Usando IA vs. Construindo ao Redor dela: Onde está a linha?

Usamos a palavra IA para descrever todo tipo de coisas diferentes, desde conversar com o ChatGPT em um navegador até administrar empresas inteiras cujas operações simplesmente deixariam de existir em sua forma atual sem modelos de linguagem. Onde está a linha entre usar a automação de IA e a IA estar no cerne de um negócio? Em que ponto ocorre uma mudança fundamental? E, mais importante, as empresas deveriam sequer buscar colocar a IA no centro do palco?

Quando uma empresa é nativa em IA?

Hoje, mesmo que a gestão nunca tenha anunciado uma transformação de IA, os funcionários ainda usam o Gemini para buscar informações, o ChatGPT para redigir um e‑mail, o Grok para preparar um relatório, o Claude para escrever seu código, e assim por diante. O acesso a ferramentas de LLM tornou‑se tão difundido que simplesmente usá‑las já não revela muito sobre a própria empresa.

Para mim, há um teste muito mais simples: o que acontece se você desativar a IA?

Pegue uma empresa de software de contabilidade. Seus desenvolvedores podem usar IA para escrever funcionalidades ou manter o produto. Desligue essas ferramentas amanhã e os engenheiros provavelmente trabalharão mais devagar. Mas o software ainda existirá, os contadores ainda o usarão e os clientes ainda pagarão por ele. A IA melhora a forma como a empresa opera, mas o próprio negócio não depende dela.

Agora imagine um call center bancário que antes poderia empregar dez mil pessoas. A primeira geração de IA nesse ambiente funcionava quase como um promptador sentado ao lado do operador: ouvia a conversa, entendia o problema e sugeria uma resposta. Em muitos casos, esse promptador agora se tornou o próprio agente. Um cliente diz que foi cobrado o valor errado; o sistema verifica os registros, revisa os dados relevantes, identifica o problema e às vezes o resolve sem envolver uma pessoa. Um ser humano intervém apenas quando o caso precisa ser escalado.

Essa é uma relação muito diferente com a tecnologia. A empresa de contabilidade torna‑se menos eficiente sem IA. O call center pode precisar reconstruir grande parte de seu modelo operacional. Essa diferença está muito mais próxima do que eu chamo de nativo em IA do que do número de assinaturas de IA que uma empresa possui ou se “IA” aparece em sua página inicial.

Onde isso é mais visível?

Algumas empresas construíram seus negócios em torno de ajudar outros a fazer essa transição. Cohere é um bom exemplo: a empresa canadense cresceu até se tornar um grande negócio ao ajudar empresas a migrar de softwares e fluxos de trabalho tradicionais para IA. Em outras indústrias, porém, a IA já está tão profundamente incorporada ao produto que se torna quase impossível separar os dois.

A condução autônoma é provavelmente o exemplo mais claro. Se espera que um carro veja a estrada, reconheça objetos, compreenda o que está acontecendo ao seu redor e tome decisões por conta própria, então não se pode remover a IA sem remover a ideia básica do produto.

A medicina e a indústria farmacêutica fazem o mesmo ponto de forma diferente, especialmente na descoberta de medicamentos. Um dos melhores exemplos do que isso pode significar em escala é o trabalho da DeepMind sobre estruturas de proteínas.

O Protein Data Bank foi criado em 1971, e foram necessárias décadas de trabalho de cientistas ao redor do mundo para montar uma grande coleção de estruturas determinadas experimentalmente. O banco de dados ultrapassou 1,000 estruturas em 1993, 10,000 por volta de 2000 e 100,000 em 2014. Em janeiro de 2023, havia ultrapassado 200,000 estruturas biomoleculares determinadas experimentalmente. Em outras palavras, após cerca de seis décadas de biologia estrutural, os pesquisadores haviam acumulado da ordem de duzentas mil estruturas determinadas experimentalmente.

Então chegou o AlphaFold, o sistema da DeepMind para prever a estrutura tridimensional de uma proteína a partir de sua sequência de aminoácidos. Em 2022, o AlphaFold disponibilizou mais de 200 million estruturas de proteínas previstas, cobrindo quase todas as proteínas catalogadas conhecidas pela ciência na época. Isso não significa que a IA “descobriu todas as proteínas que existem”. São estruturas previstas com base em sequências de aminoácidos já conhecidas. Mas a diferença de escala ainda é enorme.

