Da IA que responde à IA que trabalha

O que mudou em um ano no Vale do Silício e por que a próxima transformação das empresas pode ser mais organizacional do que tecnológica

Quando estive no Vale do Silício em 2025, a Inteligência Artificial já dominava boa parte das conversas. Agentes não eram novidade, os modelos evoluíam rapidamente e empresas de praticamente todos os setores tentavam descobrir onde aquela tecnologia poderia gerar valor. Mesmo assim, quando voltei à região em 2026, encontrei uma discussão diferente.

Não foi uma mudança provocada por um único lançamento ou por um novo modelo que tivesse tornado todos os anteriores obsoletos. A mudança estava na maturidade da conversa.

Durante boa parte dos últimos anos, acompanhamos uma corrida pela capacidade dos modelos. Quem raciocina melhor? Quem programa melhor? Quem trabalha com uma janela de contexto maior? Quem consegue lidar melhor com texto, imagem, áudio ou vídeo? GPT, Claude, Gemini, DeepSeek e tantos outros foram sendo comparados quase como se escolher o melhor modelo fosse a principal decisão de uma estratégia de Inteligência Artificial.

Essa discussão continua relevante, mas começa a parecer insuficiente.

O que encontrei com muito mais força desta vez foi a preocupação com tudo aquilo que precisa existir ao redor do modelo para que ele consiga participar do trabalho real de uma empresa. Dados, contexto, memória, ferramentas, integrações, permissões, regras, segurança e mecanismos de verificação passaram a ocupar uma parte muito maior da conversa.

Foi nesse ambiente que um conceito passou a fazer muito mais sentido para mim: harness.

O modelo é poderoso. Mas o modelo não conhece a empresa.

Um grande modelo de linguagem pode interpretar um documento, produzir uma análise financeira, escrever código, resumir uma reunião ou encontrar relações entre informações que talvez levassem horas para uma pessoa identificar. Isso é extraordinário, mas ainda não significa que ele esteja preparado para operar dentro de uma empresa.

Imagine que a tarefa seja identificar clientes com maior probabilidade de cancelamento.

O modelo pode ser excelente em raciocínio, mas ele não sabe automaticamente quais clientes estão insatisfeitos. Para isso, precisa acessar o CRM. Também não sabe se houve aumento recente na quantidade de chamados de suporte. Precisa consultar outro sistema. Talvez seja importante descobrir se existem atrasos financeiros, redução de consumo ou alguma negociação comercial recente.

Mesmo depois de reunir essas informações, ainda existem outras perguntas. O que caracteriza um risco alto? Que ação comercial pode ser tomada? O agente pode conceder um desconto ou apenas recomendá-lo? Pode abrir uma tarefa? Pode enviar uma mensagem para o cliente? Quando deve obrigatoriamente chamar uma pessoa?

É nesse ponto que o conceito de harness começa a ficar interessante.

O harness é a estrutura construída ao redor do modelo para que aquela inteligência possa funcionar dentro de um contexto real. Na apresentação que fiz após a viagem, organizei essa ideia em seis elementos: contexto, dados, ferramentas, memória, regras e verificação.

Contexto é aquilo que a IA precisa saber para interpretar corretamente uma situação. Dados são as informações às quais ela tem acesso. Ferramentas são os sistemas e recursos que pode utilizar. Memória permite manter informações importantes ao longo do tempo. Regras estabelecem limites. Verificação procura impedir que uma ação incorreta avance simplesmente porque o modelo produziu uma resposta aparentemente convincente.

Essa arquitetura muda o papel da Inteligência Artificial.

Até aqui, nos acostumamos principalmente a uma interação em que fazemos uma pergunta, o modelo responde e nós decidimos o que fazer em seguida. Quando adicionamos ferramentas, dados e capacidade de execução, a IA pode receber um objetivo, planejar uma sequência de passos e agir sobre os sistemas disponíveis. É a passagem de uma IA que responde para uma IA que começa a trabalhar.

