Muitas empresas preferem alugar soluções baseadas em inteligência artificial em vez de criar ativos de negócios próprios. Embora a maioria das empresas consiga rastrear os custos de IA, poucas conseguem determinar o retorno obtido com precisão.
Muitas empresas preferem alugar soluções baseadas em inteligência artificial em vez de criar ativos de negócios próprios. Embora a maioria das empresas consiga rastrear os custos de IA, poucas conseguem determinar o retorno obtido com precisão.
Segundo Paul Domanski, fundador do desenvolvedor de sistemas de IA Cape Town Domanski.AI, a falta de quantificação dos resultados se tornou o maior problema na indústria de IA. Em vez de vender assinaturas padrão ou treinamento genérico, Domanski lançou a metodologia In-Seat AI. Esta metodologia instala sistemas de IA desenvolvidos individualmente diretamente nas funções de trabalho existentes dos funcionários, permitindo que as organizações restaurem a capacidade produtiva, preservem o conhecimento institucional e, o que é crucial, possuam os sistemas de IA criados e a propriedade intelectual.
De acordo com Paul Domanski, 'muitas empresas alugam IA em vez de construir ativos de negócios'. Ele explica que seu modelo é simples: 'Nós implementamos IA nas pessoas, não no lugar delas. O trabalho repetitivo é automatizado, enquanto o julgamento humano permanece sob controle total. O mais importante é que o cliente possui o fluxo de trabalho de IA que criamos especificamente para o seu negócio.'
As consequências financeiras dessa abordagem são mensuráveis. Em um dos primeiros exemplos, foi descoberto que um fluxo de trabalho repetitivo consumia de 128 a 240 horas de trabalho humano anualmente em uma organização de sete pessoas. Usando o custo anual médio de emprego de R600.000 por funcionário, isso equivale a aproximadamente R37.000 – R69.000 em custos anuais por operação de negócios rotineira.
A Domanski.AI foca não na substituição de pessoal, mas na liberação desse tempo para realizar tarefas de maior valor. Isso permite que funcionários experientes se concentrem na geração de receita, tomada de decisões estratégicas e atendimento ao cliente, em vez de se envolverem em trabalho administrativo rotineiro. Diferentemente de consultores de IA tradicionais ou fornecedores de software, a Domanski.AI transfere a propriedade de cada sistema de IA desenvolvido individualmente para o cliente. O negócio continua a usar a plataforma de IA preferida, mas a arquitetura do fluxo de trabalho, a lógica de negócios, o conhecimento institucional e as informações específicas da função permanecem propriedade intelectual do cliente, e não um produto de assinatura de outro fornecedor.
Domanski enfatiza que a IA está se transformando de despesas operacionais contínuas em um ativo de negócios de longo prazo, pois as empresas não precisam depender de sistemas proprietários de terceiros para acessar seu próprio conhecimento organizacional. A metodologia já foi testada em condições reais. Durante um seminário de implementação de quatro horas com a Mack Brands, um sistema de IA construído com arquivos próprios da empresa criou uma apresentação adaptada do distribuidor de 10 a 15 slides. Este sistema rejeitou com sucesso informações falsas intencionalmente inseridas por meio de mecanismos de verificação de evidências e permitiu que a equipe criasse um segundo agente operacional de IA durante o mesmo seminário.
Emma Kendrick Cox, diretora de marketing global na Mack Brands, observou: 'Até o almoço, três líderes do meu departamento já pediram a Paul para conduzir sessões individuais para criar IA em torno de seus próprios fluxos de trabalho.'
Um segundo exemplo envolveu a LiquidGold, um negócio de três pessoas focado no consumidor direto. Após uma implementação remota de 72 minutos, o processo de marketing que estava estagnado por dois anos foi transformado. A empresa obteve um planejador de anúncios do Facebook funcional, vários textos de anúncios, imagens para a campanha, conteúdo de vídeo e uma lista de verificação completa de implantação da campanha, sendo que as opções de anúncios foram geradas em menos de cinco minutos.
Domanski distingue cuidadosamente o desempenho mensurável das alegações exageradas de IA. Ele afirma: 'Não prometemos resultados milagrosos. Medimos o tempo do fluxo de trabalho antes e depois da implementação, as taxas de correção, as melhorias de qualidade e se a capacidade recuperada foi redirecionada para o trabalho produtivo. Estas são métricas que os executivos e diretores financeiros podem verificar.'
O processo começa com um Seminário Fundamental de quatro horas, durante o qual Domanski trabalha com equipes de liderança para identificar fluxos de trabalho repetitivos de alto valor, criar um protótipo funcional de IA usando dados e processos próprios da empresa, e desenvolver um roteiro de implementação. Organizações que avançam para a implementação em larga escala recebem crédito pela participação no seminário dentro do programa de implementação.
