A IA irá borrar as linhas entre muitas funções ao longo do tempo, porque agora você pode começar a fazer coisas tanto mais altas quanto mais baixas na pilha, ou expandir para outras funções adjacentes. Uma área muito óbvia é que os PMs deveriam quase sempre aparecer com protótipos funcionais.

Na Box, passamos muito tempo a testar a Box AI com novos modelos em dados não estruturados para ver em que áreas do trabalho do conhecimento eles se destacam. Como vimos nos benchmarks, o GPT-5 oferece um salto significativo em capacidade em relação ao GPT-4.1 em raciocínio, matemática, lógica, programação e outras áreas de trabalho. Aqui estão alguns exemplos de onde essas melhorias se manifestam no mundo real: * O GPT-5 contextualiza melhor a informação. Ao fazer extração de dados, como o valor final em USD numa fatura sem rótulos de moeda, mas com um endereço em Londres, o GPT-5 responde corretamente que precisa de uma taxa de conversão de USD para GBP. Em comparação, o GPT-4.1 viu a fatura final e retornou o valor, assumindo a moeda (incorretamente). * O GPT-5 oferece uma melhor análise multimodal. Para o relatório anual de uma empresa pública, pediu-se ao GPT-5 para isolar uma célula numa tabela a partir de uma imagem que mostrava mudanças nos componentes de capital da empresa. O topo da tabela esclarece que todos os montantes de ações estão em milhares, e o GPT-5 afirma claramente essa conversão, enquanto o GPT-4.1 não o faz, confundindo-se dado que a tabela diz ações e a legenda diz quotas. * O GPT-5 tem um desempenho melhor com altos níveis de complexidade de prompt e dados. Ao fazer extração de dados num currículo para todas as datas de início de emprego, nomes de cargos e nomes de empregadores, o GPT-5 conseguiu extrair cada pedaço de dado, enquanto o GPT-4.1 pareceu ficar sobrecarregado e não extraiu os mesmos campos devido ao tamanho do prompt e à complexidade do documento. * O GPT-5 é muito mais claro e explícito nas suas respostas. Numa acordo de outsourcing com 6 serviços diferentes discutidos explicitamente, quando perguntado sobre "os 5 serviços específicos no contrato", o GPT-5 retornará os primeiros 5 e perguntará se foi intencional que o sexto não foi mencionado. Em comparação, o GPT-4.1 simplesmente retornou os primeiros 5 sem quaisquer ressalvas adicionais, o que pode levar a confusões posteriores para o usuário. * O GPT-5 é melhor na interpretação de dados em campos complexos. Para um gráfico de citometria de fluxo, tipicamente usado em imunologia, o GPT-5 identificou corretamente uma alta proporção de células mortas e deu causas plausíveis que poderiam levar a essa situação, enquanto o GPT-4.1 deu um raciocínio mínimo, precisando de mais confirmação para ter quaisquer suposições a partir dos dados brutos. * O GPT-5 é melhor em identificar inconsistências no código. Quando solicitado a identificar problemas num determinado arquivo de código python, enquanto tanto o GPT-5 quanto o 4.1 podem identificar erros reais que levam a falhas, apenas o GPT-5 foi capaz de inferir questões mais sutis, como imprimir a variável incorreta quando isso não faria sentido no contexto do programa. Essas melhorias em matemática, raciocínio, lógica e qualidade das respostas em janelas de contexto mais longas são incrivelmente úteis para os usuários finais no trabalho diário, mas elas se mostrarão ainda mais com agentes de IA em funcionamento mais prolongado, especialmente quando não há humanos no processo para verificar a informação em cada etapa. É incrível ver essas melhorias continuarem a surgir na mais recente leva de modelos de IA, pois isso levará a agentes de IA capazes de serem usados em áreas de trabalho cada vez mais críticas.

