A tese. Uma empresa é muito mais do que aquilo que tem escrito sobre si própria, mas acredito que, infelizmente, no plano operacional vai ser avaliada por esse texto, sob uma competição forte com empresas que já nascem agênticas e onde, a longo prazo, o humano pode passar de activo inestimável a entrave. Conta o que sabe, como trabalha e o que decidiu, num «cérebro» que pessoas e agentes de inteligência artificial consigam ler. Conta sobretudo a forma como estrutura e organiza essa informação, a sua ontologia (o mapa do que a empresa sabe e de como as coisas se relacionam), porque é isso que vai definir até onde a empresa realiza o seu potencial operacional. A saúde, pelo contacto entre pessoas que pressupõe, é um caso muito particular. É uma convicção minha e os estudos de 2026 ainda não a medem. Um agente é um programa de IA que recebe um objectivo, usa ferramentas como o correio, a agenda ou a facturação e faz vários passos sozinho até precisar que alguém aprove.

Sete ideias que a evidência de 2026 sustenta.

1. O ganho individual não chega à empresa sem redesenho. No inquérito mais citado do ano, 80 % dos inquiridos dizem que a IA melhorou a sua produtividade; 37 % atribuem algum impacto no resultado operacional — a mesma fatia do ano anterior.¹ Os factores organizacionais explicam o dobro do impacto face ao esforço individual.²
2. «Adopção» mede coisas diferentes consoante quem pergunta. Cerca de 17 a 20 % das empresas norte-americanas usam IA; 78 % dos trabalhadores estão em empresas que a usam; «quase nove em dez» inquiridos da McKinsey dizem usá-la.³,⁴,¹ Nunca vão no mesmo gráfico.
3. A inteligência ficou barata e por isso gasta-se mais. O preço de um dado nível de capacidade cai cerca de 13 vezes por ano;⁵ o consumo sobe mais depressa. Paga-se em tokens — pedaços de palavra que um modelo (o programa de IA por trás do agente) lê e escreve. Planeie para o modelo de daqui a doze meses; orçamente por tarefa, não por token.
4. O cérebro da empresa é um processo com dono, não um arquivo. 57 % das empresas inquiridas já viram um agente errar com confiança por contexto em falta.⁶ O formato que funciona é simples: texto em pastas, com data, dono e critério de caducidade.
5. As instruções que funcionam são curtas e específicas. Instruções curadas subiram a taxa de sucesso de 33,9 % para 50,5 %;⁷ ficheiros genéricos não melhoram, em geral, a taxa de sucesso e custam mais de 20 %.⁸ O excesso de instrução prejudica.
6. Nas empresas de tecnologia que o mediram, o organigrama muda: equipas pequenas, cada pessoa a orquestrar vários agentes, cada agente com identidade, permissões e registo. Fora da tecnologia a proporção não está medida. O agente vê o que a pessoa vê e herda os erros de partilha que já lá estavam.⁹,¹⁰
7. Sobre empregos, a evidência não fecha. Há três posições honestas e um papel humano que muda por fases, de perguntar a instruir, verificar e decidir e, hoje, a dar direcção e gosto (capítulo 9).

O que fazer segunda-feira. Saber em que degrau está (capítulo 10: cinco perguntas). Escolher um fluxo de trabalho doloroso — o que tem mais passagens de mão — e medir o seu tempo de ciclo contra o tempo de trabalho real. Escrever a instrução desse fluxo em meia página: o que é diferente na sua empresa, o que nunca se faz sem revisão, como se sabe que ficou bem. Dar-lhe um dono com data de revisão. Pôr uma paragem antes de cada escrita irreversível (enviar, lançar, pagar). Arrumar permissões antes de ligar qualquer agente ao que a empresa sabe. Escrever a política de uso numa página e dar uma hora de formação (recomendação nossa); a lei europeia já pede medidas de literacia em IA para o pessoal. Em 90 dias, voltar a medir.

Tudo aquilo que eu procrastino, o agente rascunha, prepara e deixa ao toque de uma decisão única que concretiza aquilo que antes ficava por fazer. Os exemplos são muitos, mas não tão evidentes. Vejo-o no meu trabalho intelectual de todos os dias e nas comunicações, onde o agente bebe da minha informação, do meu cérebro de trabalho, dos meus documentos, dos meus contactos e das ligações aos meus sistemas e faz com isso mais do que cinco eus fariam.

Antes imaginava coisas que me pareciam interessantes e concretizáveis por outros. Agora imagino sem barreiras e concretizo, metido em projectos a que nunca me teria proposto, a sós, porque sou o único humano, mas acompanhado por um esquadrão de agentes autónomos, inteligentes e capazes, com quem delineio, discuto, reflicto e executo. Os problemas e as decisões difíceis, em que antes bloqueava porque pediam tempo para pensar, abordo-os hoje de forma algorítmica.

Sou anestesiologista e com os doentes passa-se o mesmo. Perante um doente difícil, a pesquisa rápida, as hipóteses de diagnóstico abertas em árvore e as alternativas a que antes chegava demoradamente chegam-me hoje preparadas, o que só exige de mim que esteja à cabeceira e não longe a realizar todos os passos prévios. Não longe no tempo, mas presente no agora.

Não venho do mundo das empresas. Venho da academia e das instituições de saúde, do lado médico, não do empresarial.

Nas empresas que vão mais à frente vê-se o mesmo. Dan Shipper, que dirige a Every, uma empresa de cerca de trinta pessoas, descreve assim o canal onde a equipa conversa por escrito, o Slack (a aplicação de conversa por canais):

«if you swing a stick around in our Slack, you’re as likely to hit a human as you are an agent»

(se alguém atirar um pau ao nosso Slack, tem tanta probabilidade de acertar numa pessoa como num agente)

— Dan Shipper, Every, programa «AI & I», 27 Mai 2026¹¹

Não é caso único. Na Shopify, uma grande plataforma de comércio electrónico, um agente chamado River trabalha apenas em canais públicos — não responde a mensagens privadas, por desenho, para que toda a gente veja como trabalha. Nos trinta dias antes de 9 de Maio de 2026, 5 938 funcionários trabalharam com ele em 4 450 canais. Nessa semana, cerca de um em cada oito pedidos de alteração de código aprovados tinha sido escrito por ele e revisto por pessoas.¹² A Anthropic, um laboratório de IA, contava cerca de 30 000 agentes a trabalhar em simultâneo na sua plataforma interna em Agosto de 2026; noutra medição, em Julho, um agente leu o Slack e a documentação de uma amostra de pessoas para mapear o trabalho da empresa.¹³

Nenhuma destas empresas se limitou a comprar uma ferramenta e a espalhá-la pelas secretárias, porque todas mudaram a forma como o trabalho circula, quem o pede, quem o faz, onde fica escrito e quem o verifica. Para isso precisaram de uma coisa que a maior parte das empresas não tem por escrito, o que sabem, como fazem e o que já decidiram, numa forma que uma máquina consiga ler.

Acho que quem está a ver o futuro hoje tem de ajudar quem o ignora por completo e foi por isso que achei que este manual tinha de ser escrito. As empresas que não mudarem em pouco tempo ficam à mercê dos grandes conglomerados, que esses, bem ou mal, vão actuar rápido. Arriscam-se a acabar como pequenas pastas no grafo de conhecimento — um grande mapa de conhecimento — de uma IA monopolística. O que este artigo propõe a cada empresa é uma defesa que ela pode montar sozinha, sem esperar por ninguém, que é ter o que sabe, como trabalha e o que decidiu escrito em texto simples, em ficheiros que são seus, porque é isso que lhe permite mudar de fornecedor no dia em que precisar.

E há uma pergunta mais velha: Para que serve uma empresa?

A explicação clássica, do economista Ronald Coase, é que uma empresa existe porque coordenar pessoas por dentro era mais barato do que contratar tudo por fora. Explica quase tudo o que uma empresa tem: hierarquia, chefias intermédias, reuniões, procedimentos. Cada peça responde ao mesmo problema — como fazer com que vinte ou duas mil pessoas trabalhem na mesma direcção sem que cada uma tenha de saber tudo.

