alerta cedo, evitar uma parada, reduzir o risco de uma decisão ou acessar um serviço que antes custaria caro demais.

Empresas médias guardam produtos potenciais dentro de serviços que hoje parecem apenas parte do trabalho. Pense numa distribuidora que conhece os sinais de que uma máquina começará a falhar, num escritório contábil que reconhece padrões antes de um problema de caixa, ou num fabricante que sabe quais formas de uso reduzem a vida útil de um componente.

Os exemplos são hipóteses e indicam onde procurar. Esse conhecimento costuma estar espalhado em planilhas, mensagens, inspeções, telefonemas e na cabeça de poucas pessoas. A IA ajuda a reuni-lo e entregá-lo com frequência, na forma de um alerta, uma recomendação, um diagnóstico, uma garantia ou um acompanhamento contínuo.

Um projeto de descoberta ganha relevância comercial quando parte de um grupo específico de clientes. A investigação procura a decisão que custa caro, a informação que chegaria a tempo de mudá-la e o valor econômico produzido por essa mudança. É daí que pode surgir uma oferta.

A ideia começa a ganhar forma quando a empresa consegue dizer quem compra, o que recebe, com que frequência, por qual preço, usando quais dados e assumindo qual responsabilidade. Essas respostas também revelam onde o projeto pode quebrar antes de qualquer investimento relevante.

Para muitas empresas, a eficiência interna continuará sendo o melhor destino para a IA. Margens apertadas tornam valiosa qualquer redução consistente de tempo e erro. Alguns clientes preferem atendimento humano e produtos simples. A decisão depende da economia do negócio e do comportamento real de quem compra.

Economizar tempo é uma iniciativa operacional legítima. Sua importância pode ser medida em horas, erros e margem. A criação de uma nova receita exige outra investigação, voltada ao conhecimento que o mercado reconhece e aceita comprar. Leve uma pergunta à próxima reunião: que parte do conhecimento da empresa poderia virar uma oferta que hoje ainda não existe?

Sua empresa está avaliando um investimento em IA, produto digital ou transformação, mas ainda não possui clareza suficiente para avançar? Escreva para vinicius.debian@theneil.com.br com FASE ZERO no assunto e descreva a decisão que precisa ser tomada.

Fontes:

• Finep, “Finep e BNDES selecionam a Monashees para gestão de fundo de IA de R$ 500 mi”, 14 set. 2026.

• Finep e BNDES, Edital de Chamada Pública para o Fundo de Investimento em Participações em Inteligência Artificial, 9 abr. 2026.

• AWS e Strand Partners, “Adoção de IA no Brasil atinge 50% das empresas, mas maturidade ainda é desafio”, 3 set. 2026.

• Softex, “TICs 2026: terceiro caderno do estudo do Observatório Softex”, 9 set. 2026

A decisão chega cedo demais

Uma diretoria reserva orçamento para inteligência artificial. O fornecedor já demonstrou a solução. A equipe de tecnologia confirma que a integração é possível. Alguém projeta horas economizadas, outro menciona o risco de ficar para trás. A pergunta parece madura: quanto devemos investir?

Quase sempre, ela chegou cedo demais.

Antes do orçamento, existe uma pergunta mais incômoda: o que precisa ser verdade para que este investimento faça sentido? Ela obriga a empresa a trocar entusiasmo por premissas. O problema precisa custar dinheiro, tempo, receita ou risco. A tecnologia precisa alterar esse custo. O processo precisa aceitar a mudança. As pessoas precisam usar o novo modo de trabalhar. O ganho precisa sobreviver aos custos de integração, revisão, segurança e operação. Se uma dessas condições não se sustenta, a empresa não tem ainda um projeto de IA. Tem uma possibilidade técnica em busca de justificativa.

Esta é a mudança que importa. A inteligência artificial ficou mais acessível, mas a decisão empresarial ficou mais exigente. Comprar capacidade nunca foi tão fácil. Provar valor continua difícil.

Uso não é resultado

Os números recentes expõem essa diferença. A pesquisa global da McKinsey publicada em 2026 encontrou uso regular de IA em ao menos uma função em quase nove de cada dez organizações pesquisadas. Ainda assim, apenas 37% dos respondentes atribuíram algum impacto positivo no EBIT à IA, e cerca de 6% foram classificados como empresas de alto desempenho, com impacto significativo e pelo menos 5% do EBIT associado ao uso da tecnologia. São respostas de executivos, não auditorias financeiras, mas o contraste é útil: presença não é captura de valor. [1]

A mesma pesquisa registra outro descompasso. Oitenta por cento dos respondentes disseram que a IA melhorou sua produtividade individual. A percepção local avança mais rápido que o resultado consolidado. Isso pode ocorrer porque minutos poupados por uma pessoa não reaparecem automaticamente na demonstração de resultados. O tempo pode ser consumido por retrabalho, espera, conferência, reuniões ou simplesmente por mais volume de atividade sem consequência econômica.

No Brasil, a adoção também cresce. A TIC Empresas 2025, do Cetic.br, ouviu 4.174 empresas com mais de dez pessoas ocupadas. A proporção que declarou usar IA subiu de 13% em 2024 para 17% em 2025. Entre as pequenas, de 10 a 49 pessoas, passou de 10% para 15%. [2] Um levantamento anterior mostrou que, entre as empresas usuárias, 76% haviam adquirido soluções prontas e 56% contratado fornecedores externos para desenvolver ou modificar sistemas. [3]

Essa combinação reduz a barreira de entrada, o que é positivo. Também cria um risco discreto: a facilidade de comprar pode substituir a disciplina de formular. O catálogo do fornecedor passa a definir o problema. A empresa escolhe o que a tecnologia oferece, não necessariamente o que a operação precisa.

Empresas familiares e médias sentem essa tensão com mais intensidade. Elas têm menos capital para financiar aprendizado difuso, menos especialistas para avaliar fornecedores e, frequentemente, processos sustentados por conhecimento informal. Ao mesmo tempo, conseguem decidir e testar mais depressa que grandes corporações. A falta de escala pode ser uma desvantagem na compra, mas a proximidade entre dono, operação e cliente pode virar uma vantagem na descoberta do problema certo.

A IA não tem uma produtividade única

Parte da confusão nasce da tentativa de atribuir à IA um retorno universal. Não existe “a produtividade da IA” da mesma forma que não existe “a produtividade de contratar uma pessoa”. O efeito depende da tarefa, do contexto, da experiência de quem usa, da qualidade da informação disponível e do custo de um erro.

Um estudo com 5.179 agentes de atendimento encontrou aumento médio de 14% nas questões resolvidas por hora após a introdução de um assistente generativo. O ganho chegou a 34% entre trabalhadores menos experientes ou de menor desempenho, mas foi pequeno entre os mais experientes. Os autores interpretaram o resultado como possível difusão das melhores práticas incorporadas ao sistema. [4] Para uma operação com muita variação entre pessoas e conhecimento repetível, isso é uma pista econômica importante.

Em outro experimento, com 758 consultores, a IA aumentou velocidade e qualidade nas tarefas que estavam dentro de sua fronteira de competência. Em uma tarefa deliberadamente fora dessa fronteira, usuários apoiados pela IA tiveram maior probabilidade de chegar a uma resposta errada. [5] A ferramenta não apenas varia de desempenho. Ela pode fazer uma tarefa difícil parecer concluída antes que o erro seja percebido.

Há também resultados que contrariam a sensação de ganho. Um experimento da organização METR, limitado a 16 desenvolvedores experientes trabalhando em 246 tarefas reais de projetos de código aberto que conheciam bem, encontrou aumento de 19% no tempo de conclusão quando ferramentas de IA do início de 2025 eram permitidas. Mesmo depois do experimento, os participantes acreditavam ter sido mais rápidos. O estudo é pequeno e não representa todo trabalho de software, mas demonstra por que percepção não pode ocupar o lugar de uma linha de base. [6]

Os três estudos não se anulam. Eles delimitam a decisão. A IA pode acelerar novatos em atendimento, melhorar tarefas de conhecimento que caibam em sua capacidade e atrasar especialistas quando o contexto é profundo e a revisão custa caro. O retorno não está dentro do modelo. Ele emerge da combinação entre tarefa, processo, pessoa e controle.

Cinco condições antes do investimento

A primeira condição é que exista um problema economicamente relevante. “Usar IA” não é um objetivo. Reduzir o tempo entre pedido e proposta, aumentar a conversão, evitar parada de máquina, diminuir perda de estoque ou reduzir o custo de análise são objetivos. Sem uma métrica de negócio e uma linha de base, qualquer demonstração parece promissora porque não enfrenta comparação.

A segunda é que o processo seja observável. Muitas empresas tentam automatizar atividades que nunca foram descritas, cujas exceções moram na memória de duas pessoas e cuja qualidade só é percebida quando um cliente reclama. A IA não corrige essa ambiguidade. Pode apenas executá-la em maior velocidade. Antes de automatizar, é preciso saber onde o trabalho começa, quais decisões contém, que informação utiliza, o que caracteriza uma boa saída e quem responde quando algo foge do padrão.

A terceira é que haja informação suficiente e legalmente utilizável. Isso não significa construir um “data lake” antes de qualquer teste. Significa verificar se os documentos, registros e exemplos necessários existem, se representam a realidade atual, se podem ser usados para aquela finalidade e se o acesso não cria uma exposição desproporcional. Uma solução que depende de dados inexistentes não é um projeto atrasado. É outra hipótese.

A quarta é que o comportamento operacional mude. Uma recomendação não cria valor se chega depois da decisão. Um texto produzido em segundos não economiza tempo quando passa por três revisões adicionais. Um alerta não reduz perdas se ninguém possui autoridade para agir. A pergunta decisiva não é apenas “o sistema consegue?”. É “o que alguém fará de modo diferente quando ele conseguir?”.

A quinta é que a economia permaneça favorável depois dos custos invisíveis. Licença e consumo computacional são apenas o começo. Há integração, preparação de dados, testes, supervisão humana, segurança, mudança de processo, treinamento, manutenção e dependência do fornecedor. A pesquisa da McKinsey de 2026 já identifica custos operacionais de IA como restrição para cerca de uma em cada cinco organizações respondentes. [1] O ganho bruto precisa ser grande o bastante para absorver o custo de tornar a solução confiável.

O menor teste que produz uma decisão

Responder a essas condições não exige um programa de seis meses. Exige um experimento desenhado para eliminar incerteza, não para impressionar a diretoria.

Escolha um fluxo estreito, frequente e reversível. Meça durante duas semanas como ele funciona hoje: tempo de ciclo, volume, retrabalho, erro, espera e esforço humano. Separe vinte a cinquenta casos reais que representem também as exceções. Defina antecipadamente o que seria uma melhora relevante e qual erro seria inaceitável. Depois, execute parte dos casos com apoio de IA e parte sem ele, mantendo revisão humana e registrando o tempo total, inclusive correções. Não meça apenas a velocidade de geração. Meça o trabalho até a saída estar utilizável.

Esse desenho produz quatro respostas. A capacidade técnica foi suficiente? O processo absorveu a solução? As pessoas mudaram sua conduta? A economia líquida permaneceu positiva? O teste pode custar pouco e ainda assim ser rigoroso, porque sua função não é provar que a IA funciona. É descobrir em que condições ela funciona para aquela empresa.

