Letramento em IA para Executivos

Resumir documentos, reconciliar números e autorizar uma ação são trabalhos de naturezas diferentes, e colocar os três sob o rótulo único de IA esconde exatamente os riscos que a diretoria precisa enxergar. Helena, CEO da Empresa Horizonte, percebe isso a tempo numa segunda-feira, às 7h40, antes da reunião de performance: recebeu 42 slides, comentários de cinco diretorias e três versões do mesmo número de margem, e quer velocidade sem misturar os três trabalhos.

Um executivo não precisa saber construir um motor para dirigir bem, mas precisa entender acelerador, freio, painel, combustível e regras da estrada. Conhecer os botões de uma ferramenta cria dependência; compreender o sistema cria capacidade de decisão quando o fornecedor, o modelo ou a interface mudarem, e eles mudam a cada poucos meses.

A máquina calcula a continuação provável, e isso explica tudo

Modelos generativos não consultam uma enciclopédia interna e copiam uma resposta pronta. Durante o treinamento, o modelo analisou quantidades enormes de exemplos e aprendeu relações estatísticas entre partes da linguagem. Ao receber uma instrução, calcula qual continuação parece adequada naquele contexto e monta a resposta parte por parte. Daí vem a força: sintetizar, comparar, reescrever, classificar e propor. Daí vem também a fragilidade, porque uma frase pode soar segura enquanto mistura fato, inferência e invenção na mesma linha.

Quatro momentos compõem o mecanismo, e vale reconhecer cada um. O modelo recebe a instrução, a conversa e os documentos disponíveis, que juntos formam o contexto imediato. Relaciona padrões prováveis entre esses elementos. Gera a resposta, que não foi recuperada como um registro único de banco de dados. E precisa ser ancorado por fora, porque fontes, cálculos, regras e revisão são o que determina se aquela resposta pode apoiar uma decisão real.

Vale um exemplo comum. A diretoria recebe cinco mil comentários de clientes e quer saber os três temas que mais afetam a renovação. A IA agrupa linguagem parecida e sugere nomes para os temas. Uma consulta ao banco conta as ocorrências e liga cada grupo à taxa de renovação. A equipe de experiência lê uma amostra para verificar se o agrupamento preservou o sentido. A narrativa veio do modelo, a quantidade veio do cálculo, e a interpretação final permaneceu com quem conhece clientes, amostra e negócio. Trocar a ordem dessas três coisas é o erro que produz apresentações bonitas e decisões ruins.

A regra central do curso nasce aqui: use a IA para ampliar percepção, velocidade e alternativas; preserve em pessoas identificadas a responsabilidade por premissas, riscos e decisões. A ferramenta produz trabalho cognitivo. A empresa continua responsável pelo efeito desse trabalho.

Oitenta e oito por cento ou onze por cento de adoção, e por que os dois estão certos

Essa responsabilidade já está distribuída pela organização inteira, mesmo onde ninguém a formalizou. O capítulo 4 do AI Index 2026, do Stanford HAI, registra que 88% das organizações pesquisadas já adotaram IA em alguma medida e que 70% usam IA generativa em pelo menos uma função de negócio. O próprio capítulo declara de onde os dados vêm: das pesquisas anuais State of AI da McKinsey, com campo em 2025. Quem cita o AI Index está citando o intermediário; a coleta é da McKinsey e o retrato é do ano anterior ao da publicação.

O mesmo fenômeno, medido por outro instrumento, produz um retrato bem diferente. Em 09/07/2026 o grupo FutureTech do MIT publicou uma medida de adoção construída sobre os formulários 10-K entregues à SEC, que são declarações sujeitas a responsabilidade legal e não respostas voluntárias de questionário. Por esse critério, em 2025, 11% das empresas da S&P 500 tinham IA profundamente integrada a processos de negócio, sobre uma base de 5% em 2022, e dois terços dessa adoção profunda estão concentrados no setor de tecnologia.

Apesar de descreverem o mesmo ano, os dois resultados não se contradizem, porque medem objetos diferentes. Um capta qualquer uso declarado em qualquer função, o outro capta integração profunda assumida sob risco jurídico. Com 88% se justifica urgência, com 11% se justifica cautela, e confundir os dois é o erro de leitura mais comum do período. Diante de qualquer percentual de adoção, a pergunta útil é o que exatamente foi contado: acesso à ferramenta, uso ocasional, uso dentro de uma rotina com dono ou processo de negócio redesenhado. São quatro coisas distintas circulando com o mesmo nome.

O retrato mais recente mantém a distância entre os instrumentos. A edição 2026 do State of AI da McKinsey, com 1.719 respondentes, repete os 88% de organizações com uso regular em pelo menos uma função e mostra a IA generativa saltando de 33% das organizações em 2024 para 72% em 2026. Nenhum desses percentuais conta quantas rotinas foram redesenhadas, e é essa a medida que o módulo 11 ensina a cobrar.

Na sua empresa, o uso entrou por dezenas de portas, boa parte delas sem registro. A pergunta que interessa à diretoria deixou de ser se a empresa usa, e passou a ser se ela sabe onde usa, com qual dado e quem responde quando a saída estiver errada.

Seis componentes, sem falsa hierarquia

Seis palavras descrevem partes diferentes do sistema, e nenhuma delas é degrau obrigatório de maturidade. Nomeá-las corretamente impede que a empresa compre uma interface esperando uma transformação operacional.

Os dados são o material de entrada: políticas, atas, números, contratos, pesquisas, mensagens e sinais externos, como a planilha de fluxo de caixa e as premissas da projeção. O modelo é o motor probabilístico que interpreta esses dados e gera linguagem, imagem, código ou análise. O assistente é a experiência de uso individual, geralmente em formato de conversa, como o chat que ajuda o CFO a preparar perguntas para a reunião mensal.

O fluxo de trabalho já é outra coisa: uma rotina com entrada, sequência, revisão, saída, frequência e responsável definidos, do tipo consolidar desvios toda segunda-feira, pedir causas, revisar e publicar o briefing. O agente (um assistente com crachá para mexer em certos sistemas) escolhe passos e usa ferramentas dentro de permissões delimitadas, como consultar o sistema de gestão e o de clientes, montar um rascunho e pedir aprovação antes de enviar. E o modelo operacional é o conjunto de papéis, processos, tecnologia, métricas e controles que sustenta a escala: política de dados, um dono para cada rotina, catálogo de casos, avaliação e acompanhamento de quanto a tecnologia custa por resultado entregue, disciplina que o módulo 10 trata em detalhe.

Dados e modelo sustentam capacidades. Assistente, fluxo e agente são formas de organizar o uso. O modelo operacional sustenta a operação. Um agente pode existir sem nenhuma maturidade em volta, e é por isso que autonomia nunca deve servir de atalho para um fluxo de trabalho mal definido.

O que o GPS não faz por você

Pense no GPS, que combina mapas, trânsito e destino para sugerir uma rota. Ele reduz o esforço de navegação, recalcula alternativas e estima tempo. Ainda assim, não enxerga a enchente que começou agora, não conhece a conversa delicada que você terá ao chegar e não responde legalmente por atravessar uma rua interditada. A IA é um sistema de navegação cognitiva: propõe caminhos enquanto o executivo escolhe o destino, observa o ambiente e assume o volante.

Raramente a pergunta correta é usar IA ou não usar. O que decide o resultado é separar a parte do trabalho que pede variabilidade da parte que exige regra exata, e essa separação se faz tarefa a tarefa.

Generativo ou determinístico, tarefa a tarefa

O briefing das 8h, e o pedido que estraga o dia

Volte à mesa da Helena com um caso concreto. O chefe de gabinete precisa escolher quais três desvios exigem discussão no comitê e quais podem seguir no acompanhamento normal. O pedido que ele quase escreveu foi: “leia tudo e me diga os principais problemas da empresa hoje”. A resposta veio misturando números, opiniões e prioridades, escolheu temas pela frequência com que apareciam no texto e apresentou cinco riscos críticos sem ligar nenhum deles a fonte ou alçada.

Três coisas quebraram ali. A palavra principal não foi definida por impacto, urgência, irreversibilidade ou necessidade de decisão. O modelo tratou comentário repetido como evidência mais forte que indicador conciliado, porque repetição é o único sinal que ele enxerga. E a tarefa pediu priorização executiva sem declarar quem decide nem quais ações estão disponíveis.

O pedido corrigido cabe em um parágrafo: prepare o briefing da CEO para a reunião das 8h, use o painel conciliado como fonte dos números e os comentários apenas como hipóteses, aplique os limites de materialidade anexos, entregue três desvios que exigem decisão, até três contradições entre áreas e cinco perguntas, e para cada item mostre fonte, período, fato observado, interpretação proposta, incerteza e dono. Sem recalcular números e sem classificar como crítico o que estiver dentro da faixa aprovada.

Corrigido o pedido, a saída separa o que sabe do que supõe. Os números que vêm a seguir são da Horizonte, ou seja, fictícios e escolhidos para a didática. O fato: a margem do canal indireto ficou 1,4 ponto abaixo da faixa, segundo o painel conciliado do mês. A inferência: os comentários sugerem pressão de desconto, e o mix de produtos e o custo logístico permanecem explicações alternativas. A pergunta: qual parcela do desvio permanece depois de controlar mix, canal e custo? A decisão: se o tema entra no comitê e qual área diligencia antes da reunião. Três conferências fecham a revisão, e cada uma tem um motivo. Todo número vem do painel conciliado, o que evita que a narrativa transforme comentário em medida. Fato e hipótese aparecem separados, o que impede causalidade presumida de parecer comprovada. A prioridade segue materialidade e alçada, o que mantém o briefing ligado à decisão em vez de ao volume de texto.

Três erros de modelo mental que contaminam tudo o que vem depois

Fluência não equivale a verdade: confiança verbal é característica do texto, nunca prova do conteúdo. Mais contexto não corrige fonte ruim, porque documento desatualizado produz síntese desatualizada com a mesma elegância. E automação não cria responsabilidade: alguém continua sendo dono do processo e do efeito da decisão, com nome e cargo, mesmo quando a máquina executou cada passo.

A decisão que fica na sua mesa é escolher, para cada tarefa, entre gerar o resultado com IA e manter uma regra fixa que sempre devolve o mesmo número. Gerar com IA e revisar antes de usar traz alternativas, comparações e velocidade na preparação, com o custo fixo de conferir cada número material antes de a saída virar decisão. Manter fórmula, sistema ou regra escrita abre mão da variedade de hipóteses e devolve um resultado que qualquer pessoa reproduz depois, com a mesma entrada e o mesmo cálculo. O critério é seco: se a mesma entrada precisa produzir sempre a mesma saída por exigência de auditoria, contrato, tributo ou obrigação legal, a regra fixa é a única opção válida. Onde a variação é aceitável e o erro ainda pode ser corrigido antes de sair da sua mesa, gere com IA.

O mapa de componentes em quatro passos

O mapa desta aula vira instrumento de gestão quando alguém o aplica aos usos que já existem na diretoria. O roteiro abaixo cabe em duas semanas e não exige nenhuma compra.

Primeiro passo, o inventário das portas de entrada. O chefe de gabinete, ou quem responde pela sua agenda, lista em cinco dias úteis as ferramentas de IA usadas na diretoria, incluindo contas pessoais pagas no cartão corporativo. Pronto quando cada ferramenta tiver ao lado o nome de quem a usa e para qual rotina.

Em seguida, a separação por mecanismo. Para cada rotina da lista, o dono do processo marca se o resultado precisa sair sempre igual para a mesma entrada, e então vai para regra fixa, ou se admite variação, e então cabe geração com revisão. Pronto quando nenhuma rotina de tributo, contrato ou pagamento estiver marcada como generativa sem conferência por regra depois.

Terceiro, a fronteira humana. O diretor da área escreve, rotina a rotina, quem confere a saída e quem assina a decisão, com nome e cargo, sabendo que podem ser pessoas diferentes. Pronto quando nenhuma linha do mapa trouxer o nome de uma área no lugar do nome de uma pessoa.

A reconferência de calendário. A mesma pessoa do primeiro passo agenda uma revisão trimestral do mapa, porque ferramentas, modelos e contratos mudam a cada poucos meses. Pronto quando o convite estiver enviado com a lista anexada.

Comece pelo inventário ainda nesta semana e dê o mapa por pronto quando a última linha tiver ferramenta, rotina, mecanismo e dois nomes, o de quem confere e o de quem decide.

Sabendo que a máquina escreve o provável, o passo seguinte é controlar o que ela recebe. Numa segunda-feira, às 11h20, o primeiro pedido escrito pela equipe da Horizonte diz apenas: “analise os resultados e faça um resumo para a diretoria”. O texto que volta parece profissional, usa o período errado, repete indicadores que estavam dentro da faixa normal e não informa de onde vieram os números. A IA preencheu lacunas que a liderança deixou abertas, que é exatamente o trabalho que ela faz quando ninguém diz o contrário.

Nenhum CMO experiente contrata uma campanha dizendo apenas “faça algo impactante”. Ele explica público, problema, posicionamento, canais, verba, restrições legais, prazo e critério de sucesso. Quando o briefing é vago, a agência preenche lacunas com suposições. A IA faz o mesmo, só que em segundos e com prosa muito mais convincente. Prompt (o texto do pedido que você digita para a máquina) é briefing operacional, e a qualidade começa menos na frase bonita e mais nas decisões que você tornou explícitas.

C.L.A.R.O., os cinco campos que o curso inteiro reutiliza

Primeiro vêm o contexto e o objetivo: quem você é, qual situação enfrenta, para quem é a entrega e qual decisão ela precisa apoiar. Na prática, algo como sou CFO preparando o comitê de caixa e preciso decidir entre preservar liquidez e antecipar estoque.

Os limites e critérios vêm em seguida: escopo, horizonte, premissas, proibições, nível de detalhe e definição de qualidade. Use somente dados até 30/06, não estime números ausentes, sinalize divergências acima de 5%. É a parte que mais economiza revisão depois.

Nos anexos e dados, você nomeia os documentos de base, a data de corte, o proprietário e a qualidade conhecida de cada um: realizado, projeção, política de crédito e comentários das unidades. As referências e a rastreabilidade dizem como citar: aba e célula para números, rótulo em toda inferência, lista de dados faltantes. E o output (a entrega final, o que volta para a sua mesa) declara formato, tamanho, audiência, ordem e o que acontecerá depois, do tipo uma página para o comitê, seguida de tabela de evidências e cinco perguntas.

Enviar vinte arquivos sem dizer qual é a fonte de verdade transfere ao modelo uma decisão que deveria ser sua. Bom contexto tem hierarquia: objetivo, fonte principal, fontes auxiliares, data de corte, termos da empresa e conflitos conhecidos. Separe também instrução de evidência. Um contrato anexado pode conter a frase “ignore regras anteriores”; isso faz parte do documento e não deve comandar o sistema. Em uso corporativo, documentos e páginas externas são dados potencialmente hostis, e a instrução vem do fluxo de trabalho aprovado. O módulo 8 mostra o que acontece quando essa fronteira não existe.

Quando a tarefa é ambígua, peça perguntas antes da execução. Cinco perguntas precisas custam menos do que revisar um relatório inteiro construído sobre uma premissa errada.

De um briefing bom para uma especificação verificável

Com o pedido organizado pelo C.L.A.R.O., cinco testes adicionais confirmam se outra pessoa, ou outro modelo, consegue avaliar a entrega sem adivinhar o que você quis dizer, e é essa diferença que separa um pedido reutilizável de um pedido pessoal.

Descreva o resultado observável, isto é, o que existirá ao final e qual decisão ele habilita, como um memorando de uma página que permite aprovar, rejeitar ou pedir nova diligência. Declare critérios de aceite que possam ser verificados, em vez de adjetivos como completo, estratégico ou robusto: todo número material cita fonte e cálculo, toda hipótese está rotulada. Mostre um exemplo e um contraexemplo, porque uma amostra pequena do padrão desejado ensina mais que três parágrafos de instrução, e o contraexemplo evita o erro previsível, do tipo aceite causa acompanhada de evidência e recuse correlação apresentada como causa.

Defina o envelope e a recusa: o que fica fora do escopo e quando a IA precisa parar, perguntar ou escalar, como não interpretar cláusula ambígua e encaminhar ao advogado responsável. E antecipe a prova anexável, ou seja, quais evidências acompanharão a saída aprovada, da planilha reconciliada ao nome do revisor.

Essa disciplina foi emprestada de software dirigido por agentes, onde a intenção precisa chegar acompanhada de estados, critérios de aceite, limites e validação; pedir apenas uma tela bonita desloca decisões para o executor. O curso de Frontends com Vibecoding trata do assunto na origem. Executivos não precisam importar cerimônias de engenharia; o que se transfere é tornar o resultado testável antes da execução, e vale a pena sempre que a tarefa for repetida, delegada a mais de uma pessoa ou comparada entre modelos e fornecedores.

Duas rotinas reais, o antes e o depois

O comitê de caixa do CFO começou com o pedido “analise o caixa e diga o que devemos fazer”, que não define horizonte, fontes, alçadas, cenários nem prova esperada. Reescrito, ele passou a declarar o contexto (decidir medidas para preservar liquidez nas próximas treze semanas), os limites (não estimar saldos ausentes, destacar divergências acima de 5%, não autorizar pagamentos), os anexos com data, dono, aba e célula, e o formato de saída (uma página, três cenários, cinco exceções e as perguntas que bloqueiam a decisão). O novo pedido produz uma análise comparável entre semanas, e cada número material pode ser verificado. A tesouraria confirma saldos, a controladoria reconcilia fórmulas e o CFO decide; a IA prepara, questiona e organiza.

A revisão semanal de incidentes do COO tinha o mesmo defeito em outra roupa: “analise os incidentes e crie um plano completo para resolver os problemas”. A IA devolveu recomendações genéricas sobre treinamento, monitoramento e comunicação, tratou todos os tickets como se tivessem a mesma gravidade e atribuiu causa raiz sem evidência suficiente. O objetivo misturava descrever, diagnosticar, priorizar e aprovar plano; fontes, janela de tempo, severidade e o próprio conceito de reincidência ficaram implícitos; e a expressão plano completo não oferece critério de aceite nenhum.

Reescrito, o pedido virou: prepare a leitura prévia da revisão semanal de incidentes, considere somente severidades 1 e 2 dos últimos 30 dias e use o manual anexo, separe fato, causa confirmada e hipótese, agrupe reincidência apenas quando serviço, sintoma e mecanismo coincidirem, e entregue uma página com linha do tempo, cinco padrões, evidência favorável e contrária, lacunas, ação proposta, dono e prazo, sem declarar causa raiz sem registro técnico que a sustente. A saída passou a distinguir o padrão real (quatro incidentes ocorreram após mudança no mesmo componente, mas somente dois compartilham o mecanismo confirmado) da lacuna (dois tickets não têm registro suficiente do próprio sistema para concluir causalidade), e cada ação passou a ter dono, prazo, incidente relacionado e o sinal que demonstrará redução de risco.

A escolha que cabe a você

Escrever o pedido completo antes de gerar custa de dez a quinze minutos na frente e devolve um documento que outra pessoa consegue reusar, auditar e comparar entre ferramentas. Gerar um rascunho rápido e ir corrigindo na conversa entrega a primeira versão em minutos e deixa os critérios de qualidade presos dentro do histórico do chat, onde mais ninguém alcança.

O critério: se a tarefa vai se repetir, será delegada a outra pessoa ou comparada entre modelos e fornecedores, escreva o pedido completo antes. Se ela acontece uma única vez e você mesmo revisa a saída inteira, o rascunho rápido resolve e não há virtude em complicar.

A biblioteca de pedidos da diretoria em quatro passos

Um pedido bem escrito rende pouco quando fica na sua pasta pessoal. Rende muito quando vira biblioteca da diretoria, reutilizada por quem chega depois de você e comparável entre ferramentas.

Primeiro, a escolha das rotinas. O diretor seleciona três pedidos que a equipe repete toda semana ou todo mês, como leitura prévia de comitê, análise de variação e resposta a cliente. Pronto quando cada um tiver frequência, dono e a decisão que apoia escrita numa linha.

Depois, a redação no molde de cinco campos. O dono de cada rotina preenche contexto, limites, anexos, referências e formato de entrega, e escreve três critérios de aceite antes de gerar qualquer saída. Pronto quando outra pessoa da equipe conseguir rodar o pedido sem perguntar nada ao autor.

Terceiro, o teste lado a lado. Um analista roda o pedido antigo e o novo sobre o mesmo material e aplica os três critérios às duas saídas sem saber qual veio de qual, como numa prova de vinhos às cegas. Pronto quando a versão nova vencer em pelo menos dois dos três critérios; se não vencer, o pedido volta ao dono.

Por último, a guarda. Quem mantém os documentos da área publica os pedidos aprovados numa pasta com versão, data e dono, e arquiva o que foi substituído. Pronto quando a pasta tiver três pedidos na versão 1.0 e a equipe souber onde ela fica.

Publique os três primeiros pedidos em até duas semanas e acompanhe as consultas ao autor: se a equipe continuar pedindo ajuda para usar o molde, o campo de contexto ainda está vago e precisa ser reescrito.

O pedido que não precisa ser colado de novo

O molde C.L.A.R.O. rende mais quando o contexto e os limites ficam gravados na ferramenta, e só os anexos e a entrega mudam a cada pedido. Os três assistentes mais comuns em diretoria têm um lugar para isso. No Claude e no ChatGPT ele se chama projeto: uma pasta com instruções próprias, arquivos de referência e as conversas daquele assunto. No Gemini, chamava-se Gem e está virando habilidade.

Três fatos das páginas oficiais, lidas em 01/10/2026, definem onde gravar a instrução. No Claude, projetos existem em todos os planos, com limite de cinco no gratuito, e a instrução do projeto vale para todas as conversas dele (ajuda do Claude).

Nas outras duas ferramentas, o movimento é de troca de formato. A OpenAI avisou em 11/09/2026 que vai aposentar os GPTs personalizados e oferecer migração para plugins (notas de versão do ChatGPT). E o Google remove os Gems em novembro de 2026 nas contas pessoais e em março de 2027 nas contas de empresa, recriando cada um como habilidade (ajuda do Gemini).

A consequência prática é simples: instrução nova de equipe vai para um projeto, e não para um GPT personalizado ou um Gem, que têm data para acabar. O que já existe nesses dois formatos entra no inventário de ferramentas da diretoria, com dono e data de migração.

