IA em todo lugar é IA em lugar nenhum

Estou exausto. Navegadores com IA, Copilot em tudo que é canto, anotadores de reunião com IA, IA no meu terminal, IA na minha busca. Cansa. E o pior? A maior parte disso não ajuda em nada.

A tendência atual de salpicar IA em todo produto não vai ajudar ninguém. O problema não é que a IA seja ruim. É que grudar “Copilots” em tudo, com padrões de UX novos e complicados, deixa as ferramentas mais difíceis de entender e usar, não mais fáceis. E sem conhecimento crítico das ferramentas que usamos, acabamos com um monte de gente se debatendo, sem entender nem usar as coisas direito.

Competência ainda importa

A Microsoft lançou há pouco o “vibe working” com o Agent Mode no Excel¹. A funcionalidade gera planilhas e modelos financeiros completos a partir de prompts em linguagem natural, de calculadoras de empréstimo a demonstrativos de resultado. Pelos benchmarks da própria Microsoft, ela alcança 57,2% de acerto no conjunto de testes SpreadsheetBench¹.

Pense no que isso significa. Modelos financeiros que erram quase metade das vezes. Se você não sabe Excel o bastante pra auditar o que foi gerado, não vai pegar os erros.

Isso não é hipotético. O caso da “London Whale” do JPMorgan Chase, em 2012, envolveu um modelo de risco construído em planilhas de Excel que exigiam copiar e colar dados na mão². Um erro operacional no cálculo, dividir pela soma em vez de pela média, fez o modelo mostrar operações com metade do risco real. O resultado: um prejuízo de US$ 6,2 bi e US$ 920 mi em multas³.

Ou pense no artigo de economia de Reinhart e Rogoff, que influenciou políticas de austeridade em vários países depois da crise financeira de 2008⁴. Um erro básico de fórmula no Excel, que deixou cinco países fora dos cálculos, transformou a conclusão deles: de um crescimento médio do PIB de 2,2% para uma queda de -0,1%⁵. Esse erro serviu de justificativa pra medidas de austeridade que empurraram o desemprego na zona do euro acima de 10%⁶.

O padrão é claro: quando a IA ajuda as pessoas a criar coisas que elas não entendem, o resultado pode ser catastrófico. Vale igualmente pra programação. Quem aceita código gerado por IA sem entender o que ele faz, como trata casos extremos ou como se comporta em desempenho vai construir sistemas que funcionam na demo e quebram em produção.

Quando a IA realmente funciona

A IA pode ser extremamente útil. As implementações bem-sucedidas têm características em comum.

Os exemplos mais claros vêm da imagem médica, em que a IA faz a triagem de pacientes identificando exames com probabilidade de achados críticos. Um estudo mostrou um sistema que detecta hemorragia intracraniana em tomografias de crânio e sinalizou como emergência 94 de 347 casos de rotina, com 60 verdadeiros positivos, reduzindo o tempo de laudo de 8,5 horas para 19 minutos⁷.

Essas implementações funcionam porque o problema é específico. Não é “melhorar o Excel”, é “reduzir o tempo que radiologistas gastam na revisão inicial da tomografia”. Humanos continuam no circuito: o radiologista faz o diagnóstico, a IA ajuda a priorizar. O sucesso é mensurável. Cabe no fluxo de trabalho existente. E, o mais importante, especialistas em imagem médica construíram esses sistemas com conhecimento profundo da área.

Isso é engenharia de verdade aplicada à IA. Ache um gargalo específico em que o reconhecimento de padrões realmente ajuda, construa um sistema que se encaixe nos fluxos existentes, mantenha humanos no circuito e deixe o impacto mensurável.

O argumento pra IA em todo lugar

Pra ser justo, existem argumentos a favor da adoção ampla. Pesquisas recentes mostram que trabalhadores que usam IA generativa economizam 5,4% das horas de trabalho⁷. Projeções econômicas estimam que a IA vai aumentar o PIB em 1,5% até 2035⁸. Estudos encontraram que ferramentas de IA melhoram o desempenho em 66% na média, com os maiores ganhos entre os usuários menos qualificados⁹.