O resultado pode levar a três decisões legítimas. GO, quando o ganho supera o limiar, os erros cabem na tolerância e existe um responsável pelo processo. GO com restrições, quando o valor aparece apenas em uma etapa, grupo de usuários ou classe de casos, exigindo limite de escopo e supervisão. NO-GO, quando a qualidade é instável, o custo de revisão consome o benefício, os dados não podem ser usados ou o problema não é valioso o bastante.

O NIST organiza a gestão de risco em quatro funções: governar, mapear, medir e gerenciar. Seu framework prevê que o mapeamento do contexto deve permitir uma decisão inicial de seguir ou não seguir e que alternativas sem IA também sejam consideradas. [7] Essa sequência parece burocrática apenas quando comparada a uma compra impulsiva. Comparada a um projeto malsucedido, é uma forma barata de preservar capital.

O risco de perguntar demais

Existe um contraponto real. Se “o que precisa ser verdade?” virar uma exigência de certeza, o método produzirá paralisia. Modelos mudam, preços caem, equipes aprendem e oportunidades têm prazo. Uma empresa que tenta eliminar toda incerteza antes de agir chegará atrasada e continuará sem evidência própria.

A resposta não é reduzir o rigor. É reduzir o tamanho da aposta. Quanto maior a incerteza, menor e mais reversível deve ser o compromisso inicial. Testar um fluxo por trinta dias é diferente de contratar uma plataforma para toda a empresa. Usar dados não sensíveis é diferente de conectar o sistema ao cadastro de clientes. Apoiar uma decisão humana é diferente de delegá-la. A velocidade adequada vem do desenho da experiência, não da pressa para assinar o contrato.

Também há casos em que não agir custa mais. Se concorrentes já reduzem prazos, se clientes abandonam uma jornada lenta ou se conhecimento crítico está saindo com profissionais experientes, esperar por uma tese perfeita pode destruir valor. Nesses casos, a urgência fortalece a necessidade de um teste bem escolhido. Ela não autoriza pular a definição do problema.

A primeira decisão da Fase Zero

A inteligência artificial criou uma oferta abundante de respostas. A escassez migrou para a qualidade das perguntas que antecedem o investimento.

A Fase Zero começa antes do software, do fornecedor e do cronograma. É o momento de transformar uma intenção em uma hipótese econômica; uma hipótese em premissas verificáveis; e premissas em um teste capaz de justificar avanço, restrição ou abandono. Não elimina risco. Torna o risco visível cedo, quando mudar de direção ainda custa pouco.

A empresa que aprende a fazer isso não investe menos em tecnologia. Investe com uma tese melhor. Ela pode descobrir que precisa primeiro padronizar o processo, corrigir a informação, renegociar a responsabilidade, escolher uma solução mais simples ou não usar IA. Pode também encontrar um caso em que avançar rapidamente é a decisão mais prudente.

Na próxima reunião de diretoria, antes de discutir qual IA comprar, vale colocar uma frase na mesa: quais fatos, se forem falsos, tornam este investimento uma má decisão?

“A empresa que aprende a formular antes de comprar não investe menos em tecnologia. Investe com uma tese melhor.”

Sua empresa está avaliando um investimento em IA, produto digital ou transformação, mas ainda não possui clareza suficiente para avançar? Escreva para vinicius.debian@theneil.com.br com FASE ZERO no assunto e descreva a decisão que precisa ser tomada.

Fontes:

1. McKinsey & Company. “The State of AI: Global Survey 2026”. Pesquisa global; os percentuais representam respostas dos participantes e não auditorias financeiras. Acessar fonte

2. Cetic.br | NIC.br. “Uso de Inteligência Artificial por empresas brasileiras avança e atinge 17%”. TIC Empresas 2025, 4.174 empresas entrevistadas. Acessar fonte

3. Cetic.br | NIC.br. “Empresas contratam soluções de IA no setor privado, mas parcerias com universidades ainda são limitadas”. TIC Empresas 2024. Acessar fonte

4. Brynjolfsson, Erik; Li, Danielle; Raymond, Lindsey R. “Generative AI at Work”. NBER Working Paper 31161; versão publicada no Quarterly Journal of Economics em 2025. Acessar fonte

5. Dell’Acqua, Fabrizio et al. “Navigating the Jagged Technological Frontier”. Harvard Business School AI Institute. Experimento de campo com 758 consultores. Acessar fonte

6. Becker, Joel et al. “Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity”. METR. Estudo limitado a 16 desenvolvedores e 246 tarefas. Acessar fonte

7. National Institute of Standards and Technology. “AI Risk Management Framework Core”. Estrutura voluntária de governança, mapeamento, medição e gestão. Acessar fonte

8. Stanford Institute for Human-Centered AI. “2026 AI Index Report: Economy”. Síntese sobre investimento, adoção e uso empresarial de IA. Acessar fonte

Você já conhece a experiência: a gravação diz que sua ligação é muito importante e passa os quinze minutos seguintes provando o contrário; agora imagine uma pequena melhoria, para falar com uma pessoa basta assinar o plano premium. Parece piada de mal gosto, mas este cenário pode virar o desenho básico nova da economia em pouco tempo.

Na semana passada, Bill Gates publicou um ensaio sobre as escolhas que o mundo precisa fazer diante da inteligência artificial. A ideia que ficou na minha cabeça tem um nome bem pitoresco: Human Reserved, algo como “reservado aos humanos”.

Gates compara esse espaço a uma reserva natural, um lugar que escolhemos preservar porque a perda seria grande demais; lembra dos profissionais que cuidaram de seu pai durante o Alzheimer, gente capaz de perceber fome, medo e desconforto quando o paciente já não conseguia se explicar. Uma máquina talvez reconheça sinais, cuidar exige assumir responsabilidade diante de alguém.

A proposta é bonita e traz uma armadilha escondida: o trabalho humano pode sobreviver, enquanto o acesso a ele desaparece para boa parte da população.

Uma pesquisa da Gartner com 3.566 clientes ajuda a enxergar o problema: metade disse que a IA facilitou o atendimento, enquanto 87% consideram essencial ter acesso a uma pessoa. Ela virou a saída de emergência, ninguém quer usá-la o tempo todo, todo mundo quer saber onde fica a porta.

Essa porta custa dinheiro, uma conversa exige salário, treinamento e liberdade para lidar com casos estranhos; o sistema automático atende mais um cliente por um custo próximo de zero. A planilha faz o resto: o público comum recebe a máquina, contas valiosas chegam ao gerente, quem paga mais ganha um telefone que alguém atende.

Minha hipótese é que parte da desigualdade criada pela IA terá essa aparência: ricos serão atendidos por pessoas usando máquinas muito boas, pobres serão atendidos apenas pelas máquinas.

Num pedido de pizza, isso irrita, numa decisão sobre crédito, benefício social, diagnóstico ou demissão, muda uma vida. Esses casos pedem alguém capaz de ouvir uma história fora do formulário e responder pelo resultado, por isso a União Europeia classifica sistemas usados em emprego, crédito e serviços essenciais como aplicações de alto risco.

O detalhe incômodo está na palavra “humana”, colocar uma pessoa para confirmar automaticamente o que aparece na tela produz teatro, não supervisão.

Para reservar decisões importantes a pessoas, ainda precisaremos formar gente capaz de tomá-las, um problema que passa longe dos discursos sobre produtividade.O Stanford Digital Economy Lab analisou dados de milhões de trabalhadores americanos e encontrou uma diferença de 19% no emprego de jovens em ocupações mais expostas à IA; o trabalho não desapareceu, o problema surgiu na porta de entrada.

Ninguém nasce especialista, o advogado que percebe uma cláusula absurda já revisou contratos simples, a médica que desconfia de um exame aprendeu observando casos rotineiros, o analista experiente começou montando planilhas. Quando todo o trabalho de iniciante é automatizado e o julgamento fica com os veteranos, inventamos uma carreira sem começo.

A Organização Internacional do Trabalho encontrou sinais parecidos: os ganhos de produtividade são reais, continuam desiguais e ainda não produziram uma onda ampla de demissões; as oportunidades para jovens e a qualidade do trabalho já pedem atenção.

Human Reserved também precisa reservar o aprendizado, por uma razão prática: a empresa que elimina a base da profissão reduz seu estoque futuro de gente capaz de perceber quando a máquina está errada.

Bill Gates publicou um ensaio recente em seu Gates Notes sugerindo esta medida reservando ocupações. Eu provavelmente começaria reservando momentos. A inteligência artificial pode preencher formulários, organizar exames e explicar uma cobrança; a presença humana passa a ser obrigatória quando há dúvida, consequência grave ou contestação. Quanto maior o dano possível, menor deve ser a distância até alguém com autoridade real.

Os governos ainda estão longe disso, a OCDE encontrou uso de IA em 35 dos 36 países avaliados, somente 8 tinham mecanismos de reclamação dos cidadãos durante a implementação. A máquina entrou pela porta da frente, o recurso continua procurando a campainha.

Na saúde, a Organização Mundial da Saúde encontrou outro descompasso: apenas um em cada cinco países pesquisados oferecia formação em IA antes da qualificação, quase 40% ainda não tinham orientação ética. Supervisão humana sem treinamento é um nome tranquilizador num organograma, pouco mais.

Empresas podem agir antes da lei, começando pelas jornadas que afetam renda, saúde, reputação ou direitos. Cada uma precisa de uma rota curta até alguém capaz de rever o caso e precisa medir quem chega a essa pessoa, porque uma escalada que varia conforme o plano, o CEP ou a renda revela quem o sistema considera digno de ser ouvido.

Gates tem razão ao lembrar que a IA pode levar orientação médica, educação e serviços públicos a quem hoje não recebe nada, uma primeira resposta barata pode mudar milhões de vidas, desde que “primeira” não vire “única”.

Human Reserved talvez funcione melhor como um acordo simples, máquinas cuidam da escala, pessoas permanecem disponíveis para dúvida, exceção, cuidado e recurso, jovens continuam entrando para aprender a fazer isso bem.

Quando a máquina disser não, quanto custará ouvir um humano dizer: “deixe-me olhar”? Pense nisso.

Fontes utilizadas:

1. Gates Notes. “The turbulent AI era is here. The choices we make now are critical”, 1 set. 2026. https://www.gatesnotes.com/a-turbulent-ai-era-and-critical-choices-to-make

2. Gartner. “87% of Customers Say Companies Using GenAI for Customer Service Must Provide Access to a Human Agent”, 4 ago. 2026. https://www.gartner.com/en/newsroom/press-releases/2026-08-04-gartner-survey-finds-87-percent-of-customers-say-companies-using-genai-for-customer-service-must-provide-access-to-a-human-agent0

3. Stanford Digital Economy Lab. “Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence”, revisão de 12 ago. 2026. https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/

4. International Labour Organization. “The impact of GenAI on jobs, productivity and work organization”, 1 jun. 2026. https://www.ilo.org/publications/impact-genai-jobs-productivity-and-work-organization-review-empirical

5. OECD. “Adopting and governing AI in government”, Digital Government Outlook 2026, jun. 2026. https://www.oecd.org/en/publications/2026/06/digital-government-outlook_4585678e/full-report/adopting-and-governing-ai-in-government_7ef312a9.html

6. OECD. “Building human-centred and proactive government services in the digital age”, Digital Government Outlook 2026, jun. 2026. https://www.oecd.org/en/publications/2026/06/digital-government-outlook_4585678e/full-report/building-human-centred-and-proactive-government-services-in-the-digital-age_7cc9d8c5.html

7. World Health Organization. “Govern AI in health before the gaps become irreversible”, 15 jul. 2026. https://www.who.int/europe/news/item/15-07-2026-statement---govern-ai-in-health-before-the-gaps-become-irreversible

8. European Commission. “AI Act”, atualização consultada em 8 set. 2026. https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

Toda semana aparece uma inteligência artificial “revolucionária”. O nome muda e alguém anuncia que o mundo nunca mais será o mesmo. Dá até um pouco de preguiça.

