Bom dia.
A semana entregou um número desconfortável: segundo a McKinsey, 94% das empresas ainda não conseguiram criar valor relevante com Inteligência Artificial.
O dado parece estranho. Nunca houve tanta ferramenta, tanto investimento e tanta empresa dizendo que está usando IA. Mesmo assim, o resultado econômico continua aparecendo para poucos.
As histórias desta edição ajudam a entender por quê. A Meta produziu muito mais código e viu crescer o volume de incidentes. No varejo australiano, assistentes de compra foram associados a conversões até três vezes maiores. No Brasil, a Portonave mostrou que colocar IA em operação exige bem mais do que escolher um modelo.
Talvez a diferença esteja menos no acesso à tecnologia e mais no sistema que a empresa constrói ao redor dela.
Passando rápido
🇧🇷 OpenAI abre operação comercial no Brasil
O Brasil entrou oficialmente no mapa comercial da OpenAI. A empresa abriu uma operação local em São Paulo e informou que o país já está entre os três maiores mercados do ChatGPT em usuários ativos semanais.
Os brasileiros enviam aproximadamente 215 milhões de mensagens por dia. O número de licenças do ChatGPT Enterprise cresceu cinco vezes em um ano, e o Brasil ocupa a segunda posição mundial em quantidade de desenvolvedores usando a API da empresa.
É muita adoção. Resultado para as empresas já é outra conta.
O movimento confirma que o mercado brasileiro passou a ser importante demais para ser atendido apenas de longe. Agora, a disputa por contratos empresariais, parceiros, desenvolvedores e influência sobre o ecossistema deve ficar mais intensa por aqui.
⚖️ Google cria uma plataforma de agentes para o trabalho jurídico
O Google apresentou o Gemini Enterprise for Legal, uma plataforma que conecta agentes de IA aos sistemas já usados por escritórios e departamentos jurídicos.
A proposta inclui revisão e comparação de contratos, pesquisa jurídica, acompanhamento de mudanças regulatórias, criação de documentos e análise de grandes volumes de informação. Os agentes herdam as permissões existentes nos sistemas conectados e mantêm as fontes utilizadas em cada resposta.
Esse detalhe importa. Trabalho jurídico envolve sigilo, histórico, regras internas e decisões que não podem depender de uma resposta bonita e sem origem verificável.
A plataforma está em prévia, sem preço público e ainda sem resultados operacionais divulgados. Por enquanto, vale mais como sinal de direção: a disputa está saindo do chatbot genérico e avançando para operações especializadas, conectadas aos dados e às regras de cada profissão.
Na edição de hoje
94% ainda procuram valor: o que as poucas empresas bem-sucedidas fizeram diferente.
220% mais código: por que a Meta também viu crescer incidentes e retrabalho.
Atendimento que mexe no carrinho: agentes associados a mais conversão e tíquete maior.
30 segundos por caminhão: IA, scanners e infraestrutura na Portonave.
Autonomia com cadeado: um agente pode agir sem receber liberdade irrestrita.
O modelo ia desaparecer: o custo escondido de depender de um único fornecedor de IA.
A equipe decide muito do resultado: medo, participação e adoção dentro das empresas.
O número da semana: 94%
A McKinsey analisou empresas que já usam IA e concluiu que 94% ainda não criaram valor relevante com a tecnologia.
Depois, a consultoria estudou separadamente 20 grandes organizações que conseguiram avançar. Nessa amostra selecionada, o EBITDA melhorou 20% em média. Dois terços concentraram a transformação em três áreas de negócio ou menos.
O ponto mais interessante não é o tamanho do retorno. Essas empresas investiram entre US$ 50 milhões e mais de US$ 200 milhões, uma realidade muito distante da maior parte das empresas brasileiras.
O que merece ser trazido para cá é a concentração.
Elas escolheram poucos pontos em que uma melhoria teria efeito econômico perceptível. Em mineração, poderia ser rendimento e capacidade de produção. Em uma companhia aérea, experiência do passageiro. A tecnologia foi montada ao redor do problema, junto com dados, mudanças de rotina e novos critérios de decisão.