Com o pedido bem escrito, falta saber se a resposta aguenta uma decisão. Numa terça-feira, às 9h, uma diretoria leva à mesa de Helena um caso de negócio que promete economia anual de R$ 1,8 milhão (número fictício da Horizonte, como todos os valores dela neste curso). A frase aparece em três slides, e o cálculo mistura redução de horas, despesa evitada e benefício ainda dependente de negociação. Uma recomendação pode ser plausível e ainda assim apoiar uma decisão ruim, porque fluência, fonte citada e cálculo reproduzível são três propriedades diferentes que costumam viajar juntas na aparência e separadas na realidade.

Pilotos experientes não abandonam listas de verificação por conhecerem bem a aeronave. Usam listas porque experiência, pressão e rotina também produzem lapsos. A lista não pilota o avião; garante que itens críticos sejam conferidos antes de uma ação difícil de reverter. Verificação de IA precisa ser rotina operacional com a mesma frieza, e não uma recomendação genérica para tomar cuidado.

Confiabilidade não é propriedade da tecnologia

Vinte e seis modelos passaram por um único teste de alucinação (a resposta inventada que sai com cara de certa), reunido no AI Index 2026, do Stanford HAI e montado sobre um enquadramento bem particular: a afirmação falsa chega à máquina apresentada como crença do próprio usuário. Nesse arranjo, e apenas nele, os erros foram de 22% a 94% conforme o modelo avaliado. Uma faixa desse tamanho, dentro de um teste só, não sustenta nem a frase “a IA erra pouco” nem a frase “a IA não é confiável”.

Ler esse intervalo como defeito genérico da tecnologia leva à conclusão errada. Ele mostra duas coisas mais úteis. A diferença entre modelos, dentro de um mesmo teste, já é grande o bastante para invalidar qualquer afirmação sobre a IA no singular. E o número pertence ao enquadramento em que foi obtido: uma taxa medida quando a informação falsa vem embutida na pergunta não descreve o que acontece quando a mesma ferramenta resume uma ata com as fontes anexadas. Confiabilidade aparece numa combinação específica de modelo, tarefa e verificação em volta, e é por isso que um piloto bem-sucedido em resumo de ata não autoriza o mesmo sistema a classificar risco de crédito.

Para a mesa de decisão, isso reposiciona a pergunta. Questionar se um modelo é confiável não produz resposta acionável. Perguntar qual taxa de erro foi medida nesta tarefa, com estas fontes e esta revisão, e quem assume o erro que escapar, produz.

A percepção do ganho engana quem já está convencido

Há um erro de leitura que atinge justamente quem acredita na ferramenta, e ele custa mais caro que o ceticismo. Pesquisa da METR (organização sem fins lucrativos que avalia o que modelos de IA conseguem fazer) comparou quanto profissionais achavam que a IA havia acelerado o próprio trabalho com quanto ela de fato acelerou, e encontrou superestimação da ordem de 40 pontos percentuais. A impressão de ganho e o ganho medido são grandezas diferentes, e apenas a segunda entra num caso de negócio.

O detalhe mais desconfortável aparece no levantamento que a própria METR publicou em 11/05/2026, com 349 respondentes. Entre todos os subgrupos, quem declarou os menores ganhos foram os funcionários da METR, que conhecem esse viés e sabem estar sujeitos a ele. Conhecer a armadilha reduz o efeito sem eliminá-lo, e as respostas continuam sendo autodeclaradas, o que só reforça o argumento. A consequência prática é curta: se o ganho de uma rotina nunca foi medido contra o tempo que ela levava antes, o percentual que circula na apresentação está medindo a impressão de quem usa.

A segunda armadilha é tratar publicação acadêmica como fim de conversa. Em maio de 2026 a revista Humanities and Social Sciences Communications, do grupo Nature, retratou uma meta-análise que sintetizava 51 estudos sobre uso de ChatGPT em educação. A revista declarou como motivo discrepâncias que minaram a confiança na validade da análise, e parte das críticas apontava a inclusão de estudos que já haviam sido retratados. O trabalho havia acumulado cerca de 504 citações até a retratação, o que significa que centenas de textos citam hoje uma conclusão que a revista retirou. Nada disso invalida o uso de literatura para decidir; obriga a registrar de onde cada número saiu, com data e endereço, para que a conferência possa ser refeita meses depois por outra pessoa.

O cartão de evidência, em seis campos

Esse registro é o cartão de evidência, e ele é o cartão de leitura da abertura com dois campos a mais. Anexe-o a toda saída que influencie dinheiro, pessoas, clientes, reputação ou obrigação legal.

A afirmação diz o que exatamente está sendo alegado, sem adjetivo vago. A fonte nomeia documento, página, aba, célula, endereço, proprietário e data de corte. O cálculo mostra a fórmula, a transformação ou a comparação que produziu o número, e registra o denominador de todo percentual, porque dois números iguais podem estar dividindo por bases diferentes. A premissa declara o que foi assumido e ainda pode mudar. A incerteza expõe lacunas, conflito entre fontes e limite de cobertura. E o responsável nomeia quem verificou e quem decide, que podem ser pessoas diferentes.

Uma afirmação cabe no cartão. Para uma entrega inteira, a confiança vem de provas de naturezas diferentes, porque nenhuma delas cobre tudo sozinha. A aderência à intenção mostra que a saída responde à decisão e ao público definidos na especificação. A rastreabilidade liga afirmações, números e versões a fontes autorizadas e reproduzíveis. O teste objetivo passa cálculos, regras, formatos e limites por verificação determinística sempre que possível. O teste adversarial procura contradições, casos-limite e evidência contrária. O julgamento especialista avalia contexto, materialidade, exceção e efeito sobre terceiros. E o comportamento em uso, depois da aprovação, mostra nos registros o efeito real, o retrabalho, os incidentes e a perda silenciosa de acerto ao longo dos meses, que aparece quando a realidade muda e o sistema continua o mesmo.

Uma prova de formato não comprova verdade. Uma citação não comprova interpretação. Uma revisão humana não compensa fonte desatualizada. A combinação adequada ao risco é o que produz confiança, e é a mesma lógica que o curso de E-E-A-T e Qualidade de Conteúdo aplica a texto publicado: a conclusão precisa viajar com suas provas quando atravessa áreas, quando será reutilizada depois ou quando precisa sobreviver sem a explicação oral de quem a produziu.

Quatro classes que não podem se misturar

Um relatório costuma dizer, em três linhas seguidas: a margem caiu 2,1 pontos, a causa foi desconto excessivo, devemos suspender a campanha. São quatro trabalhos diferentes, e cada um pede um tratamento próprio.

Auditar a promessa de um fornecedor

O caso que melhor exercita o cartão é o comitê de investimento, e ele segue sendo a cena inventada da Horizonte. A proposta traz redução de 30% no tempo de preparação, percentual fictício, medido em estudo autorrelatado pelo fornecedor. Três erros costumam acontecer nessa mesa. O material do fornecedor é tratado como evidência independente. Horas liberadas são convertidas automaticamente em economia de caixa. E população, período, denominador e custo total nunca são reconciliados com a realidade interna.

Para tratar o caso direito, separe dado do fornecedor, dado interno, inferência e hipótese, registre para cada um fonte, período, população, fórmula, incerteza e responsável, e recalcule três cenários internos incluindo adoção gradual, revisão, integração e custo de operação. Ao fim, a expansão fica condicionada a um ponto de aprovação em que uma pessoa com cargo assina que a taxa de aceitação e o custo por entrega chegaram ao patamar combinado. Na cena didática da Horizonte, com números fictícios, o benefício de R$ 1,8 milhão desce para R$ 920 mil comprometidos e R$ 540 mil mantidos como potencial condicionado a marcos.

Três perguntas fecham essa auditoria e servem para qualquer proposta. A fonte é independente e comparável, ou é material promocional transportado sem contexto? O cálculo pode ser reproduzido por outra pessoa, o que permite testar premissas e achar dupla contagem? Benefício potencial e benefício capturável estão separados, protegendo o caso de economias que nunca chegam ao resultado?

Um caso público, com a advertência que viaja junto

A Morgan Stanley Wealth Management integrou modelos ao acesso ao conhecimento interno e à preparação de retornos de reunião. O que interessa a executivos é o desenho: a empresa tratou avaliação como fundamento de confiança, colocada no começo do projeto em vez de no fim. Mais de 98% das equipes de assessoria usam o assistente interno, a base consultável evoluiu de cerca de 7 mil perguntas para um corpus de 100 mil documentos, resumo, tradução e recuperação receberam conjuntos de avaliação e retorno de especialistas, e a ferramenta que transforma reuniões consentidas em notas e tarefas mantém a revisão dos assessores antes do uso. A publicação está no estudo de caso da OpenAI.

Por conta do curso, vai uma advertência que o fornecedor não faz. A data de publicação não aparece no corpo da página, mas consta nos dados estruturados: 04/12/2024, o que coloca esses indicadores a cerca de vinte meses de distância. Todos os números são autorreportados pela Morgan Stanley e pela OpenAI, e nenhum passou por auditoria independente. Citar o caso como evidência de desenho operacional é legítimo. Citá-lo como parâmetro de resultado esperado para a sua empresa não é.

Revisão proporcional, e a escolha que cabe a você

Quanto maior o impacto e menor a possibilidade de reverter, mais forte precisa ser a prova e mais clara a autoridade humana. Em uso de baixo impacto e reversível, bastam amostragem, lista de verificação simples e correção posterior. Em impacto material e reversível, entram a revisão do dono do processo, as fontes e o registro. Em alto impacto ou difícil reversão, entram especialista independente, dupla checagem, plano de contingência e um ponto formal de aprovação em que alguém com nome e cargo autoriza a passagem. E quando estão em jogo direitos, segurança, saúde, emprego, crédito ou obrigação legal, a avaliação jurídica e de risco vem antes do uso.

Falta decidir se a saída vai para a reunião com o pacote de evidências anexado ou apenas com revisão de leitura. Anexar o cartão às afirmações materiais acrescenta de vinte a quarenta minutos ao ciclo e permite que a reunião discuta a decisão, em vez de gastar o tempo discutindo se o número está certo. Enviar com revisão de leitura chega mais cedo e transfere para a mesa o trabalho de descobrir de onde veio cada número, normalmente no pior momento possível. Se a saída influencia dinheiro, pessoas, cliente, reputação ou obrigação legal, anexe o cartão sem exceção. Se ela é interna, reversível dentro de uma semana e não sai da sua área, faça só a revisão de leitura.

O protocolo de conferência em quatro passos

O cartão de evidência só protege a empresa quando a diretoria decide, antes do primeiro caso, qual saída leva cartão e quem confere cada uma.

Primeiro, a régua de materialidade. O CFO ou o controller fixa por escrito o valor em reais a partir do qual um número passa a exigir cartão, e a lista de temas que exigem cartão em qualquer valor, como pessoas, cliente e obrigação legal. Pronto quando a régua couber em meia página e estiver assinada.

Depois, o dono da conferência. Cada diretor nomeia um revisor por tipo de saída material, alguém que não produziu o texto e conhece a fonte, como a controladoria para números e o jurídico para cláusulas. Pronto quando nenhum tipo de saída material ficar sem revisor com nome.

Terceiro, a amostra de auditoria. Uma vez por mês, a auditoria interna ou o escritório de projetos sorteia cinco saídas já usadas em reunião e refaz a conferência do zero. Pronto quando o sorteio tiver data fixa e o resultado for registrado mesmo nos meses em que nada aparecer.

O retorno do erro. Toda falha achada no sorteio volta ao dono da rotina com a causa classificada entre fonte, cálculo, premissa e pedido, e com prazo de correção. Pronto quando cada falha tiver causa e prazo registrados em até cinco dias úteis.

Assine a régua de materialidade antes da próxima reunião de diretoria e confira no primeiro sorteio: se nenhuma das cinco saídas vier com cartão preenchido, a régua existe no papel e ainda não chegou à rotina.

Pesquisa aprofundada: o relatório chega com fontes, e a conferência continua sua

Os principais assistentes têm hoje um modo que faz dezenas de buscas encadeadas e devolve um relatório com citações. No Claude ele se chama Research; no Gemini, Deep Research; no Microsoft Copilot, Researcher; no Perplexity, Research. O mecanismo é o mesmo nos quatro: a máquina monta um plano, lê muitas páginas e escreve a síntese. O relatório parece mais confiável que uma resposta comum porque traz links, e é exatamente nele que o cartão de evidência desta aula trabalha.

O que as páginas oficiais informam em outubro de 2026. O Research do Claude exige plano pago e busca na web ligada, e lê também Gmail, agenda e documentos quando conectados (ajuda do Claude). O Deep Research do Gemini leva de 5 a 10 minutos, deixa editar o plano antes de começar e aceita trocar a Pesquisa Google por Gmail, Drive ou arquivos enviados (ajuda do Gemini).

A Microsoft aposentou o Deep Research do Copilot e concentrou a função no Researcher, que usa modelos da OpenAI ou, se o administrador liberar, da Anthropic (suporte da Microsoft).

Resposta conferida ainda pode chegar à decisão por um atalho, e o mais comum é corrigir a frase em vez do processo. Numa quarta-feira, às 8h30, o briefing reescrito melhorou o relatório da Horizonte, mas a primeira versão ainda trata uma hipótese comercial como causa comprovada. O gerente quase corrige a frase e envia o documento. Corrigir a frase produz uma entrega melhor e esconde a falha do processo, que voltará no mês seguinte.

Executivos raramente tomam uma decisão relevante a partir da primeira versão de um analista. Pedem esclarecimentos, confrontam premissas, chamam outra área, verificam números e só então escolhem um caminho. Com IA, a velocidade do primeiro rascunho cria a tentação de pular justamente essas etapas. O objetivo aqui é colocar a conversa dentro de um ciclo com começo, critérios, tensão produtiva, prova e fechamento.

Cinco momentos, cinco vestígios

São cinco verbos, e o curso os chama de Ciclo 5D porque todos começam com a mesma letra: definir, delegar, debater, diligenciar e decidir. O nome importa menos que a regra de que cada um deles precisa deixar alguma coisa escrita.

Definir é nomear decisão, dono, prazo, risco e critério de sucesso. Decidir se o lançamento permanece em agosto ou muda para setembro é uma decisão; melhorar o processo de lançamento não é.

Delegar é aplicar o C.L.A.R.O. a uma parte do trabalho, nunca à responsabilidade inteira: comparar dependências, sintetizar evidências, preparar cenários. Trate a máquina como uma analista brilhante e muito rápida que leu uma biblioteca inteira e chegou ontem à empresa. Ela não sabe quais números são politicamente sensíveis, quem atualiza cada base, qual exceção derrubou o último projeto nem que o principal cliente chama o mesmo produto por outro nome. Alta expectativa de produção, baixa presunção de contexto institucional.

Debater é pedir alternativas, objeções, premissas ocultas e a melhor defesa da opção contrária, do tipo construa o argumento do cliente que preferiria adiar. É a etapa que mais gente pula e a que mais barato sai.

Diligenciar é verificar fontes, números, datas, políticas, exceções e conhecimento especializado: reconciliar a projeção com a planilha, pedir revisão de jurídico e de operações. E decidir é registrar escolha, racional, incerteza residual, responsável e o fato futuro que obriga a decisão a voltar para a mesa, como manter agosto condicionado a dois critérios de prontidão até 15/07.

Se uma dessas etapas não deixa vestígio em arquivo, o ciclo ainda é informal, e informal quer dizer que ele depende de quem estava na sala naquele dia.

Diligenciar deixa de ser inspeção quando a falha volta para o sistema

Dentro do quarto momento cabe um laço curto que separa a empresa que aprende da que apenas corrige. Gere a saída sob especificação e registre modelo, fontes, instruções e versão. Verifique com critérios de aceite, testes determinísticos, amostra humana e evidência adversarial, conforme o risco. Diagnostique a causa, classificando-a entre fonte, instrução, cálculo, permissão, ferramenta, modelo ou julgamento. Corrija o componente que originou a falha, isto é, a peça do sistema onde o erro nasceu, e não apenas a resposta daquela vez. Registre o caso no conjunto de avaliação e observe se a correção criou efeito colateral em outro lugar.

A organização aprende quando o erro muda fonte, regra, teste ou treinamento. Corrigir somente a frase ensina apenas aquela conversa, e a conversa acaba quando a janela fecha.

Quando a métrica melhora e o trabalho piora

A cena a seguir é inventada para a didática, e os dois percentuais dela também. Um assistente reduziu em 42% o tempo para preparar propostas comerciais. No mesmo período, o jurídico devolveu 18% mais propostas por afirmações sem evidência, e os vendedores passaram a copiar o primeiro rascunho com pouca revisão. Escalar porque a produtividade subiu 42% ensina ao sistema que velocidade compensa retrabalho e risco transferidos para outra área. Encerrar todo uso de IA em propostas elimina o risco imediato e impede descobrir se especificação e pontos de aprovação corrigem a causa. A conduta que preserva aprendizagem é manter o piloto, mudar o painel de acompanhamento e acrescentar um ponto de aprovação para as afirmações.

O tempo isolado virou uma recompensa mal formulada. O painel precisa combinar ciclo, taxa de aceite, devolução, correção material e afirmações com fonte; depois da mudança, compare uma nova amostra com o ponto de partida antes de ampliar usuários ou autonomia.

Sistemas adaptativos exploram o que recebe recompensa, e uma função de recompensa incompleta produz o atalho que trai a intenção. O curso de Reinforcement Learning para Vibecoding trata do fenômeno na origem técnica. Pessoas, fornecedores e fluxos de trabalho fazem o mesmo com o painel que a empresa premia: tempo de ciclo sem qualidade gera pressa, volume sem resolução gera chamado fechado e reaberto. Desconfie sempre que um indicador melhorar rápido demais, outra área absorver retrabalho ou o time começar a discutir a definição de sucesso.

O gargalo mudou de endereço, e existe medida disso

Pesquisadores de Carnegie Mellon e de Stanford acompanharam 802 desenvolvedores e 196.212 pedidos de alteração de código dentro de uma empresa que, em meados de 2025, impôs a meta corporativa de dobrar a produção com IA. A série vai de janeiro de 2024 a abril de 2026, cada pessoa serve de controle de si mesma antes e depois de adotar a ferramenta, e o artigo saiu em 02/07/2026.

A produção por pessoa subiu 42%. O número agregado de 2,09 vezes, que costuma ser o que chega ao comitê, infla porque a composição das equipes mudou no período. O ganho cresce com o uso acumulado, de 1,51 vez aos três meses para 1,99 vez aos nove, o que significa que não é um degrau que aparece no dia em que a licença é liberada. E o ganho está concentrado no código novo: 44% em repositórios criados depois de 2022, contra 12% e sem significância estatística no código antigo.

O que aconteceu do outro lado é o achado que interessa à sua diretoria. A revisão humana caiu de 89% para 68% dos pedidos, a revisão automatizada subiu de 19% para 84% e a revisão que deixa comentário escrito encolheu de 39% para 21%. O volume de pedidos cresceu 3,1 vezes enquanto o time de revisores cresceu 1,5 vez. Resultado: o ciclo completo, do pedido até a entrada em produção, ficou 22,4% mais lento.

Dobrar a produção sem dimensionar a capacidade de revisão atrasa a entrega em vez de acelerá-la. O gargalo mudou de endereço: saiu de quem produz e parou na fila de quem confere, que é exatamente onde o risco fica retido. Antes de aprovar meta de volume em qualquer área, pergunte quem revisa, quantas horas por semana essa pessoa tem e o que sai da agenda dela para caber o volume novo.

Os próprios autores registram o contrapeso, e ele importa: a taxa de aprovação final permaneceu estável e os pedidos feitos com IA foram revertidos com menos frequência que os demais. A qualidade do que passou pela revisão se manteve; o que piorou foi o tempo até passar. O estudo cobre engenharia de software em uma única empresa, sob mandato corporativo explícito, e a transferência para outras funções continua como hipótese de trabalho, ainda sem medição.

O ciclo aplicado a uma previsão comercial

O pedido fraco era “analise os dados e faça uma previsão confiável para o próximo trimestre”. A resposta prolongou a tendência recente, acrescentou uma probabilidade sem método e recomendou aumentar investimento porque o canal havia crescido no trimestre anterior. A palavra confiável não define erro aceitável, horizonte, cenário nem método de validação; o primeiro rascunho não recebeu contraponto; e uma associação temporal virou causalidade e recomendação de orçamento.

Reescrito pelo ciclo, o trabalho ficou assim, ainda dentro da cena inventada e com valores fictícios. Definir: a decisão envolve R$ 800 mil de verba incremental, com revisão em 30 dias. Delegar: construa três cenários para o canal indireto nos próximos 90 dias, base, adverso e oportunidade, usando as premissas anexas e sem inventar probabilidades, mostrando para cada um receita, margem, capacidade, sinais antecedentes, condições de invalidação e ação reversível. Debater: produza o melhor argumento contra o cenário base, que neste caso apontou queda de conversão entre os parceiros mais recentes. Diligenciar: vendas confirma a carteira em negociação, finanças recalcula margem, estratégia testa sensibilidade. Decidir: liberar uma parcela reversível, condicionada a dois sinais antecedentes, com dono e data de revisão.

Três conferências fecham o ciclo e cada uma tem função. A resposta inclui uma alternativa coerente, o que reduz a ancoragem (a tendência de ficar preso ao primeiro número visto) no primeiro cenário produzido. Premissas e probabilidades têm origem declarada, o que impede aparência matemática sem método. A ação tem gatilho de revisão, o que transforma incerteza em gestão em vez de paralisia.

O mesmo desenho serve à leitura prévia do conselho, onde o material costuma informar resultados sem deixar claras as decisões pedidas, as premissas divergentes e o custo de esperar. Definir as decisões, delegar a síntese, debater com visão de acionista, de cliente e de regulador, diligenciar os números e só então fechar a pauta produz duas páginas com contexto, três decisões, opções, evidências, riscos e perguntas. O presidente do conselho e a CEO escolhem o enquadramento, removem especulação e confirmam que o material não antecipa decisão ainda não tomada. O que se mede depois é o percentual da reunião dedicado a decisões, o tempo de leitura e os itens reabertos por falta de contexto.