Os dados deixam de servir apenas para explicar o negócio

Uma das conversas mais interessantes da viagem aconteceu na Snowflake.

Durante muitos anos, grande parte dos investimentos em dados teve como objetivo permitir que as pessoas compreendessem melhor suas empresas. Organizamos Data Warehouses, Data Lakes, dashboards e indicadores para conseguir transformar registros operacionais em informação.

O fluxo tradicional é conhecido. O sistema registra uma operação, os dados são consolidados, alguém olha um relatório, interpreta o que aconteceu, toma uma decisão e depois executa uma ação em outro sistema.

A chegada dos agentes começa a alterar esse fluxo.

Se uma inteligência consegue acessar dados, compreender contexto e utilizar ferramentas, a informação não precisa terminar necessariamente em um dashboard. Ela pode alimentar uma ação. É por isso que a discussão entre dados, modelos, aplicações e agentes está se aproximando tanto.

Voltando ao exemplo do risco de cancelamento, o sistema não precisaria apenas apresentar ao gerente uma lista de clientes problemáticos. Um agente poderia acompanhar continuamente sinais de comportamento, cruzar chamados, relacionamento comercial e situação financeira, identificar uma mudança relevante, classificar o risco e iniciar um fluxo de retenção dentro de limites previamente definidos.

A diferença parece pequena quando descrita dessa forma, mas não é. O dado deixa de alimentar apenas a compreensão humana e passa a alimentar sistemas que também participam da operação.

Essa mudança ajuda a explicar por que acredito que agentes serão muito mais relevantes para as empresas do que simplesmente adicionar um chatbot a cada sistema existente.

Quanto mais autonomia, mais importante fica aquilo que está ao redor do modelo

É fácil olhar para essa evolução apenas pelo lado da produtividade, mas uma das apresentações que mais me chamou atenção durante a viagem foi justamente um contraponto a esse entusiasmo.

Claudionor Coelho colocou no título uma provocação: “LLMs and Agents: AGI or Pet Rocks?”

A ideia não era negar a capacidade dos modelos. Era lembrar que sistemas impressionantes continuam tendo limitações importantes. LLMs são probabilísticos. Podem produzir uma resposta errada com enorme convicção, interpretar incorretamente determinada situação ou acumular pequenos erros quando precisam executar muitos passos em sequência.

Isso talvez seja tolerável quando a tarefa é escrever um e-mail. É muito diferente quando a IA recebe autorização para interagir com um ERP, um sistema financeiro ou um processo comercial.

Em outro momento da apresentação dele apareceu uma frase que considero particularmente importante: “Fix your data before using LLMs and Agents.” A discussão foi além dos modelos e colocou dados, proteção, knowledge graphs e regras verificáveis como componentes fundamentais para tornar a autonomia governável.

Essa é uma inversão importante na forma de pensar segurança.

Quanto mais capaz fica o modelo, não precisamos de menos controle. Precisamos de mais.

O erro de um sistema que responde pode produzir uma informação incorreta. O erro de um sistema que age pode alterar um cadastro, liberar uma condição comercial, movimentar um processo ou expor uma informação.

Por isso a evolução dos agentes provavelmente será acompanhada por uma evolução igualmente importante em identidade, permissões, rastreabilidade, observabilidade e governança.

A corrida não será apenas para construir agentes mais inteligentes. Será também para construir ambientes em que possamos confiar naquilo que esses agentes fazem.

Nem toda Inteligência Artificial precisará estar em um grande modelo na nuvem

Outro aprendizado que considero relevante veio da Liquid AI.

Enquanto acompanhamos modelos cada vez maiores, existe uma segunda corrida acontecendo. Modelos menores, especializados e capazes de operar muito mais próximos do local onde o dado é produzido.

Isso abre uma discussão que vai além de capacidade pura.

