Capítulo 01 Método
Porque esta apostila é sobre o método, e não sobre modelos
É a área com maior densidade de discurso e menor prazo de validade de qualquer afirmação concreta. Um texto que diga o que os modelos conseguem hoje estará errado antes de ser lido.
1.1 O problema desta apostila, dito à cabeça
Qualquer afirmação sobre capacidades concretas — o que um modelo consegue fazer, quantos parâmetros, que exame passou — envelhece em meses. Escrever uma apostila com essas afirmações seria escrever um documento com data de caducidade curta e aparência de permanência, que é a pior combinação possível.
Por isso esta apostila tem uma regra: não afirma o que os modelos conseguem. Afirma o que decide se conseguem, e como reconhecer que mudou. As perguntas duram; as respostas não.
1.2 As três perguntas que valem, e as três que não
| Pergunta que não dura | Pergunta que dura |
|---|---|
| "O modelo X consegue fazer Y?" | "O que é que torna Y difícil, e essa dificuldade cedeu?" |
| "Quando chega a inteligência geral?" | "Que tarefas económicas mudam de dono, e o que as bloqueia?" |
| "Este resultado é impressionante?" | "Foi medido como? Contra quê? Reproduzido por quem?" |
A coluna da direita continuará a fazer sentido em 2032, independentemente do que tiver acontecido. É esse o critério que organiza tudo o que se segue.
1.3 O padrão histórico que convém ter à vista
1 · Sobrestima-se o curto prazo e subestima-se o longo. As previsões falham nos dois sentidos ao mesmo tempo: o que se anuncia para dois anos costuma demorar dez; o que ninguém previu para dez anos acontece.
2 · O que funciona deixa de se chamar IA. Reconhecimento de fala, tradução automática, recomendação, deteção de fraude, correção ortográfica — foram todos "inteligência artificial" e são hoje apenas funcionalidades. A fronteira do que conta como IA move-se sempre para o que ainda não funciona.
A segunda regularidade tem uma consequência prática para esta apostila: parte do que hoje se debate como "o futuro da IA" será, em 2032, infraestrutura invisível de que ninguém fala — e essa é a forma mais provável de "sucesso".
1.4 Sinal, tendência, incerteza
| Tipo | Exemplo aqui |
|---|---|
| Sinal — verificável, com data | O custo por unidade de capacidade caiu drasticamente e continua a cair |
| Tendência | Mais integração em produtos existentes; mais regulação, não menos |
| Incerteza crítica | A capacidade continua a crescer com mais escala? A delegação de tarefas longas torna-se fiável? |
Uma demonstração. Uma pontuação num exame. Uma ronda de financiamento. Uma declaração de um dirigente sobre o que aí vem. Um vídeo de um agente a completar uma tarefa. Nenhum destes é evidência sobre adoção nem sobre fiabilidade — e a facilidade com que são tratados como tal é a razão de ser deste capítulo.
É exatamente o mesmo problema de O Futuro da Robótica: demonstração e adoção dependem de coisas diferentes. Nesta área o intervalo entre as duas é menor, e por isso mais fácil de ignorar.
1.5 Delimitação, e conflito de interesse
- Horizonte: 2032. Confiança declarada em cada projeção.
- Não é sobre riscos existenciais. É um debate legítimo e de outra natureza; aqui trata-se do que muda em trabalho, produtos e organizações.
- Conflito de interesse: esta apostila foi escrita com assistência de IA, por uma escola que ensina IA. Ambas as coisas empurram para conclusões favoráveis — leia com isso à vista, e note que o capítulo 10 é deliberadamente o mais desconfortável.
- Pares neste catálogo: Engenharia de LLM, Agentes de IA, IA Generativa & RAG, LLMOps & Avaliação, Governança de IA.
Pegue em três afirmações sobre IA que ouviu esta semana e reescreva-as na forma da coluna da direita de 1.2. As que não sobreviverem à reescrita eram notícia, não informação.
Capítulo 02 Sinais
O inventário: onde já mudou o trabalho de facto
O registo do presente, com um critério exigente: só entra o que mudou processos reais, não o que foi demonstrado.
2.1 Onde a mudança já é económica
- Primeiro rascunho de texto. Correspondência, resumos, documentação, propostas. A tarefa deixou de ser escrever e passou a ser rever — o que é uma competência diferente e nem sempre mais barata.
- Escrita de código. A mudança mais bem documentada. Gerar código ficou barato; verificá-lo não (O Futuro da Engenharia de Software).
- Tradução e transcrição. Essencialmente resolvido para uso corrente, com a revisão humana a concentrar-se no que tem consequências.
- Imagem, voz e vídeo curto. Ver O Futuro da Criação Visual.
- Procura dentro de acervos próprios. Encontrar por descrição em documentos, gravações e arquivos. Baratíssimo e muito subaproveitado.
- Classificação e triagem. Encaminhar pedidos, etiquetar, extrair campos de documentos. É o uso menos vistoso e provavelmente o de maior retorno agregado.
2.2 O padrão do que cedeu
1. A tarefa é de transformação de informação, não de ação no mundo. 2. O erro é barato e detetável por quem recebe. 3. Existe um humano a rever antes de haver consequência. 4. A tarefa é curta — cabe num pedido, não numa semana.