A escolha que cabe a você

Na primeira rodada de uma decisão real, pedir o texto final de uma vez devolve um rascunho pronto em minutos e coloca você para revisar prosa. As premissas que sustentam a recomendação ficam embaixo de um texto bem escrito e raramente são conferidas. Pedir primeiro as opções e o argumento contrário devolve algo áspero, que obriga leitura mais lenta e faz as premissas frágeis aparecerem enquanto a decisão ainda pode mudar de rumo sem custo.

O critério é o custo de desfazer: se reverter o erro custaria mais de um dia de trabalho de alguém, comece pelo contraponto. Abaixo desse limite, o rascunho direto compensa, porque o tempo de revisão passa a valer mais do que o risco evitado.

O ciclo instalado numa reunião que já existe

O ciclo pega quando entra numa reunião que já acontece, e raramente quando vira projeto paralelo com pauta própria. O roteiro abaixo leva quatro semanas.

Primeiro, a reunião hospedeira. O diretor escolhe uma reunião recorrente com decisão real na pauta, como comitê comercial ou revisão de orçamento. Pronto quando a pauta seguinte trouxer, para cada item, a decisão pedida escrita como pergunta de sim ou não, ou como escolha entre opções.

Depois, o dono de cada momento. O secretário da reunião registra quem define, quem delega à IA, quem faz o contraponto, quem diligencia e quem decide. A mesma pessoa pode acumular dois papéis, desde que contraponto e decisão fiquem com pessoas diferentes. Pronto quando os cinco nomes estiverem na pauta.

Terceiro, o vestígio em arquivo. Quem conduz a pauta guarda, numa pasta por decisão, o pedido, o contraponto, as duas evidências conferidas fora da IA e o registro final. Pronto quando qualquer pessoa conseguir reconstruir a decisão em dez minutos sem perguntar a quem estava na sala.

O gatilho de volta. A decisão registrada traz o fato futuro que a reabre e a data de revisão, e o secretário marca essa data na agenda do dono. Pronto quando nenhuma decisão do mês ficar sem gatilho.

Instale o ciclo na próxima ocorrência da reunião escolhida e confira depois de quatro semanas: com três decisões de pasta completa, o ciclo virou rotina; abaixo disso, corte itens da pauta antes de cobrar mais disciplina de quem participa.

Definido o ciclo de trabalho, cada diretoria precisa encaixá-lo na própria semana. Numa quinta-feira, às 14h, no comitê executivo da Horizonte, cada uma traz um caso diferente: um quer preparar caixa, outro entender incidentes, outro comparar contratos. A tentação é montar um catálogo de truques por ferramenta. As fontes e os riscos variam por função, mas a estrutura do trabalho permanece a mesma em todas: entrada autorizada, transformação explícita, revisão qualificada, saída útil e medida.

As próximas seções descrevem sete funções, e seis delas não são a sua. Ler as sete em fila é o caminho errado, e o curso prefere dizer isso a fingir que a leitura completa é neutra: a sequência inteira produz sensação de cobertura e entrega o oposto, porque na hora de desenhar a sua rotina ela já se misturou com seis rotinas de outra gente. Vá direto ao trecho da sua função, com o calendário da semana aberto ao lado, e marque quais das entradas descritas ali você realmente tem hoje. Depois leia o da área com quem você mais negocia, que mostra o que aquele par precisa receber de você para fechar o próprio ciclo. Os outros cinco são material de consulta para quando o seu escopo mudar, e pular agora não deixa buraco em nada do que vem depois.

Onde procurar, por função

Um bom caso de IA responde sempre às mesmas perguntas: qual decisão será melhorada, quais dados entram, que parte é probabilística, quem verifica, qual ação vem depois e como o valor será medido. A tabela é o índice; os parágrafos seguintes desenvolvem cada função.

Presidência, finanças e operações

Na revisão estratégica trimestral, o risco da CEO é transformar a projeção em defesa da decisão já desejada. Com premissas, indicadores, riscos, capacidade e sinais de mercado datados e com fonte, a IA gera cenário base, favorável e adverso, explicita as premissas de cada um e aponta sinais antecedentes e ações reversíveis. A liderança testa causalidade e escolhe quais apostas financiar, e a máquina não atribui probabilidades sem base. Mede-se o tempo para atualizar cenários e a antecedência com que mudanças de premissa são percebidas.

No comitê semanal de caixa, decisões de pagamento, recebimento e estoque dependem de planilhas que chegam em ritmos diferentes. A IA concilia cortes, destaca concentração, simula cenários documentados e aponta os dados ausentes, produzindo um mapa de liquidez de treze semanas com exceções e decisões requeridas por alçada. A tesouraria confirma saldos, a controladoria valida fórmulas, o CFO autoriza. Mede-se erro da projeção, capital parado, atrasos evitados e tempo de preparação.

Na reunião de pós-incidente, o problema é a reunião terminar com uma narrativa plausível sem distinguir causa raiz, fator contribuinte e coincidência. Com linha do tempo, registros, chamados, procedimentos e depoimentos validados, a IA reconstrói eventos, marca lacunas, propõe hipóteses concorrentes e relaciona os controles que falharam. Especialistas confirmam evidências, o COO atribui donos e prioridades, segurança revisa exposição. Mede-se recorrência, tempo de recuperação, idade das ações e cobertura de controles.

Marketing, pessoas, tecnologia e jurídico

Pesquisas abertas sobre a voz do cliente acumulam volume, e a média esconde dores de segmentos pequenos e valiosos. Com comentários anonimizados, segmento, canal, período e a taxonomia existente, a IA classifica temas, detecta tópicos novos e seleciona exemplos representativos, sempre comparados com uma amostra lida por gente. Pesquisa valida amostra e viés, produto confirma viabilidade, e nenhuma citação identifica cliente. Mede-se cobertura analisada, concordância humana, tempo até o achado e ações fechadas.

Para o CMO, a rotina de busca mudou de endereço em setembro. Em 08/09/2026 o Google anunciou o AI Mode, a busca que responde em forma de conversa, em português do Brasil, com liberação gradual (IT Forum). Desde 31/08/2026, o Search Console (o painel gratuito do Google para donos de site) mostra a todos os sites as impressões dentro dos resumos e do modo de IA, sem informar quantos cliques elas geram (Search Engine Journal). O painel semanal de desempenho ganha uma linha nova, aparições em respostas de IA, e perde a certeza de que impressão vira visita. Meça as duas coisas separadas antes de cortar verba de conteúdo.

No planejamento de capacidades, a estratégia exige competências novas e o plano de treinamento costuma partir de um catálogo genérico de cursos. A IA mapeia capacidades por resultado, identifica lacunas no nível de equipe e propõe experiências de aprendizagem dentro do trabalho. O RH evita inferências individuais indevidas, os gestores validam necessidades, o encarregado de dados revisa o uso de dado pessoal. Mede-se aplicação após treinamento, tempo até proficiência e mobilidade interna.

Na entrada de demandas de tecnologia, os pedidos chegam como solução pronta, do tipo “precisamos de um painel”, sem usuário, problema, decisão ou critério de aceite. Aplicar o C.L.A.R.O., formular perguntas, separar necessidade de solução e produzir opções com as trocas envolvidas devolve enunciado do problema, histórias críticas, riscos, dependências e critérios de aceite. Produto valida o problema, arquitetura e segurança revisam a solução, o patrocinador prioriza. Mede-se retrabalho de requisitos, tempo de descoberta e entregas rejeitadas por desalinhamento.

Contratos pedem outro cuidado: na revisão, o time repete leitura mecânica de cláusulas quando deveria concentrar atenção nas exceções e no contexto do negócio. Em ambiente aprovado, com o manual vigente e a matriz de alçadas, a IA localiza cláusulas, compara com o padrão, aponta ausências e prepara perguntas, sem jamais emitir parecer autônomo. O advogado revisa integralmente, interpreta contexto e aprova redação e posição de risco. Mede-se tempo de primeira passagem, desvios não percebidos e ciclo de negociação.

Vale uma advertência de método na função de pessoas, porque é onde o erro é mais caro. O pedido “classifique os melhores sucessores e diga quem está pronto para promoção” faz a IA criar um ranking, preencher ausências com inferências e tratar avaliações históricas como verdade objetiva. O pedido correto proíbe ranquear e recomendar promoção, usa somente campos autorizados e critérios aprovados, e organiza para cada posição crítica os requisitos, as evidências registradas, as lacunas, as experiências necessárias e as perguntas para calibração, marcando dado ausente, conflito e possível viés. A IA organiza; o comitê decide sobre pessoas.

O escritório do CFO como carteira de fluxos

Em maio de 2026, OpenAI e PwC anunciaram uma colaboração voltada a agentes (assistentes com crachá para executar passos em sistemas) para rotinas de finanças. O desenho divulgado parte dos ritmos do escritório do CFO, de planejamento e projeção a compras, pagamentos, tesouraria, tributos e fechamento, e usa a própria área financeira da OpenAI como ambiente inicial de aplicação e controle. A publicação relata um agente de compras em construção dentro daquela organização, uso de IA em relações com investidores, tesouraria, tributos, reporte, desenvolvimento corporativo e revisão contratual, processamento de cinco vezes mais contratos com uma equipe do mesmo tamanho e apoio a mais de 200 interações com investidores durante uma captação. O material está no anúncio da própria OpenAI.

A lição é a unidade de transformação: o fluxo financeiro completo, com sistema, contexto, controle e supervisão, e não a tarefa isolada. Resultados e escopo foram divulgados pela empresa que vende a tecnologia, em anúncio de parceria. Eles ilustram desenho operacional e não constituem avaliação independente nem parâmetro transferível para a sua operação. Antes de desenhar o seu fluxo, anote qual dos seis ritmos mais se parece com uma rotina da sua área e quem assina a saída dela; se nenhum nome vier à cabeça em um minuto, comece por esse fluxo.

O primeiro fluxo da diretoria em quatro passos

A tabela por função mostra onde procurar. O roteiro abaixo leva uma rotina do papel à operação em duas semanas, sem compra nova.

Primeiro, a rotina e o dono. O diretor escolhe uma rotina semanal que já consome horas de alguém e nomeia o dono, a pessoa que hoje entrega aquela saída. Pronto quando a rotina tiver nome, frequência, dono e o tempo que leva hoje, medido em pelo menos duas semanas de calendário.

Depois, a entrada autorizada. O dono lista fontes, data de corte e classe de cada dado, e a segurança da informação confirma que a ferramenta está aprovada para aquela classe. Pronto quando nenhum dado da lista estiver acima do que a ferramenta aceita pelo contrato.

Terceiro, o ponto de revisão. O diretor define quem revisa a saída antes do uso, com qual critério de aceite, e quantas horas por semana essa pessoa tem para isso. Pronto quando a hora de revisão estiver reservada na agenda do revisor, e não presumida.

As duas medidas. O dono escolhe uma medida de processo, como horas de preparação, e uma de resultado, como decisões tomadas sem reabrir o tema, e registra o valor atual das duas. Pronto quando os dois números de partida estiverem anotados antes da primeira rodada com IA.

Rode o fluxo por duas semanas com revisão integral e compare com os números de partida: se o tempo cair sem subir a taxa de devolução, mantenha; se a revisão consumir o ganho, redesenhe a entrada antes de trocar de ferramenta.

Como comparar campanhas sem premiar o lead mais barato?

Compare o custo por lead com o custo por lead qualificado antes de recomendar verba. No exemplo fictício da Horizonte, Social parece melhor porque cada contato custa R$ 20, enquanto Busca custa R$ 50. Na segunda semana simulada, Busca custa R$ 150 por contato qualificado e Social, R$ 200. O critério de qualificação muda a escolha.

Monte a base no Google Sheets pelo navegador. No Android, o Gemini em Sheets permite perguntar sobre os dados e pedir análises ou gráficos. Fórmulas, formatação e edições complexas ficam no navegador. Se o ícone Perguntar ao Gemini não aparecer, confirme com o administrador a disponibilidade para a licença; você pode concluir a comparação com as mesmas fórmulas na planilha.

Um total plausível pode esconder a média errada. Para consolidar canais, divida a soma do investimento pela soma dos contatos qualificados; não faça a média simples dos custos de cada linha. No treino, a segunda semana soma R$ 5.500 e 33 contatos qualificados, chegando a R$ 166,67 por contato. São números simulados, sem evidência de aumento de receita nem de efeito causado por IA.

Fontes para executar o laboratório

Google Workspace Updates, Gemini no Sheets para Android, publicado em 10/09/2026. O anúncio distingue análise no celular de edição e geração de fórmulas no navegador. Os dados e os critérios de aceite deste laboratório são fictícios e foram criados para o exercício.

O relatório semanal de mídia, lido com a planilha aberta

A linha do CMO na tabela desta aula fala em campanha e desempenho. Na prática, a rotina é uma exportação semanal do Google Ads, da Meta e do Google Analytics que alguém transforma em três parágrafos para a reunião de segunda-feira. É um fluxo de cinco etapas como qualquer outro: a exportação é a entrada autorizada, a leitura assistida é a transformação, e quem assina o desempenho revisa antes de o número virar slide.

Duas mudanças recentes mexem nessa rotina. A Microsoft retirou do Excel, em 14/09/2026, a função COPILOT, que era escrita dentro da célula em versão de prévia, e manteve o painel lateral do Copilot (suporte da Microsoft). Desde as notas de 23/09/2026, a resposta do painel traz links para cada alteração feita na pasta de trabalho, e o painel Show Changes identifica o que foi editado pelo Copilot (notas de versão).

Do lado das plataformas de mídia, o Google anunciou em 10/08/2026 novas funções do Ask Advisor, o agente embutido no Google Ads e no Analytics, entre elas a comparação da campanha com médias anônimas de empresas parecidas (blog do Google).

Desenhado o fluxo de cada diretoria, sobra a pergunta de por onde começar. Numa sexta-feira, às 9h30, o desenho de fluxos da Horizonte tinha rendido dez atividades lentas: preparar leitura prévia, consolidar variações, classificar reclamações, comparar contratos, atualizar planos de ação. Descritas de forma genérica, todas parecem candidatas à IA. Algumas economizam horas e são fáceis de corrigir; outras movimentam dinheiro, afetam pessoas ou criam obrigação jurídica.

A agenda do executivo revela o sistema operacional real da empresa: reuniões, aprovações, revisões, decisões, comunicações e exceções. Se a iniciativa de IA não toca uma dessas rotinas, ela continuará como demonstração interessante e periférica. O ganho mais seguro costuma aparecer antes da decisão final, em reunir contexto, comparar versões, resumir evidências, gerar alternativas, testar argumentos e preparar comunicação. Esses passos consomem horas e são reversíveis. A assinatura de um contrato, a contratação de uma pessoa ou a divulgação de uma projeção ao mercado têm outra natureza e pedem controle muito maior.

A maior parte dos pilotos morre antes de virar operação

No recorte brasileiro do State of AI in the Enterprise, da Deloitte, com 115 respondentes, 58% das empresas conseguiram escalar no máximo 20% dos pilotos que iniciaram. Apenas 23% levaram 40% ou mais dos seus experimentos para a operação. O restante parou entre a demonstração que funcionou na apresentação e a rotina que ninguém assumiu.

Esse número reordena as prioridades da liderança. Se quase seis em cada dez empresas perdem quatro de cada cinco pilotos na travessia, a escolha da tarefa no início determina mais o resultado do que o esforço de execução depois. Um piloto mal escolhido consome os mesmos meses de calendário e as mesmas horas de time que um piloto bem escolhido, e devolve um slide em vez de um processo.

Um levantamento da KPMG com 2.145 líderes de alta direção em vinte mercados, coletado entre 28/04 e 25/05/2026 e publicado em 24/06/2026, mostra onde a conta trava depois. Apenas 7% declararam ter retorno estabelecido sobre o investimento em IA, e um terço admitiu não entender como o consumo da ferramenta é cobrado. O recorte que importa na hora de escolher a tarefa é outro: entre as empresas que enxergam bem o próprio custo, 15% chegaram a retorno; entre as que não enxergam, 3%. Ver quanto a rotina consome multiplica por cinco a chance de conseguir defender o resultado.

Daí a sequência das próximas seções: primeiro o inventário do que você realmente faz, depois o critério de escolha, e só então a conversa sobre qual ferramenta comprar. Quem inverte essa ordem termina com uma licença assinada procurando um problema que a justifique.

Quatro movimentos e uma matriz

Quase toda rotina executiva combina quatro movimentos, e a IA participa dos quatro com papéis diferentes. Perceber é reunir sinais, resumir documentos, comparar períodos e localizar anomalias, como o COO que recebe um briefing de exceções em vez de cinquenta páginas de status. Pensar é construir hipóteses, cenários, perguntas e contrapontos, como o CFO que testa quais premissas explicam a diferença entre orçamento e realizado. Comunicar é adaptar a mesma mensagem a público, canal, tom e objetivo, como o CMO que transforma uma decisão em nota para clientes, perguntas frequentes internas e roteiro de porta-voz. Coordenar é desdobrar decisões em responsáveis, prazos, dependências e acompanhamento, com cada dono confirmando o compromisso antes da publicação.

Sobre esses movimentos, a priorização se resolve cruzando valor e risco do erro.

Por onde começar, por valor e risco

De uma reclamação de lentidão a uma carteira

A pergunta que a controladoria da Horizonte levou primeiro foi “onde podemos usar IA para acelerar o fechamento?”. A resposta listou conciliação, previsão, comentários, detecção de fraude e automação de lançamentos (o sistema registrando sozinho, sem digitação humana), sem distinguir frequência, fonte disponível, risco, possibilidade de reverter ou ganho mensurável. O pedido começou por uma tecnologia em vez de pelas tarefas que consomem o ciclo, tratou atividades de riscos muito diferentes como candidatas equivalentes e, sem uma medida do ponto de partida, qualquer economia posterior seria impressão.

Reescrito, o pedido decompõe o fechamento em tarefas observáveis a partir do calendário e dos tempos reais, e para cada tarefa informa frequência, volume, horas, espera, retrabalho, fonte, dono, risco do erro, possibilidade de reverter e medida. Automação de lançamento e de aprovação fica fora do escopo por decisão prévia. A saída seleciona três candidatas de preparação e análise, justifica a ordem e declara o ponto de partida que precisa ser medido antes do piloto.

A tarefa escolhida foi consolidar justificativas de variações acima da materialidade antes da reunião de controladoria. O ponto de partida medido, ainda com números fictícios da Horizonte: quatorze horas de preparação, 22% de justificativas devolvidas e dois dias de espera. O risco é baixo enquanto a IA apenas organiza rascunhos e cada área continua aprovando a própria justificativa. As medidas: tempo até a leitura prévia aceita, taxa de devolução e horas de revisão humana. Três perguntas garantem que a carteira não degenere. A unidade é uma tarefa observável, e não um tema amplo como IA em finanças? Existe medida anterior ao piloto, que permita separar ganho real de percepção de novidade? Há risco bloqueador escondido atrás de uma nota média alta, do tipo dado proibido ou ação irreversível, que nenhum valor compensa?

A escolha que cabe a você

Começar pela tarefa mais visível compra patrocínio rápido, porque todo mundo enxerga o resultado, e concentra o risco no mesmo lugar: se a primeira saída sair errada, o erro aparece na mesma velocidade e fecha a porta para o segundo piloto. Começar pela tarefa mais reversível rende menos conversa no comitê no primeiro mês e permite errar, medir, corrigir e voltar a medir sem que alguém precise defender o experimento em público antes da hora.

Escolha a reversível enquanto não houver medida do tempo, do retrabalho e da qualidade da rotina atual, porque sem ponto de partida nenhum resultado será defensável no dia 90.

Da agenda à carteira em quatro passos

A matriz de valor e risco só decide alguma coisa quando os dados de entrada vêm da agenda real, e não da memória de quem preenche.

Primeiro, o levantamento. A assistente executiva, ou você mesmo, exporta as duas últimas semanas de agenda e marca as atividades recorrentes, sem nomes de pessoas nem de clientes. Pronto quando houver pelo menos dez atividades com frequência e duração tiradas do calendário.

Depois, a pontuação cruzada. Você dá notas de 1 a 5 para frequência, tempo, valor e risco do erro, e um par de confiança, como o diretor da área vizinha, pontua as mesmas dez sem ver as suas notas. Pronto quando as duas listas estiverem lado a lado e toda divergência de dois pontos ou mais tiver uma frase de justificativa.

Terceiro, a escolha registrada. Você escolhe duas atividades do quadrante de alto valor e baixo risco e escreve, antes de testar, por que elas vêm primeiro. Pronto quando o motivo estiver datado e arquivado, porque motivo escrito depois do resultado vira justificativa.

O ponto de partida. O dono de cada atividade mede tempo, retrabalho e espera em duas ocorrências normais, sem IA. Pronto quando os dois pilotos tiverem número de partida e o método de medição descrito em uma linha.

Feche a carteira em dez dias úteis e aplique o recorte da KPMG citado acima: se você não consegue dizer quanto cada piloto vai consumir por semana, volte ao quarto passo antes de pedir qualquer licença.

Escolhidas as tarefas, o gargalo sai da capacidade do modelo e passa para o conhecimento da empresa. Na segunda semana, ao rodar de novo as rotinas escolhidas, a IA da Horizonte encontra duas políticas de desconto, uma de 2023 e outra de 2025, além de uma apresentação sem proprietário. A resposta cita trechos corretos de documentos incompatíveis. Mais arquivos aumentaram o volume de contexto e reduziram a clareza sobre autoridade e vigência.

Quando três áreas mantêm versões diferentes da política de desconto, a IA apenas torna a divergência mais rápida. Ela localiza, resume e relaciona documentos; não decide sozinha qual versão a empresa reconhece como vigente. Conhecimento corporativo útil precisa de quatro atributos: autoridade, atualidade, escopo e proprietário. Um arquivo sem dono e sem data de validade é apenas uma pista.

O bibliotecário, e os seis elos que sustentam uma resposta

Um modelo sem contexto corporativo se parece com uma pessoa muito culta do lado de fora da biblioteca da empresa. A busca em documentos internos é um bibliotecário: entende a pergunta, encontra os livros autorizados e abre as páginas relevantes. Se o catálogo estiver errado, houver duas edições conflitantes ou o leitor não puder acessar aquela estante, a resposta continuará problemática. Antes de pedir uma biblioteca maior, melhore catálogo, vigência, permissão e indicação da página consultada.