A importância dessa mudança ficou ainda mais clara em 2024, quando Demis Hassabis e John Jumper, da Google DeepMind, receberam metade do Prêmio Nobel de Química “por predição de estruturas de proteínas”. A outra metade foi para David Baker, por design computacional de proteínas. Algo que, apenas alguns anos antes, parecia um avanço impressionante de IA tornou‑se rapidamente reconhecido como um avanço fundamental na biologia moderna.

DeepMind é o exemplo global que chama a atenção, mas startups médicas “AI‑first” já não são incomuns. Durante meus anos na Keymakr, nossa equipe trabalhou em projetos que vão desde odontologia e imagem por ultrassom até cardiologia intervencionista, nos quais modelos foram treinados para detectar válvulas cardíacas, a aorta e outras estruturas durante procedimentos. Também trabalhamos em projetos de neurocirurgia onde os modelos aprenderam a distinguir tecido cerebral, vasos sanguíneos, instrumentos cirúrgicos e a área operatória. Em todos esses casos, a IA não era um recurso adicional ao produto; era o próprio produto.

De Estruturas de Proteínas a um E‑mail Frio

A mesma coisa está acontecendo em partes muito mais comuns dos negócios. Vendas e marketing provavelmente estão entre os exemplos que mais evoluem rapidamente: trabalhos que antes levavam horas agora podem ser repetidos centenas ou milhares de vezes com muito pouco esforço adicional.

CRM, campanhas, prospecção e pesquisa de leads são construídos em torno de modelos de linguagem. Já ultrapassamos o ponto de pedir ao ChatGPT que escreva um e‑mail frio. Um sistema pode analisar o perfil do LinkedIn de alguém, ver o que a pessoa faz, o que lhe interessa e o que publica, e então usar essas informações para redigir algo que pareça muito pessoal.

Uma vez recebi uma mensagem mais ou menos assim: “Michael, deve ser incrível voar a 4.000 pés e olhar através do vidro…”. Referia‑se às minhas histórias de aviação nas redes sociais. Minha primeira reação foi que alguém realmente havia percorrido meu perfil do LinkedIn e lido tudo com atenção. Claro que ninguém fez isso. O sistema encontrou a informação e gerou automaticamente o contato.

É aí que a economia da personalização começa a mudar. Pesquisas que antes consumiam muito tempo de uma pessoa agora podem ser auxiliadas por ferramentas que vasculham informações públicas e identificam detalhes relevantes. Um ser humano então decide o que é realmente útil, adequado e vale a pena incluir. 

Vi a mesma mudança na Keymakr, embora para nós o objetivo nunca tenha sido automatizar o julgamento ou os relacionamentos humanos. Continuei incentivando as pessoas a observar as partes repetitivas de seu trabalho diário e a perguntar onde agentes poderiam economizar tempo, trazer mais consistência ou ajudá‑las a operar em maior escala. 

Na Scryon, começamos já com essa lógica incorporada à empresa. Grande parte do trabalho de marketing é realizado por vários agentes em artigos, no blog, no LinkedIn e no site.

A parte interessante é que a maior vantagem deles costuma não ser a escrita. Imagine que você adiciona vinte novas páginas a um site. Uma pessoa que escreve um novo artigo provavelmente acrescentará alguns links internos. Quase ninguém vai voltar aos 80 ou 800 conteúdos antigos e verificar onde essas novas páginas deveriam ser vinculadas agora. Um agente pode fazer isso. Nesse tipo de tarefa, o agente não precisa ser mais inteligente que uma pessoa. Ele simplesmente não se cansa, e a diferença entre 80 páginas e 800 páginas é muito menos importante para ele do que é para nós.

Mas é aqui que a automação atinge seus limites para mim. Um bom relacionamento público não pode simplesmente ser entregue a um agente e esquecido. O mesmo vale para um artigo de opinião, onde posicionamento, compreensão do público e a capacidade de decidir o que dizer são cruciais.

Portanto, mesmo quando você constrói um sistema bastante complexo de agentes, ainda precisa de uma pessoa para operá‑lo. Alguém tem que julgar o resultado, decidir o que importa e definir a direção.

É Possível Automatizar um Fundador?

