Inteligência Artificial: O Novo Ciclo nas Empresas e Desafios

A ideia de que o software estava “devorando o mundo”, apresentada há cerca de 15 anos, se consolidou como uma das principais formas de entender a transformação digital da última década. No entanto, essa perspectiva vem passando por uma mudança significativa: agora, o software parece estar sendo engolido pela Inteligência Artificial, especialmente nas grandes empresas de SaaS. Um novo movimento, que é mais sutil e pode ser bastante disruptivo, começa a tomar forma. Trata-se de um processo autofágico das ferramentas e sistemas de IA, com destaque para a evolução do Claude, um sistema de IA generativa desenvolvido pela Anthropic.

Na biologia, a autofagia é o ato de reorganizar sistemas a partir de seus próprios componentes para se tornarem mais eficientes. Quando olhamos para a implementação da IA nas organizações, surgem perguntas importantes: Será que esses modelos vão absorver e substituir camadas inteiras de ecossistemas? Ou, por outro lado, permitirão o surgimento de produtos verdadeiramente disruptivos?

Além disso, é notável a crescente distância entre o que a IA pode realmente fazer e o que as empresas estão conseguindo implementar. Um estudo da Anthropic introduz o conceito de “exposição observada”, que analisa o uso real da IA em contextos de trabalho. Os resultados mostram um gap considerável: em áreas como a computação, a capacidade teórica da IA já se aproxima da totalidade das tarefas, enquanto o uso efetivo representa apenas uma fração. Esse descompasso é resultado de barreiras regulatórias, da necessidade de validação humana e dos desafios organizacionais que atrasam a adoção da tecnologia.

A IA está evoluindo de forma exponencial, mas a sua adoção nas empresas não segue o mesmo ritmo. Muitas delas ainda veem a IA como uma camada experimental, desconectada do núcleo do negócio. Isso resulta em um acúmulo de pilotos e testes isolados, que raramente se traduzem em um impacto real. Portanto, a solução está em priorizar o que de fato resolve problemas concretos, utilizando tecnologias já validadas. Nesse cenário, a disciplina de execução se revela mais importante do que a velocidade de experimentação.