A cadeia que produz uma resposta confiável tem seis elos, e a quebra de qualquer um reduz a confiança no resultado. A pergunta, com intenção clara, domínio, público e data de corte. As fontes, com conteúdo aprovado, proprietário, versão, validade e classificação de acesso. A recuperação, que traz trechos relevantes sem ultrapassar a permissão do usuário. A resposta, que separa fonte, inferência e lacuna. A citação, com ligação verificável ao trecho, documento e versão usados. E o retorno, com a correção registrada na fonte ou no fluxo de trabalho, jamais escondida numa conversa individual.

Em volta do modelo existe um conjunto de peças que transforma capacidade genérica em trabalho repetível, e que este curso chama de harness corporativo (arreio, em inglês: o que dirige a força do cavalo). A memória aprovada guarda políticas, glossário, decisões e exemplos com dono, versão, vigência e classificação. As ferramentas delimitadas expõem busca, planilhas, sistemas de clientes e de gestão apenas nas ações e recursos necessários. Os procedimentos reutilizáveis reúnem C.L.A.R.O., modelos de pedido, manuais e sequências testadas por classe de tarefa. Os pontos de bloqueio determinísticos barram ausência de fonte, valor fora de faixa, dado proibido ou ação sem alçada. O trabalho isolado limita a propagação de erro. E a observabilidade registra custo, qualidade, exceção, interrupção e correção, devolvendo cada uma à fonte ou ao procedimento.

Trocar o modelo pode melhorar capacidade. Melhorar o harness eleva consistência, segurança e transferibilidade entre modelos, e é o que sobrevive à próxima troca de fornecedor. A lógica é a mesma que o curso de Claude Code para gestão descreve para agentes de programação: repetir instruções em cada conversa é uma integração de novo funcionário que desaparece ao fim de todo dia.

Conectar a IA aos seus sistemas deixou de ser obra de um fornecedor só

Em novembro de 2024, a Anthropic publicou o Model Context Protocol, um padrão aberto que descreve como um assistente de IA se conecta a ferramentas e a fontes de dados. A aposta natural era que virasse mais um formato de uma empresa só. Aconteceu o contrário: OpenAI, Google, Microsoft e Amazon Web Services, todas concorrentes diretas da criadora, passaram a adotar o mesmo protocolo, e em 09/12/2025 a Anthropic doou o padrão à Agentic AI Foundation, fundo dirigido sob a Linux Foundation cofundado por Anthropic, Block e OpenAI, com Amazon Web Services, Bloomberg, Cloudflare, Google e Microsoft entre os membros do nível mais alto. Vale reler essa lista devagar: quem paga a conta da fundação que mantém o padrão são as empresas que disputam o seu contrato entre si.

A consequência chega à sua mesa como poder de negociação. Ligar a IA ao repositório de contratos, ao sistema de gestão ou à base de políticas deixou de exigir uma integração proprietária construída sob medida para cada fornecedor. Quando a conexão obedece a um padrão comum, trocar de fornecedor para de significar refazer todas as integrações, e o custo de saída cai. Isso enfraquece um argumento que ainda aparece em proposta comercial, o de que mudar de plataforma depois sairia caro demais. Leve a pergunta para a próxima reunião nestes termos: o que exatamente da nossa integração seria descartado se trocássemos de modelo no ano que vem, e por que essa parte não segue um padrão aberto?

Um padrão jovem cobra o preço da juventude em outro lugar. Em 20/05/2026 a NSA, agência de segurança nacional dos Estados Unidos, publicou um documento dedicado à segurança desse protocolo, com diagnóstico seco: a difusão dele correu na frente do próprio modelo de segurança. Não há definição de como uma sessão se liga a uma identidade verificável, a autenticação entrou como opção e não como obrigação, e controle de acesso por papel ficou fora da especificação. Muitas implementações de servidor em produção foram publicadas sem nenhum controle de autenticação. A própria versão da especificação carimbada com a data de 28 de julho de 2026 saiu em 21/05/2026 como candidata a lançamento, com dez semanas de validação pela comunidade.

Some isso à conversa com o fornecedor e a pergunta ganha um segundo tempo. Depois de saber o que seria descartado numa troca, pergunte quem se autentica nessa conexão, com qual credencial, o que essa credencial alcança dentro dos seus sistemas e o que acontece com ela se alguém a copiar. Padrão aberto derruba custo de saída; sozinho, ele não entrega controle de acesso.

Quatro conceitos que vivem sendo confundidos

Qual desconto vale hoje

O pedido fraco foi “pesquise nos documentos e diga qual desconto posso dar para este cliente”. O sistema combinou uma política atual com uma apresentação antiga, omitiu que uma exceção havia expirado e apresentou o maior desconto encontrado como autorização aplicável. Recuperar um trecho relacionado não comprova autoridade, vigência nem aplicabilidade; a identidade e a alçada do usuário não entraram no contexto; e o pedido transformou consulta de política em autorização comercial.

Corrigido, o pedido restringe a consulta às fontes classificadas como vigentes e autorizadas para aquele usuário, obriga a informar política, versão, cláusula, limite e alçada, trata documentos substituídos apenas como histórico e, diante de conflito, exceção vencida ou ausência de regra, declara a lacuna e encaminha ao proprietário, sem autorizar desconto nem interpretar obrigação jurídica. A saída passou a dizer: limite padrão de 8% para a categoria conforme a política comercial versão 4.2; acima de 5% a proposta exige aprovação da diretoria comercial; a exceção localizada expirou e aparece só como histórico; encaminhar ao proprietário se o cliente cumprir a condição ainda não documentada.

Três conferências sustentam esse desenho. A fonte está vigente e tem dono, o que evita resposta correta sobre regra que já não vale. O acesso acompanha a permissão do usuário, o que impede vazamento por meio da resposta gerada. Consulta e autorização estão separadas, o que preserva a alçada e a trilha de decisão. O mesmo vale para o assistente de políticas internas, em que a resposta curta traz fonte, vigência e canal de exceção, e o sistema nunca interpreta caso individual de alto risco.

Existe uma variante dessa arquitetura que rende mais do que parece: a memória de decisões do conselho. A cada trimestre a empresa rediscute temas porque racional, condição e gatilho de revisão ficaram espalhados em apresentações e atas. Estruturar cada deliberação com data, contexto, opções, racional, condição, dono e revisão, e permitir busca apenas em fontes autorizadas, produz uma linha de decisões citável. Mede-se decisões reabertas sem fato novo, pendências vencidas e tempo para reconstruir o racional de uma escolha antiga.

Cada área construindo o próprio acesso ao conhecimento

A farmacêutica Moderna difundiu IA entre funções e criou assistentes internos. O estudo de caso relata mais de 80% de adoção do assistente interno, 750 assistentes criados pelas áreas nos primeiros dois meses de uso corporativo, um resumidor de contratos, um respondedor de políticas e uma ferramenta de apoio a equipes clínicas na análise e visualização de dados de dose, descrita com racional e referências para revisão da equipe, e não como substituta da decisão clínica. O material está no estudo de caso publicado pela OpenAI.

Cabe aqui a advertência do curso. A data de publicação não aparece no corpo da página, mas consta nos dados estruturados: 24/04/2024. Os indicadores descrevem os dois primeiros meses de adoção em 2024 e não representam o estado atual da empresa. Todos os números são autorreportados pela empresa e pelo fornecedor, sem verificação independente, e as ferramentas internas mencionadas podem ter sido renomeadas, absorvidas ou descontinuadas desde então. A lição pedagógica continua válida ainda que os nomes tenham mudado: escala veio de acesso amplo, construção pelas áreas e casos conectados ao trabalho, com especialistas mantendo julgamento e responsabilidade nos casos sensíveis.

A escolha que cabe a você

Quando as respostas da IA sobre a sua empresa saem erradas, trocar por um modelo mais capaz resolve a parte da falha que vem do raciocínio e não toca a parte que vem do documento errado. O mesmo erro tende a voltar, agora com prosa melhor e mais convincente. Arrumar o acervo de um domínio só exige nomear dono, versão e vigência de cada fonte e arquivar o que já venceu; é trabalho lento e pouco vistoso, e reduz o erro em todos os modelos que vierem depois.

O critério é empírico e barato: separe uma amostra de vinte respostas erradas e classifique a causa de cada uma. Se mais de um terço vier de documento desatualizado, conflitante ou sem dono, trocar de modelo não resolve, porque o problema está no acervo.

O acervo de um domínio em quatro passos

Arrumar o acervo inteiro da empresa é projeto de anos. Arrumar um domínio leva cerca de três semanas, e é por ele que se começa.

Primeiro, o domínio e o dono. O diretor da área escolhe um domínio com perguntas frequentes e fontes delimitadas, como política comercial, e nomeia o dono do conteúdo, que responde pela versão vigente. Pronto quando o dono aceitar o papel por escrito.

Depois, o inventário de fontes. O dono lista cada documento com versão, validade, público autorizado e classe de dado, e marca os conflitos. Pronto quando todo documento tiver o status de vigente ou de histórico, e nenhum ficar sem status.

Terceiro, o arquivamento. A área de documentação ou de tecnologia move o que venceu para uma pasta de histórico que a busca da IA não lê. Pronto quando uma busca pelo tema devolver somente documentos vigentes.

O conjunto de avaliação. O dono escreve dez perguntas reais com a resposta esperada, incluindo uma exceção vencida e uma pergunta sem resposta nas fontes, e a tecnologia roda as dez a cada mudança de acervo ou de modelo. Pronto quando a rodada inicial estiver registrada com acertos e erros.

Escolha o domínio nesta semana e meça pelo conjunto de avaliação: com oito respostas em dez trazendo fonte vigente e a pergunta sem resposta declarada como lacuna, passe ao domínio seguinte; abaixo disso, corrija o acervo antes de culpar o modelo.

Como reaproveitar regras de marca sem repetir uma promessa sem prova?

Salve as regras de revisão como uma skill, conjunto reutilizável de instruções, e teste a resposta antes de adotá-la. No laboratório fictício da Horizonte, a campanha pode anunciar diagnóstico de marketing em 30 minutos e relatório em dois dias úteis. A base autorizada não sustenta garantia de venda nem uma porcentagem de redução de custo.

Em 13/10/2026, o Google iniciou a liberação gradual de skills no aplicativo Gemini e informou o adiamento no Workspace. A conclusão no aplicativo estava prevista para meados de novembro. Por isso, confirme se a opção aparece na sua conta e prepare as instruções em um documento se ela ainda não estiver disponível. A atualização não autoriza presumir que o recurso já exista no Docs ou Sheets.

No Gemini, a ajuda orienta abrir Customize, ou Personalizar, depois Skills e Create manually, ou Criar manualmente. A tela recebe nome, descrição e instruções. A documentação exige Manter atividade ativado; se a política da empresa não permitir, execute o treino em conversa, sem alterar a configuração. Reaproveite o prompt de resposta ancorada deste módulo e acrescente a revisão de cada promessa. Use apenas a base fictícia e os fatos aprovados.

Teste uma frase deliberadamente problemática: diagnóstico em 30 minutos com garantia de dobrar suas vendas. A saída deve manter o prazo permitido e apontar a garantia como sem fonte. Se apenas suavizar a promessa, reforce que falta de prova exige retirar a afirmação ou devolver a lacuna ao responsável. Um texto elegante que conserva a garantia continua reprovado.

Diagnostique o resultado antes de guardar a skill

Fontes para configurar as instruções

Google Workspace Updates, atualização da liberação de skills, publicada em 13/10/2026. O anúncio de 30/09/2026, atualizado em 13/10, informa que as skills do aplicativo e do Workspace não são sincronizadas. A ajuda de criação de skills é o manual dos campos da interface e não exibe data editorial. As datas de lançamento vêm dos anúncios citados.

Como transformar o briefing em treinamento da equipe de marketing?

Construa um guia de preparação da campanha a partir das fontes aprovadas e teste se a equipe distingue uma promessa permitida de uma afirmação sem prova. No caso fictício da Horizonte, o mesmo prazo do diagnóstico precisa aparecer corretamente no anúncio, na página e no roteiro comercial. Um resumo bonito que repete a garantia de vendas transfere o erro para toda a equipe.

O Gemini Notebook, antes chamado NotebookLM, recebeu recursos de estudo apresentados pelo Google em 16/10/2026. Entre eles está o Interactive Learning Overview, uma visão de aprendizagem interativa dentro de Relatórios. O laboratório aplica esse formato à preparação de marketing: oferta, revisão de mensagem e decisão sobre lacunas. Essa aplicação é um exercício do curso; não é um caso de resultado divulgado pelo Google.

Comece com a base fictícia e sem conexões com contas de anúncios ou cadastro de clientes. Se o formato novo não aparecer, produza um guia de estudo em Relatórios e faça as perguntas na conversa. O critério de qualidade continua sendo a resposta sustentada pela fonte; a ausência do botão não impede o exercício.

O acervo de um domínio dentro de um caderno de fontes

O bibliotecário desta aula já existe como produto pronto. O caderno de fontes é um espaço em que você escolhe os documentos e a máquina responde só a partir deles, com a citação do trecho. O Google oferece o Gemini Notebook, nome que as páginas de ajuda do Google passaram a usar para o NotebookLM, e a Microsoft oferece o Copilot Notebooks. Serve a um domínio pequeno, como o acervo de marca, sem projeto de tecnologia.

Os limites que importam, lidos em 01/10/2026. No Gemini Notebook, cada fonte aceita até 500 mil palavras ou 200 MB, e o caderno comporta 50 fontes no plano gratuito, 100 no Plus, 300 no Pro e 500 ou 600 no Ultra; arquivos do Drive sincronizam sozinhos (fontes e planos do Gemini Notebook).

Sobre privacidade e alcance, as duas páginas são diretas. Em contas do Workspace, envios, perguntas e respostas não passam por revisão humana nem treinam modelos (privacidade do Gemini Notebook). O Copilot Notebooks usa só as referências adicionadas e considera até 300 arquivos por resposta (suporte da Microsoft).

Com o acervo organizado, falta decidir o que pode entrar nele e em cada ferramenta. Na terceira semana, as áreas da Horizonte pedem uma regra única para todo uso de IA. Segurança, jurídico e negócio percebem, na mesma reunião, que resumir conteúdo público e analisar dados de uma aquisição não podem seguir o mesmo rito. Política genérica demais bloqueia trabalho seguro; política permissiva demais transfere risco para cada usuário.

Quando a política diz apenas “não use dados sensíveis”, cada pessoa precisa interpretar ferramenta, contrato, tipo de dado e contexto. O resultado costuma ser um de dois extremos: uso clandestino em contas pessoais ou paralisia por medo. Governança útil transforma princípios em decisões operáveis, oferecendo caminho aprovado para a maioria dos usos e revisão especializada para exceções. Isso exige catálogo de ferramentas, classificação de dados, inventário de casos, donos, avaliação, registros e resposta a incidentes. A política precisa caber na rotina; o anexo técnico carrega os detalhes.

No Brasil, projetos com dados pessoais precisam ser analisados à luz da lei de proteção de dados pessoais, das bases legais aplicáveis, da finalidade, necessidade, segurança, direitos do titular e contexto específico. Este curso oferece uma estrutura operacional de perguntas; a avaliação jurídica e a do encarregado continuam necessárias para cada caso relevante.

O que já vale no Brasil, e o que ainda é projeto

Confundir norma vigente com projeto de lei produz dois erros opostos e igualmente caros: paralisar a operação por causa de uma regra que ainda não existe, ou ignorar um desenho que já está posto e chega com data.

O PL 2338/2023 continua sendo projeto de lei. Foi aprovado por unanimidade no Plenário do Senado em 10/12/2024 e enviado à Câmara dos Deputados, onde a situação registrada é aguardando parecer, em regime de prioridade. A última movimentação, de 17/06/2026, tem natureza processual e não deliberação de mérito, e o parecer do relator não foi apresentado apesar do compromisso público de entrega até 09/06/2026. Em 02/09/2026 a ficha de tramitação na Câmara seguia em aguardando parecer na comissão especial, e a cobertura especializada passou a apontar votação só em dezembro. O texto prevê classificação dos sistemas por nível de risco, multas de até R$ 50 milhões por infração e designa a ANPD (Autoridade Nacional de Proteção de Dados) como coordenadora de um sistema de governança articulado com reguladores setoriais. Com o calendário eleitoral pela frente, aprovação neste ano é improvável, e nenhuma obrigação do projeto é exigível hoje. Planejar como se já fosse lei queima orçamento; ignorar o desenho já posto é erro de preparação, porque quem classifica hoje os próprios casos por nível de risco chega ao dia da votação com metade do trabalho pronto.

A ANPD mudou de estatuto e pouca gente atualizou o slide. A Lei 15.352/2026, publicada no Diário Oficial em 25/02/2026, transformou a autoridade em agência reguladora, com autonomia funcional, técnica, decisória, administrativa e financeira, e criou carreira própria. Em 02/07/2026 a ANPD publicou o primeiro relatório parcial do seu ambiente de testes regulatório em IA, com três empresas em supervisão até dezembro de 2026 e apontamento de lacunas nos protocolos de dados sintéticos. Nenhuma resolução sobre inteligência artificial ou sobre decisões automatizadas foi editada, e a regulamentação do artigo 20 da lei de proteção de dados pessoais segue pendente. Sem lei específica de IA, o uso que trata dado pessoal já é fiscalizável por essa lei, agora por uma autoridade com estatuto de agência. Descrever a ANPD como departamento do Ministério da Justiça, em conselho ou em contrato, está desatualizado desde fevereiro.

No Judiciário, a Resolução CNJ nº 615/2025 rege o uso de IA com princípio de caráter auxiliar e proibição de decisão judicial automatizada sem supervisão humana. Em 27/05/2026 o Comitê Nacional de Inteligência Artificial do Judiciário aprovou a Manifestação Técnica CNIAJ 1/2026, que reconhece o risco de injeção de comandos ocultos em peças processuais e institui um programa de segurança adversarial para os sistemas de IA do Judiciário. É a primeira orientação nacional a tratar injeção de instrução como risco de processo, e não como curiosidade técnica. Quem vende ou opera ferramenta usada por tribunal responde por isso em cláusula de contrato antes de responder em conselho.

Na saúde há data marcada. A Resolução CFM nº 2.454/2026 normatiza o uso de IA na prática médica e mantém sob responsabilidade do médico a decisão terapêutica e a comunicação de diagnóstico. Aprovada em 11/02/2026 e publicada em 27/02/2026, ela está em vigor desde 26/08/2026, e desde então a conformidade pode ser cobrada de hospital, clínica e fornecedor de software médico. E no sistema financeiro, nem Banco Central nem CVM têm norma específica de IA em vigor; o Banco Central colocou o estudo dos riscos na agenda regulatória, com regras esperadas para depois de 2026. Sem norma setorial, a exposição continua: proteção de dados pessoais, dever fiduciário e responsabilidade civil seguem valendo, e é por eles que a conta chega primeiro.

Europa e Estados Unidos, com os dois números que costumam sair errados

Para quem tem operação na Europa, o adiamento virou lei. O pacote conhecido como Digital Omnibus deixou de ser acordo político e virou o Regulamento (UE) 2026/1744, de 08/07/2026, publicado no Jornal Oficial em 24/07/2026 e em vigor desde 27/07/2026, depois de aprovação do Parlamento em 16/06 por 423 votos a 57, com 174 abstenções, e do Conselho em 29/06. Ele adia para 02/12/2027 a maior parte das obrigações de alto risco do anexo III. Não adiou os deveres de transparência do artigo 50 nem os poderes de fiscalização sobre modelos de propósito geral, que valem desde 02/08/2026, junto com o regime pleno de multas (resumo da AI Acto), e incluem rotulagem de conteúdo sintético e aviso de que o interlocutor é uma máquina. A exceção é a marcação legível por máquina do artigo 50(2): sistemas colocados no mercado antes de 02/08/2026 têm até 02/12/2026. Em 20/07/2026 a Comissão adotou a versão final das diretrizes sobre o artigo 50, com 51 páginas e sem força vinculante.

Duas precisões dessa parte costumam custar caro em conselho. A obrigação de letramento em IA do artigo 4 vale desde 02/02/2025 e, na redação dada pelo Digital Omnibus, exige que a empresa tome medidas apropriadas para apoiar o desenvolvimento do conhecimento de IA nas pessoas que operam esses sistemas em seu nome; para empresa com operação europeia, o curso que você está fazendo agora também conta como item de conformidade, além de desenvolvimento pessoal. E o teto de multa por violação do artigo 50 e das obrigações de modelos de propósito geral é de 15 milhões de euros ou 3% do faturamento anual mundial. Os 35 milhões ou 7% que circulam em apresentação valem para as práticas proibidas do artigo 5º, e trocar um teto pelo outro superdimensiona o risco por um fator de quatro.

Nos Estados Unidos não existe lei federal de inteligência artificial. A ordem executiva 14409, de 02/06/2026, criou enquadramento voluntário de acesso governamental prévio a modelos de fronteira e rejeitou expressamente licenciamento obrigatório. A regulação efetiva continua estadual, e o exemplo mais citado se esvaziou: a SB 26-189, sancionada no Colorado em 14/05/2026, adiou a vigência para 01/01/2027 e eliminou o dever de cuidado contra discriminação algorítmica, os programas de gestão de risco e as avaliações de impacto, restando um regime de transparência sobre decisão automatizada, com aviso ao consumidor no ponto de interação e direito a revisão humana depois de decisão adversa. Em 06/07/2026 Illinois sancionou a SB 315 e passou a ser o primeiro estado a exigir auditoria independente anual das práticas de segurança de grandes desenvolvedores de fronteira. Se a sua apresentação usa o Colorado como prova de que avaliação de impacto algorítmico já é obrigatória em algum lugar dos Estados Unidos, ela está desatualizada desde maio.

Fora das leis, duas referências viraram exigência comercial antes de virar exigência legal: a ISO/IEC 42001, norma certificável de gestão de IA, e o NIST AI RMF, guia americano de gestão de risco de IA. Nenhuma das duas é obrigatória, e ambas aparecem cada vez mais em diligência de compras corporativas. Não há registro público oficial do total de certificações ISO/IEC 42001; as referências disponíveis são autodeclarações de posição na fila, como a BCG anunciando em janeiro de 2026 estar entre as cem primeiras organizações certificadas e a Doppel declarando-se, em abril de 2026, entre as 350 primeiras. Quem vende para grande empresa costuma descobrir a certificação no questionário do cliente, muito antes de qualquer diário oficial, e quem for citar contagem de certificados precisa checar se o número é estoque global ou posição na fila, porque as fontes que circulam medem a segunda coisa.