Em uma startup em estágio inicial, o fundador costuma ser técnico, operacional e executivo ao mesmo tempo. Então a ideia surge naturalmente: se os agentes podem assumir grande parte do trabalho da equipe, por que não delegar a eles parte das funções do fundador também?

Tenho um agente separado conectado ao Scryon Business que conhece muito sobre a empresa. Posso perguntar a ele algo como: “Queremos alcançar 5.000 usuários no próximo mês.” Isso é realista ou é apenas um número agradável que eu inventei?

Ele pode extrair dados, analisar o mercado, verificar concorrentes e sistemas relacionados, e responder que 5.000 provavelmente é demais e que até 2.000 seria agressivo nesta fase. Isso me ajuda a testar meu próprio raciocínio. Mas o agente ainda está dando conselhos.

A decisão continua sendo minha. Depois de todos os dados e cálculos, às vezes ainda preciso sair, caminhar em um parque e decidir para onde quero levar a empresa.

Para mim, o verdadeiro alívio começa quando consigo delegar a alguém a responsabilidade, dizendo: “Isso é seu”, e, um mês depois, vejo que continuou funcionando sem a minha intervenção. Não vejo isso acontecendo hoje com a função de fundador.

O mesmo se aplica a cargos de nível C. O trabalho deles é definir a direção: daqui a seis meses, queremos entrar no mercado automotivo, ou queremos que as pessoas da indústria conheçam a marca. VPs, chefes e líderes de equipe então transformam isso em metas específicas e em trabalho concreto.

Kit de Ferramentas de IA: Custos Pessoais e Empresariais

Não acredito realmente em um modelo “melhor” único. Preocupo‑me muito mais com qual funciona melhor para uma tarefa específica e quanto me custa usá‑lo em escala. Costumo usar o Codex para programação e rotacionar modelos dentro dele, conforme minhas necessidades no momento. Posso experimentar o Claude para design um dia e mudar para o ChatGPT para tarefas mais relacionadas à linguagem, mas essas escolhas mudam de mês para mês, às vezes no meio de uma tarefa.

Em última análise, cada um constrói sua própria pilha ao longo do tempo, avaliando qual modelo é ótimo para um objetivo específico. Se você é um fundador técnico que programa muito por conta própria, eu esperaria que gastasse cerca de US$ 1.000 por mês na sua própria pilha. Mas conheço pessoas que gastam US$ 10.000–15.000 por mês porque automatizam de forma muito mais agressiva.

Uma vez que a IA se torna parte do negócio principal, os números mudam novamente. Com a Scryon, sinto-me confortável com a ideia de que 30–40% da receita pode ir diretamente para a infraestrutura e os serviços nos quais o produto opera, antes mesmo de contar as pessoas que o constroem.

Primeiro o Objetivo de Negócio, Depois a Tecnologia

Na corrida pela automação e pelo rótulo \”empresas de IA\”, acho que a própria questão \”que tipo de IA devemos implementar?\” é perigosa. Está partindo do ponto errado.

Recentemente estabelecemos um objetivo de negócios bastante padrão – reduzir custos. Para isso, criamos um agente, concedemos a ele acesso às informações sobre onde a empresa estava gastando dinheiro, incluindo Amazon, Google e outros serviços, e pedimos que ele procurasse regularmente por anomalias e levantasse alertas vermelhos se algo parecesse estranho.

Já na primeira semana, reduzimos os custos em aproximadamente 30% porque o sistema rapidamente mostrou onde o dinheiro estava sendo gasto em coisas que praticamente havíamos esquecido. O próprio agente pode custar tão pouco quanto $50 por mês, mas a economia pode chegar a dezenas de milhares.

Na Keymakr, a IA fortaleceu principalmente as pessoas e os processos individuais. Na Scryon, ela já está incorporada à arquitetura da empresa. Na condução autônoma, sem ela, o produto desaparece, e na descoberta de medicamentos, ela altera o escopo da exploração.

Para mim, a questão dos objetivos subjacentes é um ponto de partida muito mais saudável do que o desejo de se tornar uma empresa nativa em IA. Primeiro, deve surgir um objetivo de negócio: ganhar mais, escalar mais rápido, reduzir custos, viabilizar um novo produto ou mudar radicalmente um processo existente. Só então faz sentido perguntar qual tecnologia o levará até lá.