O lançamento do GPT-6 Astra, na quinta-feira, merece atenção por um motivo bem menos espetacular que a conversa sobre robôs superinteligentes. Ele foi criado para ficar mais tempo dentro do trabalho.

Pense no ChatGPT que a maioria conhece. Você faz uma pergunta e ele responde. Você lê, corrige e pede outra coisa. É uma conversa com uma máquina muito rápida.

O Astra tenta ir além dessa troca. Ele recebe uma tarefa, abre ferramentas, mexe em arquivos, consulta informações, percebe quando algo falhou e continua. Nas demonstrações da OpenAI, o modelo preparou uma declaração de imposto a partir de um formulário, trabalhou num contrato, diagramou uma placa de circuito, construiu uma cena em três dimensões e usou programas científicos.

O salto está aí: a IA começa a trocar o papel de conselheira pelo de executora.

Isso parece uma diferença pequena até você imaginar a rotina. Pedir sugestões para uma apresentação economiza vinte minutos. Entregar os dados, o modelo visual e as regras da empresa, sair para almoçar e voltar com a apresentação pronta mexe na agenda inteira. O produto deixa de ser uma boa resposta e vira tempo devolvido.

A OpenAI publicou números que chamam atenção. O Astra teve desempenho melhor em tarefas realizadas dentro de softwares reais. Também avançou em ciência e matemática. A empresa afirma que o modelo ajudou a melhorar resultados sobre lacunas entre números primos, um problema que pesquisadores estudam há décadas.

Em segurança digital, a história ficou mais séria. Astra foi o primeiro modelo da OpenAI classificado no nível Critical. Em português claro: com as ferramentas certas, ele consegue encontrar falhas desconhecidas em sistemas protegidos e desenvolver formas de explorá-las sem precisar de uma pessoa guiando cada passo.

Durante uma avaliação, encontrou duas falhas que ainda não eram conhecidas. A OpenAI disse que avisará os responsáveis pelos programas afetados.

Essa capacidade pode ajudar equipes de segurança a corrigir problemas antes de um ataque. Nas mãos erradas, o mesmo talento pode acelerar invasões. Por isso, parte das funções mais avançadas ficará restrita, e o modelo ganhou camadas extras de monitoramento.

Para quem trabalha fora da bolha de tecnologia, a conta é simples. Quanto mais tempo uma IA age sozinha, mais longe um erro consegue viajar.

Imagine que Astra esteja preparando uma análise para comprar uma empresa. Ele encontra um número antigo, usa esse número numa conta, leva a conta para uma projeção e transforma a projeção em slides impecáveis. O erro nasceu pequeno. Vinte passos depois, parece uma recomendação profissional.

Uma resposta errada costuma morrer na tela, mas u trabalho errado pode chegar à reunião do conselho.

Astra foi treinado para respeitar limites e avisar quando está inseguro. A OpenAI diz que ele se sai melhor nisso que os modelos anteriores. Ainda estamos falando de testes feitos ou divulgados pela própria empresa. Vida real tem sistema fora do ar, planilha mal preenchida, pedido confuso e chefe que muda de ideia no meio do caminho. Nenhum benchmark consegue reproduzir esse caos inteiro.

O Astra também ganhou uma memória melhor para trabalhos longos. No Codex, a ferramenta da OpenAI para programação, ele pode guardar notas e pesquisar trechos antigos da conversa. Isso ajuda a lembrar requisitos, testes e caminhos que já deram errado. Parece banal, mas a memória decide se um trabalho longo avança ou recomeça.

Grande parte do trabalho de uma empresa consiste em lembrar por que algo foi decidido. Projetos atrasam porque a equipe repete uma discussão de três meses atrás. Sistemas quebram porque ninguém encontra a razão de uma escolha. Pessoas saem e levam contexto junto.

Uma IA capaz de voltar ao passado pode evitar parte desse desperdício. Também pode preservar uma interpretação errada com enorme disciplina. Memória aumenta coerência e verdade continua exigindo prova.

Toda empresa terá de responder perguntas muito simples: qual trabalho pode ser entregue inteiro a uma máquina? Em quais momentos ela precisa pedir autorização? Quem confere o resultado? O que acontece quando passa duas horas seguindo o caminho errado?

As primeiras tarefas serão fáceis de conferir: pesquisar preços, organizar documentos, comparar propostas, montar um rascunho. Depois virão trabalhos maiores. Cada aumento de autonomia precisará vir acompanhado de memória, registro e um botão de parar que funcione de verdade.

Mas o que mudou a partir desta ultima quinta-feira?

Greg Brockman, presidente da OpenAI, disse que Astra talvez marque a chegada da inteligência artificial geral, a famosa AGI. Essa discussão vai render meses de posts, podcasts e brigas entre especialistas.

Eu ficaria de olho numa mudança mais próxima. O chatbot começou a sair da caixa de conversa. Agora ele quer entrar no navegador, na planilha, no programa de engenharia, no sistema financeiro e no arquivo que você ainda nem abriu.

Para empresas, a oportunidade é enorme. O modelo pode devolver horas, acelerar projetos e permitir que equipes pequenas façam trabalhos antes reservados a estruturas maiores.

O risco também é fácil de entender. Uma máquina rápida, paciente e bem articulada consegue fazer muita coisa antes que alguém perceba que ela entendeu a tarefa do jeito errado.

O futuro da IA também será decidido por uma habilidade muito humana: saber quando o trabalho acabou.

No início de agosto, uma reportagem da WIRED registrou uma cena curiosa. Josh Miller, CEO da The Browser Company, comentou que quase ninguém fora do setor de tecnologia falava sobre agentes de IA

Não era falta de capacidade. O navegador Dia já usava essa tecnologia em um de seus recursos mais populares: um briefing matinal que reunia agenda, mensagens, tarefas e até uma obra de arte. A pessoa abria o computador e encontrava a manhã organizada, sem precisar configurar um “agente” ou sequer saber que havia um funcionando por trás da tela

Esse detalhe traz uma lição importante para toda a indústria: as pessoas raramente compram uma tecnologia, elas compram o alívio que ela produz

Ninguém acorda querendo “orquestração de agentes”. As pessoas querem chegar preparadas a uma reunião, resolver uma reclamação, conferir um documento ou simplesmente entender o que precisa ser feito naquele dia

Mas, afinal, o que é um agente de IA?

Em termos simples, é um software que recebe um objetivo e executa uma série de etapas para alcançá-lo. Pode consultar informações, usar ferramentas, organizar arquivos, atualizar sistemas e até pedir ajuda quando encontra algo que não consegue resolver sozinho. A diferença para um chatbot é bastante direta: o chatbot responde, o agente executa.

E é justamente aí que começa o desconforto.

Quando um sistema deixa de apenas sugerir e passa a agir, a conveniência vem acompanhada de algumas perguntas inevitáveis: o que ele pode acessar? Quanto pode gastar? Quando precisa pedir aprovação? Quem responde se alguma coisa der errado?

Talvez o público não esteja atrasado, mas fazendo um cálculo bastante sensato: as pessoas querem ajuda, mas não necessariamente autonomia total.

Uma pesquisa da Accenture com 25.590 consumidores em 16 países mostra bem essa fronteira. Segundo o estudo, 74% aceitariam delegar tarefas rotineiras, como negociar uma oferta ou conduzir uma reclamação, desde que o agente seguisse instruções claras. Esse número cai para 32% quando o sistema precisa decidir o que comprar, mantendo o pagamento sob responsabilidade da pessoa. Em uma compra totalmente autônoma, apenas 9% demonstraram disposição

São intenções declaradas, não comportamento observado, mas o desenho faz sentido. Primeiro delegamos o incômodo, depois pensamos em delegar a escolha

Aceitamos ajuda para renovar uma assinatura. Já entregar para uma máquina a escolha de uma viagem, de um presente ou de um investimento é outra história

No trabalho acontece algo parecido. Um levantamento do Stanford SALT Lab, com 1.500 trabalhadores em 104 ocupações, mostrou uma preferência relevante por uma parceria equilibrada entre pessoas e tecnologia. A falta de confiança apareceu em 45% dos receios analisados

As pessoas não querem necessariamente fazer tudo sozinhas. Também não querem descobrir tarde demais que perderam o controle

Por isso, a adoção tende a acontecer em degraus. Primeiro a IA prepara. Depois recomenda. Em seguida executa, mas dentro de limites. A autonomia aumenta conforme existe histórico, possibilidade de correção e alguém claramente responsável pelo resultado. É por isso que a melhor inteligência artificial tende a parecer um serviço bem feito.

Tecnologias maduras escondem sua complexidade. Você aproxima o cartão e o pagamento acontece. Aperta o botão do elevador e chega ao andar desejado. Por trás disso existem sensores, regras, redes, sistemas e manutenção, mas nada disso precisa ocupar sua atenção

Com os agentes de IA, a tendência é parecida.

Para quem usa, a experiência pode acabar resumida a quatro coisas: um pedido, um sinal de andamento, um resultado e uma forma clara de intervir. Nos bastidores, porém, a exigência aumenta. O sistema precisa receber apenas os acessos necessários, registrar o que fez e reconhecer quando não tem certeza

Uma ação simples e reversível pode acontecer automaticamente. Uma ação que envolve dinheiro, reputação, segurança ou uma obrigação legal merece confirmação humana. E isso fica ainda mais importante em soluções especializadas.

Na mineração, por exemplo, a NORA, da Apy Mine, organiza documentos e verifica evidências relacionadas a obrigações regulatórias. O profissional não está comprando um “agente de IA”. Está recebendo uma preparação mais organizada, fontes rastreáveis e pendências visíveis. A decisão técnica continua com quem tem responsabilidade por ela.

Esse é o ponto central: esconder a complexidade melhora o produto, mas esconder a responsabilidade destrói a confiança.

O problema é que existe uma versão perigosa desse futuro, em que o sistema parece eficiente, mas ninguém consegue explicar por que tomou determinada decisão. O custo cresce sem aparecer, uma regra ruim é aplicada centenas de vezes e uma exceção legítima acaba virando erro porque a máquina não entendeu o contexto

Transparência total também não resolve. Se cada passo exigir uma autorização, a automação deixa de ser automação e vira uma fila de interrupções. O caminho está em estabelecer limites proporcionais ao risco, dando mais liberdade para o que é simples e reversível e exigindo supervisão humana quando as consequências são maiores.

Uma tarefa rotineira e reversível pode ter mais liberdade. Uma ação sensível pede aprovação. Uma situação nova sobe para uma pessoa. Tudo deixa um rastro. E desligar o sistema precisa continuar sendo uma opção real

O desafio das empresas não é tornar o agente invisível. É tornar o trabalho simples sem tornar a responsabilidade invisível junto com ele.