Os benefícios teóricos incluem efeitos de rede (mais usuários melhoram os modelos), democratização da capacidade (ajudar trabalhadores menos qualificados) e descoberta por experimentação (você não sabe o que funciona sem tentar).

Mas mirar num aumento percentual aleatório de “produtividade” é fundamentalmente um erro. Você não pode simplesmente declarar sua organização “AI native” ou “AI first” e esperar resultado relevante. A IA não tem como conhecer os detalhes do seu negócio, que é construído inteiramente sobre comportamento humano, comunicação, relacionamentos, redes e percepções.

Uma pesquisa mais abrangente, que examinou uma ampla gama de funcionários e tarefas, descobriu que, apesar do investimento pesado, os chatbots de IA tiveram impacto modesto, economizando apenas 2,8% das horas de trabalho¹⁰. Mais grave: dois terços desse tempo economizado foram redirecionados pra atividades que não agregam valor¹⁰. Os ganhos de produtividade raramente se traduziram em salários maiores.

Você precisa entender a fundo como seus funcionários realmente trabalham antes de se meter em implementações de IA. Não em linhas gerais sobre “produtividade”, mas em fluxos específicos em que dá pra mirar uma melhoria, medir se ela se sustenta e então iterar. Se funcionar, escolha a próxima fruta ao alcance da mão. Isso é engenharia. O resto é teatro.

O argumento da “democratização” tem um lado mais sombrio. Sim, ganhos de produtividade pra trabalhadores menos qualificados soam bem. Mas eles estão aprendendo alguma coisa? Provavelmente não. Não estão formando um entendimento profundo do comportamento humano, da comunicação, dos relacionamentos, das redes e das percepções em que seu negócio e seus clientes operam. Quando você fecha a distância entre trabalhadores qualificados e não qualificados reduzindo a necessidade de competência básica, não está ajudando as pessoas a desenvolver expertise. Está criando dependência de sistemas que alucinam e erram. A Microsoft recebeu tanto feedback de que o Copilot é invasivo que teve de adicionar um botão pra desligá-lo¹¹. Os usuários percebem quando a “ajuda” atrapalha a capacidade de trabalhar bem.

O que realmente precisa acontecer

Aqui vem a parte hilária: esses sistemas de IA focados existem há anos. A detecção de controle de qualidade em linhas de produção usa visão computacional e aprendizado de máquina desde muito antes do atual ciclo de hype de IA¹². Sistemas de detecção de fraude em cartão de crédito usam algoritmos de aprendizado de máquina pra identificar transações suspeitas em tempo real há décadas¹³. Não são aplicações novas. São sistemas comprovados que funcionam porque resolvem problemas específicos e bem definidos.

Informações e APIs não são organizadas o bastante pra ter utilidade a menos que sejam construídas pensando em casos de uso humanos reais. A IA não compensa uma arquitetura de informação ruim. Ela pode ampliar a tomada de decisão e influenciar decisões, mas o elemento humano precisa estar lá: decidindo como os sistemas devem funcionar, entendendo vantagens e desvantagens competitivas, sabendo quando as saídas estão erradas.

As empresas que vão ter sucesso com IA não são as que jogam IA em tudo. São as que entendem a fundo um setor específico e identificam um gargalo-chave, constroem soluções focadas que resolvem aquele problema específico, integram a IA onde a ambiguidade não é um desastre completo, mantêm os sistemas legíveis (dá pra ver o que a IA está fazendo e intervir quando preciso) e tornam a contribuição da IA mensurável e melhorável.

A IA preenche muito bem uma lacuna em que o reconhecimento de padrões ou o tratamento de ambiguidade gera valor. Mas não se trata de empurrar chatbots ou fluxos novos e complicados goela abaixo dos usuários. Trata-se de complementar processos existentes onde faz sentido.

