Líderes de pensamento
Antes de ampliar o uso de agentes de IA, pergunte o que eles não sabem

Pontos-chaveRespostas confiantes falham quando os agentes omitem contexto, como datas de…
Ver mais
- Respostas confiantes falham quando os agentes omitem contexto, como datas de arquivamento desatualizadas ou diferenças de calendário fiscal.
- Quase 6 em cada 10 empresas atribuíram uma resposta de IA confiante, mas errada, a um contexto de negócios ausente ou incompleto.
- A revisão humana deve escalar com os riscos, porque dados corretos compartilhados de forma errada ainda podem violar regulamentos.
Imagine a seguinte situação: um CFO está se preparando para uma reunião com um grande investidor institucional. Para ajudar na preparação, a equipe de relações com investidores (RI) pede a uma ferramenta de IA que reúna algumas informações básicas — a data da última reunião com essa empresa, as prioridades manifestadas, o número de ações detidas e assim por diante.
A ferramenta afirma com confiança que o investidor possui 2,5 milhões de ações. Ninguém desconfia, e o CFO continua se preparando para essa conversa importante, a todo vapor.
Mas há um problema: a IA extraiu o número de um documento Formulário 13F, que informa as participações acionárias no encerramento do trimestre anterior. A informação era correta quando foi divulgada… mas, agora, já tem meses. Enquanto isso, o investidor vendeu discretamente 2 milhões de ações, reduzindo significativamente sua posição. A pauta da reunião (e talvez até a própria reunião!) já não parece relevante.
O que deu errado? Nesse cenário, a IA não alucinou nem inventou um número. Ela recuperou informações legítimas, mas não as qualificou nem explicou suas limitações.
Embora, nesse caso, as consequências possam ser uma conversa constrangedora ou uma oportunidade perdida, em outras situações, uma resposta igualmente categórica, mas sem contexto essencial, pode trazer riscos ainda maiores.
Modelos melhores não são necessariamente a resposta
Os modelos fundamentais estão cada vez melhores. Então, por que parece que respostas confiantes, mas erradas, estão surgindo com frequência cada vez maior — um problema com o qual empresas de todos os setores estão às voltas?
Para começar, a IA generativa (GenAI) tornou-se onipresente. Segundo o relatório da McKinsey O estado da IA em 2026, quase 9 em cada 10 profissionais de negócios afirmam que suas organizações usam IA regularmente em pelo menos uma função empresarial.
E, à medida que as organizações vão além da experimentação — recorrendo cada vez mais à IA para tarefas e decisões cotidianas de negócios —, também se deparam com as limitações do que essas ferramentas sabem e compreendem.
Uma recente pesquisa do setor revela o que costuma estar na origem do problema: somente nos últimos seis meses, quase 6 em cada 10 empresas (57%) atribuíram uma resposta confiante, mas errada, de um agente de IA à falta de contexto empresarial ou à sua incompletude.
Diante de todos os dados disponíveis para a IA, isso pode surpreender. Mas é importante fazer uma distinção: contexto não é a mesma coisa que dados.
O que é — e o que não é — contexto
O contexto pode incluir conhecimento institucional, exceções às regras, relacionamentos, processos e expectativas sobre como o trabalho é realizado — nuances que muitas vezes são próprias de cada empresa.
No meu trabalho com equipes de relações com investidores, vejo o quanto essas distinções podem ser importantes. Veja alguns exemplos que parecem simples:
- Calendários fiscais: o primeiro trimestre de uma empresa pode coincidir com o ano civil, enquanto o de outra começa em setembro. Sem esse contexto, um agente de IA pode comparar resultados referentes a períodos de divulgação diferentes dos corretos.
- Indicadores financeiros: uma organização pode divulgar tanto o lucro por ação segundo os princípios contábeis geralmente aceitos (GAAP) quanto o lucro por ação não GAAP. Um agente que não entenda qual dos dois deve citar (e em que momento) pode apresentar de forma incorreta o desempenho da empresa.
- Narrativas da empresa: a comunicação de uma empresa evolui com o tempo, refletindo decisões deliberadas sobre o que enfatizar e omitir. Sem compreender o histórico e as razões por trás dessas decisões, um agente de IA pode gerar conteúdo que, na verdade, prejudique uma narrativa construída cuidadosamente.
Diante de tudo isso, não surpreende que o mesmo modelo subjacente possa apresentar resultados muito diferentes em empresas distintas, dependendo do contexto e do conhecimento especializado a que tem acesso.
A IA desenvolvida para fins específicos e direcionada a um setor (ou IA «vertical») pode ajudar a preencher algumas dessas lacunas, reconhecendo o conhecimento especializado, os fluxos de trabalho e as nuances próprios de determinado setor. Mas nem mesmo a tecnologia mais sofisticada consegue captar tudo o que uma organização sabe, e é por isso que as pessoas também têm um papel a desempenhar.