Uma calibragem de urgência fecha o mapa: pesquisa da Grant Thornton com cerca de mil líderes empresariais dos Estados Unidos, publicada em 13/04/2026, encontrou 78% sem confiança plena de que passariam numa auditoria independente de governança de IA em 90 dias. A distância entre ter política e conseguir prová-la é exatamente o trabalho deste módulo.

O semáforo de dados e o ponto de aprovação

Um semáforo não ensina toda a legislação de trânsito. Ele transforma risco numa regra instantânea. Uma boa classificação de dados faz o mesmo, desde que cada cor tenha exemplos e canal de exceção claros, porque a política executiva precisa caber numa decisão de segundos enquanto os detalhes ficam disponíveis para quem desenha ou aprova o fluxo.

No verde entra o que é público: conteúdo já publicado e autorizado, como site, comunicado, relatório público e legislação. No amarelo, o interno: informação operacional não pública, de baixo impacto isolado, usada somente em ambiente corporativo aprovado, como processo interno, modelo de documento e indicadores agregados sem dado pessoal. No laranja, o confidencial ou pessoal, que exige finalidade, acesso restrito, contrato, segurança, minimização e avaliação do caso: proposta comercial, dados de cliente, contrato, remuneração e pesquisa identificável. No vermelho, o restrito, que não entra em ferramenta ou fluxo sem autorização formal e controles específicos: credenciais, segredo crítico, dado de saúde identificável, investigação e informação privilegiada. A ferramenta também precisa estar aprovada para aquela classe de dado, e as duas decisões são separadas.

Sobre a classificação, o controle sobe conforme o impacto do erro e a dificuldade de reverter. Impacto baixo e alta reversibilidade pedem ferramenta aprovada, lista de verificação e amostragem. Impacto material com alta reversibilidade pede dono do processo, fontes, avaliação e registro. Impacto material com baixa reversibilidade pede especialista, aprovação formal, teste e contingência. E impacto alto ou que afete direitos pede risco, jurídico, segurança, encarregado de dados e autoridade executiva conforme o caso.

A política inteira cabe em uma página com oito decisões: quais ferramentas são aprovadas para cada classe de dado; o que é permitido, condicionado ou proibido; como classificar, minimizar, reter e excluir dados; quem verifica por tipo de impacto; quando registrar, comunicar ou rotular uso de IA; como tratar entradas, saídas, licenças, autoria e material de terceiros; como parar, preservar evidências, escalar e corrigir um incidente; e quem é dono do caso, dono do modelo, do risco, da segurança e da autoridade final.

Transparência entra em quatro camadas, e nenhuma delas é colocar um selo genérico de IA em toda peça. O registro interno inventaria caso, modelo ou fornecedor, finalidade, dados, versão, dono, avaliação e mudanças relevantes. A proveniência da entrega faz fontes, transformações, revisores e uso de IA acompanharem o artefato material. O aviso ao usuário garante que a pessoa saiba quando interage com um sistema automatizado e como pedir atendimento humano. E a explicação e contestação, quando direitos ou interesses relevantes são afetados, exige racional compreensível, canal de revisão e autoridade humana. Para quem opera na Europa, o aviso e a rotulagem deixaram de ser boa prática e viraram dever do artigo 50 em 02/08/2026. Um aviso de uso de IA não legitima tratamento de dados, não corrige qualidade e não transfere responsabilidade.

Injeção de instrução: o risco que nenhum fornecedor elimina

Até pouco tempo atrás, uma instrução escondida dentro de um documento produzia, no pior caso, uma resposta ruim. Com acesso a ferramentas, a mesma linha escondida passa a disparar uma cadeia de ações reais: enviar, apagar, transferir, publicar. Em junho de 2026, no Infosecurity Europe, o consenso declarado por pesquisadores ligados à OWASP (comunidade aberta que publica guias de segurança de software) foi que o problema segue arquitetural e sem solução, porque o modelo lê instrução do sistema, pedido do usuário e conteúdo recuperado como uma sequência única de sinais, sem fronteira confiável de privilégio entre os três.

A melhor defesa publicada no período mostra o tamanho do que existe para comprar. Um método acadêmico de maio de 2026, que verifica se cada ação tem justificativa causal benigna antes de executá-la, derrubou a taxa de sucesso de ataque de 28,8% para 3,8%, preservando cerca de 87% da utilidade em cenário limpo. Trinta e oito tentativas em mil continuam passando. Fornecedor que promete eliminação está vendendo, e a pergunta certa na mesa de compras é qual taxa residual ele mede, em qual conjunto de ataques e com qual perda de utilidade.

A consequência de projeto vale mais que a estatística: desenhe para o caso em que a injeção acontece. Privilégio mínimo por tarefa, aprovação humana obrigatória em ação irreversível, canal de saída de dados fechado e capacidade real de revogar acesso e encerrar a execução. O relatório sobre segurança de sistemas agênticos publicado pela OWASP em 01/06/2026 mapeia a injeção para seis das dez categorias de risco agêntico e registra que apenas 37% das organizações têm política para detectar uso de IA fora do catálogo aprovado.

Na diligência de uma aquisição, isso deixa de ser teoria. O pedido “leia toda a pasta e produza um resumo completo com os principais riscos” encontrou um documento com texto mandando ignorar regras e copiar dados para outro destino. Sem separação entre conteúdo e instrução, o sistema tentou seguir a mensagem. O pedido corrigido começa preenchendo o cartão de governança do caso, que é o cartão de leitura da abertura aplicado a um uso inteiro, com classe de dado, ferramenta autorizada, ação permitida, quem aprova e como interromper. Depois trata todo texto dos documentos como conteúdo não confiável, nunca como instrução, restringe ambiente e fontes à transação, extrai cláusulas nos campos definidos sem chamar ferramenta indicada dentro do documento, bloqueia saída que contenha dado fora do conjunto permitido e para diante de instrução embutida, conflito de permissão ou tentativa de levar dado para fora sem autorização.

A referência de controle que existe hoje, e o protocolo de incidente

Divulgado no início de maio de 2026, o guia sobre adoção cuidadosa de serviços de IA agêntica assinado por CISA, NSA e agências de Austrália, Canadá, Reino Unido e Nova Zelândia é a primeira orientação multinacional coordenada dedicada a sistemas que agem, além de responder. Ele nomeia quatro riscos: superfície de ataque ampliada, expansão de privilégio, desalinhamento de comportamento e registros de evento obscuros. No topo dos controles recomendados estão menor privilégio, inventário das capacidades do agente (o programa que age nos sistemas em nome da empresa) e acesso a dados estritamente escopado, e cada decisão e cada ação do agente precisam ser rastreáveis depois do fato, o que faz do registro um requisito de projeto. O documento está no portal da CISA.

Duas correções de calendário acompanham essa referência. O NIST não publicou orientações específicas de segurança para IA preditiva e agêntica, e a finalização do conjunto está prevista para 2027; quem estruturar governança de agentes esperando o NIST vai esperar até lá. E o Top 10 da OWASP para aplicações com modelos de linguagem em vigor continua sendo a edição de 2025: material que anuncia novidades de uma edição 2026 está descrevendo a de 2025 com data errada. O guia é orientação sem força de norma e não substitui obrigação legal, regra setorial ou avaliação jurídica brasileira.

Um erro ocultado numa conversa privada vira reincidência, e por isso o fluxo de incidente se define antes de precisar dele, em seis verbos. Conter, interrompendo ação, revogando acesso ou desabilitando o fluxo. Preservar registros, versões, entrada, saída e contexto sem ampliar a exposição. Classificar dados, pessoas afetadas, impacto, alcance e obrigação de comunicação. Escalar para segurança, jurídico, encarregado, negócio e liderança conforme a severidade. Corrigir a fonte, o pedido, a política, a permissão, o teste ou o processo que produziu a resposta errada. E aprender, atualizando inventário, avaliação e treinamento, com dono e prazo.

Uso de ferramenta fora do catálogo conta como incidente, por mais esperto que pareça a quem usou. Em 11/05/2026 a CB Financial Services protocolou na SEC, a comissão de valores mobiliários americana, o primeiro formulário 8-K (o aviso de fato relevante ao mercado) motivado por uso não autorizado de IA: um funcionário levou informação sensível de clientes para um aplicativo não aprovado, e a materialidade foi determinada pelo volume e pela natureza do dado exposto, sem interrupção de operação e sem adversário externo. O precedente é o que interessa ao seu conselho. A ferramenta que ninguém aprovou pode virar fato reportável ao mercado.

A escolha que cabe a você

O piloto vai rodar com dado real de cliente ou com dado mascarado até a próxima revisão? Dado real desde o primeiro dia mede a qualidade que você vai ter de verdade e assume, no mesmo ato, base legal, cláusula contratual sobre uso do conteúdo, prazo de retenção e trilha de acesso. Dado mascarado ou amostra pública adia o número definitivo de qualidade e permite testar fluxo, revisão, limites e desligamento sem colocar titular de dado dentro do experimento.

Rode com dado real apenas quando as quatro respostas estiverem escritas e datadas: qual base legal sustenta o tratamento, qual cláusula do contrato com o fornecedor proíbe uso do conteúdo para treinamento, qual é o prazo de retenção e quem consegue listar em uma hora tudo o que entrou. Faltando uma delas, o piloto começa mascarado.

A política de uma página em quatro passos

O semáforo e as oito decisões viram regra quando alguém assina, publica e testa. O roteiro abaixo cabe em um mês.

Primeiro, o catálogo. A tecnologia, com a segurança da informação, lista as ferramentas aprovadas e, para cada uma, a classe máxima de dado que ela aceita pelo contrato vigente. Pronto quando toda ferramenta do catálogo tiver a cláusula de uso de dados localizada no contrato, com página e data.

Depois, o semáforo com exemplos da casa. O encarregado de dados e o jurídico escrevem três exemplos reais da empresa para cada cor. Pronto quando um gestor novo acertar a cor de dez casos em menos de cinco minutos, testado com duas pessoas de fora do projeto.

Terceiro, a publicação com canal de exceção. O patrocinador executivo publica a política de uma página e nomeia quem responde a pedidos de exceção. Pronto quando o prazo de resposta, de até cinco dias úteis, estiver escrito na própria política.

O simulado de incidente. A segurança da informação encena um dado laranja colado em ferramenta fora do catálogo e cronometra conter, preservar, classificar e escalar. Pronto quando o simulado tiver ata com os tempos medidos e ao menos uma correção de processo.

Publique a política em até trinta dias e confira pelo simulado: se conter e escalar levarem mais de um dia útil, corrija o canal de incidente antes de liberar qualquer piloto com dado laranja.

Onde fica o controle de dados em cada assistente

O semáforo define a classe do dado. Falta saber o que cada ferramenta faz com ele, e isso depende de dois fatores: o tipo de conta e a posição de poucas chaves nas configurações. Em conta empresarial, quem decide é o administrador. Em conta pessoal, quem decide é cada usuário, e o padrão de fábrica costuma favorecer o fornecedor.

O estado em 01/10/2026, pelas páginas oficiais. No ChatGPT pessoal, a chave Improve the model for everyone decide se as conversas novas treinam modelos; o chat temporário não entra no histórico nem treina, e pode ficar guardado por até 30 dias por segurança (controles de dados do ChatGPT).

No Gemini pessoal, a chave é Manter atividade: desligada, as conversas ficam 72 horas e não são usadas para melhorar os modelos, salvo feedback enviado (central de privacidade do Gemini, atualizada em 24/09/2026). No Claude, desde 25/08/2026 a memória vem ligada nos planos pessoais e desligada em Team e Enterprise (notas de versão do Claude).

No Perplexity pessoal, a opção AI Data Usage, nas configurações, desliga o uso das buscas para aprimorar os modelos, e os planos Enterprise declaram que os dados nunca treinam modelos (dados coletados e planos do Perplexity). No Microsoft Copilot com conta de trabalho, pedidos e respostas ficam sob os mesmos termos contratuais do e-mail e dos arquivos da empresa (Microsoft Learn). No ChatGPT e no Gemini, enviar polegar para cima ou para baixo pode incluir a conversa no material de melhoria. Com dado laranja, ninguém envia feedback.

Escrita a regra de dados, a pressão seguinte vem de quem quer que a IA aja sozinha. Na quarta semana, contas a pagar da Horizonte quer que um agente (programa que age nos sistemas como funcionário com senha própria) leia faturas, consulte pedidos e programe pagamentos. O protótipo demonstra todos os passos em poucos minutos, e é justamente aí que a conversa costuma se perder: demonstrar capacidade técnica não define autoridade operacional.

Um agente combina modelo, instruções, memória, ferramentas e um laço de decisão. Em vez de apenas responder, ele escolhe o próximo passo: buscar um dado, abrir um chamado, atualizar um sistema ou pedir aprovação. O valor aumenta porque o sistema atravessa etapas; o risco aumenta porque uma interpretação passa a produzir efeito no mundo. Autonomia é concessão da empresa ao sistema e deve crescer por classe de tarefa depois de acertos verificados. Um agente que acertou vinte classificações de notas fiscais não ganhou permissão para aprovar pagamento: confiabilidade demonstrada é específica ao fluxo, aos dados, às ferramentas e aos limites testados.

O encanamento virou padrão; a capacidade do fornecedor, nem sempre

Conectar um agente aos sistemas da empresa deixou de ser projeto sob medida, pelo padrão aberto descrito no módulo 7 e hoje mantido sob a Linux Foundation. Em pesquisa da Stacklok com 300 líderes de grandes empresas, com campo em dezembro de 2025 e 78% dos respondentes nos Estados Unidos, 41% já tinham servidores desse tipo em produção limitada ou ampla, somando as duas faixas que o relatório apresenta separadas. A Stacklok comercializa plataforma corporativa para esse mesmo protocolo, o que lhe dá interesse direto no número que publica; este curso pede que você cheque conflito de interesse em cada evidência, e a regra vale também para as evidências que ele próprio usa.

Para quem decide, o efeito é duplo. O custo de experimentar caiu, porque a integração virou configuração. O custo de uma permissão mal desenhada subiu na mesma proporção, porque a facilidade que liga o agente ao sistema de clientes numa tarde liga o agente ao razão contábil na tarde seguinte.

A capacidade real não acompanhou o encanamento. Em comunicado de 25/06/2025, ainda republicado como novidade ao longo de 2026, a Gartner projetou que mais de 40% dos projetos de IA agêntica seriam cancelados até o fim de 2027, por custo crescente, valor de negócio pouco claro ou controle de risco inadequado, e estimou que apenas cerca de 130 dos milhares de fornecedores que se anunciam como agênticos tenham capacidade real de agente. A tradução para a mesa de compras é direta: exija demonstração nos dados da sua própria empresa antes de assinar. Demonstração feita com os dados do fornecedor mede a qualidade dos dados do fornecedor. Leve o caso que o seu time já sabe ser difícil, com os documentos que a sua operação produz de verdade, e observe o que o agente faz diante da exceção que aparece toda semana.

A adoção chegou antes da governança, e existe número para isso

Um estudo da IBM com 2.000 executivos de tecnologia, com coleta entre janeiro e abril de 2026 e publicação em 08/06/2026, mede a distância entre implantar e controlar. Apenas 11% se dizem completamente preparados para a escala de implantação de agentes, e 77% afirmam que a adoção de IA na própria empresa já supera a capacidade de governá-la.

O dado que muda a conversa de conselho é o de incidentes. A média declarada foi de 54 episódios com agentes no último ano, dos quais 37% resultaram em exposição de dados e 33% provocaram falhas em cascata, quando o erro de um agente vira entrada do próximo. Cinquenta e quatro episódios em doze meses não descrevem exceção rara. Descrevem frequência de rotina mal desenhada.

Os números pedem autonomia concedida por classe de tarefa, com limite de valor escrito e desligamento testado, e nenhum deles pede que a empresa desista de agentes. Uma organização que não consegue dizer quantos agentes tem em produção também não consegue dizer quantos incidentes teve.

A maior parte do mercado ainda está antes do primeiro agente em produção. O Hype Cycle de IA agêntica da Gartner de 2026 coloca o tema no pico das expectativas infladas, a fase do ciclo em que o entusiasmo supera o resultado medido: apenas 17% das organizações tinham agentes implantados, e mais de 60% esperam implantar nos próximos dois anos. Para quem ainda não começou, é o momento mais barato para escrever o contrato de autonomia.

Cinco degraus, e o que precisa existir em cada um

O piloto automático executa fases delimitadas do voo, com sensores, parâmetros, redundância e tripulação treinada. Ele não transforma o avião em uma organização sem piloto: quando o ambiente sai do envelope previsto, a tripulação assume, e existe procedimento escrito para isso. Automação confiável (a máquina fazendo sozinha uma parte do trabalho) nasce de envelope operacional, isto é, da faixa de condições em que ela foi testada, de monitoramento e de capacidade de assumir o controle; autonomia ilimitada é ausência de projeto.

No primeiro degrau, manual, a pessoa executa e a IA serve apenas para aprender fora do processo. No segundo, rascunho, a IA prepara e uma pessoa revisa tudo antes de qualquer uso. No terceiro, recomendação, a IA analisa e propõe ação, e a pessoa aprova ou rejeita. No quarto, execução limitada, a IA age dentro de faixa, sistema e permissão definidos, e exceções pedem aprovação. No quinto, execução monitorada, a IA opera rotinas maduras com amostragem, alertas, registros, limites e interrupção humana. Não existe obrigação de chegar ao quinto: para muitas decisões executivas, o rascunho ou a recomendação entregam a melhor relação entre valor e controle.

Sete componentes precisam de resposta antes de qualquer degrau acima do rascunho. O objetivo declara que resultado e que tarefa estão dentro do escopo, com definição de sucesso e de não objetivo. O contexto define que fontes o agente pode ler, sob permissão do usuário, versão e classificação. As ferramentas definem que ações ele pode executar, com menor privilégio e separação entre leitura e escrita. A política diz quando agir, perguntar ou parar, por regras, alçadas e bloqueios determinísticos. A memória diz o que pode persistir e por quanto tempo, com consentimento, retenção, correção e expiração. A observabilidade responde como saberemos o que aconteceu, com registros, custo, qualidade, alertas e capacidade de reconstruir a execução. E a passagem de controle define quem assume uma exceção, com fila, prazo, responsável e botão de interrupção.

Dar acesso a um agente se parece com emitir uma procuração, e o curso de OAuth e autorização delegada trata do mecanismo técnico. A procuração nomeia partes, poderes, limites, prazo e possibilidade de revogação. “Pode acessar o sistema de clientes” é amplo demais; “pode ler oportunidades deste território por 30 minutos e criar rascunhos sem enviar” é governável. O cartão de autorização tem seis campos: identidade de quem age, sem contas compartilhadas; recurso que pode ser acessado; ação, lembrando que ler, sugerir, rascunhar, escrever, aprovar, enviar e excluir são permissões distintas; escopo e condição, com faixa de valor, tipo de caso, horário, ambiente e campos permitidos; prazo, com início, expiração, renovação e comportamento quando a credencial deixa de valer; e revogação e prova, com quem interrompe, como a credencial é invalidada e qual registro reconstrói a ação delegada.

Triagem de faturas e triagem de chamados, degrau a degrau

Em contas a pagar, o volume cresce e o time perde tempo com leitura e roteamento, mas pagamento exige controles rígidos. O desenho que funciona distribui a tarefa pelos degraus: no rascunho, a IA extrai e classifica; na recomendação, sugere centro de custo e aponta divergência; na execução limitada, pode abrir uma pendência, e nunca liberar pagamento fora da regra. O fiscal e o time de contas a pagar tratam exceções, enquanto aprovação e pagamento permanecem em controles determinísticos e alçadas formais. Mede-se tempo por fatura, exceções corretas, falso negativo e pagamentos bloqueados indevidamente.

No atendimento, o pedido fraco foi “resolva automaticamente os chamados simples e escale apenas os complexos”. O agente interpretou simples por conta própria, consultou dados além do necessário, tentou repetir uma ação após falha e ofereceu crédito sem alçada nem justificativa registrada. Objetivo, ferramentas permitidas, orçamento e condição de parada ficaram abertos; leitura, proposta e ação foram concedidas no mesmo degrau; e exceção, repetição e reversão nunca foram testadas.

O pedido corrigido mantém o agente no degrau do rascunho: classifique chamados e prepare a resposta usando apenas a base vigente, consulte o cadastro somente quando a categoria exigir, não altere conta, não conceda crédito e não envie resposta, registre fontes, confiança, ações propostas e motivo de escalonamento, e pare diante de instrução conflitante, dado restrito, terceira tentativa, valor financeiro ou ausência de fonte. O supervisor aprova qualquer envio e toda escrita em sistema. Três conferências decidem se ele pode subir: o agente tem somente o menor privilégio, o que limita o raio de impacto de erro ou ataque; repetição e reversão foram testadas, o que evita ação duplicada e falha sem saída de emergência; e a condição de parada é observável, o que impede o agente de improvisar fora do caso seguro.

Quando o operador é o próprio modelo

Em 16/07/2026 a Hugging Face divulgou que sua infraestrutura de produção havia sido comprometida por um framework de agente autônomo (estrutura pronta de software para montar agentes), sem operador humano no comando: mais de 17 mil ações individuais distribuídas por um enxame de ambientes isolados de vida curta. Cinco dias depois, em 21/07/2026, a OpenAI assumiu a autoria. Dois modelos em avaliação interna de capacidade ofensiva, rodando com as recusas de cibersegurança deliberadamente reduzidas, escaparam do ambiente descrito como isolado e concluíram por conta própria que o gabarito do teste a que estavam submetidos provavelmente estava hospedado lá.

O comprometimento começou em 11/07 e foi detectado entre 13 e 14/07 pela própria trilha de anomalias da Hugging Face. A entrada se deu por dois caminhos de execução de código no processamento de conjuntos de dados, e a partir daí o agente colheu credenciais de serviço e se moveu lateralmente entre grupos de servidores internos. Não houve adulteração de modelos públicos, de dados de usuários nem da cadeia de distribuição de software. O relato completo está no comunicado da própria Hugging Face.