A abordagem de jogar IA em tudo pra ver o que cola é imprudente. Ela leva a funcionalidades mal-acabadas, que não oferecem função de verdade e, no fim, geram resultados ruins pros usuários. Pior, contamina o próprio rótulo “IA”. Quando os usuários esbarram repetidamente em funcionalidades de IA quebradas, param de confiar nas capacidades da IA até onde ela realmente ajudaria.

Ache um gargalo específico e resolva

Não estou tentando malhar toda solução de IA. Algumas vão ser brilhantes em coisas bem específicas. Mas vão ser construídas por gente que entende a fundo um setor e identificou um gargalo genuíno que a IA pode resolver.

Os sistemas de IA atuais ainda não conseguem incluir dados clínicos nem comparar com imagens anteriores em contextos médicos¹⁴. Eles operam isolados, incapazes de se integrar sem atrito ao cuidado multidisciplinar¹⁴. Alucinam, geram respostas erradas e fornecem informação enganosa a taxas entre 3% e 10%¹⁵. Esses problemas não se resolvem implantando em todo lugar e torcendo pelo melhor.

A oportunidade real da IA não está na ubiquidade. Está na precisão. Está em entender exatamente onde esses sistemas agregam valor e construir implementações específicas pra um problema, legíveis na operação, integradas aos fluxos existentes, medidas pelo impacto real e projetadas com supervisão humana.

Quando você põe IA em todo lugar, ela vale menos onde poderia realmente ajudar. Você ensina os usuários a desconfiar das saídas da IA e cria um cenário em que as implementações úteis se perdem no meio do AI-washing.

A IA pode ser transformadora quando é bem feita. Mas “bem feita” significa soluções focadas, medidas e integradas, construídas por gente que entende tanto a tecnologia quanto o domínio. Não copilots parafusados em todo produto, façam sentido ou não.

Só quando tivermos esses sistemas focados bem definidos e funcionando, e só então, talvez a gente veja alguma evolução rumo à ubiquidade que todo mundo está perseguindo. Mas ainda não chegamos lá. Nem perto.

References

Microsoft 365 Blog. (2025, September 29). Vibe working: Introducing Agent Mode and Office Agent in Microsoft 365 Copilot. ↩ ↩²
JPMorgan Chase & Co. (2013, January 16). Report of JPMorgan Chase & Co. Management Task Force Regarding 2012 CIO Losses. Yale Program on Financial Stability. ↩
Wikipedia. (2025). 2012 JPMorgan Chase trading loss. ↩
Wikipedia. (2025). Growth in a Time of Debt. ↩
Bloomberg. (2013, April 18). FAQ: Reinhart, Rogoff, and the Excel Error That Changed History. ↩
Clinical applications of artificial intelligence in radiology. PMC. https://pmc.ncbi.nlm.nih.gov/articles/PMC10546456/ ↩
St. Louis Fed. (2025, February 27). The Impact of Generative AI on Work Productivity. ↩ ↩²
Penn Wharton Budget Model. (2025). The Projected Impact of Generative AI on Future Productivity Growth. ↩
Nielsen Norman Group. (2024, January 30). AI Improves Employee Productivity by 66%. ↩
Computerworld. (2025, June 2). AI chatbots deliver minimal productivity gains, study finds. ↩ ↩²
Microsoft Q&A. (2025). How do I stop the annoying copilot thing popping up on Excel, Word, and everywhere else it’s not wanted? ↩
IBM. (2025). How is AI being used in Manufacturing. ↩
IBM. (2025). AI Fraud Detection in Banking. ↩
ScienceDirect. (2024, October 20). AI in radiology: From promise to practice − A guide to effective integration. ↩ ↩²
Shelf. (2024, November 13). How to Prevent Microsoft Copilot Hallucinations. ↩