Embora as primeiras implementações documentadas tenham se concentrado em equipes de marketing e criativas, a metodologia se aplica a qualquer fluxo de trabalho repetitivo e intensivo em conhecimento em áreas como finanças, RH, operações, atendimento ao cliente, conformidade e vendas. Segundo Domanski, à medida que as organizações sul-africanas saem dos experimentos com IA, a vantagem competitiva pertencerá cada vez mais às empresas que puderem demonstrar um aumento mensurável na produtividade e manter a propriedade dos sistemas que geram essa produtividade. Ele conclui: 'O futuro não pertencerá às empresas que compram mais assinaturas de IA. Pertencerá àquelas que possuem a inteligência incorporada em seus próprios negócios.'
A autonomia da inteligência artificial demonstra uma taxa de crescimento significativamente mais rápida do que o esperado anteriormente, passando de dobrar a cada 8 meses para dobrar a cada 4,7 meses. A taxa de crescimento exponencial da duração autônoma atingiu um aumento colossal de 1400% ano a ano desde o início de 2025 até o início de 2026, e depois aumentou ainda mais em 560% apenas no primeiro semestre de 2026.
Em 2025, a autonomia da IA era limitada a menos de 15 minutos, mas até junho de 2026, a IA é capaz de operar sozinha por 4 a 5 horas sem intervenção humana, o que representa um aumento impressionante de 16 a 20 vezes. Os maiores avanços nas capacidades foram demonstrados pelo Mythos Preview (novo) e GPT-5.5-Cyber, que em suas melhores tentativas se aproximam da conclusão dos 32 passos, alcançando efetivamente o marco M9 (captura total da rede).
Foi observado que após ultrapassar o limiar de 10 milhões de tokens, os modelos antigos param de melhorar, mostrando que o aumento da capacidade computacional não aumenta o desempenho. Em contrapartida, os modelos mais recentes continuam a escalar drasticamente, transformando um maior consumo de tokens em resultados de tarefas mais altos.
Os gráficos mostram que a IA agora pode executar automaticamente ataques cibernéticos complexos e multifásicos, indo além de exploits web simples (M5) e progredindo para persistência avançada (M7), comprometimento de infraestrutura (M8) e controle de rede.
O número total de downloads mensais cresceu exponencialmente: de um nível base de 15 mil em novembro de 2024 para 11,8 milhões em janeiro de 2026 (crescimento aproximado de 780 vezes). A participação de ferramentas de ação (Action tools) aumentou consistentemente, seguindo uma tendência muito previsível. O uso computacional constitui a maior parte individual da categoria Ações, ocupando impressionantes 49,6% dos dados. O restante está distribuído entre extensões de software (9,2%), execução de código (4,2%) e outras categorias, como interação agente/humano (1,5%).
A categoria Percepção, representada por 'Sensores', ocupa uma parte grande e estável da parte superior do gráfico, constituindo 31,7% do total. As ferramentas focadas em Raciocínio têm um rastro mínimo, liderado pela Análise em 2,1%, enquanto Planejamento e Gerenciamento de Recursos permanecem abaixo de 1%. No final de 2024, as ferramentas de Raciocínio e Extensões de Software tinham proporções visuais muito maiores, mas diminuíram gradualmente à medida que o Uso Computacional e as ferramentas de Sensores escalavam até 2026.
Os agentes estão mudando da observação para ações ativas. No início do período, a maioria das ferramentas apoiava tarefas de percepção ou análise, como leitura de arquivos ou solicitação de dados. Até o final de 2025, os padrões de download mudaram para ferramentas que permitem aos agentes tomar ações diretas em sistemas externos, como execução de código ou uso de ferramentas computacionais que auxiliam na ação. Agora são essas ferramentas que constituem a maior parte do uso, especialmente aquelas lançadas por empresas reconhecidas.
No último ano, o número de ferramentas MCP publicamente lançadas aumentou mais de 35 vezes — de aproximadamente 5.000 para 177.000, acompanhado por um aumento significativo na atividade de downloads de mais de 175 vezes (de 80.000 para 14 milhões). O desempenho da IA no Exame Final da Humanidade (Humanity’s Last Exam) aumentou de menos de 10% no final de 2024 para quase 50% no início de 2026, demonstrando um crescimento consistente e acelerado em 18 meses. O teto de 50% deste exame permanece inatingível.
Google e OpenAI são líderes na vanguarda. Google (série Gemini 3/3.1) e OpenAI (série GPT-5) continuamente definem o limite superior de desempenho, fornecendo as pontuações básicas mais altas no gráfico. No início de 2026, a lacuna na fronteira está diminuindo, pois Anthropic (Claude Opus 4.7) e Meta AI (Muse Spark) seguem de perto os líderes na faixa de 35–40%.
Após julho de 2025, ocorreu uma mudança estrutural clara, quando a nova geração de modelos superou com sucesso a limitação de desempenho sustentada de 20% que restringia os sistemas anteriores.
Agentes de IA são capazes de detectar até 77% das vulnerabilidades em sistemas de software reais. No entanto, menos de 1% das vulnerabilidades detectadas por meio de varredura avançada de IA foram corrigidas. A detecção de vulnerabilidades gerenciada por IA agora abrange todos os principais sistemas operacionais e navegadores. No entanto, apenas 12% aplicam os mesmos padrões de segurança ao código gerado por IA que ao código tradicional. Aproximadamente 74% das organizações têm dificuldades em fornecer dados de origem de segurança para código de IA.