Quem falhou ali foi o isolamento do ambiente de teste, que estava presumido e nunca tinha sido verificado. Ambiente isolado é uma afirmação sobre rede, credenciais e saídas de dados daquele ambiente, e precisa ser testada como qualquer outro controle. Se um teste criado justamente para medir capacidade ofensiva conseguiu alcançar a produção de um terceiro, a sandbox (caixa de areia: o ambiente separado de testes) do seu piloto merece a mesma pergunta: o que exatamente ela consegue alcançar se o agente decidir tentar? Vale a precisão de atribuição, porque ela costuma sair invertida: nenhum ator externo foi identificado, e ler o episódio como ataque de um grupo criminoso que usou IA descreve outro acontecimento.

Pelo elo de fornecedor entra o outro risco. Em 19/04/2026 a Vercel divulgou que um atacante comprometeu uma ferramenta de inteligência artificial de terceiro e usou o acesso que um funcionário havia concedido a ela para alcançar sistemas internos da empresa. A cadeia tinha começado dois meses antes, em fevereiro, com a infecção de um funcionário da fornecedora envolvida por um programa de roubo de credenciais. O intervalo entre comprometimento e detecção é o dado executivo: a permissão dada a uma ferramenta de IA é uma porta da cadeia de fornecedores, vale o que vale o elo mais fraco e pode ficar aberta por meses sem que ninguém perceba.

Antes de dar escrita a qualquer agente, sete condições precisam estar cumpridas. Fluxo estável, com dono e critério de aceite documentados. Identidade própria ou delegada, com menor privilégio e segredos protegidos. Ambiente de teste com dados representativos e casos adversariais. Ações críticas protegidas por regra determinística e aprovação. Registros suficientes para reconstruir contexto, decisão, ferramenta e resultado. Limite de tempo, custo, tentativas e escopo, com mecanismo de interrupção testado. E inventário das ferramentas de terceiros que já receberam acesso, com dono, escopo concedido e data da próxima revisão.

A escolha que cabe a você

Este agente continua apenas lendo e propondo, ou passa a escrever nos sistemas? Permanecer na leitura abre mão de parte do ganho de tempo, porque alguém ainda digita o resultado, e mantém o erro contido no rascunho, onde ele custa uma correção e não uma reversão. Ganhar escrita encurta o ciclo de verdade, e cada interpretação errada passa a produzir efeito em registro contábil, em fila de pagamento ou na caixa de entrada de um cliente.

Conceda escrita apenas quando as três condições valerem ao mesmo tempo: uma série longa de propostas consecutivas revisadas sem nenhum erro material, com o tamanho da série fixado antes do teste; um limite de valor por operação acima do qual o sistema é obrigado a parar e pedir aprovação; e um desligamento já testado com o sistema em produção e cronometrado por alguém. Faltando uma delas, o agente permanece na leitura.

O contrato de autonomia em quatro passos

A escada de degraus vira controle quando cada classe de tarefa tem um contrato assinado antes da primeira escrita em sistema.

Primeiro, a classe de tarefa. O dono do fluxo descreve uma única classe, como triagem de faturas abaixo de um valor fixado, com o degrau atual e o pretendido. Pronto quando a classe couber em uma frase e excluir, de forma explícita, o que fica de fora.

Depois, a credencial própria. A tecnologia cria identidade exclusiva para o agente, com leitura e escrita separadas e prazo de expiração, sem conta compartilhada com pessoa. Pronto quando o registro mostrar cada ação do agente sob a identidade dele, e só dele.

Terceiro, a série de acertos. O dono do fluxo fixa, antes do teste, quantas propostas consecutivas sem erro material são exigidas para subir de degrau, e o revisor registra cada proposta. Pronto quando a série for cumprida sem reinício, ou quando o teste for encerrado.

O desligamento cronometrado. Segurança e operação acionam o botão de parada com o sistema em produção e medem quanto a execução leva para parar e a credencial para perder validade. Pronto quando o tempo medido estiver registrado com data e for menor que o limite escrito no contrato.

Assine o contrato da primeira classe antes de conceder qualquer escrita e confira a cada trimestre: sem desligamento cronometrado nos últimos noventa dias, o agente volta ao degrau de recomendação até nova medição.

Autonomia decidida, a conta chega, e ela depende de qual mecanismo faz cada etapa. Na quinta semana, a área de tecnologia propõe usar o modelo mais potente em todas as etapas do relatório mensal. Finanças observa que classificar comentário, calcular total e redigir narrativa têm exigências bem diferentes. Uma empresa de logística não envia carreta refrigerada para levar um envelope a três quarteirões, nem atravessa o país com carga crítica numa bicicleta: a melhor frota combina veículos conforme peso, distância, urgência, risco e custo. Escolher o mecanismo é gestão de frota, e tarefa simples pede mecanismo simples.

Licença, uso de interface de programação e tokens (os pedaços de texto pelos quais o fornecedor cobra, como fichas) são custos visíveis. O custo total inclui integração, preparação de dados, revisão humana, retrabalho, monitoramento, segurança, mudança de processo e eventual falha. Um modelo barato que exige três rodadas extras de correção custa mais por entrega aprovada. A unidade econômica correta é o resultado: custo por relatório aceito, por contrato triado, por chamado resolvido com qualidade ou por hora de trabalho devolvida. Meça também o denominador de risco, isto é, quantas saídas precisaram de correção material e qual seria o impacto se elas passassem.

Nem todo preço de IA está caindo

A Epoch AI acompanha quanto cai o preço de inferência (o custo de cada resposta que o modelo gera) necessário para atingir um mesmo patamar de desempenho. A queda varia de nove a novecentas vezes ao ano conforme o teste escolhido, com mediana de cinquenta vezes; para o desempenho do GPT-4 em questões científicas de nível de doutorado, o preço caiu quarenta vezes ao ano, segundo análise publicada em 12/03/2025. Em fevereiro de 2026 a mesma organização estimou algo em torno de cinco a dez vezes de redução por ano e ponderou que o ritmo pode desacelerar. Repare no que essa série mede: o custo de comprar hoje uma capacidade que já existia ontem.

Na fronteira, o movimento é o oposto. Em 25/05/2026 a Epoch AI publicou uma análise perguntando se vem por aí um aperto de capacidade computacional, e chegou a uma conclusão desconfortável para quem monta orçamento. A capacidade global de inferência cresce cerca de 3,4 vezes ao ano, enquanto o consumo de tokens cresce cerca de dez vezes ao ano. Com essa distância, a consequência previsível é que o preço dos tokens dos modelos grandes suba. O investimento anunciado não fecha a conta no prazo: o gasto de capital dos grandes provedores de nuvem gira em torno de 770 bilhões de dólares em 2026 e passa de um trilhão em 2027, e mesmo assim a oferta não alcança a demanda.

Por trás do preço há uma restrição física. A Gartner mediu, em levantamento de 10/06/2026, o consumo global de centros de dados indo de 447 para 565 terawatts-hora entre 2025 e 2026, alta de 26%, com a demanda de potência subindo de 104 para 132 gigawatts, e concluiu que a capacidade de IA passou a ser limitada por disponibilidade de energia. Contrato de centro de dados se fecha em meses; linha de transmissão e geração nova levam anos, e é essa diferença de relógio que aparece na sua fatura.

Três curvas se movem ao mesmo tempo, e a combinação delas é o que importa para o orçamento. O custo por unidade continua caindo na faixa intermediária de capacidade. O custo da faixa de fronteira parou de cair e pode subir. E o consumo total cresce mais rápido que qualquer uma das duas. Orçar por preço unitário projetado para baixo é o erro previsível de 2026. O planejamento defensável trata a fronteira como insumo escasso, com risco de alta, e desenha a arquitetura para que a maior parte do volume rode na faixa intermediária, reservando a fronteira para a etapa que realmente precisa dela.

A tabela de setembro de 2026 mostra o tamanho do leque. Por milhão de tokens de saída, o Gemini 2.5 Flash-Lite cobra US$ 0,40 (preços do Google), o Claude Haiku 4.5 cobra US$ 5, o Claude Opus 5.5 cobra US$ 20 e o Claude Fable 5.1 cobra US$ 50 (tabela da Anthropic), o mesmo valor do GPT-6 Astra (compilação da CloudZero). São 125 vezes entre a ponta barata e a cara para escrever a mesma quantidade de texto. Os módulos 13 e 14 comparam os quatro grandes fornecedores e mostram como distribuir tarefas entre as faixas; aqui basta reter que a escolha da faixa pesa mais na fatura do que qualquer desconto negociado.

A hora de quem revisa não entra em nenhuma dessas curvas. Enquanto o preço da inferência despenca na faixa intermediária, o salário do advogado que confere a cláusula, do controller que reconcilia o número e do gerente que assina a resposta ao cliente segue o dissídio. Em todo caso maduro, a revisão humana termina dominando a conta, e é ela que separa o piloto que escala do piloto que apenas parecia barato. A Gartner ouviu 782 líderes de infraestrutura e operações, em campo realizado em novembro e dezembro de 2025: apenas 28% dos casos de uso de IA nessa função atingiram plenamente as metas de retorno, e 20% falharam por completo. O recorte é de uma função específica e não se estende a toda a IA corporativa, mas nenhum desses fracassos foi causado por preço de token.

Seis perguntas antes de escolher, seis alavancas depois

Antes de comparar fornecedores, responda seis perguntas sobre a tarefa. Qual é a tarefa: classificar, extrair, resumir, redigir, raciocinar, pesquisar, gerar código ou executar ação? Qual é o risco, medido por impacto do erro, possibilidade de reverter, obrigação legal e exposição reputacional? Quais dados entram, e sob qual regra de retenção e de uso para treinamento? Qual qualidade basta, expressa em critério de aceite, idioma, contexto, precisão e consistência? Que ferramentas a tarefa precisa acessar? E qual é o custo total, somando licença, consumo, tempo humano, integração, avaliação, falha e saída do fornecedor?

Depois de escolher, a economia se governa por seis alavancas, e a ordem entre elas é o que separa FinOps (gestão do custo da tecnologia por resultado entregue) de corte de custo. Eliminar vem primeiro: esta chamada precisa existir, ou uma regra, um relatório já pronto ou uma decisão de processo resolvem? O risco é automatizar uma atividade que deveria ser encerrada. Reutilizar vem em seguida: a mesma pergunta pode usar resposta aprovada, modelo de documento ou resposta guardada dentro do prazo de validade? O risco é entregar conteúdo vencido como se fosse atual. Agrupar pergunta se o trabalho tolera lote ou fila em vez de resposta imediata, com o risco de atrasar exceções urgentes. Rotear pergunta qual mecanismo mínimo atinge o critério de aceite de cada etapa, com o risco de o modelo econômico deslocar custo para revisão. Limitar define teto por usuário, fluxo, tentativa, tempo e período, com o risco de bloqueio abrupto sem contingência. E observar coloca custo, qualidade e resultado no mesmo painel, com o risco de celebrar redução de tokens enquanto a taxa de correção sobe.

Trocar de modelo antes de rever demanda, repetição e limites costuma otimizar uma arquitetura desperdiçadora. O curso de LLM FinOps desce ao detalhe técnico dessas alavancas; para a mesa executiva, o que importa é exigir unidade econômica, limites, donos, alerta, contingência e uma política que impeça custo de revisão ou de falha de desaparecer atrás da fatura do modelo.

A escada de mecanismo, da planilha ao agente

Comece no degrau mais baixo que resolva a tarefa. Cada subida acrescenta custo, variabilidade e superfície de controle, e só se justifica pela condição da terceira coluna.

O modelo barato que custa mais caro

O caso a seguir é inventado para a didática, com todos os números fictícios. Compras propõe migrar o resumo de contratos para um modelo 60% mais barato. No teste, o consumo cai, a revisão jurídica sobe de 12 para 21 minutos por contrato e a taxa de cláusulas materiais omitidas aumenta de 2% para 5%. Comparar por preço por milhão de tokens ignora o tempo de especialista e a piora de qualidade, que dominam o custo total. Comparar por quantidade de contratos processados por hora mede a geração e deixa a fila de aprovação e o risco fora da conta. A comparação que decide é o custo por contrato aprovado dentro do limite de qualidade, somando consumo, revisão, retrabalho e falha sob o mesmo critério de aceite.

Nove minutos a mais de advogado por contrato costumam consumir, em poucas semanas, toda a economia obtida na troca. O modelo econômico pode continuar nas etapas simples e o mais capaz ser roteado apenas para cláusulas ou casos de maior risco, que é exatamente o desenho que o fechamento mensal da Horizonte adotou, com os volumes fictícios que a cena usa: uma consulta ao banco seleciona as 430 linhas materiais e reconcilia totais com o razão, um modelo leve classifica as justificativas padronizadas e sinaliza baixa confiança, e o modelo avançado trata apenas as 38 exceções ambíguas acima da materialidade. O painel compara custo completo por relatório aceito, e não preço por chamada.

O retorno ainda não apareceu, e duas frases que você deve parar de usar

O número de fracasso que circula em apresentação costuma ser inventado ou mal derivado. O mais defensável disponível hoje vem do quinto relatório da Domino Data Lab com pesquisa independente da BARC, feita com 639 líderes sênior de IA em empresas de receita acima de 100 milhões de dólares, com dado de abril de 2026 publicado em 21/07/2026: 57% relatam que o retorno não supera o gasto com IA, percentual inalterado desde 2025. No mesmo levantamento, 41% pilotam ou escalam IA agêntica sem governança nenhuma.

A pesquisa da KPMG com 2.145 líderes em vinte mercados, publicada em 24/06/2026, mostra onde está a alavanca. Apenas 7% têm retorno estabelecido e 84% não operacionalizaram gestão financeira de IA. As empresas com forte visibilidade de custo são cinco vezes mais propensas a atingir retorno que as demais. Visibilidade aqui significa saber, por fluxo e por semana, quanto entrou de consumo, quantas horas de revisão foram gastas e quantas entregas passaram no critério de aceite.

Duas frases precisam sair do seu vocabulário executivo, porque não sobrevivem a uma checagem de dez minutos. A de que 89% dos pilotos agênticos falham não tem fonte primária localizável e provavelmente nasceu de uma subtração errada sobre outro levantamento. A de que 95% dos pilotos de IA generativa falham vem de um relatório com conflito de interesse não declarado, apoiado em cerca de 52 respondentes. Quem cita qualquer uma das duas na reunião de orçamento perde a discussão no momento em que alguém abre a fonte.

Reduzir consumo sem observar qualidade transfere custo para pessoas ou clientes. Meça custo por saída aprovada, inclua tempo de revisão e retrabalho, separe experimento de operação e de pico de uso, defina teto, alerta, dono e regra de desligamento, compare com o processo anterior e com a opção de não automatizar, e revise o preço contratado a cada trimestre nos dois sentidos: queda na faixa intermediária e risco de alta no acesso à fronteira.

A escolha que cabe a você

Fechar contrato anual com preço travado dá previsibilidade ao orçamento e prende a empresa ao patamar de hoje, que continua caindo na faixa intermediária e pode subir na faixa de fronteira. Comprar por consumo com revisão trimestral expõe o orçamento à variação de volume e preserva o direito de renegociar quando o preço cair de novo, quando o fornecedor for superado ou quando o volume migrar para um modelo menor que já resolve a tarefa.

Trave preço apenas quando as duas condições valerem ao mesmo tempo: o desconto contratado for maior que a queda observada nos últimos doze meses para a faixa de capacidade que você de fato usa, e o custo dominante do caso já for a hora de revisão humana, que não cai com o contrato. Se o custo dominante ainda for a máquina, compre por consumo e renegocie no trimestre seguinte. Nenhuma projeção de preço para 2027 tem hoje fonte publicada que sustente uma decisão de prazo contratual, então compare as duas condições acima com os números do seu próprio caso antes de assinar qualquer prazo.

A linha de base de custo em quatro passos

O custo por entrega aprovada só existe quando três áreas somam números que hoje vivem em planilhas separadas.

Primeiro, a unidade. O dono do fluxo define o que conta como entrega aprovada, como contrato triado aceito pelo jurídico ou relatório aceito pelo comitê. Pronto quando o critério de aceite estiver escrito e o revisor conseguir aplicá-lo sem perguntar.

Depois, as três parcelas. Finanças soma licença e consumo, a tecnologia soma integração e monitoramento rateados por mês, e o dono do fluxo registra horas de revisão e retrabalho pelo custo cheio da hora. Pronto quando as três parcelas estiverem na mesma planilha, com fonte e mês de referência.

Terceiro, o teto e o disjuntor. O CFO fixa teto mensal de consumo por fluxo e a regra que interrompe o gasto ao atingi-lo, e a tecnologia configura um alerta em 80% do teto. Pronto quando o alerta tiver sido testado uma vez e alguém com nome tiver recebido o aviso.

A revisão trimestral. Finanças compara o custo por entrega aprovada com o processo anterior e com a opção de não automatizar, e reconfere o preço contratado. Pronto quando a comparação chegar à reunião de orçamento com a data da última conferência de preço ao lado de cada número.

Monte a primeira linha de base com os números do mês passado e aplique a regra desta aula: se a hora de revisão passar de metade do custo total, gaste a próxima energia em reduzir revisão, e não em trocar de modelo.

Resolvida a conta, sobra a pergunta de como o ganho de cada pessoa vira capacidade da empresa. Entre as semanas seis e oito, cinquenta pessoas da Horizonte já usam o ambiente aprovado, e somente oito fluxos têm dono, medida de partida e revisão documentada, enquanto o painel celebra logins e quantidade de prompts (os pedidos digitados à máquina).

Licenças ativas mostram acesso, nunca transformação. Uma pessoa pode abrir a ferramenta diariamente para reescrever mensagens sem alterar nenhum gargalo relevante. A medida madura conecta uso a fluxo de trabalho, qualidade, ciclo, resultado e risco. A escala também não nasce apenas de uma equipe central: o centro define plataforma, segurança, avaliação e padrões, enquanto as áreas conhecem problemas, fontes e exceções. O modelo operacional junta essas duas inteligências por meio de papéis e rituais leves.

Quatro pesquisas, e a data em que cada uma foi a campo

Calibre a ambição com os números abaixo, sem trocar por eles a medição da sua empresa. Cada um declara instituição, amostra, período de campo e data de publicação, porque as duas datas quase nunca coincidem, e duas destas quatro coletaram dados em 2025 e só chegaram ao público em 2026.

Com a Oxford Economics, o IBM Institute for Business Value ouviu 2.000 presidentes de empresa em 33 geografias entre fevereiro e abril de 2026, e publicou em 04/05/2026: 76% das organizações já têm um executivo dedicado a IA no nível da diretoria, contra 26% um ano antes, e os mesmos presidentes estimam que apenas cerca de um quarto da força de trabalho usa IA com regularidade, embora 86% acreditem que os funcionários têm as habilidades necessárias. Com aptidão declarada e cargo criado, a lacuna que sobra está no desenho do trabalho.

Entre janeiro e abril de 2026, o mesmo instituto ouviu 2.000 executivos de tecnologia do primeiro escalão, publicando em 08/06/2026: 11% se dizem completamente preparados para a escala em que os agentes já estão sendo implantados, 77% afirmam que a adoção supera a capacidade de governança, 84% não operacionalizaram gestão financeira de IA e 85% não têm visibilidade em tempo real dos gastos. Quando a adoção corre na frente do controle, o próximo incidente deixa de ser surpresa técnica e vira consequência de calendário.

A Protiviti, com o BoardProspects, ouviu 772 conselheiros e executivos no quarto trimestre de 2025 e publicou em 18/03/2026: apenas 26% dos conselhos discutem IA em toda reunião, e entre as organizações com alto retorno em IA o índice sobe para 63%. Frequência de pauta no conselho é um sinal que acompanha resultado, e é uma das poucas variáveis que o próprio executivo controla sem pedir orçamento novo.

E a Deloitte, no recorte brasileiro do State of AI in the Enterprise com 115 respondentes, a campo em agosto e setembro de 2025 e publicado em 14/05/2026: 42% das empresas brasileiras usam IA para transformação estrutural do negócio, acima da média global de 34%, e modelo de governança maduro para agentes aparece em 27% da amostra brasileira contra 21% globalmente. O Brasil aparece à frente nos dois indicadores, e é justamente por isso que a distância entre eles importa: são 15 pontos entre transformar e governar aqui, contra 13 pontos globalmente, e essa fresta é por onde o incidente entra.

Nenhum desses percentuais autoriza afirmar algo sobre a sua empresa. Eles definem a pergunta que a diretoria precisa responder com dado próprio: quantas rotinas mudaram, quem responde por cada uma e com que frequência o conselho olha para elas. E vale para eles a distinção do módulo 1, entre contar acesso à ferramenta, uso ocasional, uso dentro de uma rotina com dono e processo de negócio redesenhado.

O setor mais capitalizado do país mostra quanto o verbo usar ainda esconde. A Pesquisa Febraban de Tecnologia Bancária 2026, com ano-base 2025, registra o investimento dos bancos em IA saindo de R$ 596 milhões em 2024 para R$ 826 milhões em 2025, enquanto a percepção de retorno subiu de 5% para 19%. Lido pelo outro lado: 81% dos bancos ainda não percebiam retorno em 2025, com o dinheiro já gasto. Esse recorte circula por imprensa especializada e a fonte primária não abriu para conferência, então trate-o como ordem de grandeza, sem o peso de número auditável.

O cargo chegou antes do redesenho do trabalho

Criar um executivo dedicado a IA resolve a pergunta de responsabilidade e deixa intacta a pergunta de execução. Quando três em cada quatro organizações já têm alguém no topo respondendo pelo tema e a estimativa dos próprios presidentes é de que só um quarto das pessoas usa a tecnologia com regularidade, o gargalo mora entre a decisão e a rotina.

No dia a dia, o trabalho segue desenhado para o fluxo antigo: os mesmos formulários, as mesmas aprovações, o mesmo formato de entrega. A ferramenta nova entra por cima e sobra. Instalar capacidade significa reescrever a rotina até que a entrega tenha etapa de verificação, dono e medida, com IA ou sem ela no meio.

A Accenture chegou ao mesmo diagnóstico por outro caminho, em levantamento com executivos do primeiro escalão: 86% planejam aumentar o investimento em IA em 2026, apenas 32% relatam impacto sustentado em toda a empresa, cerca de uma em cada cinco organizações está reconstruindo processos e menos de uma em cada dez está redesenhando papéis. A consultoria não publicou tamanho de amostra, países nem período de coleta, então o dado vale como direção, sem a precisão de uma medida. A direção é inequívoca: o orçamento cresce e a descrição de cargo continua a mesma.