É quase o oposto do que acontece quando uma empresa distribui assinaturas de ferramentas, promove uma palestra e espera que a transformação apareça por osmose no fechamento do mês.
Para uma pequena ou média empresa, o começo pode ser muito mais simples:
Escolher um ou dois processos ligados a receita, custo, capacidade ou risco.
Registrar como esses processos funcionam hoje.
Definir o indicador que mostrará se houve melhora.
Só então decidir onde IA, automação ou integração realmente ajudam.
A Meta produziu 220% mais código. Os incidentes subiram 40%
Documentos internos examinados pela Reuters mostram um retrato incômodo da corrida por produtividade dentro da Meta.
Em um ano, o volume de alterações de código cresceu 220%. As mudanças que efetivamente chegaram aos usuários, porém, aumentaram 36%.
No mesmo período, grandes incidentes técnicos e de segurança subiram 40%, enquanto o tempo gasto pelas equipes para apagar incêndios cresceu 70%.
Os números aparecem no contexto do Project OT, uma reorganização que combinava agentes de IA, equipes menores e mudanças de gestão. Isso significa que seria precipitado colocar toda a culpa na tecnologia. Houve várias alterações acontecendo ao mesmo tempo.
Mesmo assim, o caso deixa uma mensagem bastante concreta: volume de produção não é sinônimo de trabalho útil.
Uma automação pode responder mais mensagens, gerar mais documentos, produzir mais código ou criar mais propostas. Se também aumentar erros, retrabalho, reclamações e horas de revisão, o painel pode ficar verde enquanto a operação perde qualidade.
Toda iniciativa de IA deveria acompanhar pelo menos quatro coisas:
quanto foi produzido;
quanto chegou a um resultado útil;
quanto gerou erro ou retrabalho;
qual foi o efeito econômico ou operacional.
Se a empresa mede apenas a primeira linha, ela sabe que a máquina está ocupada. Ainda não sabe se o negócio melhorou.
Quando o atendimento começa a mexer no carrinho
A Wesfarmers, um dos maiores grupos de varejo da Austrália, colocou assistentes de compra em operações como Bunnings, Kmart e Officeworks.
O Buddy, da Bunnings, respondeu a mais de 350 mil perguntas. Segundo o CEO do grupo, jornadas que passaram pelos assistentes apresentaram conversão de duas a três vezes maior e tíquete entre 20% e 40% superior.
Os dados foram apresentados pela própria companhia e não isolam o efeito da IA de fatores como intenção de compra, promoções, marca e experiência do site. Ainda assim, mudam a conversa sobre como avaliar um agente de atendimento.
Contar mensagens respondidas é fácil. O que realmente interessa pode estar alguns passos adiante:
a pessoa encontrou o produto certo?
montou um carrinho?
concluiu a compra?
comprou mais itens úteis para aquela necessidade?
precisou chamar um atendente humano?
Em nossas implantações, percebemos outro valor que costuma passar despercebido: as conversas revelam problemas da própria empresa.
Um cliente reclama de uma falha no site. Vinte minutos depois, outro relata o mesmo problema para um atendente diferente. Para cada pessoa, aquilo pode parecer um caso isolado. Quando um agente de IA atende e outro analisa o conjunto das conversas, padrões, reclamações recorrentes e oportunidades de melhoria aparecem muito mais rápido.
O atendimento passa a produzir duas coisas: respostas para o cliente e inteligência para a gestão.
BrosAI na prática
Se o seu atendimento recebe perguntas que antecedem a compra ou esconde reclamações recorrentes, podemos mapear o fluxo, conectar o agente às informações da empresa e medir carrinhos, conversão, encaminhamentos e padrões encontrados nas conversas.
No terminal da Portonave, em Santa Catarina, quatro scanners conseguem inspecionar aproximadamente quatro mil caminhões por dia.
Cada equipamento examina cerca de 120 caminhões por hora, com passagem média de 30 segundos. Os scanners geram imagens de alta definição e utilizam recursos de Inteligência Artificial para apoiar a vistoria de contêineres.