Daqui a alguns anos, talvez “agente de IA” soe tão técnico quanto “aplicativo conectado à internet”. A arquitetura continuará existindo, mas provavelmente falaremos cada vez menos sobre ela

As empresas que vencerem essa transição não serão necessariamente aquelas que exibirem mais agentes. Serão as que conseguirem delegar mais trabalho sem perder contexto, limites e responsabilidade

A interface será o lugar da calma. A complexidade ficará nos bastidores

E o cliente reconhecerá a inteligência artificial não pelo nome da tecnologia, mas por uma sensação muito mais simples e muito mais valiosa: alguma coisa difícil simplesmente funcionou.

Fontes utilizadas:

WIRED — Why Normal People Aren’t Using AI Agents, 6 ago. 2026

Accenture — Talk to My AI Agent, 3 jun. 2026

Stanford SALT Lab — Future of Work with AI Agents

Anthropic — Building Effective AI Agents

Apy Mine — Regulatory Intelligence for Provable Decisions

Todo mundo prefere operar com fornecedores grandes. Eles têm escala, segurança, gente de plantão e uma quantidade reconfortante de certificados. Durante muito tempo, depender de um fornecedor de tecnologia parecia um problema simples. Se o serviço funcionasse, o resto ficava por conta do contrato, da integração e do preço.

Com o avanço do uso da IA, esse cenário começou a mudar.

Na sexta feira, 14 de agosto, a Axios mostrou que o governo americano já discute como modelos abertos poderão entrar no mesmo perímetro de avaliação reservado aos sistemas mais avançados. A notícia parece burocrática, mas aponta para algo maior: a inteligência digital começa a ter fronteiras, restrições de acesso e regras de circulação.

Dois meses antes, isso tinha deixado de ser uma discussão abstrata. Em 12 de junho, uma ordem de controle de exportação dos Estados Unidos levou a Anthropic a restringir o acesso de estrangeiros a dois de seus modelos mais poderosos, inclusive funcionários da própria empresa. Como não conseguia verificar a nacionalidade dos usuários em tempo real, a companhia desligou os modelos para todos.

A restrição foi retirada em 30 de junho: o Fable 5 voltou ao mercado global e o Mythos 5 retornou de maneira limitada.

As imagens que motivaram esta edição acertam em um ponto importante: um governo conseguiu interferir no acesso a uma camada de inteligência usada por empresas de outros países. Elas exageram quando falam em milhares de operações afetadas, porque não encontrei uma contagem pública que permita confirmar esse número. Não é preciso ir tão longe. O episódio já mostra o tamanho do problema.

Até pouco tempo atrás, quando se falava em dependência tecnológica, pensávamos principalmente em infraestrutura. Servidores, sistemas, contratos, integrações, custos de migração.

Agora existe outra camada.

Um modelo de IA pode analisar documentos, escrever código, atender clientes, interpretar informações e ajudar em decisões. Ele começa a participar do trabalho cotidiano. Se deixa de estar disponível, a empresa não perde apenas uma ferramenta. Algumas tarefas simplesmente deixam de acontecer da mesma maneira.

E o motivo da interrupção pode estar muito longe da área de tecnologia. Pode ser uma falha técnica, uma decisão comercial, uma sanção, uma disputa militar ou uma mudança regulatória. Pode acontecer em outro país e afetar uma empresa que nunca teve qualquer relação direta com aquela decisão.

Nenhum SLA resolve esse tipo de problema.

A Europa já começou a tratar a questão dessa maneira. Seu Cloud Sovereignty Framework avalia fornecedores em 48 critérios, incluindo jurisdição, dados, operação, cadeia de suprimentos, tecnologia e segurança. A AWS também abriu uma região soberana fisicamente e logicamente separada das demais regiões na União Europeia.

A mudança é interessante porque soberania começa a sair dos documentos de política pública e entrar na especificação dos produtos. Existe uma ironia nisso. Uma empresa americana pode vender para a Europa a infraestrutura que ajuda a reduzir a dependência de empresas americanas.

Mas isso também mostra por que a discussão não pode ser reduzida a “ter tudo dentro de casa”. Autonomia completa custa caro, exige manutenção permanente e pode resultar em estruturas mais complexas do que o problema original.

A questão mais prática é outra: quanto da nossa operação continua funcionando se o fornecedor mudar as regras?

A partir daí, soberania ganha um significado mais concreto. Uma empresa não precisa construir seu próprio modelo de IA. Precisa saber o que acontece se tiver de trocar o modelo que usa hoje.

Dados exportáveis são importantes, mas não resolvem tudo. Também é preciso preservar o contexto, os critérios, as avaliações, a memória e as permissões que fazem aquela IA funcionar dentro da empresa.

Se tudo isso fica preso à plataforma de um único fornecedor, a troca deixa de ser uma simples substituição de tecnologia. Pode significar reconstruir parte do processo.

É aí que a dependência fica mais profunda.

O Gartner estima que 35% dos países estarão presos a plataformas regionais de IA até 2027, ante 5% em 2026. Entre as recomendações aos CIOs está o desenho de fluxos capazes de funcionar com diferentes modelos, com uma camada de orquestração que permita alternar fornecedores e regiões.

É uma recomendação técnica, mas o problema que ela tenta resolver é bem empresarial: quanto tempo e dinheiro custa sair de um fornecedor quando você precisa sair?

O Brasil também começa a lidar com essa questão. O Governo Digital registra 182 soluções de IA em operação e 144 órgãos planejando assistentes. Em 2025, apenas 41 órgãos possuíam diretrizes definidas. O Plano Brasileiro de Inteligência Artificial prevê infraestrutura nacional e modelos em português.

A diferença entre adoção e governança chama atenção. Colocar uma IA para funcionar ficou relativamente fácil. Criar as condições para substituí-la ainda é muito mais trabalhoso.

Uma maneira simples de descobrir o tamanho dessa dependência é fazer um teste: tire o modelo principal da operação por 48 horas.

O que para? Quais tarefas continuam? Quais decisões perdem qualidade? Que informações não podem ser levadas para outro fornecedor? Quanto tempo demora para colocar uma alternativa de pé? E quem decide se a empresa aceita uma queda temporária de desempenho durante a troca?

O teste também ajuda a evitar outra armadilha: achar que ter dois fornecedores significa necessariamente ter redundância.

Pode não significar nada disso. Os dois podem depender da mesma nuvem, dos mesmos chips ou da mesma jurisdição. Podem parecer alternativas diferentes e, na prática, compartilhar o mesmo ponto de falha.

Por isso, não faz sentido criar redundância para tudo. O mais importante é descobrir quais processos não podem parar e quanto custaria ficar sem eles.

Essa discussão deve chegar cada vez mais aos conselhos de administração. Não apenas como uma questão de tecnologia, mas ao lado de temas que já fazem parte da gestão de risco, como liquidez, cibersegurança e concentração de fornecedores.

No caso da IA, existe uma medida particularmente simples para começar a acompanhar: quanto tempo a empresa leva para trocar de modelo e voltar a operar em um nível aceitável.

Não importa tanto quantos modelos estão contratados, importa saber o que acontece quando um deles deixa de estar disponível.

O trabalho começa antes disso. A lógica do negócio precisa estar separada da lógica do modelo. As avaliações precisam ser da empresa, não apenas do fornecedor. Memória e permissões precisam estar em uma camada que a empresa consiga controlar. Uma alternativa precisa existir e, mais importante, precisa ter sido testada.

É aí que a discussão sobre soberania fica menos abstrata.

Não se trata de abandonar os grandes fornecedores, construir um modelo próprio ou manter uma cópia de tudo. Trata-se de saber onde a dependência realmente está e quanto esforço seria necessário para sair dela.

O primeiro passo, portanto, não exige servidores novos nem uma nova área de tecnologia. Tudo começa com uma pergunta bastante simples: Se esse fornecedor deixar de estar disponível amanhã, quanto da nossa operação vai junto? Se a resposta for difícil de dar, provavelmente já existe um problema para resolver.

No fim, soberania é isso: conseguir trocar de fornecedor sem descobrir tarde demais que a operação dependia dele para continuar funcionando.

Fontes de Pesquisa:

Open source AI faces more government scrutiny. Axios, 14 ago. 2026. Sinal da semana sobre a ampliação do escrutínio governamental a modelos abertos.

Redeploying Claude Fable 5. Anthropic, 30 jun. 2026. Cronologia oficial da suspensão, retirada dos controles e retomada parcial dos modelos.

Anthropic says it has taken its latest AI models offline. Associated Press, 13 jun. 2026. Cobertura independente da ordem de controle de exportação e de seu efeito imediato.

Sovereign Cloud Framework explained. Comissão Europeia, 1 jun. 2026. Estrutura europeia com 48 critérios de soberania e resiliência.

Gartner predicts 35% of countries will be locked into region specific AI platforms. Gartner, 29 jan. 2026. Estimativa de lock in regional e recomendações para fluxos agnósticos a modelos.

AWS European Sovereign Cloud achieves first compliance milestone. AWS, 10 mar. 2026. Evidência da transformação da soberania em oferta de infraestrutura comercial.

Inteligência Artificial. Governo Digital, consulta em 16 ago. 2026. Indicadores oficiais de adoção e governança de IA no Poder Executivo federal.

Plano Brasileiro de Inteligência Artificial. MCTI, 2024 a 2028. Objetivos de infraestrutura nacional, modelos em português e soberania tecnológica.

Durante anos, automação de processos serviu para descrever quase qualquer tentativa de reduzir trabalho manual. Uma macro no Excel, um robô copiando dados entre sistemas, um formulário digital, uma integração capaz de eliminar uma etapa.

A lógica era simples: havia uma tarefa feita por uma pessoa e a tecnologia tentava executá la com menos esforço. Isso continua funcionando, só que explica cada vez menos o que está acontecendo agora. Pense em uma operação de compras. Alguém solicita um produto ou serviço, existe uma especificação, fornecedores enviam propostas, regras internas precisam ser respeitadas, preços são comparados, aprovações são solicitadas e, em algum momento, aparece uma situação que não estava prevista.

Ao longo dos anos, praticamente todas essas etapas ganharam algum tipo de sistema. O ERP registra uma parte, o email carrega outra, a planilha ajuda na análise e documentos guardam contratos, regras e evidências. Mesmo assim, alguém ainda precisa juntar as informações, entender o que aconteceu e decidir o que fazer em seguida.

Essa parte é importante porque costuma passar despercebida quando se fala em automação. O problema costuma aparecer quando uma etapa termina e alguém precisa descobrir o que fazer depois.

Em uma análise publicada em abril de 2026, a McKinsey usou os workflows como unidade para estudar o impacto da inteligência artificial sobre o trabalho. A pesquisa analisou mais de 190 fluxos distribuídos por 16 funções, incluindo áreas como finanças, manufatura, saúde, agricultura, educação e serviços profissionais. A escolha do workflow ajuda a enxergar uma coisa que a análise de tarefas isoladas costuma esconder.

Conferir os dados de uma fatura é uma tarefa. O processo de conferencia pode envolver receber o documento, identificar o fornecedor, encontrar o pedido correspondente, conferir valores, consultar regras, perceber uma inconsistência, decidir quem deve analisar o caso e registrar o resultado.