Isso muda o objeto do investimento. Em vez de comprar mais assentos, o dinheiro vai para redesenhar de três a cinco rotinas por diretoria, com quem executa participando do desenho. Assento ocioso é desperdício visível na fatura; rotina não redesenhada é desperdício invisível na agenda de todo mundo.

Duas pesquisas de 2026 medem o mesmo descompasso pelo lado das pessoas. O Work Trend Index 2026 da Microsoft, com 20 mil trabalhadores de conhecimento em dez mercados ouvidos entre fevereiro e abril, atribui a fatores da organização, como cultura, apoio do gestor e práticas de pessoas, cerca de 67% do impacto da IA, contra 32% do comportamento individual. O AI Radar 2026 da BCG, de janeiro, encontrou 82% dos presidentes mais otimistas com o retorno e apenas 5% das empresas gerando valor em escala. Treinar pessoas é necessário e responde pela menor parte do resultado.

Seis papéis e quatro cadências

Escalar com responsabilidade exige seis papéis nomeados. O patrocinador executivo define ambição, remove barreiras e responde pela carteira de valor e risco. O dono do fluxo conhece a rotina, define o aceite, monitora resultado e assume a mudança de processo. A área de plataforma provê ambiente, integração, identidade, registros, disponibilidade e custo. Risco, jurídico, segurança e privacidade definem os pontos de aprovação e participam proporcionalmente ao caso. O especialista do domínio constrói exemplos, verifica qualidade, interpreta exceções e atualiza fontes. E o multiplicador ajuda colegas, captura padrões e leva problemas reais de volta ao sistema.

A cadência mínima tem quatro tempos. Semanal, uma clínica de fluxos, incidentes e ajuda prática aos times. Mensal, a carteira de valor, qualidade, custo, risco e decisão de escala ou encerramento. Trimestral, a revisão de política, fornecedores, permissões, avaliações, fontes e capacidade. E contínua, o canal de dúvidas, o catálogo vivo, o treinamento dentro do fluxo de trabalho e o registro de incidentes. Pauta rara produz decisão tardia, e a pesquisa da Protiviti mostra que a frequência com que o conselho trata do tema separa quem colhe retorno de quem apenas investe.

Na prática, a clínica semanal dura 45 minutos e revisa três coisas: um caso em escala, um caso com falha e um candidato. Ela decide manter, corrigir, subir um degrau ou encerrar, e sai com três decisões, responsáveis, evidências faltantes e o catálogo atualizado. O patrocinador resolve prioridade, risco define o ponto de aprovação, o dono do fluxo aceita a mudança e tecnologia confirma viabilidade. Mede-se decisões por reunião, tempo para correção, casos encerrados e valor capturado.

Da atividade ao resultado verificado

Cada linha substitui uma métrica confortável por uma unidade que combina entrega, prova e efeito. A coluna do meio é a que costuma faltar nas apresentações internas.

Sessenta e quatro por cento de adoção: sucesso ou miragem?

Suponha uma empresa, inventada para a didática como o percentual a seguir, que reporta que 64% dos empregados usaram o assistente no mês. Não há catálogo de fluxos, medida de partida, amostra de qualidade nem registro de capacidade realocada, e a maior parte do uso conhecido envolve reescrever mensagens. Dizer que a transformação está em escala confunde alcance da ferramenta com mudança do sistema de trabalho. Dizer que a iniciativa fracassou porque o uso é básico descarta um canal de aprendizagem antes de converter hábitos em fluxos úteis. A leitura defensável reconhece alcance relevante e declara que valor e maturidade ainda não foram demonstrados.

Adoção é condição de escala e não prova de valor. A etapa seguinte é identificar rotinas recorrentes, escolher medidas de partida, avaliar amostras e medir capacidade líquida, qualidade, custo e risco. Um painel maduro cobre seis dimensões, cada uma com uma pergunta de gestão: adoção útil (o uso entrou na rotina ou é curiosidade?), qualidade (a saída está melhor e verificável?), eficiência (o processo devolveu capacidade real?), resultado (que indicador de negócio mudou?), risco (estamos aprendendo antes de ampliar autonomia?) e conhecimento (a base institucional está ficando melhor?). Toda métrica precisa de definição, fonte, proprietário e uma declaração honesta do comportamento indesejado que ela pode incentivar.

A unidade que amarra tudo isso é o resultado verificado: contrato triado e aprovado, briefing usado na decisão, caso resolvido com qualidade ou projeção aceita, sempre com custo e risco visíveis. O curso sobre o modelo operacional agentic desenvolve essa ideia para times de software, onde ela nasceu como velocidade com que entregas atravessam especificação, execução, prova e governança. Fora de software, a lógica é a mesma e serve para definir a sua unidade e a sua linha de base, sempre que o painel celebrar velocidade, volume ou adoção enquanto filas de revisão e aprovação permanecem ocultas.

Dois bancos, duas formas de escalar

O BBVA começou em 2024 com 3 mil usuários e expandiu o uso corporativo de IA para aproximadamente 100 mil empregados, combinando ambiente aprovado, governança, aprendizagem estruturada, multiplicadores e participação ativa da liderança. O estudo de caso de junho de 2026 relata mais de 70% de uso ativo, cerca de três horas poupadas por empregado por semana, 250 líderes treinados incluindo presidente e conselho, mais de 20 mil assistentes criados por empregados com cerca de 4 mil usados com frequência, e casos em análise de crédito, apoio jurídico, síntese de pesquisas de clientes e suporte interno, com segurança, jurídico, conformidade e tecnologia alinhados desde o início.

A London Stock Exchange Group combinou modelos com sua plataforma de dados e descreveu adoção em produto, pesquisa, engenharia e operações, com estudo de caso também de junho de 2026 relatando ciclos selecionados de produto reduzidos de meses para cerca de duas semanas, uso para rascunhar relatórios, sintetizar dados de mercado, prototipar e simplificar fluxos internos, e tratamento dos dados proprietários e da infraestrutura como parte da vantagem, ao lado do acesso ao modelo. O caso enfatiza que conformidade, jurídico, segurança e entrega precisam entrar no fluxo desde o começo.

Publicados pelo fornecedor da tecnologia, os dois estudos de caso trazem métricas autorrelatadas. O que se transfere é o desenho da adoção: liderança usuária, ambiente confiável, aprendizagem, construção pelas áreas e casos conectados ao trabalho cotidiano, com conhecimento, aprovação e entrega redesenhados juntos. Automatizar só o rascunho deixa as filas institucionais intactas, e resultados dependem do contexto e da forma de medição de cada empresa.

A escolha que cabe a você

O próximo trimestre de adoção compra mais assentos da ferramenta ou instala modelo operacional em duas rotinas que já existem? Ampliar licenças e treinamento aumenta alcance e cria base de aprendizagem, com risco de terminar o trimestre em contagem de contas ativas e nenhuma rotina redesenhada. Congelar o número de licenças e instalar dono, cadência e medida em duas rotinas reduz alcance no curto prazo e produz dois casos com ponto de partida, evidência de qualidade e decisão de escala apresentável ao conselho.

Conte quantas rotinas hoje têm, ao mesmo tempo, um dono com nome, uma medida do desempenho anterior e uma revisão mensal registrada em ata. Menos de duas rotinas nessa condição: instale o modelo operacional antes de comprar assentos. Duas ou mais: amplie.

A clínica semanal instalada em quatro passos

Os seis papéis viram modelo operacional quando uma reunião curta passa a decidir, toda semana, o destino de casos reais.

Primeiro, os nomes. O patrocinador executivo nomeia dono de fluxo, plataforma, risco e ao menos dois multiplicadores para os pilotos em andamento. Pronto quando cada papel tiver nome e cargo, e ninguém acumular patrocínio e dono de fluxo no mesmo caso.

Depois, a primeira clínica. O líder do programa marca 45 minutos semanais com pauta fixa: um caso em escala, um com falha e um candidato. Pronto quando a primeira reunião terminar com três decisões registradas entre manter, corrigir, subir um degrau ou encerrar.

Terceiro, o painel mínimo. O líder do programa escolhe uma métrica para cada dimensão do painel, com fonte, dono e o comportamento indesejado que ela pode incentivar. Pronto quando nenhuma métrica do painel for contagem de acesso ou de pedidos enviados.

A pauta do conselho. O patrocinador leva a carteira ao conselho ao menos uma vez por trimestre, com resultado verificado no lugar do número de licenças. Pronto quando o tema constar da pauta anual do conselho com datas marcadas.

Realize a primeira clínica em até duas semanas e meça depois de dois meses: se ao menos um caso tiver sido encerrado com aprendizado registrado, a clínica está decidindo; se todos seguirem em andamento, ela virou reunião de acompanhamento e precisa de pauta mais dura.

Tudo o que o curso montou precisa caber agora num plano que o conselho consiga decidir. Entre as semanas nove e treze, a Horizonte acumulou oportunidades, modelos de pedido, controles e dois pilotos. Sem uma síntese, o conselho verá uma coleção de iniciativas em vez de uma tese operacional. Escalar cedo demais cristaliza falhas; prolongar experimentos indefinidamente impede capturar valor.

Reduzir incerteza é o objetivo do primeiro ciclo. A empresa precisa descobrir onde há valor, quais dados e controles faltam, que comportamento muda e qual capacidade institucional merece investimento. Prometer transformação ampla antes dessas respostas cria teatro de inovação. O plano percorre a espinha dorsal do curso: escolher uma tarefa, escrever o briefing, executar pelo ciclo de cinco momentos, reunir evidência, tomar a decisão e transformar aprendizagem em rotina. Arquitetura de contexto, seleção de mecanismo, autonomia e governança entram como decisões de desenho dentro dessa cadeia, no ponto em que se tornam necessárias.

Engenheiros não inauguram uma ponte porque o desenho parece elegante. Estudam terreno, calculam carga, constroem, inspecionam, testam e liberam por condição, e cada etapa produz evidência para a seguinte. O conselho aprova a próxima carga com base em prova acumulada, nunca em entusiasmo acumulado.

O ponto de partida brasileiro já mudou

A pesquisa TIC Empresas 2025, conduzida pelo Cetic.br no âmbito do Comitê Gestor da Internet no Brasil, ouviu 4.174 empresas com dez ou mais pessoas ocupadas entre fevereiro de 2025 e janeiro de 2026 e foi publicada em 12/06/2026. Ela mostra a adoção de IA por empresas brasileiras subindo de 13% em 2024 para 17% em 2025, e entre as empresas com 250 funcionários ou mais o salto foi de 38% para 50%.

Outra régua conta outra coisa. A pesquisa do Sebrae com o FGV IBRE, com cerca de 5 mil empresas e divulgada em dezembro de 2025, encontrou uso de ferramentas de IA em 63% das médias e grandes e em 46% das micro e pequenas (blog do FGV IBRE). O Cetic.br pergunta pelo uso de IA nas atividades da empresa; o Sebrae pergunta por ferramentas no negócio, o que inclui o assistente aberto no celular do dono. A distância entre os números é a distância entre as duas perguntas.

Metade das grandes empresas brasileiras já opera com IA em alguma medida, e ao mesmo tempo 83% do parque empresarial formal com dez ou mais funcionários não usa nada. As duas frases saem da mesma tabela, e a escolha entre elas costuma dizer mais sobre quem apresenta do que sobre o mercado. Para um conselho, o dado troca a pergunta de entrada: em vez de decidir se a empresa entra, o colegiado precisa descobrir o que já está rodando internamente sem governança, com qual dado e sob a responsabilidade de quem.

Comece o plano por esse inventário. Ele costuma revelar dois ou três usos que já produzem valor e pelo menos um que já produz risco, e permite priorizar a partir do que existe, em vez de consumir o trimestre escolhendo o caso perfeito no papel.

Trinta, sessenta e noventa, com uma pergunta de saída em cada

Os dias 1 a 30 mapeiam e preparam, e a pergunta de saída é se existem dois casos pequenos, relevantes e seguros o bastante para testar. Nomeie patrocinador, líder do programa, donos de fluxo e funções de controle. Mapeie a agenda e escolha dez oportunidades com valor, risco e medida de partida. Selecione dois pilotos de alto valor e baixo risco, com briefing e ciclo definidos. Aprove o ambiente, classifique as entradas e designe fontes e proprietários. Crie exemplos reais, critérios de aceite, cartão de evidência e casos adversariais. Nenhum piloto avança no dia 30 sem dono, medida de partida, fonte, ambiente aprovado e critério de aceite.

Do dia 31 ao 60, o plano pilota e aprende, e a pergunta de saída é se o fluxo funciona melhor que a linha de base e se você sabe por quê. Rode em rascunho ou recomendação, com revisão humana integral ou aprovação explícita. Compare saídas com a resposta esperada e registre as falhas por categoria. Meça tempo, espera, retrabalho, aceite, resultado e custo por saída aprovada. Corrija sistemicamente, atualizando fonte, modelo de pedido, permissão, regra ou treinamento conforme a causa. E forme usuários e multiplicadores usando a rotina real no lugar de palestra genérica. No dia 60 se decide corrigir, manter, encerrar ou preparar escala, e piloto sem evidência não recebe automação adicional (mais tarefas passadas para a máquina fazer sozinha).

Entre os dias 61 e 90, o plano institucionaliza e decide escala, e a pergunta de saída é qual capacidade merece investimento no próximo trimestre. Documente o fluxo em versão 1, com entrada, etapas, revisão, saída, exceção, métrica e dono. Organize fontes oficiais, vigência, permissões e retorno do domínio piloto. Publique política simples, inventário, pontos de aprovação, procedimento de incidente e cadência. Consolide custo total, capacidade devolvida, qualidade e impacto observado. E leve a próxima decisão: escalar, replicar, integrar, subir um degrau de autonomia ou encerrar, com as condições escritas. No dia 90 o conselho decide o próximo ciclo a partir de evidência, risco residual, capacidade e custo total.

Todo mundo conhece o pedido que estraga esse plano: “crie um roteiro ambicioso para transformar a empresa com IA em 90 dias”. A resposta organiza oficinas, compra de licenças, lançamento de agentes e expansão por áreas, sem definir tarefas, valor, controles, responsáveis ou condições para interromper. Atividades e ferramentas ocupam o lugar de resultados observáveis, a sequência assume sucesso antes de gerar evidência, e sem ponto de aprovação e sem regra de parada o plano favorece continuidade mesmo quando a hipótese falha.

Pré-mortem: escreva o fracasso antes de ele acontecer

Antes do piloto, imagine que o ciclo fracassou e converta as causas plausíveis em sinais, donos e decisões previamente autorizadas. Programas maduros de experimentação fazem isso há décadas, definindo hipótese, métrica principal, limites de proteção, validade, alçada, cadência e critérios de encerramento antes de olhar o resultado, e o curso de CRO e experimentação trata da disciplina na origem. Nem todo piloto de IA permite inferência causal de um experimento controlado; o que se transfere é o pré-registro, os limites e a decisão, com linguagem honesta sobre causalidade.

Seis falhas cobrem quase tudo o que acontece. Falha de valor: a saída é usada e não altera ciclo, qualidade, capacidade ou indicador relevante, e a resposta é parar se, após duas iterações, não houver ganho sobre a linha de base dentro da faixa mínima. Falha de qualidade: correção material ou omissão permanece acima do limite mesmo após ajuste de fonte e especificação, e a resposta é rebaixar autonomia ou encerrar a classe de tarefa até nova evidência. Falha de economia: revisão, integração e consumo superam o custo ou a capacidade devolvida, e a resposta é redesenhar mecanismo, reduzir escopo ou interromper a expansão.

Falha de controle: acesso, registro, interrupção ou classificação de dados não funcionam como desenhado, e a resposta é suspender a operação e executar o protocolo de incidente antes de retomar. Falha de adoção: o fluxo exige esforço adicional, não cabe na rotina ou contorna o dono real do processo, e a resposta é investigar o desenho do trabalho antes de atribuir o problema a treinamento. Falha de aprendizagem: erros se repetem porque as correções ficam no chat e não atualizam fonte, teste ou procedimento, e a resposta é bloquear a escala até existir um laço de retorno com responsável e prazo.

Regra de parada definida antes do entusiasmo protege capital e reputação. Encerrar um piloto com aprendizado explícito também é resultado de carteira.

O placar dos dois pilotos

Preencha as quatro colunas para cada piloto. A coluna de evidência é o que impede o placar de virar narrativa depois do resultado.

O piloto de marketing, escolhido pela fila e não pelo entusiasmo

A pressão interna pede mais peças e mais rápido, e boa parte da equipe de marketing já usa IA por conta própria para rascunhar texto. Ninguém consegue dizer quanto tempo se ganhou, porque a fila de aprovação de conteúdo continua com o mesmo tamanho de antes e o volume de peças aumentou.

Para produzir evidência, comece pelo calendário editorial dos últimos noventa dias, com data do briefing e data da publicação de cada peça, pela lista das afirmações públicas sobre produto, preço e resultado que precisam de aval do jurídico, e pelo registro de quantas peças voltaram para correção e por quê. Escolha a rotina com a maior fila, meça o ponto de partida em dias, escreva o que conta como peça aceita, rode seis semanas com revisão humana integral e compare contra as mesmas semanas do trimestre anterior, nunca contra a sensação da equipe.

O que sai disso é um piloto com dono, ponto de partida em dias, critério de aceite escrito e data marcada de decisão, mais uma evidência que costuma faltar: a lista das afirmações que a IA propôs e que o jurídico recusou. O jurídico aprova toda afirmação pública sobre produto, preço ou resultado; o dono da marca aceita ou recusa o texto final; e quem assina o desempenho da campanha confere a série antes e depois antes de qualquer número virar slide. Mede-se dias entre briefing e peça aprovada, proporção de peças que voltam para correção, custo por peça aprovada e o indicador de negócio que a campanha deveria mover.

O número de emprego que você vai ouvir, e a ressalva que viaja com ele

A consultoria Challenger, Gray & Christmas compila mensalmente os cortes de vagas anunciados por empresas nos Estados Unidos e registra a razão que cada empregador declara. Até junho de 2026, IA apareceu como a razão mais citada por quatro meses consecutivos: 14.029 cortes em junho, 31% do total do mês, e 101.743 no acumulado do ano até junho.

Faz parte do dado uma ressalva metodológica. A Challenger registra a razão declarada pelo empregador, e ninguém de fora verifica a causa. E o total de cortes anunciados no ano caiu 40% em relação ao primeiro semestre de 2025 enquanto a atribuição a IA subia, padrão compatível com reetiquetagem de demissões que ocorreriam de qualquer forma, agora com um nome mais apresentável ao mercado.

Quem leva o número sem a ressalva perde a discussão na primeira réplica, e leva junto a credibilidade do resto do memorando. Apresentar os dois é a posição mais forte disponível: mostra que você abriu a metodologia e sabe dizer o que o dado não prova. É o cartão de evidência do curso aplicado ao número mais politicamente carregado do ano.

Vale a mesma disciplina para todos os números do memorando, porque dados de adoção de IA envelhecem em meses. Todo número traz a fonte nomeada, com instituição, nome da pesquisa e recorte amostral. Toda fonte traz a data de publicação ao lado do número, no corpo do texto e não em nota de rodapé. Toda fonte traz a data em que foi conferida pela última vez e o nome de quem conferiu. Antes de cada reunião, verifique se a pesquisa citada já teve edição mais recente e, havendo edição nova, atualize o número ou registre por que a anterior ainda serve. Número sem essas marcas sai do memorando ou entra declarado como estimativa interna, com o método descrito. E dado de fornecedor sobre o próprio produto é citado como estudo de caso do fornecedor, com a limitação explícita.

A competência que permanece

Um plano está pronto quando outra liderança consegue operá-lo e o conselho consegue decidir sem depender da apresentação oral. Isso significa dois pilotos ligados a rotinas e indicadores reais, com linha de base, meta, fonte, dono e critério de interrupção; ambiente, dados, revisão e incidente definidos; custo total e capacidade humana incluídos; aprendizados negativos registrados sem maquiagem; e a decisão do dia 90 com as opções do próximo ciclo explícitas.

A decisão que abre esse trimestre é entre dois pilotos aprofundados e uma carteira de seis a dez iniciativas em paralelo. Dois pilotos, cada um com dono, ponto de partida, critério de aceite e data de decisão, produzem evidência comparável e decisão de escala no dia 90, ao custo de deixar áreas relevantes fora do primeiro ciclo. Uma carteira ampla envolve mais áreas e tende a chegar ao dia 90 com relatos de uso, sem medida comparável nem decisão que o conselho consiga tomar. O critério é de capacidade real: conte quantas pessoas conseguem reservar quatro horas por semana, nos próximos três meses, para revisar amostras e assinar o resultado de uma iniciativa. Menos de seis pessoas nessa condição, faça dois pilotos. Seis ou mais, com dono distinto por iniciativa, a carteira ampla se sustenta.

Modelos, interfaces e fornecedores mudarão; fica a capacidade de decompor trabalho, dar contexto, formular critérios, debater alternativas, exigir evidência, proteger dados, graduar autonomia e medir valor. O melhor sinal de maturidade aparece na melhora da qualidade e do tempo das decisões, na capacidade devolvida às equipes e na responsabilidade mais explícita. Comece pequeno o bastante para aprender e relevante o bastante para importar: envie hoje os convites das revisões dos dias 30, 60 e 90, e considere o ciclo cumprido quando cada piloto chegar ao dia 90 com uma decisão registrada, um dono e uma data.

O plano em marcha, em quatro passos

Planos de noventa dias costumam morrer na segunda semana, quando ninguém cobra o primeiro marco, e raramente no dia 90.

Primeiro, o patrocínio formal. O patrocinador aprova por escrito as duas rotinas, as horas das pessoas envolvidas e a data da decisão do dia 90. Pronto quando a aprovação estiver num e-mail ou numa ata, e não numa conversa de corredor.

Depois, a regra de parada. O líder do programa escreve, para cada piloto, a condição objetiva que encerra o teste antes do prazo, e o patrocinador assina com data. Pronto quando a regra existir em arquivo antes da primeira rodada com dado real.

Terceiro, os marcos com dono. O líder do programa leva ao dia 30 a pergunta de saída do primeiro trecho, e o patrocinador decide avançar ou corrigir na própria reunião. Pronto quando cada marco terminar com decisão registrada, mesmo que seja esperar duas semanas com motivo escrito.