É claro que estamos numa trajetória em que os modelos de IA continuam a melhorar em capacidade nas áreas de matemática, raciocínio, lógica, chamadas de ferramentas e várias tarefas específicas de domínio que vão melhorar à medida que mais dados de treinamento continuarem a ser gerados. Embora haja debates sobre quanto esses avanços se manifestarão como mudanças significativas nos casos de uso diários que um consumidor tem, eles *terão* um impacto significativo em muitas categorias de trabalho do conhecimento. Eles desbloquearão incrementalmente novos casos de uso em saúde, jurídico, serviços financeiros, ciências da vida, etc., onde os modelos podem realizar de forma confiável tarefas progressivamente mais críticas. Num podcast recente com Alex Kantrowitz, Dario Amodei teve uma ótima forma de enquadrar isso, que é que se você melhorar a capacidade de um modelo de IA para passar de ter uma graduação em bioquímica para ter um grau de pós-graduação em bioquímica, uma pequena porcentagem da população consumidora notaria o impacto, mas os casos de uso empresarial para uma empresa como a Pfizer aumentariam significativamente como resultado disso. Devemos começar a antecipar que esta é agora a era em que estamos com a IA. Então, como isso começa a se manifestar no mundo real? Isso se manifestará através de agentes de IA buscando casos de uso aplicados. Agentes de IA para codificação, trabalho jurídico, escribas médicos, extração de dados, processamento de reclamações de seguros, testes de penetração, e assim por diante. A oportunidade agora é construir agentes de IA para verticais e domínios com uma compreensão profunda desse espaço. É aqui que o impacto da engenharia de contexto, uma compreensão profunda dos fluxos de trabalho, conexões com dados empresariais e interfaces de usuário especializadas (que permitem aos usuários implantar, gerenciar e orquestrar esses agentes) começará a ser muito relevante. Isso também significará construir uma distribuição que se alinhe a essa vertical ou domínio particular. Provavelmente significará alguma forma de engenharia implantada para não apenas ajudar os clientes a implementar os agentes, mas também aprender rapidamente quais fluxos de trabalho os agentes estão otimizados e trazer isso de volta para a plataforma central. Em última análise, esses mercados serão conquistados pelos players que melhor conseguirem conectar os processos empresariais de hoje (que muitas vezes são confusos e não foram projetados para automação) a um mundo onde os agentes estão integrados a esses fluxos de trabalho. Esta é a era da IA em que estamos agora.

Estamos longe do ponto ótimo para qualquer estabilização na capacidade da IA, mas ironicamente existem muitos casos de uso comercial para a IA que simplesmente ficam congelados devido à rapidez com que a tecnologia avança. É por isso que arquiteturas à prova de futuro são tão importantes.

O núcleo vs. contexto é um conceito crítico a considerar ao pensar em como as pessoas se reconstruirão com a IA. As empresas trazem funções "núcleo" que as diferenciam. Este é o que o seu produto ou serviço principal é, como vendem aos clientes, coisas que impulsionam a sua cultura, e assim por diante. Por outro lado, elas terceirizam o "contexto" que é essencial para acertar, mas que só oferece desvantagens se for feito errado. Uma regra simples para pensar é se um cliente notaria se a empresa realizasse essa função diretamente ou não. O software empresarial é quase sempre "contexto". Estas são áreas como os seus sistemas de CRM ou RH, infraestrutura, gestão de dados, e assim por diante. Estes são necessários para operar um negócio em grande escala, mas raramente você tem vantagem em tentar desenvolver o seu próprio. Apenas algumas exceções existem, e quase sempre é porque você precisa de uma solução para servir o seu "núcleo" que nenhum fornecedor oferece (como se você precisasse de software personalizado para uma cadeia de suprimentos verticalmente integrada). Não importa como uma empresa comece, eventualmente quase sempre separa o trabalho e o valor entre núcleo e contexto ao longo do tempo. É a única maneira de se manter competitiva e, eventualmente, alocar recursos para as áreas ótimas. Portanto, mesmo que uma empresa *pudesse* reescrever seu software empresarial com IA, basicamente não o faria. As atualizações de versão, segurança, recursos regulatórios, bugs, SLAs, os serviços profissionais necessários, etc. tornariam tudo negativo em termos de ROI. Como bucco aponta, o verdadeiro risco são versões melhores dessas ferramentas que são primeiro em IA. Isso é o que devemos observar do ponto de vista da disrupção.

Ótimo tópico. Seja o que for que um agente de IA seja capaz de fazer, ele também pode ser enganado para fazê-lo. Você deve assumir que, se um agente pode acessar dados, um usuário eventualmente também poderá obter esses dados. A segurança do agente, os controles de acesso e as barreiras de proteção determinísticas serão críticos.