Automatizar cada uma dessas partes separadamente produz pequenas melhorias. Fazer o processo inteiro funcionar de maneira coordenada exige outra uma camada de tecnologia. É aí que a inteligência artificial começa a ter uma função diferente.

O sistema precisa entender o que recebeu, buscar informações em outros lugares, aplicar uma regra, reconhecer quando algo foge do padrão e seguir apenas pelos caminhos que estão autorizados. Depois, precisa deixar registrado o que fez para que outra pessoa possa verificar ou assumir o caso.

Grande parte do trabalho administrativo está nesse vai e vem. O comprador explica uma situação para o financeiro, alguém procura um documento, o jurídico consulta uma regra. Falta uma informação, o pedido volta, chega uma nova versão e, antes de seguir, alguém precisa entender o que aconteceu até aquele momento. São tarefas simples, mas alguém precisa fazer todas elas funcionarem juntas para o processo seguir.

Durante muito tempo, computadores tiveram dificuldade para participar desse tipo de trabalho porque uma parcela importante das informações não estava organizada em campos previsíveis. Ela estava em contratos, relatórios, emails, imagens, pareceres, políticas internas e documentos escritos para serem interpretados por pessoas.

Os modelos atuais conseguem interpretar uma quantidade muito maior desse material. Uma regra que antes precisava ser consultada por alguém pode, então, orientar diretamente a análise e indicar o que deve acontecer em seguida.

Imagine uma empresa que recebe centenas de documentos de fornecedores. Cada documento precisa atender a determinadas exigências. Hoje, alguém pode precisar abrir o arquivo, procurar as informações relevantes, comparar o conteúdo com uma norma, identificar o que falta e devolver o documento quando encontra um problema.

A informação já está disponível, as regras estão documentadas e os arquivos estão armazenados. Ainda assim, alguém precisa fazer a relação entre essas coisas para verificar se o documento está correto e decidir o que fazer quando alguma exigência não é atendida.

Quando isso acontece, o documento pode ser recebido, interpretado, comparado com o padrão aplicável e encaminhado de acordo com o resultado. A pessoa entra quando aparece uma exceção, uma decisão ou uma responsabilidade que realmente depende de julgamento.

É nesse tipo de problema que começam a aparecer aplicações mais específicas de IA em ambientes regulados.

Um exemplo desse movimento aparece na Apy Mine, empresa americana fundada por brasileiros que atua com automação de processos de compliance. O NORA Templates, uma de suas soluções, estrutura normas, políticas e fluxos para apoiar validações, revisões, evidências e submissões. É um caso específico de uma mudança que começa a aparecer em diferentes tipos de operação.

Uma norma que antes existia como documento consultado por alguém pode passar a orientar diretamente uma validação. Um padrão técnico pode ser aplicado sobre documentos recebidos. Uma exigência regulatória pode fazer parte do fluxo operacional em vez de aparecer apenas quando chega o momento de uma auditoria.

Essa mudança não tem o mesmo apelo de um chatbot respondendo uma pergunta em poucos segundos. É justamente por isso que pode passar despercebida. Boa parte do valor da inteligência artificial nas empresas pode estar em problemas bem menos visíveis: organizar contexto, interpretar documentos, aplicar regras e decidir o que precisa acontecer depois.

Uma seguradora analisando um sinistro precisa reunir documentos, cobertura, histórico e evidências antes de chegar a uma decisão. Um banco avaliando uma solicitação precisa buscar informações em diferentes fontes. Uma indústria investigando uma falha precisa cruzar registros, especificações e evidências produzidas ao longo do processo.

Em todos esses casos, existe um volume considerável de trabalho antes da decisão propriamente dita. Alguém precisa reunir contexto suficiente para que outra pessoa possa decidir.

É uma parte do trabalho que raramente aparece nos indicadores de produtividade, mas consome tempo e profissionais qualificados. Quanto mais desse contexto puder ser organizado pelo próprio sistema, menos esforço será necessário apenas para preparar o caso.

Isso também ajuda a explicar por que algumas demonstrações de inteligência artificial impressionam tanto e certas implantações produzem resultados bem mais modestos.

Um agente pode escrever um relatório em segundos. O ganho desaparece rapidamente se alguém ainda precisar procurar os dados em três sistemas, abrir a norma em outro lugar, solicitar uma aprovação por email e registrar o resultado manualmente. A inteligência artificial resolveu uma etapa, mas o processo continuou dependendo da estrutura anterior.

Esse é provavelmente um dos pontos mais importantes da próxima fase da automação. O desafio não será apenas encontrar tarefas que a IA consegue executar. Será identificar processos em que documentos, regras, sistemas e decisões possam ser conectados de uma maneira que reduza o trabalho necessário para manter tudo funcionando.

A Apy Mine atua em um desses espaços, dentro de operações reguladas e com foco inicial na mineração. Seu portfólio reúne soluções como NORA, NORA Templates e MinerVault para problemas relacionados a validação regulatória, padronização, organização documental e governança de informações.

O caso é específico. A tendência que ele ajuda a ilustrar é bem maior.

A automação de processos pode estar deixando de ser uma questão de acelerar tarefas isoladas para se tornar uma questão de redesenhar como o trabalho percorre uma organização.

O ganho econômico aparece quando menos tempo é gasto carregando informações entre documentos, sistemas e departamentos e mais trabalho consegue avançar dentro do próprio fluxo.

As pessoas continuam necessárias onde há julgamento, responsabilidade e exceções que exigem experiência. O que pode diminuir é o trabalho de manter o processo andando entre uma etapa e outra.

Quando essa coordenação passa para o software, a empresa deixa de depender tanto de quem conhece o caminho de memória. E é aí que a automação começa a aparecer onde realmente importa: na forma como o trabalho é organizado e quanto custa fazê-lo acontecer.

Fontes de Pesquisa:

1. McKinsey — AI: Work partnerships between people, agents, and robots

2. McKinsey — Building the foundations for agentic AI at scale

3. McKinsey — Reimagining tech infrastructure for and with agentic AI

4. NIST — Software and AI Agent Identity and Authorization

5. NIST — Security Considerations for AI Agents

6. Apy Mine — Compliance Everywhere

Imagine uma segunda feira comum. Um funcionário precisa revisar rapidamente um contrato de fornecedor. Abre uma ferramenta de inteligência artificial, cola o documento inteiro e pede um resumo.

No meio do texto estão preços negociados, margens, nomes de clientes e uma senha que ninguém percebeu. A IA entrega um resumo excelente. O funcionário fecha a janela e volta ao trabalho, feliz com o resultado.

Mas para onde foi toda aquela informação?

Essa pergunta ficou mais interessante depois de uma pesquisa realizada por cientistas da Universidade de Tübingen, do Instituto Max Planck, da MATS Research e da empresa de segurança Snyk.

Os pesquisadores descobriram uma forma de recuperar partes do raciocínio produzido por modelos de IA antes que eles apresentem uma resposta.

Funciona assim: quando você faz uma pergunta, modelos de raciocínio não necessariamente vão direto para a resposta final. Eles exploram caminhos, organizam informações, fazem inferências e constroem uma solução. Boa parte desse processo não aparece para o usuário.

Os pesquisadores encontraram uma brecha nessa proteção. Em testes envolvendo modelos avançados da OpenAI, Anthropic e Google, eles conseguiram explorar a forma como essas informações são transmitidas pelas APIs, as conexões utilizadas por aplicativos para conversar com os modelos.

O resultado foi desconfortavelmente concreto. Em alguns casos, foi possível recuperar fragmentos dos chamados reasoning traces. E, quando informações sensíveis estavam presentes nesses registros, apareceram também senhas e chaves de acesso.

As empresas foram avisadas e corrigiram a vulnerabilidade. Segundo os pesquisadores, porém, ainda é possível recuperar determinados fragmentos de raciocínio. O problema, portanto, não terminou com uma simples atualização.

E então a pesquisa ficou ainda mais interessante.

Os pesquisadores usaram a mesma técnica para comparar como diferentes modelos constroem suas respostas. Em determinados testes, o Kimi K3, desenvolvido pela chinesa Moonshot AI, apresentou padrões de raciocínio muito semelhantes aos observados no Claude Opus 4.8 e no GPT 5.6 Sol.

Pense numa prova de matemática: dois alunos podem chegar à mesma resposta por caminhos completamente diferentes. A suspeita aumenta quando eles usam as mesmas contas, na mesma ordem e fazem escolhas parecidas ao longo do caminho. Foi algo parecido com isso que os pesquisadores observaram.

Isso levanta uma possibilidade: o Kimi K3 pode ter aprendido, direta ou indiretamente, com raciocínios produzidos por modelos americanos.

Mas há uma diferença importante entre possibilidade e prova.

A pesquisa encontrou uma semelhança relevante, mas não demonstrou causalmente que o Kimi K3 foi treinado com raciocínios extraídos desses modelos.

A técnica em questão é conhecida como destilação. É um método legítimo e amplamente utilizado no desenvolvimento de modelos de IA, no qual um modelo pode aprender comportamentos ou capacidades observando outro modelo.

O próprio desenvolvimento do Kimi K3 utiliza técnicas de multi teacher on policy distillation. Portanto, a existência de destilação não é, por si só, evidência de cópia. Mas o que chamou a atenção dos pesquisadores foi a semelhança específica dos caminhos de raciocínio observados. Outros modelos, como DeepSeek e Inkling, não apresentaram o mesmo padrão nos testes citados.

Para um CEO de uma empresa industrial, de varejo ou de serviços, tudo isso pode parecer uma discussão distante entre laboratórios de IA. Até o momento em que um funcionário cola na ferramenta uma tabela de preços, uma proposta comercial, a fórmula de um produto ou dados de clientes.

Toda empresa tem informações protegidas por NDA, senha e advogado. Mas muitas delas já estão sendo colocadas em conversas com IA pelos próprios funcionários.

E é fácil entender por quê.

Copiar um documento e pedir uma análise leva segundos. Não parece uma transferência de dados para uma infraestrutura externa. Parece apenas mais uma janela aberta no computador.

É assim que segredos importantes começam a viajar sem cerimônia.

A boa notícia é que reduzir esse risco não exige transformar todos os funcionários em especialistas em segurança digital. A empresa pode definir quais ferramentas estão aprovadas, impedir o envio de senhas, separar documentos confidenciais, limitar acessos e estabelecer regras simples para o uso de informações sensíveis. Também pode registrar quais modelos recebem dados, quem utiliza cada sistema e o que acontece quando alguma coisa sai do esperado.

Na TheNeil, essa camada faz parte do desenho de um projeto de inteligência artificial. Antes de escolher o modelo mais famoso ou conectar uma nova ferramenta, é preciso entender quais dados vão circular, quem poderá acessá los e até onde o sistema poderá agir.

Esse cuidado não atrasa a inovação. Ele evita que uma boa ideia vire um problema jurídico, financeiro ou comercial alguns meses depois. Uma empresa da industria de reciclagem, por exemplo, pode usar IA para prever demanda, organizar rotas, analisar contratos, responder clientes e reduzir desperdícios. Nenhuma dessas oportunidades exige entregar junto suas margens, suas senhas e suas negociações.

