O principal problema da inteligência artificial não está no modelo em si, mas na infraestrutura de dados

Muitas empresas enfrentam o desafio da implementação de inteligência artificial corporativa (IA): elas contratam modelos altamente inteligentes capazes de analisar enormes volumes de informação e resolver problemas complexos, mas esses modelos muitas vezes carecem de acesso aos dados dos clientes, compreensão dos processos de negócios ou capacidade de agir nos sistemas da empresa.

Apesar de os projetos piloto serem realizados e os orçamentos aprovados, muitos líderes se perguntam por que a poderosa IA ainda não está transformando os fluxos de trabalho. A resposta é que a inteligência se torna uma utilidade, enquanto o contexto, a confiança e a capacidade de execução permanecem críticos.

A BlueSky, parceira da Anthropic, vê a solução na combinação da inteligência Claude da Anthropic com as capacidades existentes do Salesforce e Amazon Web Services (AWS). A empresa acredita que, dessa forma, as organizações podem ir além dos experimentos e começar a aplicar a inteligência na prática.

O poder dos três componentes

A primeira onda de IA corporativa concentrou-se no diálogo, onde os usuários faziam perguntas e a IA fornecia respostas. Embora isso fosse útil, nem sempre resultava em mudanças transformadoras.

A próxima fase de desenvolvimento será determinada pela capacidade de execução. Por exemplo, ao analisar um pedido de empréstimo de uma pequena ou média empresa (PME), um poderoso modelo de IA pode analisar os relatórios financeiros em minutos. No entanto, se esse modelo não puder acessar os registros dos clientes, extrair documentos, iniciar fluxos de trabalho ou interagir com os processos de aprovação, o processo ainda levará semanas.

O principal problema para muitas organizações não é a inteligência em si, mas a conexão dessa inteligência com os sistemas onde o trabalho é realmente realizado. É aqui que reside a importância do conceito de 'Poder dos Três', que é uma analogia de 'cérebro, mãos e coluna vertebral':

• Cérebro — é a Anthropic, cujo modelo Claude fornece a capacidade analítica, o julgamento e o raciocínio necessários para resolver problemas de negócios complexos.
• Mãos — é o Salesforce, pois a inteligência sem contexto é apenas uma opinião. O Salesforce fornece dados de clientes, fluxos de trabalho e processos de negócios, permitindo que a IA entenda o que está acontecendo e tome ações significativas.
• Coluna Vertebral — é a AWS, pois a IA corporativa requer um ambiente seguro, escalável e tolerante a falhas para funcionar. A AWS fornece a infraestrutura, gerenciamento e base para a integração necessários para implantar IA em grande escala.

Cada uma dessas capacidades é forte por si só, mas seu uso conjunto gera um efeito muito maior. Elas respondem a três perguntas chave que cada líder deve fazer sobre IA: é inteligente o suficiente? Ele entende nosso negócio? Podemos confiar nele para trabalhar em escala?

O quarto elemento

No entanto, existe um quarto componente. O cérebro, as mãos e a coluna vertebral precisam de um sistema nervoso que os conecte, e é esse papel que a BlueSky desempenha. A parceria com a Anthropic para a BlueSky não é o início de sua jornada em IA, mas sim a próxima fase de anos de trabalho para ajudar as organizações a modernizar operações, melhorar a experiência do cliente e liberar valor através do Salesforce, AWS e transformação baseada em dados. Sua tarefa é conectar inteligência, contexto corporativo e execução de maneiras que levam a resultados de negócios mensuráveis.

É importante notar que isso não significa substituir investimentos tecnológicos existentes. Pelo contrário, as organizações devem considerar seus ambientes Salesforce e AWS como a base fundamental que torna a IA corporativa eficaz.

Possibilidades além da automação

Em perspectiva, as possibilidades são muito mais amplas do que apenas a automação. O mundo está caminhando para um lugar onde as organizações trabalharão cada vez mais lado a lado com trabalhadores digitais, ou, como alguns chamam, 'funcionários de silício'. Esses sistemas não apenas responderão a perguntas; eles ajudarão a analisar informações, coordenar tarefas, preparar recomendações e impulsionar o trabalho em toda a organização.

Isso marca uma mudança profunda. A IA não substitui uma única habilidade humana; em vez disso, começa a aumentar uma ampla gama de capacidades humanas. O desafio de liderança será dominar a capacidade de usar inteligência que funciona milhares de vezes mais rápido do que qualquer gerente ou equipe individual.

As organizações que prosperarão na era da IA começarão não pelo modelo, mas pelo trabalho que precisa ser feito e pelos resultados desejados. Elas reformularão os processos em torno da inteligência, entenderão que a execução é mais importante do que a conversa e reconhecerão que escalar a IA é, em última análise, um desafio organizacional, e não apenas tecnológico.