Em determinadas situações, um modelo local pode ter vantagens importantes de privacidade e latência. Pode funcionar sem conectividade constante e reduzir a necessidade de enviar determinadas informações para um serviço externo. Em outros cenários, um grande modelo em cloud continuará sendo muito superior pela capacidade de raciocínio e pela escala computacional disponível.

Não vejo essa discussão como uma escolha entre local e cloud. Provavelmente veremos cada vez mais arquiteturas híbridas, em que a empresa decide qual modelo usar dependendo da tarefa, do dado, do custo e do risco. A própria apresentação que construí após a viagem coloca local, híbrido e cloud como decisões diferentes dentro de uma mesma arquitetura.

Essa mudança também diminui a importância de uma decisão que hoje parece gigantesca: escolher “o modelo da empresa”.

Talvez essa nem seja a decisão correta.

Uma organização poderá utilizar um modelo para programação, outro para análise, modelos locais para determinadas informações sensíveis e outros serviços especializados para imagem, voz ou vídeo.

Nesse cenário, o diferencial não está necessariamente em escolher um vencedor. Está em possuir uma arquitetura capaz de utilizar a inteligência adequada para cada situação sem ficar presa a ela.

Quando agentes entram nas equipes, a discussão deixa de ser apenas de tecnologia

Esse foi outro ponto que amadureceu bastante na minha cabeça durante a viagem.

Estamos acostumados a falar de IA como uma ferramenta individual. Cada pessoa possui seu Copilot, seu ChatGPT ou alguma outra aplicação e utiliza aquilo para escrever, pesquisar ou analisar melhor.

Agentes trazem uma discussão diferente porque começam a participar do fluxo de trabalho.

Uma edição da Harvard Business Review colocou essa questão de maneira interessante ao tratar do tema “Managing Teams in the Agentic Age”. A discussão não era apenas sobre como criar agentes, mas sobre como administrar equipes que passam a incluir esses agentes.

A comparação com um novo funcionário ajuda a entender o problema.

Quando uma pessoa entra numa empresa, ela recebe uma função, objetivos, contexto, acessos e limites. Não entregamos todas as senhas no primeiro dia e esperamos que ela descubra sozinha o que pode ou não fazer. Existe onboarding, treinamento, acompanhamento e aumento gradual de autonomia.

Com agentes, provavelmente acontecerá algo parecido.

Será necessário definir o trabalho que aquele agente realiza, os sistemas aos quais pode acessar, os dados que pode consultar, as decisões que pode tomar sozinho e aquelas que continuam exigindo intervenção humana. A HBR também introduz a ideia de gestores responsáveis por acompanhar performance, revisar falhas, ajustar contexto e controlar a autonomia desses agentes. Essa lógica aparece nos quatro blocos que usei na apresentação: agentes como integrantes da equipe, gestores de agentes, onboarding e times formados por humanos mais IA.

Talvez esse seja um dos pontos mais importantes de toda essa discussão.

A Inteligência Artificial começa como uma decisão de tecnologia, mas rapidamente se transforma numa decisão de desenho organizacional.

Quem faz o quê?

Que tarefas continuam humanas?

Quais atividades podem ser delegadas?

Quem responde quando um agente erra?

Como medir sua performance?

Quem tem autoridade para aumentar sua autonomia?

Essas perguntas estão muito mais próximas de gestão do que de ciência da computação.

Usar IA e operar com IA são coisas diferentes

É aqui que a discussão se conecta diretamente às empresas brasileiras.

Muitas organizações já podem afirmar que utilizam Inteligência Artificial. Seus colaboradores usam ChatGPT, Copilot ou outras ferramentas para produzir conteúdo, preparar apresentações, resumir documentos, programar ou realizar análises.

Isso já pode gerar ganhos relevantes de produtividade.

Mas existe uma diferença entre usar IA e operar com IA.

Operar com IA significa conectar essa inteligência aos dados da organização, permitir acesso controlado aos sistemas, integrá-la aos processos e criar regras para que determinadas ações possam ser executadas. Significa também medir o impacto sobre os indicadores do negócio e não apenas a quantidade de pessoas que acessaram uma ferramenta.