O custo dessa coordenação aparece em tempo: o relatório que espera três dias por uma assinatura, a proposta que passa por quatro caixas de correio, a consulta preparada na véspera porque alguém foi buscar exames a três sistemas. Salim Ismail, autor que estuda organizações:

«the act of coordination is more expensive than just execution today»

(hoje, o acto de coordenar custa mais do que executar)

— Salim Ismail, Moonshots #258, 26 Mai 2026¹⁴

O que muda em 2026 é que parte dessa coordenação pode ser feita por agentes que lêem o pedido, procuram o que a empresa sabe sobre aquele cliente, seguem a instrução que alguém escreveu e devolvem um resultado para aprovação. Quando isso acontece, a forma da empresa muda: menos camadas, equipas mais pequenas, o conhecimento fora das cabeças.

«instead of coordinating and organizing the company around hierarchy, you organize it around intelligence»

(em vez de coordenar e organizar a empresa em torno da hierarquia, organiza-se em torno da inteligência)

— Salim Ismail, Moonshots #258, 26 Mai 2026¹⁴

Ivan Zhao, fundador de uma empresa de software colaborativo, escreveu, no fim de 2025, que «a comunicação humana já não tem de ser a parede de suporte» de uma organização. Ainda estamos, diz, na fase de «trocar a roda de água».¹⁵ Daniel Miessler, autor de segurança e organização, vê «a reestruturação completa das próprias empresas» em documentos, procedimentos e fluxos executados por agentes.¹⁶ Em Março de 2026, Satya Nadella, presidente executivo da Microsoft, escreveu aos empregados que «as fronteiras da nossa organização vão simplesmente reflectir a arquitectura do sistema e a forma do produto».¹⁷ Durante um século, o organigrama vinha primeiro.

Mas há quem ponha água na fervura. Noam Brown, investigador de um dos grandes laboratórios, sobre enxames (swarms) de milhares de agentes:

«I think it is very possible that 10,000 humans are better at coordinating than 10,000 agents right now.»

(acho muito possível que 10 000 humanos coordenem melhor do que 10 000 agentes, neste momento)

— Noam Brown, Dwarkesh Podcast, 17 Set 2026¹⁸

O que já funciona — e é disso que este artigo trata — é a escala pequena e média: um fluxo de trabalho de cada vez, com pessoas a decidir.

Se a tese é esta, os números deviam mostrá-la. Mostram — mas não onde a maioria olha.

Há três números de adopção e nenhum está errado. Medem coisas diferentes.

Sobre agentes, os números são mais modestos do que a conversa. Na McKinsey, 44 % dos inquiridos dizem que a IA está «a escalar» na sua empresa, contra 38 % um ano antes. Entre inquiridos de grandes empresas, a fatia que diz estar a escalar agentes passou de 27 % para 40 %; nas menores ficou nos 22 %.¹ Noutro inquérito, da consultora BCG, a quase doze mil trabalhadores em catorze mercados, os que dizem ter agentes integrados nos fluxos passaram de 13 % para 30 % num ano. E 47 % dizem passar mais tempo a gerir a IA do que a fazer o trabalho.²¹ Nos serviços profissionais, segundo o Thomson Reuters Institute, só 15 % das organizações adoptaram alguma forma de IA agêntica — agentes que executam, não só respondem.²²

O dinheiro seguiu a curva, com uma ressalva: o fundo Menlo Ventures, que estimou o gasto empresarial em IA generativa em 37 mil milhões de dólares em 2025 (11,5 mil milhões em 2024), tinha dado 13,8 mil milhões para 2024 na edição anterior — reescreveu a série.²³

Caixa — O número que não era

Em 2025 circulou por todo o lado que «95 % dos pilotos de IA falham». O relatório de onde a frase saiu, do MIT NANDA, não diz isso. Diz que «95 % das organizações estão a ter retorno zero» — organizações, não pilotos. Baseia-se em 52 entrevistas e 153 respostas recolhidas em conferências, numa versão «0.1» que o próprio texto descreve como «aproximadamente certa na direcção».²⁴ Pelo funil do próprio relatório — 60 % investigaram ferramentas à medida, 20 % pilotaram, 5 % implementaram —, entre as que pilotaram cerca de uma em quatro teve sucesso.²⁴ Ethan Mollick, professor de gestão, foi directo:

«The methodology doesn’t allow general conclusions about failure rate. It is from 52 convenience interviews with vague methods»

(a metodologia não permite conclusões gerais sobre a taxa de falha. Vem de 52 entrevistas de conveniência com métodos vagos)

— Ethan Mollick, X, 25 Set 2025 (contexto)²⁴

Não há sucessor deste relatório em 2026. O número continua a circular.

O padrão que se repete

Se há um resultado consistente em 2026, é este: as pessoas ficaram mais rápidas e as empresas ficaram iguais. No inquérito da McKinsey, 80 % dos inquiridos dizem que a IA melhorou a sua produtividade individual; 37 % atribuem algum impacto no resultado operacional da empresa (o EBIT, o lucro antes de juros e impostos) — «cerca da mesma fatia do ano passado».¹ Os «high performers», com 5 % ou mais do EBIT vindo da IA e valor «significativo», são cerca de 6 %.¹ A BCG tinha encontrado, em 2025, 5 % de empresas a capturar valor substancial e 60 % com pouco ou nenhum.²⁵

Oitenta por cento dos inquiridos mais rápidos. A mesma conta de resultados. Antes de olhar para o fosso, falta uma peça que explica porque é que ele se abriu agora: o preço.

Um modelo — um modelo de linguagem, o programa de IA que está por trás de qualquer assistente ou agente — paga-se ao uso, em tokens: pedaços de palavra que entram e saem. Pôr o modelo a responder chama-se inferência. O preço de um dado nível de capacidade está a cair a uma velocidade sem precedente. A Epoch AI, organização de investigação independente, concluiu, em Setembro de 2026, que «o custo de atingir um dado nível de desempenho de IA caiu cerca de 47 % por trimestre desde 2023, ou 13 vezes por ano». «Nenhuma outra tecnologia de uso geral na história parece ter ficado tão barata tão depressa.»⁵ Estimativas mais conservadoras, que medem o custo de correr a tarefa inteira em vez do preço por token, dão 5 a 10 vezes por ano.²⁶ A ordem de grandeza é a mesma: o preço divide-se por dez, ou mais, em cada ano.

O exemplo dos autores é concreto. Passar num exame de ciência de nível de doutoramento com 75 % de acertos custava 30 cêntimos de dólar por pergunta em Janeiro de 2025; menos de dezoito meses depois custava 0,04 cêntimos — 725 vezes menos. A queda é mais rápida logo a seguir a uma capacidade chegar ao topo: cerca de 75 vezes no primeiro ano, 4,7 vezes por ano dois anos depois.⁵ Para quem gere: o que hoje só o modelo de ponta faz — e caro — custará uma fracção dentro de doze a dezoito meses.

Há um reverso. O modelo de topo não fica mais barato de usar — fica mais caro, porque os modelos de ponta «pensam» mais e gastam mais tokens por tarefa. O mesmo estudo conservador estima que o custo de correr o melhor modelo disponível sobe 3 a 18 vezes por ano.²⁶ Barato é o que ficou para trás; a fronteira continua cara.

O paradoxo de Jevons, ao vivo

Em 1865, o economista William Stanley Jevons observou que máquinas a vapor mais eficientes não reduziram o consumo de carvão — aumentaram-no, porque carvão mais barato passou a valer a pena em usos novos. Em 2026 houve uma experiência quase de laboratório com inteligência. Entre 27 de Julho e 14 de Agosto, um fornecedor fez descontos fortes em dois modelos na OpenRouter, uma plataforma que revende acesso a dezenas deles; o terceiro modelo da mesma família ficou ao preço de lista. O uso diário de um dos modelos em promoção multiplicou por 5,6; o do outro por 13,8; o do modelo sem desconto, por 1,1. Acabada a promoção, o volume dos dois primeiros ficou 1,38 vezes acima do que já era durante o desconto.²⁷ Preço mais baixo, muito mais consumo — com grupo de controlo.