A corrida da IA começou com uma disputa por respostas melhores. Agora estamos descobrindo que o caminho até a resposta também possui valor.

Para os laboratórios, esse caminho contém conhecimento. Para os concorrentes, pode oferecer um atalho. Para sua empresa, pode ser exatamente por onde um segredo deixa de ser segredo.

A IA vai (e deve) continuar trabalhando. A questão é: quem está decidindo o que ela pode saber e até onde ela pode ir?

Fontes de Pesquisa:

WIRED — A New Trick Reveals AI Models' Inner Thoughts

Kimi K3 — documentação e avaliação técnica

Snyk — AI Security / Reasoning Traces

Mark Zuckerberg, o fundador da Meta, publicou um manifesto de cerca de 6.500 palavras sobre o futuro da IA. Uma frase ficou na minha cabeça: cada pessoa poderá ter um agente pessoal de IA trabalhando 24 horas por dia para cuidar de assuntos como saúde, carreira, dinheiro, casa e relacionamentos.

Imagine isso numa situação bem comum. Você precisa renovar o seguro do carro, o agente já conhece seu orçamento, lembra o que deu errado na última apólice, pesquisa as opções, lê as condições e volta com duas escolhas que fazem sentido.

A Meta já colocou algumas peças dessa ideia na rua. Em julho, o Meta AI ganhou recursos para planejar tarefas, consultar calendário e correio eletrônico, criar apresentações e preparar atualizações recorrentes; um mês antes, a empresa disse que mais de um milhão de negócios usavam o Meta Business Agent no WhatsApp e no Messenger para atender clientes, recomendar produtos e fechar vendas.

Agora junte as duas pontas. Seu agente, que conhece suas preferências e tenta poupar seu tempo, encontra o agente da empresa, que conhece catálogo, estoque, preço e regras comerciais; você entra na conversa apenas quando a decisão merece atenção de verdade.

Isso já começa a aparecer no comércio. Em julho, a Visa anunciou compras reais feitas por agentes em sites europeus; a Mastercard e o Google criaram uma forma de registrar o que a pessoa autorizou, e o NIST trabalha em padrões para identificar quem delegou uma ação e até onde o agente pode ir.

As pessoas parecem dispostas a experimentar. Numa pesquisa da Accenture com 25.590 consumidores em 16 países, 74% disseram que entregariam ao agente tarefas como negociar ofertas ou resolver reclamações, e 37% dos compradores leais aceitariam trocar a marca favorita por outra que combinasse melhor com o que procuram.

Para quem lidera uma empresa, a mudança é bem prática: antes de tentar convencer o cliente, será preciso aparecer entre as opções que o agente decidiu mostrar. Para montar essa lista, a máquina procura informações fáceis de entender, como preço completo, disponibilidade real, prazo, garantia, devolução e histórico de entrega.

É aqui que SEO e descoberta por ferramentas de IA se encontram. Uma página que responde perguntas de verdade, deixa claro quem vende o quê, usa dados estruturados, cita fontes e mantém as informações atualizadas tem mais chance de ser encontrada, resumida e recomendada por buscadores, assistentes e agentes de compra.

Na prática, operação também vira comunicação. Se o estoque está errado, o prazo nunca é cumprido ou a política de troca fica escondida, o agente percebe; quando catálogo, atendimento e entrega contam a mesma história, a empresa fica mais fácil de escolher.

Seu próximo cliente continuará sendo uma pessoa e talvez chegue depois que seu agente pessoal de IA já pesquisou o mercado, comparou as opções e decidiu quais marcas merecem alguns minutos de atenção. Durante anos, empresas pagaram para conhecer melhor o cliente; agora também precisam aprender a explicar, de um jeito simples, por que vale a pena entrar na lista dele.

Fontes de pesquisa utilizadas:

Meta: The Future is for Everyone (10 ago. 2026)

Meta: Meta AI Doesn’t Just Think, It Acts (24 jul. 2026)

Meta: Be There for Every Customer With Meta Business Agent (3 jun. 2026)

Visa: Live agentic commerce transactions across Europe (2 jul. 2026)

Mastercard: Verifiable Intent for agentic AI commerce (5 mar. 2026)

NIST: Identity and Authority of Software Agents (5 fev. 2026)

Accenture: Talk to my AI agent (3 jun. 2026)

Hoje participei de uma reunião com uma empresa que se apresentava como especialista em inteligência artificial e soluções tailor made. A expressão carrega uma promessa interessante: entender profundamente o problema antes de construir. Em muitos casos, essa abordagem gera um valor verdadeiro.

Naquela videoconferência, porém, o termo parecia significar outra coisa. A empresa ainda estava descobrindo o próprio produto, mas já conseguia apresentar muitas possibilidades.

A pessoa abriu a reunião com uma sequência de “sistemas”. As interfaces carregavam aquela estética que virou quase um uniforme dos protótipos feitos com IA: menu lateral, cartões genéricos, ícones no lugar certo e nenhuma marca de uso real.

Algumas ideias eram boas. E talvez esse fosse o ponto mais desconfortável. Uma boa ideia, sozinha, perdeu grande parte do poder de convencimento. Hoje, qualquer pessoa com domínio básico das ferramentas consegue reproduzir uma tela convincente em poucas horas.

No meio da conversa, uma pergunta incômoda atravessou meu pensamento: o que exatamente eu estava avaliando ali?

Não por arrogância, era uma questão sobre o custo da atenção. Eu havia reservado tempo para conhecer uma empresa e estava sendo convidado a imaginar um futuro possível. O trabalho de separar hipótese, protótipo e produto tinha sido transferido silenciosamente para quem estava assistindo.

A IA produziu uma mudança que o mercado ainda está tentando entender. Ela não tornou engenharia, produto e operação igualmente acessíveis. Ela reduziu drasticamente o custo da superfície que costumava indicar que essas disciplinas existiam.

Software sempre teve algum teatro. Apresentações escondem integrações manuais, demonstrações seguem o caminho feliz e produtos aprendem a parecer simples antes de enfrentar a realidade.

A diferença agora está na escala. Uma pessoa consegue gerar em horas algo que antes exigia uma pequena equipe durante semanas. Interface, fluxo, texto comercial e vocabulário técnico chegam juntos. A sensação de completude aparece cedo demais.

O Developer Survey 2025 do Stack Overflow mostra parte dessa ambiguidade. Embora 84% dos respondentes usem ou planejem usar ferramentas de IA, 46% desconfiam da precisão das respostas, contra 33% que confiam. A ferramenta é excelente para explorar uma ideia. A conversa muda quando ela encontra dinheiro, permissões, dados sensíveis ou um cliente esperando resultado.

O METR encontrou uma tensão semelhante em um experimento com desenvolvedores experientes trabalhando nos próprios repositórios. Com ferramentas de IA do início de 2025, eles levaram 19% mais tempo, embora acreditassem ter trabalhado mais rápido. O estudo possui limitações e não invalida ganhos encontrados em outras tarefas. O ponto relevante está na distância entre fluência percebida e resultado medido.

A máquina consegue entregar uma sensação de progresso antes que o sistema tenha realmente avançado.

Quando a parte que aparece fica fácil demais, a gente precisa olhar melhor para o que realmente importa. Código continua tendo valor, mas nunca foi o único sinal de quem sabe construir algo que funciona.

A história da tecnologia é uma história de abstrações. Cada nova camada esconde parte da complexidade e libera mais pessoas para criar. Ferramentas no code e modelos generativos seguem essa mesma lógica: reduzem barreiras e colocam a construção nas mãos de mais gente.

Quem conhece um problema por dentro, tem curiosidade, disciplina e sabe pensar em sistemas pode construir algo extremamente relevante. A fronteira hoje está menos em escrever código e mais em entender o que está conectado, o que pode quebrar e quais impactos uma decisão pode gerar.

Quais premissas não podem quebrar? O que acontece quando um dado chega incompleto? Quem pode acessar determinada informação? Como o usuário desfaz uma ação? Onde entra revisão humana? Quanto custa manter? Quem responde quando o modelo parece seguro e está errado?

Por isso, uma interface pobre incomoda menos pela estética e mais pelo que pode revelar. Produtos reais acumulam estados de erro, permissões, confirmações, exceções e caminhos de recuperação. A experiência começa a carregar as marcas do trabalho encontrado.

Um template limpo pode ser apenas uma escolha visual, mas também pode indicar que ninguém ainda encontrou a realidade.

O uso do Claude ou de qualquer ferramenta generativa é uma prática legítima de exploração. O problema surge quando uma hipótese recebe o nome de sistema, um mockup recebe o nome de implantação e velocidade de geração passa a ser confundida com competência.

Protótipo é uma ferramenta poderosa quando continua sendo tratado como protótipo.

George Akerlof, economista americano vencedor do Prêmio Nobel, entrou para a história da economia ao explicar o mercado de carros usados. Quando o comprador não consegue diferenciar um carro bom de um ruim antes da compra, tende a oferecer um preço médio. O problema é que esse preço pune quem entrega qualidade e favorece quem entrega menos. Em casos extremos, a boa qualidade simplesmente abandona o mercado.

A inteligência artificial está criando uma versão digital desse problema. Empresas com arquitetura, segurança, engenharia e responsabilidade competem em um mercado onde três protótipos criados em um fim de semana podem parecer equivalentes no primeiro olhar.

Como a diferença não aparece no primeiro slide, todos entram na mesma comparação. O fornecedor sério perde margem, o aventureiro ganha atenção e o comprador se torna mais desconfiado na próxima reunião.

Os dados de adoção ajudam a explicar o ruído. A McKinsey encontrou uso regular de IA em 88% das organizações pesquisadas, mas apenas 39% identificaram algum impacto em EBIT no nível da empresa. A tecnologia avançou mais rápido do que a capacidade organizacional de transformar uso em resultado.

Isso também explica por que a primeira conversa comercial ficou mais difícil. Compradores pesquisam antes, eliminam opções antes e chegam com uma opinião formada. A frase “fazemos soluções personalizadas com IA” perdeu força porque milhares de empresas conseguem repetir exatamente a mesma promessa.

O mercado já começa a fazer perguntas diferentes.

Onde está rodando? Há quanto tempo? Com qual volume? Qual taxa de erro? Quanto custa operar? O que acontece quando a resposta sai do caminho esperado?

Um negócio maduro torna visível a história que o protótipo ainda não viveu: um problema claro, uma métrica definida, um cliente em produção, avaliações, limites conhecidos, arquitetura revisada, plano de rollback e alguém capaz de dizer “isso nós não construiríamos” e explicar o motivo.

A primeira reunião começa antes da agenda. Benchmark próprio, análise de falhas, estudo vertical e ponto de vista público mostram como uma empresa pensa. O diferencial não está no volume de conteúdo, mas na especificidade.

Quem conhece um problema por dentro fala das exceções sem precisar fingir intimidade.

Existe também um paradoxo no tailor made. A solução pode ser específica para cada cliente, mas a construção precisa acumular disciplina. Conectores, avaliações, segurança, observabilidade, implantação gradual e playbooks de adoção precisam evoluir a cada projeto. Sem esse núcleo reutilizável, personalização vira artesanato caro.

Talvez o caos atual seja o começo de um mercado mais exigente. O código ficará mais acessível, as interfaces continuarão parecidas e as ideias circularão depressa. A diferença estará na capacidade de entender onde um sistema falha, integrá-lo sem comprometer a operação e construir reputação suficiente para gerar confiança quando a novidade passar.