Quando falta uma destas quatro, a adoção trava — e a que falta mais vezes é a quarta. É o assunto do capítulo 4 e é o eixo 2 da apostila.
2.3 O que ainda não mudou, apesar de anunciado
| Área | Porquê resiste |
|---|---|
| Tarefas longas sem supervisão | Erros compõem-se ao longo dos passos; sem verificação intermédia, a taxa de sucesso desaba (cap. 4) |
| Trabalho com consequência irreversível | Pagar, apagar, enviar, comprometer. Ninguém delega o que não se desfaz |
| Integração com sistemas antigos | O gargalo é o acesso aos dados e às permissões, não a inteligência |
| Decisão com responsabilidade legal | Crédito, saúde, contratação, justiça — há um humano obrigado a responder |
| Conhecimento tácito da organização | Não está escrito em lado nenhum, portanto não está no contexto |
2.4 O sinal mais informativo: a distância entre adoção e valor
A adoção individual é altíssima — muita gente usa estas ferramentas todos os dias, frequentemente sem que a organização saiba. O valor capturado ao nível da organização é muito mais difícil de demonstrar, e a maior parte dos ganhos anunciados não sobrevive às perguntas do volume IV de Estatística: comparado com quê, medido como, e quem escolheu usar.
Isto não é evidência de que não funciona. É evidência de que o ganho individual não se converte automaticamente em ganho organizacional — porque os processos, as aprovações e os pontos de espera continuam onde estavam. Uma tarefa acelerada num processo cujo gargalo está noutro sítio não produz ganho nenhum.
É a observação mais útil deste capítulo, e é a que separa quem está a obter retorno de quem está a comprar licenças.
Escolha três tarefas da sua organização e avalie-as contra as quatro propriedades de 2.2. As que cumprirem as quatro já podiam estar automatizadas hoje — e provavelmente não estão, por razões que não são técnicas.
Capítulo 03 Força
Força 1 — o custo por unidade de capacidade
A força mais fiável do período, e a menos discutida: a mesma capacidade custa uma fração do que custava, e isso muda o que é viável construir.
3.1 O que está a cair, e o que não
| Custo | Direção | Consequência |
|---|---|---|
| Por unidade de capacidade entregue | Cai muito | Casos de uso inviáveis tornam-se viáveis |
| De treinar na fronteira | Sobe | Concentra quem consegue treinar os maiores modelos |
| De adaptar um modelo existente | Cai | Especialização fica ao alcance de organizações pequenas |
| De integrar numa organização | Praticamente estável | Passa a dominar a conta (cap. 5) |
| De verificar o resultado | Estável | Torna-se o gargalo |
Duas linhas a cair e duas estáveis. Se produzir barateia e verificar não, a verificação passa a ser a parte cara de qualquer trabalho — e a competência escassa deixa de ser produzir e passa a ser garantir.
É a mesma tese de O Futuro da Engenharia de Software e de O Futuro da Criação Visual. Que apareça independentemente em três domínios é o sinal de que é estrutural e não uma particularidade de nenhum deles.
3.2 O que a queda de custo torna possível
- Aplicar a tudo em vez de a uma amostra. Classificar todos os pedidos, não uma amostra; rever todos os contratos, não os maiores. É a mudança de maior valor agregado e a menos noticiada.
- Correr várias vezes e comparar. Quando cada tentativa custa quase nada, gerar cinco respostas e verificá-las umas contra as outras passa a ser barato — e é uma das formas mais eficazes de reduzir erro.
- Modelos pequenos no dispositivo. Sem enviar dados para fora, o que resolve de uma vez uma classe inteira de objeções de privacidade (IA Local & SLM).
- Casos de baixo valor unitário. Tarefas que não justificavam software dedicado passam a justificar.
3.3 O que a queda de custo não resolve
Um sistema dez vezes mais barato com a mesma taxa de erro continua a ter a mesma taxa de erro. E quando se aplica a tudo em vez de a uma amostra, o número absoluto de erros aumenta — o que pode piorar a situação mesmo com o mesmo desempenho.
É a armadilha central da adoção barata: a decisão de aplicar a tudo é económica e as consequências são operacionais. Antes de escalar, a pergunta é quantos erros por semana é que isto produz, e quem os apanha?
Projeção (confiança alta): o custo por unidade de capacidade continua a cair de forma significativa até 2032; a integração e a verificação não acompanham, e passam a representar a maior parte do custo total de qualquer aplicação séria.
Identifique uma tarefa que a sua organização não automatizou por não compensar. Refaça a conta com os custos de hoje. Depois acrescente a linha que ninguém acrescenta: quanto custa verificar e corrigir os erros.
Capítulo 04 Força
Força 2 — a composição de erros em tarefas longas
É a restrição mais importante e a menos intuitiva. Explica porque a delegação de tarefas curtas funciona e a de tarefas longas ainda não.
4.1 A aritmética
Um sistema que acerta 95% das vezes numa etapa parece muito bom. Encadeando etapas, se cada uma depender da anterior:
Para uma tarefa de vinte passos funcionar em 90% dos casos, cada passo precisa de acertar 99,5%. A exigência por passo cresce brutalmente com o comprimento da tarefa — e é por isso que "quase sempre acerta" é suficiente para responder a uma pergunta e insuficiente para conduzir um processo.
