A maioria das empresas está construindo IA na ordem errada

Tem uma frase que aparece em quase toda reunião de tecnologia hoje: “precisamos ser AI-native”. A demanda é real. O critério, não. O vazio é preenchido por diretrizes genéricas (“usem mais IA”, “construam mais agentes”), e o resultado recorrente é alto investimento com retorno baixo.

Pedro Bobrow, junto com Christophe Gerlach, publicou um white paper que tenta fechar esse gap com uma régua de cinco níveis de maturidade em adoção de IA. A régua é deles; a leitura aqui é minha. O que mais me chamou atenção não foi o framework em si, foi o aviso embutido nele sobre como quase todo mundo usa frameworks assim.

Os 5 níveis

Cada nível é uma capacidade qualitativamente diferente, com lógica própria, e essa distinção importa mais adiante.

N1, produtividade individual: cada pessoa usa IA do seu jeito. Os ganhos ficam concentrados em quem tem mais habilidade. A área não muda estruturalmente.

N2, produtividade de time: existe uma biblioteca compartilhada de ferramentas, agentes e skills. A área para de depender da habilidade de cada um, mas cada solução ainda opera em silos e depende do humano pra receber contexto.

N3, sistema operacional contextualizado: uma camada agêntica única conecta os sistemas da área e executa qualquer fluxo. Alguém pergunta “qual o status real do Q3 e os principais riscos?” e recebe uma síntese cruzando Notion, Drive, Slack e histórico de calls.

N4, inteligência de decisão: a camada passa a exercer julgamento. Identifica problemas, propõe planos e recomenda decisões com base em como os humanos da área historicamente decidiram. O humano aprova, edita ou rejeita.

N5, inteligência adaptativa: a camada aprende sozinha, observando os resultados das próprias decisões. Os autores são honestos: N5 ainda não foi observado em escala suficiente pra descrever padrões com segurança.

O erro que a régua expõe

A leitura instintiva é tratar os níveis como degraus: consolida o N1, sobe pro N2, depois pro N3. O paper argumenta que esse é exatamente o caminho que mais produz retrabalho.

Os blocos que sustentam o N4 (camada agêntica única, capacidade de julgamento, ciclo de aprovação) não emergem de otimizar o N1 ou o N2. Precisam ser desenhados desde o começo para o nível-alvo. Empresas que passam meses criando agentes e skills descobrem, na hora de capturar impacto real, que precisam descartar boa parte do que construíram.

Loop aberto, loop fechado

O conceito mais acionável do paper, na minha leitura. A maioria das organizações que “investe pesado em IA” opera em loop aberto: agentes produzem outputs, os outputs vão pro negócio, nada retorna. Toda melhoria exige intervenção manual. O sistema processa mais, mas não aprende mais.

O loop fechado é o que separa o N3 do N4: o sinal de saída volta pro sistema e modifica o comportamento futuro. E aqui um detalhe que vale registrar: aprovação humana não é automaticamente loop fechado. Se o sinal da aprovação não volta pro sistema, o que se produz é governança, não aprendizado. Loop aberto escala execução. Loop fechado escala qualidade.

As três perguntas

Se você lidera adoção de IA na sua área, talvez valha parar antes do próximo agente e responder: em qual nível a área está hoje? Qual é o nível-alvo (e por que esse, não o máximo)? Estou construindo os blocos do nível-alvo ou otimizando o nível em que já estou?

A resposta honesta à terceira tende a revelar bastante. Pode ser que o verdadeiro custo da adoção desorganizada não seja o que foi construído errado, e sim o tempo de descartar e reconstruir na direção certa.

O white paper completo de Bobrow e Gerlach está em lnkd.in/dA_DmZPt.