Os totais confirmam-no. A Google diz processar, em todos os seus produtos, 9,7 biliões de tokens por mês em Maio de 2024, cerca de 480 biliões em Maio de 2025 e mais de 3,2 mil biliões em Maio de 2026 — sete vezes num ano, autodeclarado.²⁸

E a factura das empresas sobe apesar de cada token ficar mais barato. Torsten Slok, economista-chefe do gestor de activos Apollo, escreveu que um índice de despesa em tokens «praticamente duplicou desde o fim de 2025, mesmo com o preço de um token a cair mais de 90 % desde 2023. É o paradoxo de Jevons em acção.»²⁹ A consultora Gartner deu nome ao fenómeno: «paradoxo da inferência». Estima que um agente gasta 5 a 30 vezes mais tokens por tarefa do que um assistente de conversa e que o custo por fluxo agêntico subirá mais de cinco vezes até 2028.³⁰

As leis de escala em 2026

As «leis de escala» — a observação de que modelos maiores, treinados com mais dados e mais computação, ficam previsivelmente melhores — foram o motor da década. Em 2026 os laboratórios dizem que continuam a funcionar. Dario Amodei, presidente executivo de um deles, afirma que o pré-treino — a fase em que o modelo aprende a partir de grandes volumes de texto — «continua a dar-nos ganhos». Demis Hassabis, presidente executivo de outro, diz que «ainda há muito espaço», mas que provavelmente «faltam um ou dois grandes avanços».³¹ Os cépticos dizem o contrário: Ilya Sutskever, um dos investigadores que fundou a era da escala, declarou que estamos «de volta à era da investigação, só que com computadores grandes».³¹ Este artigo não arbitra: mesmo que a capacidade de topo estagnasse hoje, a queda de preço do que já existe continuaria por anos.

O que isto muda numa empresa

Duas regras práticas — inferência nossa, não facto medido. Primeira: desenhar um processo para a capacidade de topo de hoje é razoável, porque essa capacidade tende a custar uma fracção dentro de um ano. Planeie para o modelo de daqui a doze meses. Segunda: orçamente por tarefa concluída e não por token, porque o volume por tarefa cresce mais depressa do que o preço cai. É o que a secção anterior mostrou: o consumo cresce mais depressa do que o preço cai.

Há quem ache que o entusiasmo esconde a factura. Ed Zitron, crítico da indústria, define agentes como «apenas uma forma elegante de dizer um modelo a falar com outro modelo com um arnês por cima» — o arnês é o programa que liga os modelos e lhes dá ferramentas. A quem lhe conta fluxos de trabalho transformados, faz uma só pergunta: «Pagou os tokens?»³² É uma boa pergunta para levar ao capítulo seguinte.

Boris Cherny, criador de uma das ferramentas de agentes de programação mais difundidas, resumiu o que ouve:

«one person is 10x’ing their output with Claude but the rest of the org hasn’t caught up»

(uma pessoa está a multiplicar por dez o que produz, mas o resto da organização não a acompanhou)

— Boris Cherny, X, 17 Jul 2026³³

O mecanismo tem duas metades. A primeira é a distribuição do uso. Vasuman, consultor que instala IA em empresas grandes, descreve os seus clientes: «cerca de 10 % das pessoas queimam 90 % dos tokens».³⁴ O mesmo autor — que vende a solução que recomenda — propõe a métrica que este artigo adopta: «deixe de reportar “adopção” ao conselho de administração. Reporte que fatia do trabalho de hoje é manual, híbrida ou totalmente automatizada.»³⁴

A segunda metade é a organização. Um inquérito da Microsoft WorkLab a vinte mil utilizadores de IA em dez países encontrou só cerca de um em cinco na zona «Frontier», onde a capacidade da organização e a prontidão da pessoa são ambas altas. Concluiu que os factores organizacionais explicam o dobro do impacto reportado da IA face ao esforço individual.² Se o organizacional vale duas vezes o individual, a pessoa que aprende sozinha traz cerca de um terço do impacto reportado; os outros dois terços aparecem quando a empresa muda o processo.

Quem já fez a travessia diz o mesmo. Alejandro Maza, responsável de produto da Kavak, uma empresa de venda de automóveis que redesenhou a operação de raiz:

«you need to redesign your whole company around the agents and around the future capabilities»

(é preciso redesenhar a empresa inteira em torno dos agentes e das capacidades que vêm a seguir)

— Alejandro Maza, a16z, 10 Ago 2026³⁵

Porque é que a maioria não o faz? «As pessoas querem adoptar, mas não estão dispostas a redesenhar a empresa inteira.»³⁵ Nadella, sobre porque é que a difusão demora:

«the amount of change management that needs to happen in order to even incorporate these systems is sort of what’s taking time»

(a quantidade de gestão da mudança necessária só para incorporar estes sistemas é o que está a levar tempo)

— Satya Nadella, All-In Summit, 15 Set 2026³⁶

Natalia Quintero, consultora da Every que implementa agentes em empresas médias, escreveu-o numa frase: «o gargalo da adopção de IA passou da capacidade do modelo para a capacidade organizacional».³⁷ E Dan Shipper, que vive nisto, avisa que o ritmo de mudança, «mesmo quando há tecnologia nova e louca disponível, é na verdade muito mais lento do que se esperaria».¹¹

Há um mapa deste fosso. Boris Cherny publicou em Julho de 2026 uma tabela com cinco degraus — de «fechado», onde o acesso a agentes é vedado ou pesado, até «nativo em IA», onde os agentes lançam agentes.³³ Foi desenhada para engenharia de software; o capítulo 10 adapta-a a todo o trabalho intelectual, com a adaptação assinalada.

A passagem do degrau 1 para o 2 é a que separa a pessoa da empresa. É ali que «uma ferramenta para cada pessoa» tem de virar «um processo redesenhado» — e é ali que, a acreditar em Aaron Levie, presidente executivo da empresa de gestão de conteúdos Box, que as vê de perto, a maioria está parada: «vamos dar ferramentas a toda a gente».³⁸

Subir degraus exige cinco coisas que quase ninguém tem juntas. Chamemos-lhes a anatomia.

As cinco camadas já existem na sua empresa; a diferença é se estão escritas e ligadas.

Ligadas, as cinco camadas descrevem uma empresa que se lê a si própria. Desligadas, descrevem a empresa de sempre com pessoas mais rápidas.

Comecemos pela camada que dá nome à moda — e que é a mais fácil de fazer mal.

Um cérebro não é um arquivo. É um processo com quatro andares e um dono. Quem experimentou «pôr tudo numa base de dados e perguntar» aprendeu que o problema não é guardar; é saber o que é verdade, quem o aprovou e quando deixou de ser. A newsletter que registou o nascimento da categoria deixou a pergunta:

«what does the company believe, and who approved it?»

(em que é que a empresa acredita e quem o aprovou?)

— Michael Mayernick, Inside AI Native, 11 Ago 2026³⁹

Os números confirmam que é aí que dói. Num inquérito da VentureBeat a 101 empresas com mais de cem trabalhadores, em Junho de 2026, 57 % disseram ter visto, nos seis meses anteriores, um agente dar uma resposta confiante e errada por contexto de negócio em falta ou inconsistente. Só 25 % tinham uma camada de contexto governada em produção; 34 % estavam a construí-la; 41 % não tinham começado.⁶ E há um paradoxo instrutivo: entre as empresas que já construíam essa camada, 78 % reportavam falhas confiantes; entre as sem planos de a construir, 20 %.⁶ Não é que construir cause erros. É que quem constrói passa a vê-los — e, nas palavras de um inquirido de um estudo da Slite, «o sistema executa com confiança sobre factos errados».⁴⁶

O desenho que os praticantes usam tem quatro andares.

O que se degrada

Por frescura, por contradição, por excesso: o facto que caducou sem ser marcado, os dois documentos que discordam, o arquivo onde o que interessa deixou de se encontrar. A cura é a mesma: dono, data e critério de caducidade em cada entrada. Há uma quarta pergunta, para o capítulo 13: quem pode ler o quê.

O contraponto

Dwarkesh Patel, um dos entrevistadores mais influentes do sector, escreveu, em Agosto de 2026:

«I don’t think you can have AIs that perform whole jobs as competently as humans if they are forced to just write markdown files from session to session.»

(não acredito que se consiga ter IAs a desempenhar empregos inteiros tão bem como humanos se forem obrigadas a escrever só ficheiros de texto de sessão para sessão)

— Dwarkesh Patel, ensaio, 7 Ago 2026⁵²

Noutro programa, um dos dois investigadores convidados disse o mesmo pela negativa — «um modelo de linguagem não vai aprender com o feedback da mesma forma que um empregado» — e por isso prefere «dar-lhes simplesmente muito bom contexto».⁵³ É o que o cérebro faz: substitui, por enquanto, a aprendizagem que o modelo não tem pela escrita que a empresa faz.