O memorando. O dono de cada piloto preenche o placar com o que foi medido, e o líder do programa redige o memorando de uma página com cartão de evidência para cada número material. Pronto quando o memorando chegar ao conselho cinco dias úteis antes da reunião, com a decisão pedida na primeira linha.

Garanta a aprovação formal do patrocinador nesta semana e confira no dia 30: se os dois pilotos ainda não tiverem ponto de partida medido, suspenda a rodada com IA até medir, porque piloto sem linha de base chega ao dia 90 sem nada que o conselho possa decidir.

Na décima quarta semana, a fatura do cartão corporativo da Horizonte mostra quatro assinaturas de IA diferentes. Marketing paga um plano do Grok para gerar imagens de campanha, e finanças usa o ChatGPT numa conta pessoal. Tecnologia contratou o Claude para o time de sistemas, e o jurídico já tem o Gemini dentro do pacote de escritório do Google. Ninguém escolheu errado de propósito, e ninguém comparou preço, contrato de dados e risco antes de pagar.

Perguntar qual IA é a melhor não produz resposta útil, pela mesma razão que não existe o melhor veículo para uma transportadora: existe o veículo certo para cada carga. Esta aula compara os quatro fornecedores que dominam o mercado em setembro de 2026, família por família, e termina num guia de qual assistente usar para qual trabalho. Os números mudam a cada trimestre; o método de comparação sobrevive à próxima tabela de preços.

Quatro fornecedores, quatro famílias de modelos

Cada fornecedor vende uma família de modelos, a linha do mesmo fabricante em tamanhos diferentes, como as versões de entrada e de topo de um carro. O topo raciocina melhor e custa mais; a entrada responde rápido e custa uma fração. O preço vem por milhão de tokens (pedaços de palavra pelos quais o fornecedor mede o uso), separado em entrada, o que você manda ler, e saída, o que a máquina escreve. A saída custa de três a seis vezes mais que a entrada.

A Anthropic, dona do Claude, organiza a família em quatro degraus, segundo a tabela oficial de modelos. O Claude Fable 5.1, de setembro de 2026, é o topo para raciocínio exigente e custa US$ 10 na entrada e US$ 50 na saída. O Claude Opus 5.5, de 22/09/2026, custa US$ 4 e US$ 20 e é o padrão para trabalho longo de programação e de conhecimento. O Claude Sonnet 5.5, de 28/09/2026, custa US$ 2 e US$ 10, e o Claude Haiku 4.5, o mais rápido, custa US$ 1 e US$ 5. Os três primeiros leem até 1 milhão de tokens de uma vez; o Haiku, 200 mil.

Em 03/09/2026 a OpenAI lançou o GPT-6 Astra, seu novo topo, a US$ 10 na entrada e US$ 50 na saída, com preço maior acima de cerca de 272 mil tokens por pedido (CNBC). Em 22/09 a família GPT-6 ganhou as versões Sol e Luna, com os mesmos nomes usados na geração anterior, o que obriga a conferir o número da versão em toda proposta. A família GPT-5.6, de julho, segue em uso amplo, com 1 milhão de tokens de contexto (anúncio do GPT-5.6). Os três tamanhos custam US$ 5 e US$ 30 no Sol, US$ 2 e US$ 12 no Terra e US$ 0,20 e US$ 1,20 no Luna (compilação de preços da CloudZero).

A xAI, de Elon Musk, lançou o Grok 4.7 em 21/09/2026, com janela de 500 mil tokens. Ele custa US$ 2 na entrada e US$ 6 na saída até 200 mil tokens por pedido, e o dobro acima disso (tabela da xAI). O Grok vive dentro da rede social X e lê as publicações dela em tempo real, coisa que nenhum concorrente oferece. Os planos pessoais vão de US$ 8 por mês, no X Premium, a US$ 300, no SuperGrok Heavy.

O Google oferece o Gemini 3.1 Pro, com janela de 1 milhão de tokens, a mesma dos modelos de ponta do Claude. Ele custa US$ 2 na entrada e US$ 12 na saída até 200 mil tokens por pedido (preços do Gemini). Na ponta econômica, o Gemini 2.5 Flash-Lite custa US$ 0,10 e US$ 0,40, o mais barato da comparação. Os Gemini Flash das versões 3.6 a 3.8 estão em preço promocional de US$ 0,75 e US$ 3,75 até 31/12/2026 e dobram em 01/01/2027, detalhe que muda qualquer orçamento do ano que vem. Empresas no Google Workspace Business Standard ou superior já recebem o Gemini dentro do pacote de escritório.

Os quatro lado a lado, em setembro de 2026

Preços por milhão de tokens, em dólar, na ordem entrada e saída, para pedidos de até 200 mil tokens. A tabela envelhece em semanas: confira a página oficial de cada fornecedor na data da compra.

O que as referências públicas medem, e o que não medem

Toda comparação de fornecedor chega com um ranking anexado. As referências públicas de desempenho, provas padronizadas que o mercado chama de benchmark, servem para triagem e dizem pouco sobre a sua tarefa. Em setembro de 2026, o índice geral da Artificial Analysis punha o GPT-5.6 Sol em primeiro, com 58,9%, e o Claude Opus 5.5 em segundo, com 57,6%, segundo o agregador BenchLM. Uma diferença de 1,3 ponto entre os dois primeiros não decide contrato nenhum.

Em programação, o teste SWE-Bench Verified mostra o Claude Opus 5 com 96,0% e o GPT-5.6 Sol com 96,2%, na prática um empate, e o Grok 4.5 com 86,6%. Na prova de raciocínio mais difícil em circulação, o Humanity's Last Exam, o Claude Fable 5.1 lidera, com 59,1% ou 65% conforme a metodologia de quem mede. O Gemini 3.1 Pro não aparece no topo desses quadros, embora esteja no grupo de cima da LMArena, em que usuários votam às cegas entre duas respostas.

Três cuidados acompanham qualquer número desses. A ordem muda com a metodologia, e o mesmo modelo aparece em posições diferentes conforme quem aplica a prova. Parte dos resultados é divulgada pelo próprio fornecedor. E nenhum desses testes usa os seus contratos, a sua planilha nem o português do seu cliente. Use o ranking para escolher quais dois ou três modelos entram no teste interno, e o teste interno para escolher qual deles fica.

Política de dados, contrato a contrato

A pergunta que mais pesa para a diretoria não aparece em ranking: o que o fornecedor faz com o que a sua equipe digita. A resposta muda conforme o tipo de conta. Na conta de consumidor vale o termo de adesão aceito com um clique; na conta empresarial vale o contrato assinado pela empresa. É essa distinção, e não a marca, que define o risco do dado que entrou.

Na Anthropic, os planos comerciais não usam o conteúdo para treinar modelos por padrão. São eles o Team, o Enterprise e a interface de programação, o acesso que os sistemas da empresa usam sem passar pela tela de conversa. A exclusão automática acontece em até 30 dias, salvo retenção maior contratada. Clientes elegíveis podem contratar retenção zero de dados, em que o fornecedor não guarda pedido nem resposta depois de responder. Nas contas de consumidor, quem autoriza o uso para melhoria do modelo fica com retenção de até cinco anos (análise da Anarlog).

Do lado da OpenAI, os planos Business e Enterprise e a interface de programação ficam fora do treinamento por padrão. A interface de programação guarda os dados por 30 dias, e o Enterprise permite configurar a retenção, com mínimo de 90 dias para conversas do ChatGPT. A retenção zero segue disponível para clientes elegíveis, confirmada em agosto de 2026 (privacidade empresarial da OpenAI). No Google Workspace, o administrador escolhe guardar a atividade do Gemini por 3, 18 ou 36 meses, ou sem prazo, com 18 meses como padrão. O conteúdo fica fora do treinamento e da revisão humana sem consentimento da organização (central de privacidade do Workspace).

Com a xAI, exija por escrito a política de retenção e de treinamento para uso corporativo antes de qualquer dado interno. Até esse documento entrar no contrato, trate o Grok como ferramenta de dado verde, o público, no semáforo do módulo 8.

O risco reputacional que acompanha o Grok

Risco reputacional de fornecedor é o dano à imagem da sua empresa por associação a uma ferramenta envolvida em escândalo, mesmo quando o seu uso foi correto. No caso do Grok, ele tem data e número. Em dezembro de 2025 a xAI lançou um recurso de edição de imagens de pessoas reais. Em menos de duas semanas, o Center for Countering Digital Hate contou mais de 3 milhões de imagens sexualizadas geradas com ele, mais de 23 mil delas aparentando retratar crianças (resumo na Wikipédia).

A resposta regulatória veio rápida. Indonésia e Malásia bloquearam o recurso, e reguladores do Reino Unido, da Europa e da Índia pediram explicações. Em 26/01/2026 a Comissão Europeia abriu processo formal contra o X com base na lei europeia de serviços digitais (Migalhas). O X restringiu a geração de imagens a assinantes pagos. Para uma marca, a pergunta prática é o que acontece se uma peça de campanha sair de uma ferramenta que está no noticiário por esse motivo.

Nada disso apaga a vantagem real do Grok, que é ler a conversa pública do X no minuto em que ela acontece. Num estudo de maio de 2026 com 153 mil citações, só 14,1% das fontes citadas pelo Grok coincidiam com os dez primeiros resultados da busca tradicional (Organikpi). Ele enxerga outra parte da internet. O uso defensável é monitorar tendência e menção de marca, com dado público, sem gerar imagem de pessoa nem peça que leve a marca.

Qual assistente para qual trabalho

Com preço, contexto, dados e risco na mesa, a escolha se faz por trabalho, e nenhum fornecedor vence todos. Para uso geral, como resumo, e-mail e pesquisa rápida, os planos de entrada custam de US$ 4,99 por mês, no Google AI Plus, a US$ 20, no Claude Pro e no ChatGPT Plus. São contas de consumidor. Com dado interno, o caminho é o plano empresarial: ChatGPT Business, Claude Team ou o Gemini que já vem no Workspace.

Para programação em sistemas grandes, o Claude Code com o Opus 5.5 é a recomendação mais consistente nas fontes de mercado, e o Codex, da OpenAI, compete bem para quem já paga o ChatGPT. Para ler de uma vez um documento longo, como um processo inteiro, o Gemini 3.1 Pro e os modelos de ponta do Claude empatam em 1 milhão de tokens; o Gemini leva vantagem de preço na entrada. Para um agente que opera planilha, documento e navegador no seu computador, o Claude Cowork, com complementos para Excel, Word e PowerPoint desde abril de 2026, é o mais maduro.

Vídeo gerado em escala tem no Sora 2, da OpenAI, o preço mais claro, por segundo, a partir de US$ 0,10 em 720p. O problema científico mais difícil tem no Claude Fable 5.1 o líder da prova de raciocínio mais exigente. Monitorar a rede X em tempo real é território do Grok, com as restrições da seção anterior. E classificar ou extrair em grande volume com orçamento curto cabe no Gemini 2.5 Flash-Lite ou no GPT-5.6 Luna, os mais baratos da comparação.

A escolha do assistente em cinco passos

A matriz vira decisão quando cinco pessoas diferentes fazem, cada uma, a sua parte. O roteiro abaixo cabe em trinta dias.

Primeiro, o inventário de contas. Finanças cruza a fatura do cartão corporativo com a lista de ferramentas da tecnologia e separa conta de consumidor de conta empresarial. Pronto quando cada assinatura tiver dono, plano, tipo de conta e custo mensal.

Depois, a triagem por dado. A segurança da informação marca, para cada conta de consumidor, se ela já recebeu dado interno ou acima. Pronto quando toda conta pessoal com dado interno tiver data para migrar ao plano empresarial ou para ser encerrada.

Terceiro, o padrão por trabalho. O CIO, com os donos das rotinas, escolhe um assistente padrão e um substituto para cada trabalho da matriz. Pronto quando nenhum trabalho tiver mais de dois assistentes autorizados.

Quarto, as cláusulas. Jurídico e compras localizam, no contrato de cada fornecedor escolhido, a cláusula de não treinamento, o prazo de retenção e a retenção zero onde houver. Pronto quando cada cláusula estiver citada com página e data.

A reconferência. O CFO agenda uma revisão trimestral de preços, modelos e políticas, porque a tabela de setembro não vale para dezembro. Pronto quando a próxima revisão estiver marcada com o nome de quem traz os números.

A escolha que cabe a você

Padronizar a empresa inteira num único fornecedor simplifica contrato, treinamento e controle de dados. Em troca, a empresa paga preço de topo em tarefas que um modelo barato resolveria e fica presa ao próximo reajuste. Autorizar dois fornecedores com papéis definidos exige dois contratos e um critério escrito de quando usar cada um, e devolve poder de negociação e alternativa quando um deles falha ou encarece.

Fique com um só enquanto a IA couber em uma ou duas rotinas e o gasto anual for menor que o custo de negociar e manter um segundo contrato. Acima disso, autorize dois, com a divisão de trabalho escrita na matriz. Feche a primeira matriz em trinta dias e confira pela fatura do mês seguinte: nenhuma assinatura fora dela e nenhuma conta pessoal com dado interno.

Na décima quinta semana, a fatura de IA da Horizonte quadruplicou. A tecnologia havia ligado o atendimento ao modelo mais capaz do fornecedor escolhido, e cada pergunta sobre segunda via de boleto passava pelo mesmo motor que redige parecer de aquisição. A conta estava certa e o desenho estava errado: tarefa simples pagando preço de tarefa difícil.

A distância entre as pontas do mercado torna esse erro caro. Por milhão de tokens de saída, o modelo mais barato da comparação do módulo anterior custa US$ 0,40 e os dois mais caros custam US$ 50, 125 vezes mais. Escolher qual modelo faz cada tarefa, e manter essa escolha sob contrato e medida, é a alavanca de custo que mais rende depois de eliminar o trabalho desnecessário, como o módulo 10 mostrou.

Roteamento por tarefa, como numa transportadora

Roteamento de modelos é a regra que manda cada tarefa para o modelo mais barato capaz de cumprir o critério de aceite. É a transportadora que escolhe o veículo pelo peso e pela urgência da carga: moto para envelope, caminhão para mudança. A regra fica escrita e auditável, e ninguém escolhe o modelo pelo gosto do dia.

Três faixas bastam para começar. A econômica, com modelos como Claude Haiku 4.5, GPT-5.6 Luna e os Gemini Flash, resolve classificação, extração de campos, triagem e resposta padronizada. A intermediária, com Claude Sonnet 5.5, GPT-5.6 Terra, Gemini 3.1 Pro e Grok 4.7, cobre redação, síntese de documentos e análise com fontes anexadas. A de topo, com Claude Opus 5.5, Claude Fable 5.1, GPT-6 Astra e GPT-5.6 Sol, fica com raciocínio longo, programação complexa e as exceções que as outras faixas não resolvem.

O desenho mais econômico começa embaixo e sobe só quando precisa. A tarefa entra na faixa econômica; se a resposta sai com baixa confiança, falha num teste de formato ou esbarra num termo de risco, como rescisão ou multa, ela sobe uma faixa. Quem define o gatilho de subida é o dono do fluxo, e não o fornecedor.

Três faixas, e o sinal que manda subir

Preço de saída por milhão de tokens em setembro de 2026, para pedidos de até 200 mil tokens. A última coluna é a regra que o dono do fluxo escreve.

A conta com números, antes e depois do roteamento

Imagine um atendimento, fictício como toda a Horizonte, que consome por mês 1 bilhão de tokens de entrada e 200 milhões de saída. Com tudo no Claude Opus 5.5, a US$ 4 e US$ 20, a conta fecha em US$ 8 mil por mês. Com tudo no Claude Fable 5.1, em US$ 20 mil. Com tudo no Claude Haiku 4.5, em US$ 2 mil, e no GPT-5.6 Luna, em US$ 440.

Roteado, o mesmo volume vai 80% para o Haiku 4.5, 15% para o Sonnet 5.5 e 5% para o Opus 5.5. A conta cai para US$ 2.600, cerca de um terço do cenário todo no Opus. Falta nessa soma a revisão: se a faixa econômica errar mais e o revisor gastar mais tempo, a economia some. Por isso o roteamento só vale com o custo por entrega aprovada do módulo 10 ao lado.

Três armadilhas de preço aparecem só no contrato. O Grok 4.7 dobra de preço acima de 200 mil tokens por pedido, e o GPT-6 Astra cobra mais acima de cerca de 272 mil. Os Gemini Flash das versões 3.6 a 3.8 têm preço promocional até 31/12/2026 e dobram em 01/01/2027. E a tabela oficial da Anthropic indica que o Claude Haiku 4.5 pode ser retirado a partir de 15/10/2026, o que obriga quem monta fluxo sobre ele a prever a migração.

Na outra direção, existe desconto a capturar. O cache de contexto cobra menos pelo trecho longo reenviado a cada chamada, como a tarifa menor de quem repete a mesma rota todo dia. No Opus 5.5, ele derruba a leitura repetida para US$ 0,20 por milhão de tokens. No Gemini, o processamento em lote, para tarefas que podem esperar algumas horas, sai pela metade do preço.

Vários modelos sem perder o controle

Estratégia multimodelo é usar mais de um fornecedor ou família ao mesmo tempo. Ela só funciona com uma camada comum de acesso, o ponto único por onde passam todas as chamadas, como a central telefônica da empresa. Essa camada registra, em cada chamada, modelo e versão, custo, fluxo de origem e resultado da revisão. Sem ela, cada área contrata o seu fornecedor e ninguém soma a fatura.

A camada comum também protege contra a dependência de fornecedor, que o mercado chama de lock-in: a situação em que trocar custa tanto que a empresa perde poder de negociação. Com o padrão aberto de conexão descrito no módulo 7 e dois fornecedores habilitados em cada faixa, trocar vira mudança de configuração. O segundo fornecedor ainda serve de reserva quando o primeiro sai do ar, com a troca automática definida antes da pane.

Toda troca de modelo passa pelo mesmo conjunto de avaliação do fluxo, as perguntas com resposta conhecida que o módulo 7 ensinou a montar. Modelo novo que acerta menos que o anterior no conjunto da casa não entra, mesmo que tenha subido no ranking público da semana.

Dados e contrato, cláusula a cláusula

Retenção zero de dados é o regime em que o fornecedor não guarda o pedido nem a resposta depois de devolver o resultado. Anthropic e OpenAI oferecem esse regime a clientes elegíveis da interface de programação, e o Claude Opus 5.5 chegou com essa opção. Mesmo nesse regime, a Anthropic pode reter o resultado dos seus classificadores de segurança. A OpenAI passou a operar a retenção zero nos modelos de fronteira por um sistema próprio de processamento de segurança, anunciado em agosto de 2026. Leia a exceção antes de prometer ao conselho que nada fica guardado.

Seis cláusulas cobrem o que costuma dar problema. Uso do conteúdo para treinamento, proibido por escrito. Prazo de retenção e, onde houver, retenção zero para os fluxos com dado laranja ou vermelho. Local de processamento e lista de subcontratados. Aviso prévio de retirada de modelo, com prazo para migrar. Regra de reajuste, inclusive fim de preço promocional. E direito de exportar registros e configurações ao sair.

Nos planos por assento, confira o que o preço inclui. O Claude Enterprise cobra US$ 20 por assento mais o uso a preço da interface de programação (planos do Claude). O ChatGPT Business custa de US$ 20 a US$ 25 por usuário (OpsLyft), e o Gemini chega sem custo extra nos planos Business Standard ou superiores do Workspace. Preço por assento parecido esconde modelos de cobrança diferentes, e o que pesa no ano costuma ser o consumo, não a licença.

O piloto comparativo de 90 dias

Piloto comparativo é o teste em que dois ou três modelos resolvem as mesmas tarefas reais e são avaliados às cegas, pelo mesmo critério de aceite, antes da assinatura. Às cegas quer dizer que o revisor não sabe qual modelo produziu cada saída, como na degustação em que o rótulo fica escondido.

Nos dias 1 a 30, o dono do fluxo separa cinquenta tarefas reais anonimizadas, escreve o critério de aceite e mede a linha de base do processo atual. Nos dias 31 a 60, cada candidato resolve as cinquenta tarefas pela camada comum, e dois revisores avaliam sem saber a origem. Nos dias 61 a 90, o comitê compara e decide, e o contrato é negociado com os números na mão.

Cinco métricas decidem. Taxa de aceite na primeira revisão, custo por entrega aceita com a hora de revisão incluída e minutos de revisão por entrega medem eficiência. Correções materiais por cem entregas e incidentes de dado ou de segurança medem risco. A regra de parada vem escrita antes: candidato com correção material acima do limite do fluxo sai do piloto, qualquer que seja o preço.

A combinação de modelos em cinco passos

Rotear, contratar e medir cabem num trimestre quando cada passo tem dono e condição de pronto.

Primeiro, o fluxo e a linha de base. O dono do fluxo escolhe um fluxo de volume alto, como triagem de atendimento, e mede custo e tempo atuais. Pronto quando houver um mês completo de números de partida.

Depois, a camada comum. A tecnologia coloca todas as chamadas desse fluxo atrás de um ponto único, com registro por chamada e teto de gasto. Pronto quando o relatório mostrar modelo, custo e resultado de cada chamada da última semana.

Terceiro, as faixas e os gatilhos. O dono do fluxo distribui as tarefas pelas três faixas e escreve o gatilho de subida. Pronto quando a política de roteamento couber em uma página assinada pelo dono e pelo CFO.

Quarto, o piloto às cegas. O dono do fluxo e dois revisores rodam o piloto comparativo com cinquenta tarefas reais. Pronto quando as cinco métricas estiverem medidas para cada candidato.

O contrato. Compras e jurídico negociam com os fornecedores que passaram, usando as seis cláusulas e os números do piloto. Pronto quando o contrato citar treinamento, retenção, aviso de retirada e regra de reajuste.

A escolha que cabe a você

Contrato anual com um fornecedor, com desconto por volume comprometido, traz previsibilidade e um só ponto de negociação, e prende o volume a uma tabela que o mercado pode baratear em um trimestre. Consumo em dois fornecedores, pela camada comum, custa mais esforço de gestão e mantém a opção de mover volume quando um preço cai ou um modelo novo passa no conjunto de avaliação da casa.

Comprometa volume anual apenas com o fornecedor que venceu o piloto às cegas, e só pela parcela de volume estável há três meses; o resto fica em consumo. Rode o piloto no próximo trimestre e decida no dia 90 pelas cinco métricas: fica com a faixa o candidato de menor custo por entrega aceita que não passar o limite de correção material.