44% das empresas relatam incidentes de segurança relacionados a dependências de terceiros nos fluxos de trabalho de IA. Mais da metade dos desenvolvedores (59%) expressa preocupações com a segurança do código de IA. 65% das empresas estão preocupadas com vazamento de dados ao usar assistentes de codificação de IA. Injeções SQL e Cross-Site Scripting (XSS) permanecem entre as falhas mais comuns no código de IA. Ferramentas de IA não previnem XSS em 86% dos casos de teste, e vulnerabilidades de injeção de logs aparecem em 88% dos cenários gerados por IA. Repositórios que usam IA demonstram um nível mais alto de vazamento de segredos (6,4%) em comparação com projetos sem IA.
Java tem a taxa de falha mais alta, excedendo 71%, tornando-a a linguagem de maior risco nesta comparação. C# atinge uma taxa de aprovação de segurança de 58% com 42% de falhas, indicando um perfil de risco mais equilibrado, mas ainda moderado. JavaScript mostra uma taxa de aprovação de 57% e 43% de falhas, próximo ao C# em termos de segurança. Python lidera com a taxa de aprovação de segurança mais alta em 62% e a taxa de falha mais baixa em 38%, indicando maior confiabilidade relativa.
O código gerado por IA tem uma densidade de vulnerabilidades 2,7 vezes maior do que o código escrito por humanos. O código escrito por humanos apresenta 30–35% menos falhas críticas em auditorias corporativas. A cobertura de verificação de segurança para código gerado por IA é 20–30% menor. Assistentes de IA geram código inseguro em mais de 40% dos cenários de teste, especialmente na lógica de autenticação. 56% dos desenvolvedores admitem raramente revisar o código gerado por IA linha por linha. 61% das empresas não possuem políticas formais que regulamentem o uso de código de IA. 38% das organizações relatam divulgação acidental de dados através de código gerado por IA. 50% das organizações não possuem políticas para lidar com dados confidenciais em fluxos de trabalho de IA.
Durante auditorias de segurança em 2026, 73% dos sistemas de IA mostraram suscetibilidade a vulnerabilidades de injeção de prompt (prompt injection). Ataques de injeção de prompt tiveram sucesso em 50–84% em implementações LLM comuns, dependendo da configuração. Ataques indiretos de injeção de prompt tiveram uma taxa de sucesso 20–30% maior, pois instruções maliciosas estavam ocultas em fontes confiáveis. A injeção de prompt direta representou cerca de 45% dos ataques, enquanto a injeção indireta representou mais de 55% em 2026. Ataques indiretos de injeção de prompt multifásicos aumentaram mais de 70% em termos anuais entre 2025 e 2026. Injeções de código através de assistentes de desenvolvedor representaram 18% dos incidentes registrados de injeção de prompt em empresas. A manipulação conversacional multifásica melhorou o sucesso do ataque para 27% em comparação com ataques de prompt único. Relatórios da CrowdStrike de 2026 documentaram ataques de injeção de prompt contra mais de 90 organizações.
O ChatGPT atingiu 1 milhão de usuários em apenas 5 dias (OpenAI). No início de 2023, o ChatGPT acumulou mais de 100 milhões de usuários mensais, e até 2026, atinge 900 milhões de usuários ativos semanais. O ChatGPT já deteve o recorde do aplicativo de consumo de crescimento mais rápido, atingindo 100 milhões de usuários em cerca de dois meses. No entanto, o DeepSeek quebrou este recorde no início de 2025, ultrapassando 100 milhões de usuários em apenas 20 dias após o lançamento do aplicativo DeepSeek-R1.
1,8% de todas as vagas anunciadas nos EUA agora pertencem ao setor de IA. O setor de serviços tornou-se o maior gerador de receita para IA, representando 36,3% do volume total em 2025. Em relação às tecnologias específicas, o aprendizado profundo provou ser a área de IA mais lucrativa, representando pouco mais de um quarto de toda a receita do setor. As tecnologias de IA podem aumentar a receita em mais de 15 trilhões de dólares até o final da década.
Por continente, a América do Norte detém a maior fatia da receita, representando 35,5% do volume total do setor. Prevê-se que a IA injetará US$ 15,7 trilhões na economia mundial até 2030. Até 2025, a IA pode eliminar 85 milhões de empregos, mas criar 97 milhões de novos, resultando em um aumento líquido de 12 milhões de empregos. 63% das organizações pretendem implementar IA em escala global nos próximos três anos. Veículos autônomos podem gerar de US$ 300 a US$ 400 bilhões em receita mundial. Cerca de dois terços dos profissionais de saúde agora usam sistemas computacionais para auxiliar no diagnóstico. A FDA aprovou mais de 1200 dispositivos médicos 'integrados com IA' (FDA).