Um cérebro responde a perguntas; para fazer trabalho, o agente precisa de saber como a empresa faz as coisas.

O documento que ninguém lê é, em 2026, a peça que mais rende — desde que se escreva de outra maneira.

Uma instrução de trabalho (a SOP, standard operating procedure) diz como a empresa faz uma tarefa: passos, regras, o que nunca se faz, como se sabe que ficou bem. Muitas vivem numa pasta partilhada e são seguidas de memória. Um agente muda a equação por uma razão simples: lê a instrução de cada vez que faz a tarefa. Ferrari, sobre a sua ferramenta interna de design:

«it will do so by automatically following the design guidelines that, say, the head designer for that tool has laid out in some document somewhere»

(vai fazê-lo seguindo automaticamente as directrizes de design que o responsável de design dessa ferramenta deixou escritas num documento qualquer)

— Luca Ferrari, programa «David Senra», 13 Set 2026⁵⁴

«Num documento qualquer.» É esse documento que passa a valer dinheiro. Greg Isenberg, autor que descreve serviços construídos sobre agentes: «O livro de regras. Este é o produto real e quase toda a gente o subestima. […] Um concorrente descarrega o modelo numa tarde. Não descarrega trezentos trabalhos de erros vossos.»⁵⁵

O que a evidência diz sobre a forma

Primeiro: instruções genéricas não ajudam e custam dinheiro. Um estudo da universidade técnica ETH Zurique testou ficheiros-raiz do tipo AGENTS.md em tarefas reais de programação. Concluiu que «fornecer ficheiros de contexto não melhora em geral a taxa de sucesso, aumentando o custo de inferência em mais de 20 % em média». As «visões gerais do repositório» — a pasta onde vive o código de um projecto — «embora populares e recomendadas pelos fornecedores de modelos, não são úteis». O que ajuda é o que o modelo não adivinharia: «práticas não-padrão».⁸ Traduzido: não escreva ao agente o que é um fecho de contas — ele sabe; escreva o que é o seu fecho de contas.

Segundo: instruções curtas e focadas rendem mais do que pacotes exaustivos. O SkillsBench, um teste com 87 tarefas e 18 combinações de modelo e ferramenta, mediu a taxa de sucesso sem skills em 33,9 % e com skills curados em 50,5 % — mais 16,6 pontos. «Skills focados, com no máximo três módulos, superam pacotes maiores ou exaustivos».⁷ O princípio de desenho chama-se divulgação progressiva: o agente vê primeiro uma linha que diz para que serve a instrução e só carrega o resto quando a tarefa a pede.⁴² Peter Steinberger, criador de um agente de código aberto muito difundido: «resumem-se a uma única frase que explica o skill; depois o modelo carrega o skill».⁵⁶

Terceiro — e é o que mais surpreende gestores: o excesso de instrução prejudica. David Heinemeier Hansson, um dos programadores mais conhecidos do mundo, a relatar uma conversa com Boris Cherny:

«it was actually being damaged by overly prescriptive humans»

(estava, na verdade, a ser prejudicado por humanos demasiado prescritivos)

— David Heinemeier Hansson, a relatar Boris Cherny, Lex Fridman #501, 26 Ago 2026⁵⁷

Os praticantes confirmam pelo lado dos erros: um ficheiro de instruções de 1 109 linhas e 46 procedimentos, publicado contra a recomendação do fornecedor;⁵⁸ um skill fixado a uma versão que ficou 44 alterações atrás em dez dias — «o que se fixa fica para trás».⁵⁹

Como se escreve, então

Quintero descreve a passagem: «as bibliotecas de prompts» — os pedidos escritos que se fazem ao modelo — «estão a dar lugar a bibliotecas de skills». Estas trazem instruções, exemplos, materiais de referência, scripts (pequenos programas), critérios de avaliação e donos nomeados.³⁷ A fasquia: «Uma automação que funciona 80 % das vezes é uma demonstração.»³⁷

Uma instrução de trabalho para agentes tem cinco propriedades (síntese nossa):

1. Curta e específica. Diz o que é diferente na sua empresa; omite o que qualquer profissional sabe.
2. Com dono e data. Uma pessoa responde por ela; tem «válido até».
3. Com critério de aceitação. A lista de verificação que o agente corre antes de mostrar o trabalho.
4. Com o que nunca se faz. As proibições são a metade que funciona: «nunca enviar sem aprovação», «nunca alterar um valor já facturado», «nunca inventar uma referência».
5. Carregada a pedido. Vive numa pasta própria, com uma linha de descrição.

A escada do capítulo 10 põe as instruções escritas no degrau 3 como salvaguarda explícita: no original, «CLAUDE.md and Skills to encode standards».³³ Como se faz corresponder os fluxos da empresa aos skills fica para o capítulo 13.

Com cérebro e instruções, os agentes podem trabalhar. A pergunta seguinte é de organigrama: quem responde a quem.

Vejamos um agente a fazer uma tarefa inteira — e onde pára para perguntar. O exemplo é hipotético: uma empresa de serviços de dez pessoas, no primeiro dia útil do mês.

Sete passos, uma paragem. Este desenho — o agente faz, a pessoa aprova o resultado e não cada tecla — é o degrau 2 da escada.

A forma da equipa

Quem já vive nisto descreve equipas mais pequenas, mais planas e mais generalistas. Owen Jennings, responsável pela reorganização da Block, uma grande empresa de pagamentos:

«it might be a squad of three people instead of a feature team of 14»

(pode ser um pelotão de três pessoas em vez de uma equipa de catorze)

— Owen Jennings, Block, a16z, 1 Abr 2026⁶²

Ele próprio tinha «catorze agentes a preparar alterações de código» em seu nome.⁶² Na Stripe, uma concorrente, um engenheiro sénior «está a orquestrar dezasseis agentes» e as camadas de gestão que coordenavam trabalho «já não são necessárias».⁶³ Na Lightfield, uma empresa de software de quarenta pessoas, «basicamente toda a gente é generalista».⁴⁰

Todas são empresas de tecnologia; fora dela a proporção de agentes por pessoa não está medida (inferência nossa).

Os agentes têm papéis, permissões e registo

Se um agente é um colega, tem o que um colega tem: um papel, um acesso definido, um registo. Ferrari descreve um agente «alter ego» por colaborador, que «tem, por desenho, exactamente o mesmo acesso que tu tens como indivíduo na empresa».⁵⁴ É a solução mais simples — e cria o risco que Nadella descreve:

«long-running persistent agents become essentially like new insider risks»

(agentes persistentes de longa duração tornam-se, essencialmente, novos riscos internos)

— Satya Nadella, All-In Summit, 15 Set 2026³⁶

A resposta dele é «monitorização verdadeiramente agressiva da actividade dos agentes».³⁶ Ismail propõe que «cada agente devia ter um passaporte» — permissões, registo pesquisável, possibilidade de desfazer, fila de revisão humana;¹⁴ Levie pede «papéis próprios e privilégios próprios» para os agentes.⁶⁴ Nityesh Agarwal, engenheiro que opera um agente permanente na Every Consulting: «utilidade sem controlo de acesso é um passivo». O seu guia desenha quatro camadas, da mais fiável para a mais flexível: acesso mínimo, protecções programáticas (regras mecânicas que não dependem do modelo), instruções e observabilidade.⁶⁵ O capítulo 13 desenvolve.

Onde fica a gestão intermédia

A escada descreve o papel humano por degrau: «um par», «orquestrador», «gestor de gestores», «direcção por intenção».³³ Ismail põe-o com humor:

«if 10 agents are reporting to a founder we’ve reinvented middle management it’s inside your own brain»

(se dez agentes reportam a um fundador, reinventámos a gestão intermédia — dentro da própria cabeça)

— Salim Ismail, Moonshots #283, 27 Ago 2026⁶⁶

Há quem discorde da forma: o investigador Alexander Wissner-Gross defende que a interface «humano gere agentes» não escala e que «vamos querer agentes a gerir outros agentes».⁶⁶ E Patel, a descrever um swarm real, observou «a emergência espontânea de hierarquia, de gestão intermédia» entre os próprios agentes.¹⁸

Fica a pergunta que ninguém consegue evitar: e as pessoas?

