IA em todo o lado é IA em lado nenhum

Estou estafado. Browsers com IA, funcionalidades Copilot por todo o lado, assistentes de IA que tomam notas, IA no meu terminal, IA na minha pesquisa. É exaustivo. E o pior? A maior parte não ajuda.

A tendência atual de polvilhar IA em todos os produtos não vai ajudar ninguém. O problema não é a IA ser má. É que pendurar “Copilots” em tudo, com padrões de UX novos e complicados, torna as ferramentas mais difíceis de perceber e de usar, não mais fáceis. E sem um conhecimento crítico das ferramentas que usamos, ficamos com muita gente aos tropeções, sem perceber nem usar as coisas como deve ser.

A competência continua a contar

A Microsoft lançou há pouco o “vibe working” com o Agent Mode no Excel¹. A funcionalidade gera folhas de cálculo e modelos financeiros completos a partir de instruções em linguagem natural, de calculadoras de empréstimos a demonstrações de resultados. Segundo os testes da própria Microsoft, atinge 57,2% de exatidão no conjunto de testes SpreadsheetBench¹.

Pensa no que isto quer dizer. Modelos financeiros que estão errados quase metade das vezes. Se não sabes Excel o suficiente para auditar o que é gerado, não apanhas os erros.

Não é hipotético. O caso da “London Whale” do JPMorgan Chase em 2012 envolveu um modelo de risco feito em folhas de Excel, com dados copiados e colados à 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: uma perda de 6,2 mil milhões de dólares e 920 milhões de dólares em multas³.

Ou pensa 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 numa fórmula de Excel, que deixou cinco países fora dos cálculos, transformou a conclusão: de um crescimento médio do PIB de 2,2% passou para uma queda de -0,1%⁵. Esse erro serviu de justificação para medidas de austeridade que empurraram o desemprego na zona euro acima dos 10%⁶.

O padrão é claro: quando a IA ajuda as pessoas a criar coisas que não percebem, os resultados podem ser catastróficos. Vale o mesmo para a programação. Quem aceita código gerado por IA sem perceber o que faz, como trata os casos limite ou como se comporta em desempenho, vai construir sistemas que funcionam em demonstrações e falham em produção.

Quando a IA funciona de facto

A IA pode ser extremamente útil. As implementações que dão certo têm características em comum.

Os exemplos mais claros vêm da imagiologia médica, onde a IA faz a triagem de doentes ao identificar exames com probabilidade de conter achados críticos. Um estudo mostrou um sistema de deteção de hemorragia intracraniana em TACs cerebrais que sinalizou 94 de 347 casos de rotina como emergências, com 60 verdadeiros positivos, e que reduziu o tempo de elaboração do relatório de 8,5 horas para 19 minutos⁷.

Estas implementações funcionam porque o problema é específico. Não é “melhorar o Excel”, é “reduzir o tempo que os radiologistas gastam na revisão inicial de TACs”. As pessoas ficam no circuito: o radiologista faz o diagnóstico, a IA ajuda a priorizar. O sucesso é mensurável. Encaixa no fluxo de trabalho existente. E, o mais importante, foram especialistas em imagiologia médica que construíram estes sistemas, com um conhecimento profundo do domínio.

Isto é engenharia a sério aplicada à IA. Encontra um estrangulamento específico onde o reconhecimento de padrões ajuda de verdade, constrói um sistema que encaixa nos fluxos existentes, mantém as pessoas no circuito e torna o impacto mensurável.

O argumento a favor da IA em todo o lado

Para ser justo, há argumentos a favor da adoção generalizada da IA. Inquéritos recentes mostram que quem usa IA generativa poupa 5,4% das horas de trabalho⁷. As projeções económicas estimam que a IA aumente o PIB em 1,5% até 2035⁸. Há estudos que concluíram que as ferramentas de IA melhoram o desempenho em 66% em média, com os maiores ganhos para os utilizadores menos qualificados⁹.

Os benefícios teóricos incluem efeitos de rede (mais utilizadores melhoram os modelos), democratização da capacidade (ajudar os trabalhadores menos qualificados) e descoberta por experimentação (só sabes o que funciona se tentares).

Mas apontar a um aumento percentual qualquer de “produtividade” é um erro de base. Não podes declarar a tua organização “AI native” ou “AI first” e esperar resultados com significado. A IA não pode saber os pormenores do teu negócio, que assenta por inteiro em comportamento humano, comunicação, relações, redes e perceção.

Uma investigação mais abrangente, que analisou uma gama larga de trabalhadores e tarefas, concluiu que, apesar do investimento pesado, os chatbots de IA tiveram um impacto modesto e pouparam apenas 2,8% das horas de trabalho¹⁰. Mais grave ainda, dois terços desse tempo poupado foram redirecionados para atividades sem valor acrescentado¹⁰. Os ganhos de produtividade raramente se traduziram em salários mais altos.