Essa distinção também muda a pergunta que uma empresa deveria fazer.

Em vez de começar com “qual IA devemos comprar?”, talvez a pergunta mais útil seja “qual processo vale a pena transformar?”.

A partir daí, existem algumas questões muito mais concretas. Esse processo consome muito tempo? Existe repetição suficiente para justificar uma automação? Há decisões recorrentes baseadas em informações disponíveis? Os dados necessários estão acessíveis? Que nível de autonomia faz sentido? Como saberemos se a iniciativa funcionou?

Na apresentação, organizei essa evolução numa sequência simples: processo, dados, IA, controle e resultado.

Essa ordem é importante porque existe uma tendência natural de começar pela tecnologia. Uma nova ferramenta aparece e imediatamente tentamos encontrar onde encaixá-la.

Talvez seja justamente o contrário.

As empresas que extraírem mais valor dessa nova fase provavelmente serão aquelas capazes de entender profundamente seus próprios processos e decidir onde a inteligência pode remover fricção, reduzir custo, melhorar uma decisão ou criar uma experiência diferente para o cliente.

O que isso está mudando na nossa visão na Komvos

Toda essa discussão também influencia aquilo que estamos construindo.

Não acreditamos que nosso diferencial esteja em desenvolver mais um grande modelo fundacional. Existem organizações investindo recursos em uma escala impossível de reproduzir nessa corrida.

O que considero mais interessante é construir a camada que permite utilizar essas diferentes inteligências dentro da realidade de uma empresa.

Uma espécie de harness corporativo.

Uma estrutura capaz de conectar modelos, dados e sistemas, aplicar regras e governança e orquestrar fluxos e agentes. É nessa direção que Komvos Mind e Komvos OS estão sendo pensados, apoiados por infraestrutura e cloud privada quando o cenário exigir maior controle sobre dados e processamento.

E existe uma segunda parte igualmente importante. Tecnologia sem método frequentemente vira apenas mais uma prova de conceito. O Statum AI Journey nasce justamente da necessidade de começar pelo problema empresarial, entender processos e dados e só então definir arquitetura e IA.

Não considero isso apenas uma questão de produto.

É uma tese sobre como acredito que a IA será consumida pelas empresas.

Talvez o futuro não seja uma organização escolhendo uma única Inteligência Artificial e colocando-a em todos os lugares.

Pode ser uma empresa utilizando várias inteligências, cada uma adequada a determinado problema, mas coordenadas por uma camada comum de contexto, governança e execução. A síntese que usei na live foi: LLM raciocina, Harness organiza, Agente executa.

A parte mais interessante talvez ainda não seja a tecnologia

Voltei do Vale em 2026 menos interessado em descobrir qual será o próximo modelo e mais interessado naquilo que começaremos a construir ao redor deles.

Os modelos continuarão evoluindo. É provável que tarefas que hoje ainda parecem difíceis se tornem banais em pouco tempo. Mas a capacidade técnica, isoladamente, não transforma uma organização.

Para que a Inteligência Artificial entre realmente nas empresas, precisaremos organizar dados, repensar processos, construir integrações, estabelecer governança, redesenhar responsabilidades e aprender a trabalhar com sistemas que possuem cada vez mais autonomia.

Por isso a transição que considero mais importante não é simplesmente do chatbot para o agente.

É da IA como ferramenta para a IA como parte do modelo operacional da empresa.

Quando isso acontecer em escala, não estaremos apenas utilizando uma tecnologia nova para executar o trabalho antigo com um pouco mais de eficiência.

Estaremos redesenhando a própria forma como o trabalho acontece.

E é por isso que, depois de voltar ao Vale pela segunda vez, a principal conclusão que trouxe não foi sobre tecnologia.

A próxima transformação provocada pela Inteligência Artificial será também, e talvez principalmente, organizacional.