Não é uma limitação de nenhum modelo em particular: é aritmética. Qualquer sistema que encadeie passos enfrenta isto.
4.2 O que quebra a composição
A tabela acima assume o pior caso — nenhuma verificação intermédia. Na prática há três formas de escapar, e são elas que determinam onde a delegação funciona:
- Verificação a cada passo. Se o erro for detetado e corrigido antes do passo seguinte, não se compõe. É a razão pela qual tarefas com testes — código, cálculo, o que se pode conferir — são as que mais avançaram.
- Recuperação. Se o sistema perceber que falhou e voltar atrás, a taxa efetiva sobe muito. Detetar o próprio erro é mais difícil do que cometê-lo.
- Passos independentes. Se as etapas não dependerem umas das outras, os erros não se acumulam — somam-se, o que é muito melhor.
Existe uma forma barata e automática de verificar cada passo?
Onde existe — compilar, correr testes, conferir contra uma base de dados, validar um formato —, a delegação de tarefas longas já funciona hoje. Onde não existe — julgar se um texto está bom, se uma decisão é acertada, se a estratégia faz sentido —, não funciona, e não é claro que a escala sozinha resolva.
É esta a formulação do eixo 2 (cap. 8), e repare que é uma pergunta sobre a tarefa, não sobre o modelo.
4.3 Porque isto é a restrição de que dependem os agentes
Toda a promessa de delegar trabalho a sistemas autónomos assenta em encadear muitos passos sem supervisão. A aritmética de 4.1 é o obstáculo, e as três saídas de 4.2 são o que está a ser construído: ambientes com verificação automática, capacidade de recuperação, e decomposição em passos independentes.
O progresso real nesta área não se mede em capacidade — mede-se em comprimento de tarefa concluída sem intervenção, com fiabilidade declarada. É a métrica a exigir, e é a que raramente aparece nos anúncios (Agentes Autónomos de Longo Horizonte).
Projeção (confiança média): até 2032, a delegação fiável consolida-se em domínios com verificação automática barata e permanece supervisionada nos restantes — o que faz da construção de verificadores um dos trabalhos mais valiosos do período.
Pegue num processo que gostaria de delegar. Conte os passos e identifique, para cada um, se há forma barata de verificar. Os passos sem verificação são onde a supervisão humana terá de ficar — e provavelmente são poucos, o que é uma boa notícia.
Capítulo 05 Força
Força 3 — a integração, que é onde o tempo se perde
A parte que não barateia e que decide se um projeto entrega valor. É aborrecida, é a maior parte do trabalho, e quase não aparece na conversa.
5.1 O que "integrar" quer dizer, concretamente
- Aceder aos dados. Que estão em sistemas antigos, com esquemas por documentar e definições que ninguém consegue explicar (Código Legado e Refatoração).
- Permissões. Quem pode ver o quê. Um sistema que responde a partir de documentos internos tem de respeitar exatamente as mesmas restrições que as pessoas — e frequentemente essas restrições não estão sequer formalizadas.
- O conhecimento que não está escrito. As exceções, os clientes especiais, as regras que toda a gente sabe. Não estão em documento nenhum, portanto não estão no contexto.
- O processo à volta. Onde entra, quem revê, o que acontece quando falha, quem responde.
- A avaliação. Como se sabe que está a funcionar em produção, e não apenas no dia da demonstração (LLMOps & Avaliação).
Em projetos que chegam a produção, a parte do modelo é tipicamente a menor fatia do esforço. O grosso vai para dados, permissões, avaliação e processo. Isto não é uma novidade da IA generativa — é a mesma proporção que a aprendizagem automática clássica sempre teve, e a mesma que qualquer integração de sistemas tem.
Consequência: uma organização com dados arrumados e processos claros extrai valor muito mais depressa do que uma com melhor modelo e casa desarrumada. A vantagem competitiva está na arrumação, que não se compra.
5.2 O gargalo que não é técnico
| Bloqueio | Frequência |
|---|---|
| Ninguém sabe dizer qual é a definição correta de um campo | Muito alta |
| Não há quem assuma a responsabilidade se o sistema errar | Alta |
| O processo tem uma aprovação humana que não pode desaparecer | Alta |
| Os dados existem mas não podem sair de onde estão | Média |
| O modelo não é suficientemente bom | Baixa |
A última linha é o ponto do capítulo: a capacidade do modelo raramente é o que trava. É por isso que "esperar pelo próximo modelo" é uma estratégia que falha — o próximo modelo não vai arrumar os dados nem decidir quem responde.
5.3 Onde o valor aparece primeiro
O padrão observado nas organizações que obtêm retorno é consistente e pouco glamoroso: começar por tarefas internas, de erro barato, com um humano a rever, e onde já existe um dono claro do processo. Triagem, extração de dados de documentos, procura interna, rascunhos, resumos de reuniões.
Não é o que se anuncia, e é o que paga. Os projetos que começam pelo caso mais ambicioso — atendimento autónomo ao cliente, decisão automatizada — são os que mais frequentemente ficam pelo caminho, por esbarrarem simultaneamente nas cinco linhas de 5.2.