Tens de perceber a fundo como os teus colaboradores trabalham de facto antes de te lançares em implementações de IA. Não com generalidades sobre “produtividade”, mas com fluxos de trabalho concretos onde possas apontar uma melhoria, medir se aguenta e depois iterar. Se funcionar, escolhe o próximo alvo fácil. Isso é engenharia. O resto é teatro.

O argumento da “democratização” tem um lado mais negro. Sim, ganhos de produtividade para os trabalhadores menos qualificados parecem apelativos. Mas estarão a aprender alguma coisa? Provavelmente não. Não estão a formar uma compreensão profunda do comportamento humano, da comunicação, das relações, das redes e da perceção em que o teu negócio e os teus clientes se movem. Quando fechas a distância entre trabalhadores qualificados e não qualificados reduzindo a necessidade de competência de base, não estás a ajudar as pessoas a desenvolver perícia. Estás a criar dependência de sistemas que alucinam e erram. A Microsoft recebeu tanto feedback sobre o Copilot ser intrusivo que teve de acrescentar um botão para o desativar¹¹. Os utilizadores percebem quando a “ajuda” prejudica a capacidade de trabalhar bem.

O que precisa mesmo de acontecer

Eis a parte hilariante: estes sistemas de IA focados existem há anos. A deteção de defeitos no controlo de qualidade das linhas de produção usa visão computacional e machine learning desde muito antes da atual moda da IA¹². Os sistemas de deteção de fraude em cartões de crédito usam algoritmos de machine learning para identificar transações suspeitas em tempo real há décadas¹³. Não são aplicações novas. São sistemas comprovados que funcionam porque resolvem problemas específicos e bem definidos.

A informação e as APIs não estão organizadas o suficiente para serem úteis, a menos que sejam construídas a pensar em casos de uso humanos reais. A IA não compensa uma arquitetura de informação fraca. Pode reforçar a tomada de decisão e influenciar decisões, mas o elemento humano tem de lá estar: a decidir como os sistemas devem funcionar, a perceber as vantagens e desvantagens competitivas, a saber quando os resultados estão errados.

As empresas que vão ter sucesso com IA não são as que a atiram a tudo. São as que percebem a fundo uma indústria específica e identificam um estrangulamento essencial, constroem soluções focadas que resolvem esse problema, integram IA onde a ambiguidade não é um desastre completo, mantêm os sistemas legíveis (vês o que a IA está a fazer e podes intervir quando for preciso) e tornam a contribuição da IA mensurável e melhorável.

A IA preenche muito bem uma lacuna onde o reconhecimento de padrões ou o tratamento de ambiguidade dão valor. Mas não se trata de enfiar chatbots ou fluxos de trabalho novos e complicados pela garganta dos utilizadores. Trata-se de complementar processos existentes onde faz sentido.

A abordagem de atirar IA a tudo e ver o que pega é desaconselhável. Leva a funcionalidades mal cozinhadas que não servem para nada e, no fim, dão maus resultados aos utilizadores. Pior, contamina a própria etiqueta “IA”. Quando os utilizadores se deparam repetidamente com funcionalidades de IA avariadas, deixam de confiar nas capacidades da IA mesmo onde ajudariam a sério.

Encontra um estrangulamento específico e resolve-o

Não estou a tentar deitar abaixo todas as soluções de IA. Algumas vão ser brilhantes em coisas muito específicas. Mas vão ser construídas por pessoas que percebem a fundo uma indústria e identificaram um estrangulamento genuíno que a IA consegue resolver.

Os sistemas de IA atuais ainda não conseguem incluir dados clínicos nem comparar com imagiologia anterior em contextos médicos¹⁴. Funcionam isolados, incapazes de se integrar sem atritos nos cuidados multidisciplinares¹⁴. Alucinam, geram respostas erradas e dão informação enganadora a taxas entre 3% e 10%¹⁵. Estes problemas não se resolvem pondo IA em todo o lado e esperando pelo melhor.

A oportunidade real da IA não está na ubiquidade. Está na precisão. Está em perceber exatamente onde estes sistemas acrescentam valor e em construir implementações específicas para um problema, legíveis no funcionamento, integradas nos fluxos de trabalho existentes, com o impacto real medido e pensadas com supervisão humana.

Quando pões IA em todo o lado, tornas a IA menos valiosa onde poderia ajudar de verdade. Ensinas os utilizadores a desconfiar dos resultados da IA e crias um cenário onde as implementações úteis se afogam em AI-washing.

A IA pode ser transformadora quando é bem feita. Mas “bem feita” quer dizer soluções focadas, medidas e integradas, construídas por pessoas que percebem tanto a tecnologia como o domínio. Não copilots aparafusados a todos os produtos, façam sentido ou não.

Quando tivermos estes sistemas focados bem definidos e a funcionar, e só então, talvez vejamos alguma evolução rumo à ubiquidade que toda a gente persegue. Mas ainda não chegámos 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. ↩