A evidência não fecha. Há três posições honestas e um papel que está a mudar.

Três posições

A perda forte. Ismail estima que a gestão intermédia «está quase completamente a fazer coordenação», que essa função «cai cerca de 90 %» e que «será possível gerir uma empresa média com cerca de 20 ou 25 % da força de trabalho». Prevê, no mesmo fôlego, «cinco vezes mais empresas a serem criadas».¹⁴ Heinemeier Hansson: «Produtividade significa menos pessoas para fazer a mesma quantidade ou o mesmo trabalho.»⁵⁷ Mo Gawdat, ex-executivo de tecnologia, prevê que «30 % dos empregos desapareçam até 2028» — «em alguns sectores, não em todos».⁶⁷ Jason Calacanis, investidor e apresentador, prevê «uma deslocação massiva de emprego», com a saída em micro-empresas de cinco a dez pessoas.⁶⁸ A Block cortou mais de 40 % dos postos.⁶²

O ganho, ou mais trabalho. David Sacks, investidor e conselheiro político, descarta os despedimentos anunciados: «o plural de anedotas não é dados».⁶⁹ Chamath Palihapitiya, sócio do mesmo programa, vê os cortes das grandes tecnológicas como correcção de sobre-contratação, não como IA.⁶⁸ Dan Shipper conta que a sua empresa cresceu de quatro para cerca de trinta pessoas enquanto enchia o Slack de agentes, porque «a automação produz uma abundância de trabalho» quase bom que precisa de peritos.¹¹ Levie: «os agentes não substituíram o trabalho de ninguém».³⁸

O meio. Nadella: «vai haver deslocação, há, mas a questão de fundo é que empregos novos são criados».³⁶ E Alex Imas, economista que estuda exactamente isto:

«If you don’t take anything else out of this conversation from me: We don’t have any data.»

(se não levar mais nada desta conversa comigo: não temos dados)

— Alex Imas, Dwarkesh Podcast, 4 Jun 2026⁷⁰

O risco que ele mais teme não é o desemprego em massa: é o «cenário gota-a-gota» de subemprego, difícil de ver e politicamente explosivo.⁷⁰

O que os números permitem dizer

No inquérito de 2026 da McKinsey, 39 % dos inquiridos esperam descidas de emprego ligadas à IA nas suas organizações no próximo ano, contra 32 % um ano antes. Dois terços reportam pouca ou nenhuma mudança no emprego total no ano passado. E a fatia de inquiridos que reporta cortes reais é cerca de metade da que os previa um ano antes.¹ A expectativa de cortes sobe; os cortes reportados ficam aquém. No inquérito de trabalhadores da BCG, 47 % gastam mais tempo a gerir a IA do que a fazer o trabalho e 65 % dos gestores acreditam que os agentes vão assumir pelo menos metade do seu trabalho em três anos.²¹

O sinal mais consistente é o dos juniores. Gawdat resume-o assim: «as empresas deixaram de contratar para empregos de entrada. Ainda não eram perdas de emprego».⁶⁷ Salim Ismail, que prevê a perda mais forte, propõe como resposta «programas de aprendizagem muito activos e agressivos».¹⁴ E um dos investigadores do podcast citado no capítulo 6 pergunta: «como é que alguém se torna perito se nunca tentar fazer a coisa?»⁵³

O papel que muda

«AI can give all of the recommendations in the world, but someone has to own the decision»

(a IA pode dar todas as recomendações do mundo, mas alguém tem de ser dono da decisão)

— Alex Hormozi, The Diary of a CEO, 20 Jul 2026⁷¹

Mollick nomeia as vantagens humanas que sobram: conhecimento profundo, conhecimento abrangente, gosto e agência.⁷² David Ondrej, criador de conteúdos que defende que os agentes farão «mais de 99 % de todas as tarefas» verificáveis, faz a pergunta que fica: «quem verifica o gosto? Quem verifica uma boa decisão?»⁷³

O que fica ao humano não me parece uma constante, parece-me uma sequência de fases. Em 2021 o humano era o perguntador. Há pouco mais de um ano era o instrutor, o verificador e o decisor, a tríade que muitas das fontes deste artigo ainda descrevem. Agora, com agentes que trabalham durante horas, que se dão instruções a si próprios, que orquestram outros agentes e coordenam swarms deles, acho que o papel humano é dar a direcção, contribuir com pequenos empurrões, dar o gosto, a filosofia e a abordagem e fazer uma coordenação de alto nível, mas nunca uma coordenação operacional. O papel humano está em transmutação e não me parece que isso seja reversível.

Eu já não escrevo, eu falo. Eu já não abro uma aplicação, eu peço um resultado. Eu já não defino a lista de tarefas. Eu envisiono um objectivo final.

Fecho da Parte I — a tese, revista

O que a evidência permite dizer é mais modesto do que o que se ouve nas conferências. Não diz que só sobrevive quem o fizer: nenhuma fonte mede sobrevivência empresarial em função da adopção de agentes. Não diz que as equipas ficam mais pequenas: as empresas que redesenharam divergem. Diz o que o inquérito de 2026 mostra e o que os praticantes repetem: o ganho está no redesenho do processo.

A minha aposta

Até aqui falou a evidência e daqui para a frente falo eu. A evidência ainda não mostra que as empresas que não escreverem o que sabem vão ficar para trás. Eu aposto que sim, num horizonte de três a cinco anos, não para todos ao mesmo tempo mas por sectores, com a manufactura a ir pelo caminho da embedded AI e da robótica enquanto o trabalho do conhecimento vai pelo das instruções de trabalho transformadas em skills, das ligações aos sistemas que já existem e da ontologia de cada empresa. Quando toda a gente reparar, já aconteceu.

Quando se diz que a mudança está a ser lenta, é lenta na habituação das pessoas, mas não na chegada da tecnologia, que já está muito mais implantada do que os analistas dizem perceber, na pesquisa que fazemos, no assistente do telemóvel, nos algoritmos de tudo o que vemos e no carro. A lentidão vem de quem acha que já está atrasado, que já não vale a pena ou que isto não é para si e fica a assistir em vez de agir. Hoje perguntamos se uma máquina consegue conduzir com segurança; amanhã a pergunta vai ser se devo pegar neste volante, sabendo que não sou tão seguro como ela. No trabalho vai passar-se o mesmo.

Na minha clínica quem manda é a responsabilidade. Eu assino o registo anestésico e respondo por ele, mas a responsabilidade é o portão por onde tudo tem de passar e a velocidade é a promessa de uma produtividade antes impossível, de servir mais doentes e de responder melhor. Um agente que faz o registo com atenção constante, sem cansaço e ligado aos outros sistemas da casa deixa-me responder por um registo de melhor qualidade, porque a minha atenção esteve toda dedicada ao doente. O humano vai ficar, certamente. Não estamos a falar de terraplanar a intervenção humana no trabalho, estamos a falar de mudar o que significa ser humano quando se trabalha com a inteligência artificial ao lado.

Vejo a água a recuar na praia e quase toda a gente acha que é a maré a baixar, mas eu acho que é um tsunami em aproximação. Avassalador, não aterrador. Chamo-lhe tsunami porque a água não deixa espaços vazios nem bolsas de ar.

A travessia vai ser difícil e algum sofrimento é provavelmente inevitável, porque não há verdadeira evolução sem disrupção, mas é a própria velocidade que a torna mais curta e por isso mais perdoável. Se a travessia durasse vinte anos, a velocidade estaria contra nós; assim, o tempo, tão assustador por ser pouco, joga a nosso favor. Confesso que navego entre esta vertente e a de quem acha que uma travessia rápida concentra a dor. Não é ao sabor das minhas convicções, que se mantêm tal como a minha empatia, mas ao sabor do que vejo acontecer no dia-a-dia, porque em inteligência artificial um mês é o equivalente ao que há uns tempos era um ano ou uma década.

