IA empresarial finalmente funciona, mas não como você imagina

A discussão sobre o futuro da IA empresarial tem evoluído rapidamente. Há algumas semanas, argumentei que o fracasso inicial da IA em empresas não estava relacionado à falta de entusiasmo, adoção ou até mesmo à capacidade dos modelos. O problema era arquitetural: os grandes modelos de linguagem (LLMs) não foram projetados para gerenciar uma empresa.

Empresas operam com base em memória, contexto, feedback e restrições. Já os LLMs, em sua essência, são sistemas projetados para prever texto. Em um segundo artigo, defendi que a solução não estava em "melhores prompts", mas em uma mudança mais profunda: de ferramentas para sistemas, de respostas para resultados, de copilotos para sistemas de ação e de prompts para restrições. A IA empresarial não pode ser baseada em sessões isoladas; ela precisa lembrar.

O terceiro passo: a IA que realmente funciona não parece com IA

Agora, é necessário um terceiro passo. Algo importante está começando a acontecer: os sistemas que estão começando a funcionar na IA empresarial não se parecem com chatbots aprimorados, copilotos ou cadeias de prompts. Eles são outra coisa completamente diferente. E, se observarmos de perto, as evidências já estão aí.

A transição de ferramentas para sistemas não é mais teórica. Nos últimos dois anos, a indústria de IA focou principalmente na camada visível: modelos maiores, interfaces mais refinadas, copilotos mais polidos e, agora, agentes mais ambiciosos. No entanto, os sinais mais claros de valor não vêm apenas dessa camada superficial. Eles surgem de organizações que estão redesenhando fluxos de trabalho, incorporando IA em processos e tratando a inteligência não como uma ferramenta, mas como infraestrutura.

Uma pesquisa global recente da McKinsey deixa isso claro: o uso de IA é amplo, mas a maioria das empresas ainda não a integrou profundamente o suficiente em seus fluxos de trabalho e processos para gerar benefícios significativos. Além disso, a pesquisa aponta que o redesenho de fluxos de trabalho é um dos principais contribuintes para impactos empresariais relevantes. Isso confirma o argumento central dos meus dois primeiros artigos: o problema nunca foi apenas se os modelos conseguiam responder bem. O problema era onde estávamos tentando aplicá-los.

As organizações que estão avançando não estão simplesmente "usando mais IA". Elas estão redesenhando a empresa em torno dela.

Sistemas que funcionam não começam com prompts

É aqui que a verdadeira mudança começa. Os sistemas de IA empresarial mais interessantes que estão surgindo hoje não começam com um prompt no sentido tradicional. Eles começam com contexto: contexto persistente, estruturado e governado.

A própria equipe de engenharia da Anthropic agora descreve a engenharia de contexto como a evolução natural além da engenharia de prompts. O desafio real não é mais como formular instruções, mas como gerenciar todo o estado de contexto ao redor do modelo: instruções do sistema, ferramentas, dados externos, histórico de mensagens e ambiente.

Isso representa uma mudança profunda. Significa que o foco está se deslocando de "o que devo perguntar ao modelo?" para "que ambiente, estado e restrições o sistema já deve conhecer antes que qualquer pergunta seja feita?".

A Anthropic reforça esse ponto em suas orientações para agentes de longa duração, onde enfatiza a gestão do ambiente e a necessidade de preparar agentes futuros com o contexto necessário para trabalharem de forma eficaz em múltiplas janelas e horizontes temporais mais longos. Isso está cada vez mais próximo do que defendi nos meus dois artigos anteriores: a IA empresarial bem-sucedida não se trata de respostas rápidas, mas de sistemas integrados que aprendem, lembram e agem dentro de limites claros.