O que a IA não sabe sobre sua empresa
Mas as pessoas não ficam para sempre. Pense no que acontece quando um profissional experiente de relações com investidores (IRO) deixa a empresa depois de, digamos, cinco anos. É provável que tenha passado esse tempo identificando e buscando atrair potenciais investidores, analisando a atividade dos acionistas, cultivando relacionamentos, preparando-se para a divulgação de resultados, preparando os executivos… e fazendo muito mais.
A empresa mantém os roteiros de divulgação de resultados, as apresentações e outros arquivos. Mas e o conhecimento institucional por trás deles? Grande parte dele também vai embora, especialmente quando se considera que quase 8 em cada 10 profissionais de relações com investidores (78%) não têm um sucessor identificado para seus cargos.
Por isso, as organizações precisam se empenhar em preservar o conhecimento e a compreensão de modo que os sistemas de IA possam utilizá-los. Simplesmente conectar um agente de IA a uma unidade compartilhada muitas vezes não basta.
Para empresas de todos os setores, é importante contar com uma maneira sistemática de registrar conhecimentos e fluxos de trabalho essenciais — como os motivos por trás de decisões importantes, o histórico de relacionamentos e outras informações fundamentais para a missão que nunca foram incluídas em um documento formal.
E, para manter uma base de conhecimento desse tipo, são necessárias pessoas: tanto para registrar as informações quanto para aplicar seu discernimento a elas. A IA pode ajudar a organizar o conhecimento, mas são os funcionários que fornecem o contexto essencial que muitas vezes escapa à tecnologia.
Em ambientes de alto risco, lacunas de contexto podem causar grandes prejuízos
Já discutimos o que acontece quando a IA dá uma resposta errada. Mas, às vezes, um agente de IA pode recuperar informações corretas — precisas, atualizadas e relevantes — e, ainda assim, causar problemas ao compartilhá-las nas circunstâncias erradas.
Em setores altamente regulamentados, esses deslizes podem custar caro.
No relacionamento com investidores, por exemplo, compartilhar informações relevantes não públicas (MNPI), como resultados financeiros ainda não divulgados, com um analista ou investidor pode violar a Regulation Fair Disclosure (Reg FD) da SEC dos EUA — o que pode resultar em sanções financeiras e danos à reputação.
Outros setores, como saúde, serviços financeiros e serviços jurídicos, enfrentam riscos regulatórios semelhantes, o que ressalta a necessidade de estabelecer salvaguardas quando agentes de IA têm acesso a informações confidenciais.
Isso também mostra por que as pessoas continuam sendo essenciais — elas têm um papel fundamental na revisão e aprovação do que é comunicado. As empresas podem considerar a adoção de um nível de revisão humana proporcional aos riscos, com diferentes tipos de fluxos de trabalho de IA operando com diferentes graus de autonomia.
Três perguntas a fazer antes de expandir o uso de agentes de IA
Provavelmente, todos já passamos por situações, no trabalho ou na vida em geral, em que não sabemos o que não sabemos. Às vezes, as consequências não são relevantes; em outras, são mais graves.
Com os enormes conjuntos de dados disponíveis para a IA atualmente, os modelos de IA sabem muito mais… mas ainda precisam “se manifestar” quando há lacunas. Portanto, à medida que as empresas recorrem à IA para lidar com prioridades e fluxos de trabalho mais estratégicos, é importante fazer estas perguntas antes de ampliar seu uso:
- Nosso agente consegue mostrar de onde vieram as respostas — e quando essas informações foram atualizadas pela última vez? Ele consegue fornecer esses dados sem que ninguém precise solicitá-los?
- O agente tem o contexto empresarial necessário para interpretar e responder às solicitações? Ele explicitará suas limitações?
- Sabemos quando uma pessoa precisa intervir para revisar e aprovar? Em que circunstâncias isso acontecerá e como a revisão será acionada?
A resposta não é evitar a IA
Quero deixar claro: sou otimista em relação à IA. Uso-a diariamente no meu trabalho, vejo seus benefícios atuais e futuros e acredito que, em muitos aspectos, estamos apenas começando a explorar seu potencial. Não tenho dúvida de que as empresas que evitam a IA, assim como aquelas que não conseguem implementá-la de maneira organizada e eficaz, correm um risco real de ficar para trás.
Mas adotar a IA não significa dar a um modelo de uso geral acesso aos dados corporativos e deixá-lo operar sem qualquer controle.
No momento, e até onde posso perceber, a IA totalmente autônoma não é adequada para todas as tarefas ou decisões empresariais. As organizações precisam entender em quais situações a IA pode operar de forma independente, quando precisa de contexto adicional e quando o julgamento humano é indispensável.
Portanto, antes de perguntar o que um agente de IA sabe, pergunte o que ele não sabe. As respostas determinam como você o implementa, o que confia a ele e como o prepara para ter sucesso.