Foram investidos R$ 25 milhões na aquisição e implantação dos equipamentos. Outros R$ 5 milhões foram para a construção de uma pista coberta, preparada para manter a operação mesmo com chuva forte, vento ou granizo e facilitar a manutenção.
Essa segunda parte quase nunca ganha a manchete, mas conta boa parte da história.
Em operações físicas, um modelo de IA depende de imagem consistente, equipamento funcionando, manutenção, licenciamento, infraestrutura, regras de inspeção e uma pessoa responsável pela decisão. O software pode ser sofisticado. Sem o restante, ele vira uma peça cara esperando o próximo chamado técnico.
O aprendizado transferível está na arquitetura. Uma empresa menor pode aplicar a mesma lógica a inspeção visual, controle de qualidade, conferência de produtos, segurança ou identificação de anomalias. A escala muda. A necessidade de integrar tecnologia, processo e decisão humana permanece.
Um agente pode operar sem receber a chave do cofre
A Scalable Capital, plataforma europeia de investimentos, abriu parte de sua operação para assistentes externos de IA.
Com a integração ativada, um agente pode consultar a carteira, preparar planos e organizar transações em linguagem natural. A execução, porém, continua cercada por autenticação, permissões, informações prévias de custo e confirmação explícita do cliente.
Depósitos e saques ficaram fora da integração. Todas as atividades podem ser acompanhadas em tempo real, e o acesso pode ser desativado.
É um bom exemplo de que autonomia pode ser dividida em etapas:
ler;
sugerir;
preparar;
pedir confirmação;
executar;
notificar;
permitir interrupção.
Essa arquitetura serve para muito mais do que investimentos.
Em um projeto nosso, por exemplo, o agente podia receber um comprovante de pagamento, interpretar o documento, pedir uma identificação que estivesse faltando e organizar tudo para a equipe. Ele não podia afirmar que o pagamento estava confirmado apenas porque recebeu uma imagem ou PDF. A baixa financeira continuava dependendo de conferência humana.
O mesmo vale para descontos, cancelamentos, alterações cadastrais, compras e agendamentos. A IA pode preparar quase todo o caminho sem tomar sozinha a decisão mais sensível.
Autonomia bem desenhada não entrega a chave do cofre. Ela reduz o trabalho necessário até o momento em que alguém autorizado precisa decidir.
O modelo ia desaparecer. O prompt tinha 1.700 linhas
Em um dos clientes da BrosAI, construímos um agente de atendimento utilizando um modelo de Inteligência Artificial do Google.
A operação estava funcionando quando a empresa (Google) anunciou que aquele modelo seria descontinuado em aproximadamente cinco meses. Havia algum tempo para planejar a migração. Pelo menos no calendário.
Antes do prazo chegar, começamos a perceber uma piora nas respostas. O agente passou a seguir algumas instruções com menos precisão e a cometer erros que não apareciam com a mesma frequência.
Até hoje, não sabemos a causa. O modelo pode ter recebido menos atualizações, ter sofrido alguma alteração interna ou simplesmente ter deixado de acompanhar a evolução dos demais produtos. Não temos evidências para afirmar que a piora foi provocada intencionalmente para forçar uma migração.
O problema concreto já era suficiente: o substituto indicado pelo Google, dentro da equivalência que precisávamos, custaria aproximadamente cinco vezes mais.
Decidimos migrar a operação para a OpenAI.
Na planilha, trocar um modelo parece uma alteração de configuração. Em produção, muda muito mais. Cada modelo interpreta instruções, utiliza ferramentas, organiza respostas e reage às exceções de uma maneira diferente.
Nosso agente possuía um prompt com cerca de 1.700 linhas. Boa parte dele precisou ser revisada e adaptada às pressas. Depois vieram novos testes, correções e acompanhamento para garantir que a mudança não criasse outros problemas no atendimento.
A experiência reforçou que o desenvolvimento de um agente não termina quando ele começa a responder corretamente.