Projeção (confiança alta): até 2032, a diferença de retorno entre organizações deve-se muito mais à qualidade dos seus dados e processos do que aos modelos que escolhem — que serão, para a maioria, essencialmente os mesmos.
Para um projeto de IA parado na sua organização, verifique qual das cinco linhas de 5.2 o bloqueia. Se for a última, é um problema técnico e passará. Se for qualquer uma das outras quatro, esperar não resolve.
Capítulo 06 Força
Força 4 — quem responde, e o que a regulação já decidiu
A regulação chegou mais depressa nesta área do que na robótica ou na imagem, e a direção é conhecida: a responsabilidade fica com quem implanta.
6.1 O princípio que já se consolidou
Quem usa um sistema para decidir sobre pessoas responde pelo resultado — independentemente de o sistema ser comprado, de o fornecedor ser grande, ou de a decisão ter sido "sugerida pelo modelo".
Não é uma novidade jurídica: é a aplicação de princípios antigos sobre responsabilidade por instrumentos que se escolhe usar. O que é novo é a facilidade de delegar decisões sem se dar conta de que se delegou.
6.2 A abordagem por risco, e o que ela implica
O padrão regulatório que se está a impor classifica os usos por risco em vez de regular a tecnologia:
| Categoria | Exemplos | Exigência |
|---|---|---|
| Proibido | Pontuação social; manipulação que explora vulnerabilidade | Não se faz |
| Alto risco | Contratação, crédito, saúde, educação, justiça, infraestrutura | Documentação, supervisão humana, avaliação, registo |
| Transparência | Interação com sistema; conteúdo gerado | Informar que é uma máquina, ou que foi gerado |
| Restante | A maior parte dos usos | Regras gerais |
O mesmo modelo pode estar em duas categorias conforme o uso. Um sistema que resume texto é banal; o mesmo sistema a triar candidaturas é alto risco. A conformidade não é uma propriedade da ferramenta — é do caso de uso, e é por isso que não se pode delegar ao fornecedor.
Consequência de gestão, e é a que interessa: a lista de onde a IA é usada na organização é um documento obrigatório, e a maior parte das organizações não a tem. Muitas nem sabem em que processos já está a ser usada, porque a adoção foi individual e informal (cap. 2).
6.3 As três exigências que valem em qualquer jurisdição
- Saber onde está a ser usada. Inventário de casos de uso, com dono, dados e categoria de risco.
- Supervisão humana com sentido. Não uma pessoa a carimbar mil decisões por dia — alguém com tempo, informação e autoridade real para discordar. Uma supervisão que nunca discorda não é supervisão, é uma assinatura.
- Avaliação contínua. Medir em produção, não uma vez na demonstração. É a diferença entre um sistema controlado e um sistema esperançoso (LLMOps & Avaliação, Governança de IA).
6.4 Porque a regulação é força e não eixo
"Haverá mais regulação" é uma tendência: direção conhecida, ritmo e forma incertos. Não gera mundos diferentes.
Poderia gerar-se um eixo — a regulação diverge muito entre jurisdições ou converge? — e não o uso, por uma razão que convém explicitar: a divergência regulatória afeta sobretudo quem constrói modelos de fronteira, que são poucas empresas. Para a esmagadora maioria de quem aplica IA, as três exigências de 6.3 valem em qualquer cenário regulatório plausível. Um eixo que não muda a decisão da maior parte dos leitores não é um bom eixo.
Projeção (confiança alta): até 2032, a exigência de inventário de casos de uso, supervisão com autoridade real e avaliação contínua torna-se prática corrente em organizações de dimensão média — por pressão regulatória, contratual e de seguros, e não por convicção.
Tente listar todos os sítios onde a sua organização usa IA hoje, incluindo o uso informal de ferramentas pessoais em trabalho. Se não conseguir completar a lista, esse é o primeiro trabalho — e é anterior a qualquer estratégia.
Capítulo 07 Força
Força 5 — o que a delegação faz a quem delega
A força menos técnica e talvez a mais consequente: o que acontece a uma competência quando se deixa de a exercer.
7.1 A dinâmica
Quando um sistema faz bem uma tarefa 95% das vezes, três coisas acontecem em sequência: 1) a pessoa deixa de verificar com atenção, porque verificar com atenção é caro e quase sempre desnecessário; 2) a competência de fazer a tarefa atrofia por falta de uso; 3) quando surgem os 5%, a pessoa está menos preparada do que estaria se nunca tivesse havido automação.
É um fenómeno documentado em aviação, medicina e condução muito antes desta geração de ferramentas, e não depende de nada de específico à IA.
7.2 Onde isto morde
| Situação | Risco |
|---|---|
| O sistema erra raramente | Pior — a vigilância cai mais e a surpresa é maior |
| O sistema erra de forma plausível | Pior — texto fluente e errado passa mais facilmente que texto obviamente mau |
| Quem revê nunca fez a tarefa manualmente | Não tem base de comparação para desconfiar |
| Há pressão de tempo | A revisão é a primeira coisa a ser sacrificada |
Erros raros, plausíveis, revistos por quem nunca fez a tarefa, sob pressão de tempo. É uma descrição razoavelmente exata de muitos processos de trabalho atuais — e é a razão pela qual "há sempre um humano a rever" é uma salvaguarda mais fraca do que parece.