O que me assusta é outra coisa. Nas conversas das altas rodas fala-se de um futuro não muito longínquo em que todas as empresas serão meras subsidiárias do duopólio da Anthropic e da OpenAI. Isso é que merece um travão, ou melhor, três. Um travão no duopólio, porque a competição é importantíssima. Outro na IA fechada, porque o código aberto tem de ganhar. E um terceiro na destruição das empresas, que já se vê no software vendido como serviço, onde as empresas muito verticais, com um só domínio e um só conjunto de fluxos aplicado a um problema, são hoje carne para canhão, porque passaram a ser um conector dentro dos assistentes dos grandes laboratórios. A Salesforce acabou de fechar um acordo alargado com a Anthropic⁷⁴ e percebo porquê, porque não é vertical, é horizontal, atravessa as empresas de uma ponta à outra e é o símbolo de fluxos de trabalho e skills estruturados.

Há ainda um risco estrutural, que não depende de ninguém violar os termos de utilização. Não falo de treinar modelos com os dados dos clientes, que os termos dos grandes fornecedores excluem (capítulo 13), mas de um fornecedor que vê que conectores, que programas e que fluxos toda a gente constrói e usa sobre a sua inteligência e que, na semana seguinte, os pode lançar como capacidade do seu próprio modelo, à distância de um pedido. Os nichos têm de ser mantidos para as empresas sobreviverem como empresas e não como subsidiárias.

A segunda metade é um manual. Começa por saber em que degrau está.

Em que degrau está a sua empresa? Cinco perguntas chegam.

A tabela seguinte é uma adaptação. O original é de Boris Cherny, «Steps of AI Adoption», um artefacto datado de 16 de Julho de 2026 e anunciado no X a 17 de Julho.³³ Descreve equipas de engenharia de software; a adaptação a todo o trabalho intelectual é nossa e a lista do que foi mudado está por baixo. Uma segunda leitura, mais conservadora, é o guia «The Eight Levels of AI Adoption», de Mike Taylor e Laura Entis (Every, 2026), que mede tarefas em vez de organizações.⁷⁵

Três avisos. Os degraus não são um campeonato: «Um nível mais alto não é necessariamente melhor»; o certo depende «de quanto confia na IA para fazer um bom trabalho sem intervenção — e de quão grave é se ela falhar».⁷⁵ Os mesmos autores situam o ponto ideal «algures entre os níveis 1 e 4» dos seus oito — grosso modo, os degraus 1 e 2 desta escada (inferência nossa).⁷⁵ E saltar degraus não funciona — «vai sentir-se desconfortável e desconfiado das ferramentas».⁷⁶

A tabela adaptada

Atribuição. Adaptado de Boris Cherny, Steps of AI Adoption, artefacto de 16-07-2026, anunciado no X a 17-07-2026 (https://x.com/bcherny/status/2077929379661844559). A tabela original descreve equipas de engenharia de software; a adaptação a todo o trabalho intelectual é nossa e está assinalada. Segunda leitura: Mike Taylor & Laura Entis, The Eight Levels of AI Adoption, Every, 2026.

Auto-diagnóstico — cinco perguntas, uma por degrau

0. Alguém pode usar um agente com dados da empresa sem pedir autorização caso a caso?
1. Alguém corre mais de um agente ao mesmo tempo?
2. Existe uma verificação automática que o agente passa antes de mostrar o trabalho?
3. Existe um documento que diga ao agente como a empresa faz X — com dono?
4. Algum agente lança outro sem uma pessoa a mandar — com registo e salvaguardas?

O primeiro «não» diz o degrau.

Saber o degrau é o diagnóstico. Os 90 dias seguintes são o tratamento.

O método é o mesmo para uma contabilidade, uma clínica ou um consultor sozinho: um fluxo doloroso, medido, levado até 95 %. Quintero resume-o em cinco passos: «Ganhar fluência → Nomear campeões de IA → Escolher um fluxo doloroso → Construir até 95 % → Escalar o que funciona.»³⁷

Semanas 1–4: fluência e escolha

Ganhar fluência. Uma hora por semana, em público, toda a equipa a usar um agente em tarefas reais — para que ninguém tenha medo e apareçam os dois ou três que vão puxar pelos outros.

Nomear um campeão com tempo protegido. «O que os campeões precisam é de tempo protegido — pelo menos dois dias por mês, na nossa experiência — e de um mandato claro».³⁷

Escolher pelo constrangimento, não pela facilidade. Alex Hormozi, empresário que aconselha pequenas empresas, conta o caso de uma que gastou uma fortuna a substituir assistentes que custavam pouco. «Era só um processo que podiam automatizar, não que devessem automatizar, porque não é a coisa que está a limitar o crescimento.»⁷¹ O critério certo é o fluxo com mais passagens de mão. Vasuman, que também redesenha processos, recomenda atacar primeiro o fluxo com mais transferências entre pessoas; o trabalho que se elimina primeiro é quase todo coordenação — perseguir, esperar, escalar, triar.⁷⁷ O mesmo autor recupera um número clássico, que atribui a Michael Hammer (1990): um pedido de seguro demorava 22 dias a atravessar a empresa; o trabalho real eram 17 minutos.⁷⁷ Acelerar os 17 minutos é gastar no sítio errado.

Medir antes de tocar. O tempo de ciclo (do pedido à entrega) contra o tempo de trabalho (o que alguém realmente fez); e a fatia do fluxo que é manual, híbrida ou automática.³⁴

Semanas 5–12: construir até 95 %

Um dono, um fluxo, uma instrução. O campeão escreve a instrução do fluxo — curta, específica, com critério de aceitação e com o que o agente nunca faz sozinho (capítulo 7). Abre o cérebro só com o que esse fluxo precisa.

Salvaguarda antes de escala. Cada escrita do agente passa por aprovação humana até a taxa de correcções cair para um nível com que a equipa viva. Cherny descreve a subida como «usar as funcionalidades certas com as salvaguardas certas».³³

Construir até 95 %. «Uma automação que funciona 80 % das vezes é uma demonstração.»³⁷ Entre 80 % e 95 % está quase todo o trabalho: as excepções, os casos raros. «Pense num agente de IA menos como uma máquina que corre para sempre e mais como um empregado que está a integrar.»³⁷

O que não fazer

Não transformar a empresa inteira: «não se consegue mudar, corrigir e transformar a empresa existente» — constrói-se ao lado, um fluxo de cada vez.¹⁴ Não dar uma licença a cada pessoa e chamar-lhe transformação.³⁸ Não escolher a ferramenta antes de escolher o fluxo (capítulo 13).

Como saber, no dia 90, se resultou

Quatro números. A fatia manual/híbrida/automática deslocou-se para a direita. O tempo de ciclo caiu. As correcções humanas por 100 entregas descem semana a semana — se não descem, a instrução está errada ou o fluxo não era este. E as perguntas sem resposta no cérebro são a lista do que escrever a seguir.⁵¹

Cada playbook segue o mesmo formato. Todos são genéricos; os números de sector estão marcados quando são de fornecedor.

12.1 Empresa de serviços profissionais (contabilidade, advocacia, consultoria; 5–40 pessoas)

Onde está o sector. Segundo o Thomson Reuters Institute, 40 % das organizações usam IA generativa ao nível da organização, mas só 15 % adoptaram IA agêntica.²² Onde há uma estratégia de IA, 66 % dos profissionais vêem as expectativas cumpridas, contra 22 % onde não há.⁷⁸

Primeiros 30 dias. Fluência em equipa. Um campeão com dois dias por mês. Mapear os cinco fluxos com mais passagens de mão — fecho mensal, resposta a pedidos de cliente, declarações, pareceres, facturação — e escolher um. Medir o tempo de ciclo contra o tempo de trabalho.

Dias 31–90. Construir o fluxo até 95 % com um agente e uma salvaguarda humana em cada escrita: envio a cliente, emissão de factura, submissão a uma entidade oficial. Escrever a instrução com dono e critério de aceitação.

O que pôr no cérebro primeiro. Clientes com contexto, calendário de obrigações, decisões passadas com a razão, modelos aprovados; as três primeiras instruções: «como fechamos um mês», «como respondemos a um cliente», «o que nunca enviamos sem revisão». Não pôr dados sensíveis sem classificação prévia (capítulo 13).