Em produção, alguém precisa acompanhar a qualidade das conversas, perceber mudanças de comportamento, monitorar versões e preços, manter testes e saber quando corrigir, adaptar ou migrar a operação.
É aí que aparece a diferença entre simplesmente configurar uma ferramenta e ter uma empresa séria responsável pelo projeto.
Uma implantação profissional documenta as regras do agente, registra as integrações, testa situações importantes e acompanha a evolução dos fornecedores. Quando alguma coisa muda, existe uma equipe capaz de investigar o problema e reagir antes que o cliente descubra a falha no meio de uma conversa.
O melhor modelo disponível hoje provavelmente não continuará sendo a melhor escolha para sempre. O papel da empresa responsável pelo agente é garantir que a operação continue funcionando quando essa escolha precisar mudar.
Conheça o trabalho da BrosAI. Fale com nossa Agente de Atendimento, Lia.
A equipe consegue acelerar ou neutralizar a implantação
Um estudo recente cruzou avaliações de funcionários, comunicações corporativas, vagas e indicadores empresariais para observar como trabalhadores e lideranças enxergam a IA.
Os autores encontraram uma associação entre percepção positiva dos funcionários e produtividade. O entusiasmo da gestão, sozinho, não apresentou a mesma relação. A insegurança em relação ao emprego apareceu como um fator negativo importante.
É um working paper com dados de empresas americanas. Ele mostra associação, não prova que uma atitude positiva cause produtividade. Ainda assim, conversa diretamente com algo que vemos nas empresas.
Quando a chegada da IA é anunciada sem contexto, alguns colaboradores escutam apenas uma coisa: “estão procurando quem substituir”. O medo pode gerar ansiedade, resistência e queda de produtividade antes mesmo de a ferramenta entrar em operação.
Quando a equipe participa do mapeamento e da construção, duas coisas melhoram ao mesmo tempo.
A primeira é técnica. Quem executa o processo diariamente conhece exceções, atalhos, falhas e dependências que raramente aparecem no fluxograma apresentado pela direção.
A segunda é humana. Ao participar, os colaboradores conseguem perceber onde a IA reduz tarefas repetitivas, organiza informações e apoia o trabalho. O receio não desaparece por decreto, mas a mudança deixa de acontecer como uma ameaça misteriosa enviada por e-mail.
Implantar IA também é conduzir mudança. A empresa precisa explicar o objetivo, os limites, o que será medido e quais decisões continuarão com pessoas. Precisa ouvir quem conhece a rotina e dizer com honestidade o que ainda não foi decidido.
Treinamento que parte da rotina
Quando uma equipe precisa incorporar IA ao trabalho, a BrosAI desenvolve treinamentos e implantações a partir dos processos reais da empresa, com exemplos, responsabilidades e limites claros. A ferramenta entra depois que o trabalho foi entendido.
Para guardar desta edição
O dado dos 94% não deveria servir para desanimar quem está começando. Ele serve para corrigir a mira.
A Meta mostrou que produzir mais pode aumentar o trabalho que ninguém queria ter. A Wesfarmers mediu a conversa pelo que aconteceu no carrinho. A Portonave precisou de scanners, pista coberta, manutenção e análise humana. A Scalable dividiu a autonomia em etapas. E o estudo sobre trabalhadores lembrou que a equipe participa do resultado, mesmo quando a tecnologia é excelente.
Na próxima vez que alguém apresentar uma ferramenta “pronta para transformar a empresa”, vale começar por três perguntas:
Qual problema específico ela resolve?
Que número mostrará se funcionou?
O que precisa mudar ao redor dela para que o resultado apareça?
Se essas respostas ainda não existem, provavelmente a empresa está comprando uma possibilidade. Ainda não uma transformação.
Até a próxima.
Não é sobre colocar IA em tudo. É sobre colocar IA onde faz sentido.
Se você quer identificar onde a inteligência artificial pode reduzir custos, economizar tempo ou melhorar processos na sua empresa, converse com a BrosAI.