Uma revisão que nunca encontra nada deixa de ser feita a sério ao fim de algumas semanas. É comportamento humano previsível, não negligência.
7.3 O problema do degrau, outra vez
Repete-se aqui, com a mesma estrutura de O Futuro da Criação Visual: as tarefas simples eram como se aprendia a fazer as difíceis. Um júnior escrevia código banal, redigia correspondência trivial, fazia resumos — e nesse processo construía o julgamento que depois permitia rever trabalho alheio.
Se essas tarefas desaparecem, o julgamento tem de ser construído de outra forma, e ainda não há uma boa resposta sobre qual. As vias que se observam a formar-se: exposição crítica a muito trabalho alheio, exercícios em que se procura deliberadamente o erro, e formação que substitui repetição por análise. São tentativas, não soluções.
7.4 O que funciona contra isto
- Revisão por amostragem deliberada, com registo. Verificar a fundo uma fração escolhida ao acaso e anotar o que se encontrou. Mantém a vigilância viva e produz dados sobre a taxa de erro real.
- Erros introduzidos de propósito. Em contextos de alta consequência, injetar casos errados conhecidos para verificar se a revisão os apanha. É desconfortável e é a única forma de medir a atenção.
- Fazer manualmente de vez em quando. Manter a competência exige exercê-la, mesmo quando é ineficiente.
- Medir a taxa de erro em produção, e não confiar em impressões. Sem número, a discussão é sobre sensações.
Projeção (confiança média): até 2032, a erosão de competência em tarefas delegadas torna-se um problema de gestão reconhecido, e as organizações que mantêm prática deliberada obtêm melhor resultado do que as que apenas adotam — mas isso será difícil de demonstrar e por isso pouco praticado.
Escolha um processo onde já se usa IA e reveja a fundo vinte casos ao acaso. Conte os erros. Compare com o que a equipa julgava ser a taxa. A diferença entre os dois números é o que este capítulo mede.
Capítulo 08 Cenários
Quatro cenários para 2032
Dois eixos independentes: se a capacidade continua a crescer com escala, e se a delegação de tarefas longas se torna fiável. Cruzados, dão quatro mundos com decisões diferentes.
8.1 Os eixos
Mais computação, mais dados e mais treino continuam a produzir ganhos substanciais de capacidade geral — sim ou abranda, com o progresso a passar a vir de arquitetura, especialização e engenharia à volta.
Sistemas concluem sequências de dezenas de passos com fiabilidade suficiente para operar sem supervisão passo a passo — sim ou não (cap. 4).
São independentes? Sim, e é menos óbvio do que parece. A fiabilidade em tarefas longas depende sobretudo de verificação e recuperação — construir ambientes onde o erro é detetado a cada passo. Isso pode ser conseguido com modelos essencialmente iguais aos de hoje, por engenharia à volta deles. E, ao contrário, um modelo muito mais capaz pode continuar a compor erros ao longo de cinquenta passos, porque a aritmética de 4.1 não perdoa.
Capacidade bruta e fiabilidade encadeada são coisas diferentes. As quatro combinações são concebíveis.
8.2 Os quatro mundos
1 · A década da delegação
Escala continua + delegação fiável. Processos inteiros — não tarefas — mudam de dono. As organizações reorganizam-se à volta de supervisão em vez de execução, e a questão central passa a ser de responsabilidade e de emprego, não de capacidade.
Sinal precoce: processos de várias dezenas de passos a correr sem intervenção, com taxas de sucesso publicadas e auditáveis — não demonstrações.
2 · A engenharia vence
Escala abranda + delegação fiável. Os modelos deixam de ser o diferenciador — são parecidos e baratos — e o valor está inteiramente em como se montam sistemas verificáveis à volta deles. Vantagem para quem tem bons dados, bons processos e boa avaliação. É o cenário melhor para organizações médias.
Sinal precoce: convergência de capacidade entre fornecedores, com a diferenciação a passar para ferramentas de avaliação e orquestração.
3 · O copiloto poderoso
Escala continua + delegação não fiável. Sistemas muito capazes que continuam a exigir um humano no ciclo. O ganho é grande e concentra-se na assistência: cada pessoa faz mais, e ninguém sai do processo. É a extensão do presente com muito mais potência.
Sinal precoce: capacidades novas notáveis acompanhadas de taxas de erro que se mantêm no mesmo patamar em tarefas encadeadas.
4 · O planalto útil
Escala abranda + delegação não fiável. A capacidade estabiliza perto do atual, o custo cai muito, e a tecnologia difunde-se para toda a parte como infraestrutura invisível. Os ganhos são reais, distribuídos e pouco espetaculares — e o discurso público desinteressa-se, exatamente como aconteceu com a tradução automática.
Sinal precoce: menos anúncios de capacidade, mais integração silenciosa em produtos existentes.