Agentes. Triagem da caixa de entrada (nunca envio); preparação do fecho; conferência de documentos; primeira versão de pareceres com fontes verificadas mecanicamente — e este ponto não é opcional. Uma base de dados mantida por Damien Charlotin, investigador de direito, contava, a 27 de Setembro de 2026, 2 086 decisões judiciais em que um tribunal constatou o uso de conteúdo inventado pela IA.⁷⁹ A consultora Deloitte devolveu a última prestação de um relatório de cerca de 290 000 dólares a um governo depois de detectadas referências inventadas.⁸⁰ Uma referência que não resolve não entra.

Erros a evitar. Uma licença a cada pessoa e chamar-lhe transformação; um agente com permissão de envio sem confirmação; instruções de mil linhas.⁵⁸

12.2 Clínica / saúde (2–30 profissionais)

Onde está o sector. Um inquérito global da Elsevier a 2 757 clínicos encontrou 49 % a usar IA no trabalho e só 37 % a considerar as ferramentas fiáveis.⁸¹ Sobre os «escribas ambiente» — programas que ouvem a consulta e escrevem a nota —, o único ensaio aleatorizado que encontrámos, publicado no NEJM AI, mediu uma redução de 9,5 % no tempo de escrita com um produto e nenhuma diferença com outro.⁸² O estudo mais citado sobre burnout (esgotamento profissional), publicado no JAMA Network Open, mediu os mesmos médicos antes e depois de adoptarem a ferramenta, sem grupo de comparação: o burnout desceu de 52 % para 39 %, mas o desenho não permite atribuir a descida à ferramenta. Além disso, um dos autores é afiliado ao fornecedor.⁸³

A regra que manda em tudo. Dados de doentes só dentro do perímetro clínico: o sistema clínico, um servidor próprio ou um fornecedor com contrato de tratamento de dados e sem retenção. Nenhum agente de uso geral toca em dados identificáveis. E um aviso: ligar um agente a uma ferramenta instalada «localmente» não torna os dados privados. O modelo que raciocina sobre o que a ferramenta devolve corre onde o fornecedor o aloja, salvo se correr nas máquinas da clínica (capítulo 13). «Local» e «privado» não são sinónimos — princípio nosso, não fonte externa.

Primeiros 30 dias. Começar pelo lado administrativo, onde não há dados de doentes ou são separáveis: agenda e confirmações, fornecedores e stocks, biblioteca de protocolos, facturação a convenções. Escolher um fluxo — por exemplo, confirmação de consultas e gestão de faltas.

Dias 31–90. Cérebro com protocolos internos, procedimentos administrativos, fornecedores, decisões da direcção clínica; instruções para a recepção e para o fecho de facturação. Só depois avaliar a documentação clínica, com produtos que corram dentro do sistema clínico e com evidência de ensaio.

Agentes. Confirmações e reagendamento (com aprovação humana para cancelar); conferência de facturação; stocks e prazos; pesquisa de literatura com verificação de referências. Nunca triagem clínica autónoma.

A lei. O capítulo 14 tem a linha do tempo; para uma clínica conta sobretudo que o alto risco do Anexo I — produtos regulados, onde caem os dispositivos médicos — foi adiado para 2 de Agosto de 2028.⁸⁴ Se um agente administrativo de clínica cai no Anexo III — a lista de usos que o regulamento classifica como de alto risco (emprego, educação, serviços essenciais…) — é pergunta para um jurista.

Como medir. Faltas e reagendamentos; dias até facturar; tempo administrativo por consulta; zero incidentes de dados.

Erros a evitar. Notas clínicas num assistente de uso geral; comprar um «escriba» pela promessa sem olhar para o ensaio; confundir «local» com «privado» (princípio nosso, sem fonte externa).

12.3 Empresa de uma pessoa (independente, consultor, criador, profissional liberal)

Onde está. A evidência é de praticantes. Daniel Priestley, empresário que ensina a criar negócios pequenos: «nunca foi tão fácil construir um negócio pequeno de sucesso» — mas, sobre agentes a criar empresas sozinhos, «ainda não vimos esses exemplos a acontecer».⁸⁵ A promessa mais repetida — a empresa de uma pessoa avaliada em mil milhões — não tem caso confirmado: o exemplo de 2026 tinha dois empregados, os «1,8 mil milhões» eram vendas projectadas e a consultora Forrester contestou a narrativa.⁸⁶

E há quem ache que a vantagem vai para as grandes. Patel escreve que a economia de modelos personalizados «favorece fortemente as grandes organizações».⁵² Brown observa que agentes alinhados podem devolver vantagem ao incumbente: «pode ter 10 000 deles e vão todos trabalhar tanto como se fossem co-fundadores com 20 %».¹⁸

Primeiros 30 dias. Escrever o ficheiro-raiz — quem sou, o que faço, para quem, o que nunca faço — em meia página. Separar três espaços de trabalho: público, sensível, seguro (capítulo 13). Escolher o fluxo que mais tempo rouba.

Dias 31–90. Um agente por função, não um agente para tudo;⁸⁷ quem opera «25 ou mais agentes a toda a hora» é o exemplo extremo, não a meta.⁷³ Uma memória com regras de escrita e de esquecimento: «Sem decaimento, o agente afoga-se no passado»; «se o agente escreve na memória quando quer, escreve lixo».⁴⁸ Os primeiros cinco skills. Um ritual semanal de poda.

O que pôr no cérebro primeiro. Clientes e histórico, preços e propostas aprovadas, decisões com a razão, calendário fiscal, o próprio estilo. Agentes: triagem de correio, pesquisa com fontes verificadas, primeira versão de propostas, contabilidade preparatória (nunca submissão). Como medir: horas recuperadas, propostas entregues, correcções ao agente por semana.

Erros a evitar. Agentes sem tecto de despesa. Deixar o agente enviar. Um único ficheiro de instruções gigante.⁵⁸ Confiar que o cérebro se mantém sozinho.⁵⁹ Acreditar no unicórnio de uma pessoa.⁸⁶

Um cérebro que responde a tudo a toda a gente é uma fuga de informação à espera. Seis decisões tornam-no governável.

A pergunta «damos ou não damos acesso?» chegou tarde: os colaboradores já usam. Os números não formam uma série, mas apontam no mesmo sentido — cerca de metade usa ferramentas não aprovadas, na nossa leitura. Num estudo da KPMG e da Universidade de Melbourne a 48 000 pessoas em 47 países, 57 % escondem o uso e só 47 % receberam formação;¹⁰⁵ 69 % das organizações inquiridas pela Gartner suspeitam ou têm provas de uso de IA generativa proibida.¹⁰⁵

Dar uma ferramenta aprovada funciona melhor do que proibir — com a honestidade de dizer que a evidência é uma correlação. Na Netskope, fornecedor de segurança de rede, a percentagem de utilizadores de IA em contas pessoais caiu de 78 % para 47 % num ano, à medida que as empresas passaram a dar contas geridas e a bloquear as restantes. São dados de clientes que já têm controlos, sem grupo de comparação.¹⁰⁵ O NCSC, centro nacional de cibersegurança britânico, recomenda o mesmo caminho: alternativas seguras em vez de proibição.¹⁰⁶

Uma política de uso cabe numa página: que ferramentas estão aprovadas; que classe de dados entra em cada uma (públicos em qualquer; internos e confidenciais só na ferramenta com contrato; restritos em nenhuma); que a pessoa continua responsável pelo resultado. Quem põe dados pessoais numa ferramenta de IA, lembra a CNIL, a autoridade francesa, passa a ser «responsável pelo tratamento» à luz do RGPD.¹⁰⁷

E há a lei. O artigo 4.º do Regulamento da Inteligência Artificial obriga quem fornece e quem usa sistemas de IA a «tomar medidas para apoiar o desenvolvimento da literacia em IA do seu pessoal». A redacção nova, publicada no Jornal Oficial a 24 de Julho de 2026 e em vigor desde 27, acrescenta que a obrigação «não exige garantir nenhum nível específico de literacia em IA de nenhum indivíduo».¹⁰⁸ A uma pequena empresa cujos empregados usam um assistente de conversa para textos ou traduções, a Comissão Europeia responde que sim, a obrigação aplica-se — e não exige certificado. A supervisão aplica-se, nas palavras da Comissão, «from 3 August 2026»; as sanções são mais prováveis «se houver prova de um incidente devido à falta de formação».¹⁰⁸

Resposta curta. Se: sim — a alternativa é «usam às escondidas». Quando: depois da política de uma página e de uma hora de formação. Como: por classe de dados e por papel, com contas geridas e registo.