É justamente nessa camada menos visível que a TheNeil escolheu atuar. O ponto de partida é o trabalho real: onde a operação trava, onde existe desperdício, onde decisões custam caro e onde a autonomia pode gerar resultado.

A TheNeil transforma hipóteses em sistemas operacionais. Une estratégia, tecnologia, pessoas e execução para descobrir onde a inovação realmente cria valor para acompanhar sua evolução até que ela faça parte da rotina da empresa.

O protótipo é só o começo. A festa acaba quando ele encontra dados bagunçados, usuários fazendo coisas que ninguém previu, exceções que não estavam mapeadas e uma operação que precisa continuar funcionando na segunda-feira. E é nesse momento que a inovação deixa de ser uma apresentação bonita e começa a provar se realmente tem valor para o negócio.

Fontes:

George Akerlof, The Market for “Lemons”. Base econômica sobre assimetria de informação, qualidade e sinais de confiança.

Stack Overflow Developer Survey 2025, AI. Adoção, confiança, frustrações e depuração de código gerado por IA.

METR, AI Experienced Open Source Developer Study. Experimento randomizado sobre produtividade percebida e medida de desenvolvedores experientes.

Google Research, Hidden Technical Debt in Machine Learning Systems. Arquitetura e dívida invisível ao redor do código do modelo.

McKinsey, The State of AI. Adoção, escala, redesenho de workflows e impacto empresarial.

Gartner, Agentic AI Projects. Previsão de cancelamento de projetos e alerta sobre agent washing.

Harvard Business Review, AI-Generated Workslop Is Destroying Productivity. Pesquisa sobre trabalho com aparência de concluído que transfere esforço ao receptor.

Google Cloud, DORA Report 2025. IA como amplificador das forças e fragilidades do sistema organizacional.

Gartner, B2B Buyer Survey 2025. Preferência por compra sem representante e rejeição a abordagens irrelevantes.

NIST, AI Risk Management Framework. Referência para governança, mapeamento, mensuração e gestão de riscos de IA.

OWASP, Top 10 for LLM Applications 2025. Riscos técnicos e controles para aplicações baseadas em modelos de linguagem.

Anthropic, Building Effective Agents. Orientação para começar simples e adicionar complexidade apenas quando melhora resultados mensuráveis.

A empresa aprova o orçamento de IA e logo cria um comitê. Daí em diante, tudo passa a ser chamado de transformação e, quase num piscar de olhos, ela já se declara AI-first (sempre em inglês, porque, em português, a aposta parece grande demais).

Mas aí a realidade aparece. Tem ferramenta, treinamento, discurso, e-mail do CEO e uma comunicação impecável. Só as pessoas, essas inconvenientes, nem sempre fazem parte do plano.

Uns usam pouco, outros escondem o uso, alguns fingem que usam e há até os que conseguem usar tão mal que parece talento. E, claro, existem os que simplesmente sabotam. E isso não é força de expressão..

Uma pesquisa da Writer com a Workplace Intelligence, divulgada em abril de 2026, ouviu 2.400 trabalhadores do conhecimento nos Estados Unidos, Reino Unido e Europa, incluindo 1.200 executivos. Segundo o levantamento, 29% dos funcionários admitem ter sabotado de alguma forma a estratégia de IA da empresa. Entre trabalhadores da Geração Z, o número sobe para 44%.

Quase metade.

Mas convém respirar antes de transformar esse dado em mandamento. Como sinal, ele é valioso. Quem já viveu uma transformação corporativa por dentro sabe que a resistência quase nunca se apresenta de forma explícita. Ela aparece em pequenos atrasos, na procrastinação disfarçada e no cinismo cotidiano, quase sempre resumido em um: “Desculpa, não tinha visto esse e-mail”.

Também aparece em quem usa ferramentas não aprovadas, coloca informações da empresa em chatbots públicos, esse esporte radical praticado por quem acredita que compliance é frescura de burocrata. E se revela nas entregas mal feitas, quase de propósito, só para provar que "essa IA não funciona".

É infantil? Um pouco. É perigoso? Demais. É surpreendente? Só para quem nunca trabalhou com gente.

A saída mais fácil é culpar a Geração Z. Dizer que os jovens são frágeis, ansiosos, mimados, impacientes e incapazes de lidar com mudanças. O discurso encontra plateia rapidamente, principalmente entre executivos. Afinal, esse diagnóstico tem uma qualidade rara: isenta a liderança de qualquer responsabilidade.

Mas talvez os jovens não estejam sabotando a IA porque odeiam tecnologia, e sim porque entenderam rápido demais o que está em jogo. Quem está no início da carreira não enxerga apenas uma ferramenta. Enxerga uma máquina estacionada no primeiro degrau da sua jornada profissional.

A pesquisa básica, o primeiro rascunho, a ata da reunião. Aquele slide feio que alguém mais experiente desmontava com três comentários secos. A empresa chamava de tarefa operacional. Os mais antigos chamavam de formação.

Quando a IA passa a fazer justamente essa parte, o discurso fica estranho. O líder diz: “agora você vai ser mais estratégico”, e o jovem escuta: “pulamos a etapa em que você aprendia a ser estratégico”.

A resistência nasce nesse ponto, não como uma revolução, mas como uma coleção de pequenas recusas: “vou fazer do meu jeito”, “não confio nessa ferramenta”, “se eu usar demais, vão perceber que meu trabalho pode ser cortado”, “se eu usar de menos, talvez pareça que a tecnologia não entrega”.

No fundo, não é uma guerra contra a IA. É uma negociação mal resolvida sobre valor.

Toda implementação de IA mexe com poder. Quem decide como a ferramenta será usada? Quem captura a produtividade gerada? Quem fica com o tempo economizado? Quem se torna mais valioso? Quem vira custo? Quem treina o sistema? Quem será medido por ele depois?

Quando essas perguntas não chegam à mesa, aparecem no comportamento. E comportamento, como todo gestor descobre cedo ou tarde, é onde a estratégia realmente enfrenta resistência.

A KPMG e a Universidade de Melbourne já tinham mostrado, em um estudo global com mais de 48 mil pessoas, que a confiança continua sendo um dos principais desafios da IA. Mais da metade das pessoas no mundo ainda não está disposta a confiar nela. A Gallup encontrou algo semelhante no ambiente de trabalho: a adoção cresce, mas o impacto depende de clareza, suporte da liderança e integração real ao dia a dia.

A verdade é que ferramenta sozinha não muda cultura. Nunca tivemos tantos copilotos, agentes, assistentes, dashboards e integrações para processos que muitas vezes ainda não têm clareza sobre quem decide, quem responde e quem governa. A empresa moderna desenvolveu uma habilidade impressionante: comprar tecnologia antes de decidir o que espera das pessoas. Depois, se surpreende quando as pessoas improvisam.

A Geração Z torna isso mais visível porque entrou no mercado em um momento especialmente ingrato: pandemia, trabalho remoto, vagas júnior pedindo experiência sênior. Agora, uma tecnologia capaz de executar parte das tarefas pelas quais se aprendia a trabalhar.

É muita coisa para alguém que ainda está tentando entender o que precisa entregar.

Sim, existe medo. Mas também existe leitura de ambiente. O jovem percebe que a empresa quer que ele use IA para produzir mais, mas nem sempre consegue explicar como ele vai crescer. Pede confiança, mas não mostra o acordo. Pede adoção, mas não redesenha a carreira. Pede aprendizado, mas não cria espaço para desenvolvimento. E depois chama a resistência de problema comportamental.

A resposta óbvia seria investir em treinamento. E ele ajuda. Mas o que claramente falta é uma conversa adulta.

Se a IA economiza tempo, o que acontece com esse tempo?

Se melhora a performance, quem captura esse ganho?

Se ela erra, quem responde?

E, se o funcionário usa bem a ferramenta, ele cresce ou apenas recebe mais trabalho pelo mesmo salário?

A resistência é ruim, mas tratá-la apenas como desvio individual é ainda pior. Ela revela uma falha de desenho: o funcionário está dizendo, da forma errada, que não comprou a lógica da operação.

Uma boa implementação de IA não começa pela ferramenta. Começa pela honestidade. O líder precisa dizer o que muda, o que não muda, quais tarefas deixam de existir, quais capacidades passam a valer mais, como as pessoas serão avaliadas e como a empresa vai formar profissionais nesse novo ambiente.

Sem isso, a IA vira ameaça.

O paradoxo é que os funcionários mais resistentes talvez estejam mostrando exatamente onde a empresa precisa trabalhar. A recusa pode revelar medo, incentivos desalinhados, falta de clareza, ausência de governança ou simplesmente uma liderança que acredita que adoção é mandar um link.

E não é.

Adoção é confiança operacional. É quando a pessoa entende por que usar, como usar, onde não usar, o que ganha, o que arrisca e como será avaliada. É quando a ferramenta deixa de parecer um fiscal disfarçado e passa a ser percebida como uma extensão legítima do trabalho.

A Geração Z não está sabotando IA porque odeia tecnologia. Essa explicação é confortável demais. Quando alguém sente que uma tecnologia será usada contra ele, faz o que humanos fazem há séculos: resiste.

No fim, a pergunta não é por que funcionários sabotam a IA. A pergunta é por que tantas empresas acharam que poderiam redesenhar o trabalho sem redesenhar a confiança.

A IA pode escrever o relatório, resumir a reunião e montar o plano. Mas ainda não consegue fazer algo básico: convencer uma pessoa de que ela tem futuro ali. E sem isso, nenhuma transformação vai muito longe.

01 de agosto 2026 | Tempo estimado de leitura: 5 minutos

Toda empresa tem um sujeito que parece estar salvando o mundo porque anda depressa no corredor. O problema é que, muitas vezes, depois de tanta correria, tudo continua igual.

O mercado adora confundir essas coisas. Quem responde rápido parece mais competente. Quem fala em todas as reuniões parece liderar. Quem produz trinta versões do mesmo documento passa a impressão de que está super comprometido. Até que aparece alguém que quase não faz barulho, faz duas perguntas que ninguém queria ouvir, encerra três iniciativas que não levavam a lugar nenhum e economiza seis meses de trabalho. No fim, é justamente essa pessoa que costuma ser vista como a mais difícil da sala.

Eu tenho simpatia por gente difícil. Não por quem discorda de tudo, isso é outro departamento. Falo de quem tem coragem de apontar o problema que ninguém quer enxergar. Aquela pessoa que olha para a sala e percebe que todo mundo está discutindo a cor do barco enquanto ele já está fazendo água. A verdadeira senioridade tem um pouco disso: às vezes ela estraga a festa cedo para evitar um problemão lá na frente.

A inteligência artificial deixou essa diferença ainda mais evidente. Ela escreve, resume, compara, organiza, prepara apresentações, monta uma análise inicial, responde e ainda pede desculpas com uma educação irresistível. É quase ofensivo.

Quando tudo isso ficou fácil, o que passou a importar foi outra coisa: quem decide o que vale a pena? Quem separa o que é útil do que é apenas bem produzido?