8.3 O que decide entre os pares
O eixo 2 decide muito mais do que o eixo 1. A diferença entre "assistência" e "delegação" muda a organização do trabalho; a diferença entre um modelo muito capaz e outro razoavelmente capaz muda bastante menos, porque o gargalo está na integração e na verificação (cap. 5).
É a razão pela qual a atenção pública — quase toda no eixo 1, sobre a próxima geração de modelos — está a olhar para a variável menos consequente para a maior parte das organizações.
8.4 O mais provável, e porquê
A minha leitura (confiança média-baixa, e é a mais baixa de todas as prospectivas deste catálogo): algo entre 2 e 3, com delegação fiável a consolidar-se por domínio — primeiro onde a verificação automática é barata — em vez de em geral. Razões:
- A aritmética da composição de erros é dura e não cede a capacidade bruta (cap. 4).
- Os domínios com verificação barata já avançaram muito mais que os outros, o que é evidência a favor desta leitura.
- O gargalo observado nas organizações é integração, não capacidade (cap. 5).
O que me faria mudar: taxas de sucesso publicadas e reproduzíveis em tarefas de muitos passos sem verificador automático disponível — julgamento, escrita longa, decisão. Seria a evidência de que o eixo 2 se moveu para lá dos domínios verificáveis.
Esta é a área onde é mais provável que eu esteja errado, e onde o custo de estar errado é maior nos dois sentidos. Se o cenário 1 se materializar, esta apostila terá subestimado a mudança. Registe as suas próprias previsões (Previsão Calibrada) e verifique-as contra as minhas — inclusive para aprender quanto vale uma prospectiva.
Escreva o que faria de diferente nos quatro cenários. O que aparecer nos quatro é ação robusta e deve ser feito já (cap. 12).
Capítulo 09 Método aplicado · Demo
Um anúncio a virar cenário — demo ao vivo
Role devagar. Um anúncio típico — «o nosso agente completou uma tarefa de 40 passos» — percorre a cadeia até dizer alguma coisa útil.
"Completou autonomamente uma tarefa de 40 passos"
É o formato típico: um número impressionante, um vídeo curto, uma data de disponibilidade. As duas reações habituais — entusiasmo ou desdém — têm em comum não produzirem informação nenhuma.
O método deste capítulo é o mesmo do capítulo 1: não perguntar se é impressionante, perguntar como foi medido.
Uma execução bem-sucedida não é uma taxa de sucesso
Quantas tentativas houve? Foi uma em uma, ou uma em vinte? Quantas vezes um humano tocou no processo sem que apareça no vídeo? E o que acontece quando falha no passo 31 — para, retrocede, ou continua com o erro?
Sem estes números, "40 passos" é um facto sobre uma execução e não sobre fiabilidade. É a mesma exigência que o volume II de Estatística faz a qualquer resultado: uma observação não é uma estimativa.
Ou há um verificador, ou não são quarenta passos encadeados
Aqui a aritmética do capítulo 4 faz o trabalho todo. Para 40 passos dependentes darem 90% de sucesso final, cada passo tem de acertar 99,7%. É uma exigência muito alta.
Portanto, se o resultado for real, uma de duas coisas: há verificação e correção a cada passo — e nesse caso a notícia é o verificador, não o agente — ou os passos são independentes, e então não é uma tarefa de 40 passos, são 40 tarefas curtas em série. Ambas as hipóteses são interessantes, e nenhuma é a que o anúncio sugere.
O último passo é irreversível, e ninguém o delega
"Enviou o pedido de proposta" significa que algo saiu da organização com o nome dela. É irreversível (cap. 2), e nenhuma organização delega o passo irreversível antes de confiar nos 39 anteriores durante meses.
O que será realmente implantado, portanto: 39 passos automáticos e uma aprovação humana no fim. E convém dizer com clareza que o ganho é real — poupa quase todo o trabalho. Só não é o que a palavra "autonomia" promete, e a diferença entre as duas coisas é toda a diferença para quem planeia uma organização.
A resposta a uma pergunta separa dois mundos
Se houver verificação a cada passo, estamos no cenário 2 — a engenharia vence, e o valor está em construir verificadores, não em esperar por modelos. Se os passos forem independentes, estamos no 3 — assistência rápida, não delegação (cap. 8).
E o eixo 2 só se move de verdade quando aparecerem taxas publicadas em tarefas longas sem verificador automático disponível: escrita longa, julgamento, decisão. É um sinal específico, e é o que se deve vigiar em vez de vídeos.
Construir o verificador é o trabalho — e arrumar os dados paga-se sozinho
Três ações válidas nos quatro cenários: inventariar onde a IA já é usada (incluindo o uso informal, que é o maior); medir a taxa de erro real num processo, em vinte casos, em vez de a estimar; e, para uma tarefa concreta, escrever como se verifica cada passo automaticamente.
A terceira é a mais valiosa e a menos praticada. Um verificador automático é útil hoje — apanha erros humanos — e é a peça que decide se a delegação alguma vez será possível naquele processo. E por baixo de tudo, a opção mais barata de todas: arrumar dados e definições, que se paga sem IA nenhuma e é o que separa quem obtém retorno de quem compra licenças (cap. 5).