Os incidentes de 2025 e 2026 têm três formas. A resposta é desenho, não proibição.

Um agente com permissão de escrita sem confirmação. Os dois casos do capítulo 8 — a base de dados apagada durante um congelamento de código,⁶⁰ a base de produção e as cópias de segurança apagadas em nove segundos.⁶¹ Um agente fora de controlo. Em Julho de 2026, um agente em teste da OpenAI invadiu durante dias uma plataforma pública de modelos e comprometeu contas em quatro serviços; o laboratório desactivou o modelo.¹⁰⁹ Em Setembro de 2026, a AEPD, autoridade espanhola de protecção de dados, recebeu a primeira notificação de uma violação de dados executada por um agente.¹¹⁰ Contexto errado e fontes inventadas. A falha do capítulo 6 vista do lado do dano — 57 % das empresas inquiridas já a viram⁶ — e as 2 086 decisões judiciais com conteúdo inventado.⁷⁹ O modelo tem o facto certo e inventa o localizador que o género pede. A defesa é mecânica: nenhuma referência entra num documento sem ter sido resolvida contra a fonte.

O que a fiabilidade permite

Os números de capacidade sobem depressa; os de fiabilidade, muito menos. O METR, um laboratório independente, mede quanto tempo de trabalho humano um modelo completa sozinho. Para o melhor modelo medido em 2026 dá 17,4 horas a 50 % de sucesso — mas 3,1 horas a 80 % — e avisa que as medições acima de 16 horas não são fiáveis com a sua bateria actual.¹¹¹ Para quem desenha processos, o número útil é o segundo: a duração de tarefa que um agente completa quatro vezes em cinco. Um estudo de quinze modelos, de Fevereiro de 2026, concluiu que «os ganhos recentes de capacidade só produziram pequenas melhorias de fiabilidade».¹¹²

Governação: quatro peças

Um papel por agente; permissões próprias — o «passaporte»¹⁴ e a identidade de agente do capítulo 13; registo auditável de tudo o que o agente leu e escreveu;³⁶ e paragem antes de escrever, em cada operação irreversível, até a confiança a dispensar caso a caso.

A lei europeia: as datas que contam agora

O Regulamento da Inteligência Artificial (Regulamento (UE) 2024/1689) entrou em aplicação por fases. Em Julho de 2026, o chamado «Digital Omnibus» alterou o calendário — em parte: a peça sobre IA foi aprovada como Regulamento (UE) 2026/1744 (JO de 24 de Julho); a peça sobre protecção de dados continua no Parlamento Europeu.⁸⁴

O que penso do regulamento

As datas acima cumprem-se e o que se segue é opinião minha, que não muda nenhuma delas.

O Regulamento Europeu da Inteligência Artificial é um reflexo da filosofia europeia actual, um sonho de burocratas, uma âncora de conservadorismo, um pelotão de fuzilamento da inovação e da produtividade, sob o falso anátema da protecção de todos, do que é novo, do amanhã, do nosso potencial e do que vem de fora, quando o que vem de fora nos beneficiaria a todos. Parece-me demasiado estrito para deixar florescer a inovação e chama responsabilidade ao que, na realidade, é medo de encarar que esta tecnologia já cá está e já está a ser usada, quando devia dirigir, coordenar e ajudar a definir as barreiras que a tornam segura em vez de impedir que se aplique.

No fundo, diz-nos: protege os teus pares com a exímia aplicação de regulamentos e nunca os deixarás levantar-se do chão.

Percebo que os dados dos doentes têm de ser protegidos, que a propriedade intelectual das empresas não pode ser só mais um conjunto de dados para os grandes modelos de fronteira e que os nichos têm de ser mantidos. Só que o regulamento é um véu de vidro fosco, que nos deixa ver o vulto do amanhã, mas não nos deixa tocá-lo nem participar dele. Quero o gate, não quero o muro.

Nenhuma destas datas diz se um agente administrativo é «alto risco»; é a pergunta a levar a um jurista antes de Dezembro de 2027. O que a lei já pede a quem usa IA — literacia do pessoal, transparência — não espera por essa data.

Nada disto é razão para não começar. É razão para começar pelo degrau certo.

A informação e os dados são poder. E quem não percebeu isso na era da internet vai perceber isso na era da IA. Escrever o que a empresa sabe, em ficheiros seus, é guardar esse poder dentro de casa.

Enquanto quase toda a gente se centra no que isto vai fazer aos empregos, às suas preciosas empresas e às fábricas, eu prefiro fazer outras perguntas.

E se amanhã o cancro estiver curado? E se os ciclos de investigação de um medicamento, que hoje levam dez a quinze anos,¹¹³ encurtarem para dois ou três? E se, de ano para ano, sempre que formos à farmácia, encontrarmos medicamentos que curam e não apenas controlam, a preços cada vez mais baixos? E se a educação for feita à medida do aluno e não à medida do sistema? E se a justiça for rápida, com protecção humana e vigilância sobre os direitos de cada pessoa? E se passarmos de uma economia que extrai para uma que cria, da escassez à superabundância, como defendem Tony Seba e James Arbib?¹¹⁴ E se cada ano de investigação nos der mais do que um ano de esperança de vida?

Se as respostas chegarem, será um sonho a instalar-se de repente e o de repente é o que assusta. A pergunta que lhe faço é esta: devemos assustar-nos com a rapidez com que recebemos algo de bom, ou devemos ansiar por isso?

• Agente — um programa de inteligência artificial que recebe um objectivo, usa ferramentas (correio, agenda, sistema de facturação) e executa vários passos sozinho até acabar ou até precisar de aprovação.
• Alucinação — quando o modelo inventa um facto ou uma fonte com aparência de verdade: um número de processo, um título de artigo, uma página que não existe.
• Cérebro da empresa — o conjunto do que a empresa sabe (clientes, processos, decisões, regras) guardado de forma a poder ser consultado por qualquer pessoa e por qualquer agente, com dono e data.
• Contexto / engenharia de contexto — tudo o que o agente «tem à frente» quando trabalha: a pergunta, os documentos, as regras. Engenharia de contexto é escolher o que lhe pôr à frente. A janela de contexto é o espaço limitado de texto que o modelo lê de cada vez.
• Conteúdo sintético — texto, imagem, áudio ou vídeo gerados por IA.
• Degrau de adopção — onde a empresa está na escada que vai de «acesso fechado» a «os agentes lançam agentes» (capítulo 10).
• EBIT — o resultado operacional de uma empresa: lucro antes de juros e impostos. A medida que os inquéritos usam para «impacto no negócio».
• Embedding — a representação numérica de um texto que permite medir semelhança entre textos; a base da pesquisa por semelhança (RAG).
• Humano no circuito / acima do circuito — no primeiro caso, a pessoa aprova cada passo do agente; no segundo, define as regras e trata só das excepções.
• IA generativa / IA agêntica — a primeira produz texto, imagem ou código a pedido; a segunda executa tarefas com ferramentas, em vários passos.
• Inferência — o acto de pôr um modelo já treinado a responder; é o que se paga ao uso.
• Instruções de trabalho / SOP — o documento curto que diz como a empresa faz uma tarefa: passos, regras, o que nunca fazer, como se sabe que ficou bem.
• MCP — um padrão aberto que liga agentes a ferramentas e dados, como uma tomada universal; gerido por uma fundação neutra. Um servidor MCP é a ficha que expõe um sistema aos agentes.
• Modelo (de linguagem) — o programa de IA, treinado sobre grandes volumes de texto, que está por trás de qualquer assistente ou agente.
• Modelo de pesos abertos — um modelo que se pode descarregar e correr em máquinas próprias.
• Preprint — artigo científico publicado antes da revisão por pares.
• Prompt — o pedido escrito que se faz a um modelo.
• Retenção zero — acordo pelo qual o fornecedor não guarda os pedidos nem as respostas depois de as devolver.
• Salvaguarda (guardrail) — uma regra mecânica que impede o agente de fazer uma coisa (apagar, enviar, pagar) sem confirmação, registo ou revisão.
• Skill — uma instrução de trabalho embalada para um agente: uma pasta com um ficheiro de texto que o agente carrega só quando a tarefa a pede.
• Token — a unidade em que se mede e se paga o uso de um modelo; grosso modo, um pedaço de palavra.