Os vencedores da era da IA não serão as organizações que têm acesso ao maior número de modelos, pois o acesso à inteligência está se tornando universal. Em vez disso, vencerão os construtores: as organizações que conectam a inteligência aos seus dados, sistemas e pessoas, transformam ideias em ações e convertem inteligência em resultados de negócios mensuráveis. Qualquer negócio pode já usar este novo funcionário mais inteligente. A questão é se você está pronto para fornecer-lhe uma mesa de trabalho.

Nos últimos anos, a melhoria dos resultados com IA dependeu da capacidade de escrever solicitações (prompts) de maior qualidade. No entanto, essa paradigma está mudando rapidamente, à medida que os sistemas de IA começam a raciocinar, tomar decisões e executar ações dentro de fluxos de trabalho inteiros de forma autônoma.

No evento TechSparks 2026, o principal evento da YourStory, o Dr. Vignesh Subrahmaniam, pesquisador sênior de IA na Intuit, conduziu uma conversa com Aditya Charlie, editor-chefe da YourStory e The CapTable. A discussão, intitulada «Além do Prompt: Criando IA que Pensa, Age e Aprende», abordou o que os desenvolvedores precisam repensar à medida que a inteligência se torna cada vez mais autônoma.

A sessão começou com perguntas sobre o dia de trabalho típico de Subrahmaniam e um pedido para simplificar os conceitos de fintech e IA para o público. Ele usou uma analogia com xadrez, perguntando: se um algoritmo não for ensinado as regras do xadrez, mas sim mostrado um milhão de partidas concluídas com vencedores, ele será capaz de deduzir tanto as regras quanto as estratégias mais prováveis para vencer?

A equipe da Intuit aplica uma abordagem semelhante para apoiar pequenas empresas, pois a empresa atende tanto consumidores quanto contadores. Subrahmaniam observou: «Assim como estudamos o jogo dos negócios, analisando dados, ações reais e resultados que as empresas tomam». O objetivo é entender os fatores que levam ao sucesso empresarial na aquisição de clientes, crescimento rápido e melhoria do fluxo de caixa.

Em seguida, a conversa passou para a mudança de paradigma para os desenvolvedores: de estudar por muitos anos a escrita de prompts mais inteligentes para projetar agentes que têm um objetivo e determinam os passos para alcançá-lo. Subrahmaniam comparou a engenharia de prompts com a longa história das linguagens de programação, desde o código binário e assembly até Fortran, C e Python. Os grandes modelos de linguagem permitiram que qualquer pessoa programasse em inglês simples, mas este método tem suas limitações.

Os pesquisadores rapidamente perceberam que a inteligência não deveria residir apenas no modelo. O modelo deve atuar como um orquestrador, dividindo uma tarefa complexa em uma sequência de ações e chamadas de ferramentas. A inteligência real move-se para as ferramentas que são chamadas; e essas ferramentas também devem ser projetadas de forma diferente: «não para que um humano, ou um desenvolvedor de software, ou qualquer outra pessoa possa usá-las, mas de modo que o orquestrador LLM possa realmente usá-las».

Isso exige a criação de ferramentas de alta precisão com resultados extremamente determinísticos. Para os desenvolvedores, a maestria muda de formulações espirituosas para componentes confiáveis que o modelo pode chamar repetidamente sem surpresas.

Sobre fontes de novos dados, Subrahmaniam declarou abertamente que o treinamento em dados textuais está em grande parte resolvido. O desafio mais complexo é treinar em fontes multimodais e ações reais. Ele deu o exemplo de como uma criança pequena aprende principalmente através do que vê, ouve e observa, e não através da leitura, afirmando que incluir tais sinais do mundo real nos sistemas de IA ajudará os modelos a ir além da geração de texto e começar a sugerir ações. Ele chamou isso de próximo marco.

Ao considerar os problemas de setores regulamentados, ele levou o público de volta a 18 anos atrás, a um dos primeiros laboratórios de aprendizado de máquina em Bangalore, onde trabalhou com regressão logística e perceptrons multicamadas. Naquela época, o maior problema não era o próprio algoritmo. Ele lembrou: «Na verdade, era a qualidade dos dados».

Este problema não mudou. Independentemente de a equipe estar treinando regressão simples ou ajustando um transformador, o princípio de «lixo na entrada, lixo na saída» permanece válido. Segundo ele, as empresas capazes de coletar, agregar e armazenar dados da mais alta qualidade obterão vantagem.

Durante uma breve sessão de perguntas e respostas, um participante perguntou como as restrições de armazenamento de dados financeiros afetam o trabalho da Intuit. Subrahmaniam nomeou o consentimento como a base de qualquer sistema de treinamento e citou um estudo de Framingham, onde os residentes da cidade de Massachusetts permitiram que os médicos monitorassem sua saúde ao longo do tempo, o que moldou a compreensão moderna de doenças cardiovasculares. Ele acrescentou que as empresas também são obrigadas a explicar ao público em geral os benefícios do uso de dados.