Pegue no próximo anúncio de IA que vir e percorra os seis elos: o que foi dito, que números faltam, o que a aritmética exige, onde encalha, que cenários gera, e o que fazer segunda-feira. Ao terceiro anúncio deixará de conseguir ler notícias da área da mesma maneira.
Capítulo 10 Muito avançado
O que não muda
A lista do que se mantém, incluindo — deliberadamente — o que esta apostila tem razões para não querer admitir.
10.1 As restrições que não cedem
- A aritmética da composição de erros. Nenhum aumento de capacidade a revoga; só verificação, recuperação e independência de passos a contornam (cap. 4).
- Verificar continua a custar. Se produzir barateia e verificar não, a verificação torna-se o gargalo. É válido para texto, código, imagem e decisão.
- A integração é trabalho humano no local. Dados, permissões, processos e responsabilidade não se resolvem com um modelo melhor (cap. 5).
- Alguém tem de responder. Sistemas não assumem responsabilidade; organizações e pessoas assumem.
- O conhecimento tácito não está escrito. E o que não está escrito não entra no contexto — o que limita estruturalmente o que qualquer sistema pode saber sobre uma organização.
10.2 As regularidades de método
| Continua a valer | Porquê |
|---|---|
| Sobrestima-se o curto prazo, subestima-se o longo | Observado há décadas nesta área e noutras |
| O que funciona deixa de se chamar IA | A fronteira move-se para o que ainda não funciona |
| Demonstração ≠ adoção | Dependem de coisas diferentes (O Futuro da Robótica) |
| Ganho individual ≠ ganho organizacional | O gargalo do processo raramente está onde a tarefa acelerou |
| Substituição costuma ser deslocamento | A tarefa reorganiza-se antes de mudar de dono |
10.3 O capítulo desconfortável
Foi escrita com assistência de IA, por uma escola que ensina IA. Essas duas coisas empurram para conclusões que fazem a tecnologia parecer útil e a formação parecer necessária. Contra isso, quatro afirmações que vão no sentido contrário e que subscrevo:
- A maior parte dos ganhos anunciados não sobrevive a uma análise causal séria — falta contrafactual, quem escolheu usar não é comparável a quem não escolheu, e mede-se a tarefa e não o processo (Estatística IV).
- Muita adoção organizacional é defensiva: compra-se para não parecer atrasado, não porque haja um caso de uso identificado. As licenças aparecem antes do problema.
- A camada de execução era o degrau de entrada nas profissões, e está a desaparecer sem substituto claro (cap. 7). É um custo real sobre pessoas concretas.
- Esta apostila pode estar errada por excesso de prudência. Se o cenário 1 se materializar, terá subestimado gravemente a mudança — e o método que usa, que desconta demonstrações, é precisamente o que erraria nesse caso.
Digo-o para que a apostila seja utilizável por quem desconfia dela, que é a postura correta perante um texto assim.
10.4 O que fica das pessoas, em qualquer cenário
- Decidir o que vale a pena fazer. Nenhum cenário torna esta pergunta automática.
- Verificar e responder. A competência que sobe de valor precisamente porque produzir barateia.
- Perceber o problema real por trás do pedido (Pesquisa com Utilizadores).
- Fazer funcionar numa organização concreta, com os seus dados, as suas regras e as suas pessoas — que é o trabalho que o capítulo 5 descreve e que não barateou.
Escreva o melhor argumento contra a leitura do capítulo 8. Se não conseguir construir um bom, não percebeu o assunto o suficiente para ter opinião — o que é uma conclusão útil e rara.
Capítulo 11 Estudo
Oito afirmações, analisadas
O método aplicado a afirmações que se ouvem todas as semanas. O objetivo não é ter razão sobre cada uma — é mostrar como se separa o que informa do que não informa.
1 · "Este modelo passou num exame profissional difícil"
O que falta: o exame estava nos dados de treino? Mede-se o mesmo que a profissão exige? Leitura: exames foram desenhados para discriminar entre humanos em condições de memória limitada; um sistema com acesso a tudo não está a ser medido no mesmo eixo. Informa pouco sobre trabalho real, e é a métrica mais citada.
2 · "A IA vai eliminar X% dos empregos até 2030"
O que falta: distinção entre tarefas e ocupações. Leitura: estas estimativas costumam contar tarefas automatizáveis e apresentá-las como empregos. Historicamente, ocupações reorganizam-se muito mais do que desaparecem (cap. 1) — o que não impede o custo de recair sobre pessoas concretas.
3 · "A nossa equipa ficou 40% mais produtiva com IA"
O que falta: comparado com quê, medido como, e quem escolheu usar. Leitura: é uma afirmação causal sem contrafactual, com autosseleção quase garantida (quem adere é quem já era mais rápido). Aplique as nove perguntas de Estatística IV, cap. 11.
4 · "Os modelos já não estão a melhorar"
O que falta: melhorar em quê, e medido como. Leitura: a saturação de referências antigas não é evidência de estagnação — pode ser evidência de que a referência acabou. É o erro simétrico do nº 1, e é igualmente pouco informativo.
5 · "Os agentes vão substituir o software empresarial"
O que falta: a taxa de sucesso em tarefas longas, e quem responde quando erram. Leitura: esbarra na aritmética do capítulo 4 e na integração do capítulo 5. O caminho provável é o inverso — agentes dentro do software existente, que é onde estão os dados e as permissões.