Há muita conversa sobre como será o futuro do software nas empresas. Aqui está como eu acho que isso se desenrola. Para fluxos de trabalho determinísticos, onde o custo de errar é alto, as empresas tendem a escolher plataformas centrais para suas funções mais comuns, importantes e repetíveis na organização. Pense em folha de pagamento, ERP, CRM, ITSM, suporte ao cliente, ECM/gestão de documentos, e assim por diante. Estas são áreas onde você quer que algo seja feito da mesma forma, todas as vezes. Cada uma dessas plataformas terá que ser projetada com foco em IA, o que significa que elas terão interfaces de usuário que se ajustam para interagir com os fluxos de trabalho e dados via IA, e serão totalmente projetadas para que agentes de IA operem nas plataformas. Com o tempo, podemos esperar que o uso desses sistemas se incline muito mais para agentes de IA do que mesmo para pessoas. O modelo de assento permanece para os usuários, mas o consumo se torna o modelo para os agentes. Alguns incumbentes chegarão ao estado final, mas outros não se adaptarão rapidamente o suficiente e desaparecerão. Haverá então uma nova leva de empresas efetivamente apenas de Agentes que são construídas especificamente para automatizar tipos específicos de trabalho (e especialmente para trabalho não determinístico). Seus modelos de negócios se inclinarão ainda mais para o consumo. Pense em Claude Code ou Devins (provavelmente com alguma camada de UI para gerenciar os agentes) mas para várias funções de trabalho. Provavelmente veremos centenas ou milhares desses surgirem ao longo do tempo. Testes de penetração, codificação, identificação de bugs, revisões de conformidade, analistas financeiros, e assim por diante. Este é um espaço enorme onde startups se sairão muito bem porque tende a não haver incumbentes de software nessas categorias. Interagiremos com esses vários agentes a partir de uma mistura das plataformas de software às quais estão ligados (como Box AI ou Agentforce), via APIs em outros sistemas, e sistemas de fluxos de trabalho horizontais que conectam agentes entre plataformas (como ServiceNow, IBM Watsonx, Google Agentspace, e assim por diante). E, claro, os usuários frequentemente consumirã esses agentes através de experiências de chat horizontais (como ChatGPT, Claude, Perplexity, Grok, Copilot, etc.) via MCP ou outros tipos de conexões diretas. Os usuários trabalharão comumente nesses sistemas de chat horizontais, puxando os agentes, dados e fluxos de trabalho das várias plataformas Agênticas conforme necessário. Quando relevante, eles entrarão nas plataformas centrais para completar fluxos de trabalho, revisar informações, etc. Haverá também uma longa cauda de experiências onde os usuários podem gerar micro aplicativos rapidamente quando precisam de aplicações ou casos de uso automatizados, quando não há um software óbvio para fazer isso. Isso pode acontecer diretamente nos sistemas de chat horizontais, em uma ferramenta como Replit, Lovable, ou em ferramentas de automação de fluxos de trabalho, etc. Eu esperaria que isso seja mais para os usuários avançados onde eles precisam de uma ligação entre vários sistemas ou onde ainda não existe software. O resultado é que o software se torna cada vez mais importante ao longo do tempo, mesmo que as modalidades de interação mudem e se expandam. Semelhante a como pulamos entre nossos telefones e computadores de mesa com facilidade, mesmo que eles possam facilmente convergir, o futuro oferecerá uma mistura de formas de interagir com o software.

Embora fascinante, a ideia de IA gerar cada interface de utilizador em tempo real é provavelmente menos provável do que as pessoas pensam. Os benefícios da hiper personalização provavelmente não superarão a necessidade de reaprender um aplicativo cada vez que o utiliza ou os riscos de coisas quebrarem de maneiras inesperadas.

A divisão de trabalho dos Agentes de IA será crítica para maximizar o impacto dos agentes. Há muito tempo que temos uma divisão de trabalho nas organizações, porque ter especialistas individuais a passar tarefas uns aos outros é mais eficaz do que um grupo de generalistas a tentar fazer as coisas de maneira diferente a cada vez. Os Agentes de IA apresentam a mesma dinâmica. Para que os Agentes de IA funcionem, você precisa da quantidade certa de contexto sobre a tarefa que estão tentando completar. Isso significa uma compreensão profunda do domínio, um conjunto de conhecimentos para trabalhar, instruções claras e um conjunto de ferramentas a utilizar. Muito pouco contexto e o agente falhará. No entanto, igualmente, à medida que mais dessas informações entram na janela de contexto, sabemos que os modelos podem tornar-se subótimos. Para um processo de negócios complexo, se você colocar toda a documentação, descrição do fluxo de trabalho e instruções na janela de contexto, sabemos que isso pode eventualmente levar à degradação do contexto, o que resulta em piores resultados. A arquitetura lógica, então, no futuro, é dividir os agentes em unidades atômicas que mapeiam para os tipos certos de tarefas e, em seguida, ter esses agentes a trabalhar juntos para completar seu trabalho. Já estamos a ver isso a acontecer de forma eficaz em agentes de codificação. Estão a surgir cada vez mais exemplos de pessoas a configurar subagentes que possuem partes específicas de uma base de código ou área de serviço. Cada agente é responsável por uma parte do código, e há documentação amigável para o agente sobre o código. Então, à medida que o trabalho é necessário naquela área relevante da base de código, um agente orquestrador coordena com esses subagentes. Podemos ver este padrão a aplicar-se provavelmente a quase qualquer área de trabalho do conhecimento no futuro. Isso permitirá que os Agentes de IA sejam utilizados para muito mais do que casos de uso específicos de tarefas e se estendam para impulsionar fluxos de trabalho inteiros na empresa. Mesmo à medida que os modelos de IA melhoram para lidar com janelas de contexto maiores, e os níveis de inteligência aumentam, não é óbvio que esta arquitetura desapareça algum dia. É provável que o papel de cada agente se expanda à medida que as capacidades melhorem, mas linhas claras de separação entre subagentes podem sempre levar a melhores resultados.

Inicialmente, pensava-se que um único agente de IA lidaria com fluxos de trabalho arbitrariamente grandes. Em vez disso, o padrão que parece estar a funcionar é o de implantar subagentes que têm especialização por tarefa para evitar a degradação do contexto. A divisão do trabalho entre agentes de IA pode ser o futuro.