À medida que a conversa terminava, a ideia central foi que, à medida que a IA passa de reativa para proativa, os fundamentos se tornam mais importantes do que a interface. Os prompts permanecerão sendo o ponto de partida, mas o verdadeiro trabalho agora reside na criação de ferramentas confiáveis que os agentes podem chamar, no fornecimento de dados de alta qualidade aos sistemas e na obtenção do consentimento que lhes permite aprender. É aqui, além do prompt, que a próxima onda de IA será ganha pelos desenvolvedores.

Em dezembro de 2025, o jogo Clair Obscur: Expedition 33 recebeu dois prêmios negativos no Indie Game Awards devido ao uso de texturas geradas por Inteligência Artificial (IA) na versão final. Em contraste, corporações como a Nvidia empregam IA para projetar suas próprias GPUs, que são utilizadas em diversos jogos, sem enfrentar pedidos de boicote.

Este cenário levanta a questão sobre o preconceito da comunidade gamer em relação à IA. A distinção reside entre o que é considerado aceitável e o que não é, exigindo análise não apenas dos dados, mas também dos exemplos onde a tecnologia foi bem recebida e das práticas internas da indústria de hardware.

Um levantamento realizado pela GDC 2026, baseado nas respostas de mais de 2.300 profissionais do setor, avaliou as opiniões sobre o emprego de IA generativa. Os resultados indicaram um pior cenário em comparação ao ano anterior, especialmente no que tange ao uso de IA generativa.

Entre os profissionais entrevistados, 52% consideram que a IA generativa prejudica a indústria, um aumento significativo em relação aos 30% registrados no ano anterior e aos 18% de dois anos antes.

Os números são ainda mais críticos quando se observa o público gamer. Uma pesquisa conduzida pela Quantic Foundry, que coletou dados de 1.799 jogadores, revelou que cerca de 85% deles manifestaram uma opinião desfavorável ao uso de IA generativa, sendo que aproximadamente 63% possuem uma visão muito negativa.

O estudo da Quantic Foundry aponta que a motivação do público gamer é um fator relevante. Eles demonstraram maior negatividade quando a IA é aplicada na criação de arte, música, efeitos sonoros, narrativa e diálogos.

Para fins de comparação, o uso de IA para ajustar a dificuldade foi visto negativamente por 27% do público, enquanto o uso em artes visuais alcançou 83% de aversão. Essa resistência do público também foi alta em outras áreas criativas, com 77% contra música e efeitos sonoros, e 70% contra narrativa e diálogos. Isso sugere que a objeção do público tende a diminuir à medida que o uso da IA se afasta dos processos estritamente criativos.

Um exemplo de aplicação de IA que encontrou alguma aceitação pública é o DLSS e tecnologias correlatas. Esses sistemas utilizam IA para elevar a taxa de quadros (FPS), diminuir a latência e aprimorar a qualidade visual. Os usuários acolheram esses recursos devido à notável qualidade e desempenho alcançados.

No entanto, problemas começaram a surgir durante a evolução do DLSS. Recursos inicialmente focados em performance transformaram-se em dependências para o desenvolvimento de jogos, fazendo com que novos títulos necessitassem dessas ferramentas, muitas vezes apresentando falhas de desempenho mesmo em computadores potentes.

A situação se agravou com a apresentação do DLSS 5. Esta ferramenta, que incorpora renderização neural em tempo real para reconstruir pixels com iluminação e materiais fotorrealistas, demonstrou dificuldades em manter a coerência visual entre cenas, resultando em descaracterização da obra original e características artificiais e genéricas. Tais problemas foram recebidos de maneira extremamente negativa pela comunidade gamer.

Empresas como a Nvidia aplicam IA em seus projetos de chips, abrangendo desde o desenho dos componentes até a validação final dos projetos. Um resultado notável foi o desenvolvimento de um somador de 64 bits — circuito responsável pela soma de valores binários — que ocupa cerca de 25% menos área do chip quando criado utilizando o PrefixRL, conforme relatado por Jeff Dean, do Google, e Bill Dally, da Nvidia.

Na DAC (Conferência de Automação e Design) de 2026, empresas como Synopsys, Cadence e Siemens exibiram projetos de automação assistida por IA. O agente de verificação de design de longa duração da Synopsys demonstrou um processo 50 vezes mais rápido, segundo a própria companhia. Paralelamente, o projeto da Siemens, em colaboração com a Nvidia, apresentou agentes capazes de caracterizar bibliotecas mais de dez vezes mais rapidamente.

Embora sejam apenas dois exemplos, eles compartilham um ponto em comum: a substituição parcial do trabalho humano por IA não gerou revolta, protestos ou boicotes por parte do público.