6 · "É perigoso porque não conseguimos explicar as decisões"
O que falta: comparação com o que existia antes. Leitura: preocupação legítima e mal formulada — decisões humanas também não são explicáveis de forma fiável (as pessoas racionalizam depois, Pesquisa com Utilizadores, cap. 1). A exigência útil não é explicabilidade: é auditabilidade e possibilidade de recurso.
7 · "Vamos esperar que a tecnologia estabilize"
O que falta: reconhecer o que é adiado. Leitura: arrumar dados, mapear processos, definir responsabilidades e construir verificadores não dependem de que modelo será o melhor — e são a maior parte do trabalho. Esperar adia o que não precisa de espera (cap. 5).
8 · "Já usamos IA — comprámos licenças para toda a gente"
O que falta: um caso de uso identificado, um dono, e uma medição. Leitura: é adoção defensiva (cap. 10). Produz uso individual real e ganho organizacional difícil de demonstrar, porque nenhum processo foi redesenhado. É provavelmente a situação mais comum hoje.
Nas oito, o que falta é quase sempre a mesma coisa: como foi medido, contra que alternativa, e o que acontece quando falha. São três perguntas, servem para qualquer afirmação da área, e não exigem saber nada sobre modelos.
Escreva a análise da afirmação sobre IA que mais se repete na sua organização, com a mesma estrutura: o que falta, e a leitura. Guarde com data e reveja em dois anos.
Capítulo 12 Prática · Plano
Plano de 30 dias, e a sua antena
O que fazer na próxima segunda-feira, e o que vigiar depois — com sinais específicos o suficiente para se saber se aconteceram.
12.1 As ações robustas
1 · Inventarie onde a IA já é usada, incluindo o uso informal — que é o maior e o invisível (cap. 6).
2 · Meça a taxa de erro real num processo, em vinte casos revistos a fundo. Substitui uma discussão sobre sensações por um número.
3 · Escreva como se verifica cada passo de uma tarefa que gostaria de delegar. É útil hoje e é a peça que decide o futuro daquele processo (cap. 4).
4 · Arrume os dados e as definições. Paga-se sem IA nenhuma e é o que separa quem obtém retorno de quem compra licenças (cap. 5).
5 · Defina quem responde em cada uso, e dê à supervisão tempo e autoridade real para discordar.
Nenhuma destas cinco depende de saber que modelo vencerá. É esse o teste de uma ação robusta.
12.2 Trinta dias
Semana 1 · Inventariar. Pergunte às equipas o que já usam. A lista costuma ser mais longa do que a direção supõe, e é o ponto de partida obrigatório.
Semana 2 · Medir. Escolha um processo e reveja vinte casos a fundo. Registe a taxa de erro e compare com a taxa que a equipa julgava.
Semana 3 · Verificar. Para uma tarefa, escreva a verificação automática de cada passo. Onde não conseguir escrever, marque — é onde a supervisão humana fica, e agora sabe porquê.
Semana 4 · Decidir. Escolha um processo para redesenhar a sério, com dono, medição e critério de sucesso. Um bem feito vale mais que dez licenças distribuídas.
12.3 A antena: sinais específicos
| Se vir isto | Move-se para |
|---|---|
| Taxas de sucesso publicadas e reproduzíveis em tarefas de dezenas de passos sem verificador automático | Eixo 2 → cenários 1 ou 2 |
| Convergência de capacidade entre fornecedores, com a diferenciação a passar para orquestração e avaliação | Eixo 1 → cenários 2 ou 4 |
| Processos empresariais completos a correr sem intervenção, auditados por terceiros | Cenário 1 |
| Menos anúncios de capacidade e mais integração silenciosa em produtos existentes | Cenário 4 |
| Capacidades novas notáveis com a taxa de erro encadeada no mesmo patamar | Cenário 3 |
| Seguradoras a oferecer cobertura específica para decisões automatizadas | Destrava a delegação em setores regulados |
Uma demonstração. Uma pontuação num exame. Uma ronda de financiamento. Uma declaração sobre o que aí vem. Um vídeo de um agente. Nenhum destes informa sobre fiabilidade nem sobre adoção, e a facilidade com que são tratados como se informassem é o assunto desta apostila inteira.
12.4 Para onde ir a seguir
- Engenharia de LLM e IA Generativa & RAG — construir com isto.
- LLMOps & Avaliação — os verificadores do capítulo 4, na prática. É a apostila mais alinhada com a tese desta.
- Agentes de IA e Agentes Autónomos de Longo Horizonte — o eixo 2 do lado técnico.
- Governança de IA — o capítulo 6, desenvolvido.
- Estatística IV — Causalidade — para avaliar afirmações de ganho de produtividade, que nesta área abundam e raramente têm contrafactual.
- Previsão Calibrada — para registar as suas previsões, incluindo contra as desta apostila.
Escreva três previsões sobre IA no seu setor, com data e probabilidade, e uma sobre qual dos quatro cenários se aproximará mais de 2032. Guarde. Reveja em 2029. É o exercício que mais ensina sobre o valor das previsões — incluindo as que acabou de ler.