Em junho de 2026, a PwC publicou um dado que ajuda a explicar essa mudança. Nas ocupações mais expostas à IA, as habilidades exigidas estão mudando mais de duas vezes mais rápido do que nas menos expostas. As novas tarefas desses profissionais são 2,5 vezes mais propensas a depender de julgamento, empatia e criatividade. E as funções júnior mais expostas à IA passaram a exigir, sete vezes mais, habilidades antes associadas à senioridade, como liderança e pensamento estratégico.

Traduzindo: muita gente aprendia justamente fazendo aquilo que a IA passou a fazer muito bem. O júnior errava no rascunho, se perdia na pesquisa, entregava uma primeira versão meio torta, levava uma bronca justa, corrigia e voltava melhor. Era lento. Era frustrante. Mas era assim que o repertório era construído.

Foi aí que me lembrei do Messi.

Não do Messi do Barcelona, que atravessava quatro marcadores como se todos estivessem em câmera lenta. Falo do Messi da última Copa do Mundo.

Ele caminhava. Enquanto todo mundo corria, ele observava. Sumia do jogo, reaparecia, dava três passos, parava e observava de novo. Às vezes parecia que não estava fazendo absolutamente nada.

Só parecia.

Quando a bola chegava, ele já tinha lido o que os outros ainda estavam tentando soletrar. Sabia onde apareceu o espaço, quem cansou, quem virou o corpo na hora errada e quem estava fingindo marcar com aquela dignidade de quem já desistiu por dentro.

De fora, parece economia de energia. Por dentro, é pura leitura de jogo.

Antes de correr, ele vê o campo. E talvez seja isso o que chamamos de senioridade. Isso não é questão de idade, nem cargo, muito menos de cabelo branco. Senioridade é repertório transformado em critério. É reconhecer padrões antes que eles virem problemas. É perceber que uma ideia elegante pode ser péssima, que uma métrica bonita pode estar mentindo e que um projeto com patrocinador demais talvez não tenha dono nenhum.

No fundo, senioridade não é fazer mais movimento. É fazer menos movimento desnecessário.

A evidência de uma destruição generalizada de empregos por IA ainda é limitada, mas já existem sinais de maior pressão sobre recém-formados e profissionais no início da carreira em funções mais expostas à tecnologia. A falsa sensação de produtividade corta uma vaga júnior aqui, automatiza uma tarefa de aprendizado ali e aperta o primeiro degrau da escada enquanto todo mundo comemora a eficiência.

Esse é o ponto que deveria preocupar de verdade.

Se uma empresa apenas compra senioridade pronta, mas não forma ninguém, ela sacrifica a própria renovação. Troca a categoria de base por veteranos até o dia em que não há mais ninguém para formar.

Senioridade boa leva tempo. Nasce de problemas ambíguos, clientes irritados, feedback honesto, erros corrigidos, decisões ruins revisitadas e líderes capazes de ensinar sem humilhar.

Porque, no fim, muita convicção antes da hora é apenas falta de cicatriz.

Quando a máquina resolve o óbvio, o humano herda o que sobrou: o cliente furioso, a exceção regulatória e aquele caso estranho que ninguém sabe muito bem onde encaixar.

É aí que a pessoa sênior justifica o investimento.

Não porque trabalha menos. Ela vale porque evita a grande besteira. Percebe quando a empresa está prestes a automatizar uma experiência ruim e transformá-la numa experiência de mer!@#$ em altissima velocidade. O senior sabe quando alguns projetos não precisam de squad, mas de coragem para morrer.

Claro que existe aquela senioridade que confunde experiência com autoridade divina. O sujeito viu muito, aprendeu pouco e agora cobra pedágio emocional de todo mundo. Essa senioridade não serve.

A boa senioridade continua aprendendo, forma gente, distribui critério, escuta os jovens antes de virar estátua e entende que o passado é uma biblioteca, não um endereço residencial.

Também não adianta transformar todo veterano em gargalo. Se tudo depende dos mesmos seniors da sala, a empresa não ficou madura. Ficou dependente. O sênior bom não é o oráculo que resolve tudo. É quem melhora o jeito como os outros pensam, criando padrões, perguntas, bons exemplos e memória. Ele explica por que disse não, mostrando a diferença entre uma boa resposta e uma boa decisão.

No fundo, o jogador que anda em campo incomoda porque desmonta a mística moderna da correria. Ele mostra que existe trabalho acontecendo antes da ação. No olhar, na pausa e no pequeno deslocamento. O mundo corporativo, que adora um painel de produtividade, sofre com isso porque não sabe muito bem onde colocar esse tipo de valor.

Mas é exatamente aí que mora o dinheiro. Não no silêncio em si, mas na capacidade de perceber antes, escolher melhor e agir no instante certo. A IA pode correr atrás de muitas bolas, mas alguém ainda precisa entender o jogo.

A próxima empresa boa talvez não seja a que fizer mais coisas. Será a que souber quais poucas coisas merecem energia humana de verdade. E talvez o profissional mais valioso não seja o que aparece em todos os lugares. É o que, quando aparece, ajuda a mudar o placar.

A cena é corriqueira, mas ajuda a entender uma mudança grande. O cliente entra na reunião com três boas perguntas, duas objeções que antes só apareceriam depois de uma pesquisa mais longa e uma comparação que ele fez sozinho, num chat com uma IA qualquer.

Ele senta à mesa, pega o celular e pergunta: “por que você está me recomendando isso?”

Durante anos, muita empresa viveu de uma vantagem meio invisível: o cliente não sabia o suficiente para discordar bem. Ele até podia desconfiar, mas não tinha repertório, tempo ou método para sustentar aquela dúvida. Agora chega com resumo, simulação, print, dúvida tributária, vídeo salvo, thread e uma sensação nova de que também entende profundamente do assunto. Nem sempre está certo, mas muitas vezes está perigosamente confiante.

A inteligência artificial está ensinando o cliente a perguntar. Esse é o ponto que pouca gente quer encarar: a IA não torna o especialista inútil, mas torna o mediano muito mais fácil de perceber.

Qualquer cliente minimamente curioso consegue pedir a uma ferramenta generativa uma análise inicial, uma lista de riscos, uma explicação de produto, uma comparação de alternativas e até um roteiro de perguntas para testar o especialista. O resultado pode vir torto, incompleto ou confiante demais. Mas vem. E muito rápido!

Isso mexe numa vaidade antiga do especialista. Durante décadas, muita autoridade nasceu do acesso: saber onde buscar, que sigla significava o quê, que relatório ler, que produto evitar, que norma citar. Esse mundo não acabou, mas encolheu. O conhecimento técnico continua necessário, assim como escovar os dentes também é necessário. Mas ninguém paga prêmio por isso.

A pergunta deixou de ser “como eu entrego mais informação para o cliente?” e passou a ser “como eu ajudo alguém informado a não se enganar melhor?”

Essa mudança é sutil, mas profunda. Porque nós, humanos, gostamos de presença. Gostamos de sentir que alguém prestou atenção. Só que presença sem memória começa a parecer encenação. Hoje qualquer pessoa percebe quando a conversa reinicia do zero, quando a mensagem foi escrita pelo ChatGPT de maneira genérica e não para ela. E pior: percebe quando a pergunta é óbvia, algo que o outro já deveria saber ou, no mínimo, ter pesquisado.

A IA expõe isso tudo porque permite uma coisa simples: Lembrar o que o cliente disse, onde a objeção apareceu e que promessa foi feita na reunião anterior.

Isso não é detalhe. É a diferença entre atendimento e acompanhamento com atenção, personalizado.

Mas nem tudo é flores. O uso da IA se espalhou, mas o valor nem tanto. Traduzindo para o mundo real: plugar IA numa rotina ruim só faz a rotina ruim correr mais rápido.

Personalização virou uma palavra cansada porque o mercado abusou dela. Colocar o primeiro nome no assunto do e-mail não é personalizar. Mandar o mesmo PDF para cem clientes com uma saudação diferente também não.

Personalização de verdade é lembrar que aquele cliente fala em longo prazo, mas decide olhando o mês. É entender que as preferências das pessoas mudam com o tempo, podem ser contraditórias e podem ter consequências. Uma análise útil precisa respeitar o estilo da pessoa e, ao mesmo tempo, mostrar evidências que contradizem esse estilo.

É aqui que aparece a oportunidade. A máquina pode organizar histórico, cenários, inconsistências e próximos passos. Pode preparar a reunião com uma precisão que a rotina humana raramente permite. Pode sugerir alertas, detectar padrões, comparar decisões passadas e expor contradições úteis.

Mas a máquina não deve fingir intimidade. Quem precisa construir isso é gente.

Agora vem a parte em que o mercado exagera: tudo virou agente de IA. O chatbot virou agente. A automação que mandava e-mail em 2019 agora se apresenta como força de trabalho digital.

Mas lembre-se sempre: um agente de IA nunca salva uma operação frouxa. Um estudo do Gartner estimou que mais de 40 por cento dos projetos de IA agêntica serão cancelados até o fim de 2027 por custo crescente, valor pouco claro ou controles de risco insuficientes. Não é uma argumentação contra agentes, mas contra comprar autonomia antes de saber que decisão merece autonomia.

Neste mundo que quer ser tão automatizado, a ordem ainda importa. Primeiro vêm os velhos rituais: como a reunião é preparada, como decisões são registradas, como riscos são revisitados e como objeções viram aprendizado. Depois vêm os dados: limpos, úteis, atualizados e com dono. Depois vêm os limites: o que a automação pode dizer, o que não pode, quando escalar, quando calar. Só então faz sentido falar em agentes.

E por que isso importa? Porque um agente em cima de uma operação bagunçada não vira inteligência. Vira um estagiário infinitamente rápido, com acessos indevidos e sem a orientação adequada.

A ironia é boa: quanto mais IA entra na relação, mais caro fica parecer humano de verdade.

Não humano no sentido decorativo, mas no sentido raro: entender contexto, sustentar uma conversa difícil, discordar com elegância, lembrar sem ser invasivo, simplificar sem infantilizar, vender sem empurrar, dizer “não sei” antes de inventar segurança.

A inteligência artificial vai tirar do caminho uma parte enorme do trabalho repetitivo. E isso é ótimo, que tire mesmo! Ninguém constrói confiança preenchendo informações básicas, procurando documento, reescrevendo e-mail ou montando resumo manual de reunião.

Mas o tempo liberado precisa ir para algum lugar melhor. Se virar mais atenção, ficará mais valioso. E esse é o novo luxo: atenção antes da demanda.

Fontes:

McKinsey, The state of AI in 2025: Agents, innovation, and transformation: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai

Gartner, Predicts over 40% of agentic AI projects will be canceled by end of 2027: https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027

InfoMoney, Número de assessores de investimento volta a crescer no Brasil: https://www.infomoney.com.br/advisor/numero-de-assessores-de-investimento-volta-a-crescer-no-brasil-aponta-ancord/

BPMoney, IA não vai substituir assessores de investimentos: https://bpmoney.com.br/mercado/ia-nao-vai-substituir-assessores-de-investimentos-mas-exigira-profissionais-mais-preparados-diz-diretor-da-ancord/

Salesforce, AI service agents are scaling and delivering CSAT: https://www.salesforce.com/news/stories/ai-service-agents-improve-customer-satisfaction/

arXiv, High-Stakes Personalization: Rethinking LLM Customization for Individual Investor Decision-Making: https://arxiv.org/abs/2604.04300