Superinteligência nos negócios

Superinteligência nos negócios é, por enquanto, um tema de planejamento e não de previsão: ninguém consegue dizer com segurança quando, ou se, sistemas muito mais capazes que equipes humanas estarão disponíveis. O que a empresa controla é a qualidade de decisões que valem em qualquer ritmo de evolução: documentar processos, medir o que a IA faz e limitar o que ela pode acessar e executar. Este texto mostra como montar cenários e escolher essas decisões.

Principais pontos

• Planejar por cenários é mais útil do que apostar em uma data: cada cenário tem sinais observáveis e uma resposta combinada de antemão.
• Algumas decisões valem em todos os cenários: processos documentados, métricas de qualidade e custo, acessos mínimos e possibilidade de trocar de fornecedor.
• Autonomia deve crescer por evidência medida em um fluxo real, e não por expectativa sobre o que a próxima geração de modelos fará.
• Separar documentação oficial, experiência de implementação e hipótese evita que especulação vire plano de investimento.
• Revisar os cenários em ritmo fixo, com um responsável nomeado, custa pouco e impede que o assunto vire ansiedade ou propaganda.

O que significa planejar para superinteligência sem prever datas?

Superinteligência, no uso mais comum do termo, é a hipótese de um sistema que supera humanos de forma ampla em tarefas cognitivas. Hoje isso é debate e pesquisa, não um produto que uma empresa contrata. O que as empresas operam de fato são modelos de linguagem, assistentes e agentes com funções delimitadas. Se você quer entender essa diferença com calma, vale ler a diferença entre AGI e superinteligência e os mitos sobre superinteligência que atrapalham decisões.

Planejar sem prever datas quer dizer trocar a pergunta. Em vez de "quando a IA vai superar nossa equipe?", a pergunta passa a ser "o que faríamos de diferente se a IA ficasse mais capaz de forma gradual, desigual, lenta ou rápida, e o que já vale fazer em todos esses casos?". A primeira pergunta exige adivinhação. A segunda exige apenas disciplina de gestão.

Um cuidado de método ajuda aqui. Ao ler qualquer material sobre o tema, separe três tipos de afirmação: o que a documentação oficial de um fornecedor ou de um órgão descreve, o que equipes reportam de experiência de implementação, e o que é hipótese. Previsões de data quase sempre pertencem ao terceiro grupo, mesmo quando vêm com tom de certeza.

Como montar cenários de IA mais capaz?

Um cenário não é uma previsão. É uma história plausível sobre o ambiente, ligada a sinais que você consegue observar e a uma resposta já combinada. Para a maioria das empresas, quatro cenários bastam:

• Avanço gradual: os modelos melhoram em passos regulares e agentes assumem mais tarefas, sempre com supervisão. Sinal: a taxa de tarefas que o agente conclui sem correção humana sobe de forma estável no seu próprio fluxo. Resposta: ampliar o escopo por etapas.
• Avanço desigual: a IA fica muito boa em algumas tarefas (por exemplo, leitura de documentos ou código) e continua frágil em outras. Sinal: ganhos claros em um processo e nenhum em outro. Resposta: concentrar investimento onde a evidência aparece.
• Desaceleração: custo, regulação ou limites técnicos freiam a evolução. Sinal: os modelos que você usa mudam pouco por um período longo. Resposta: consolidar, reduzir custo por tarefa e melhorar a operação do que já existe.
• Salto amplo: capacidade muito maior em muitas áreas ao mesmo tempo. Sinal: um agente passa nos seus testes internos em processos que antes exigiam julgamento humano. Resposta: revisar papéis, aprovações e limites de acesso antes de ampliar autonomia.

Para cada cenário, escreva em uma página: o que mudaria no seu processo, qual sinal confirmaria que ele está acontecendo, quem decide e qual é a primeira ação. Se não houver sinal observável, o cenário é só uma opinião e deve ser descartado ou reformulado.

Quais decisões valem em todos os cenários?

A parte mais útil do exercício aparece quando você compara as respostas e procura o que se repete. Em geral, quatro frentes aparecem em todos os cenários.

Documentar. Um agente, hoje ou no futuro, só consegue ajudar em um processo que alguém sabe descrever. Registre etapas, exceções, responsáveis, critérios de decisão e o que significa "bem feito". Esse material serve para treinar pessoas, orientar um agente simples e, mais tarde, avaliar um agente melhor. Quem já tem uma base de conhecimento organizada também se prepara para a camada de superinteligência da empresa, que depende de contexto confiável.

Medir. Defina, antes de qualquer piloto, a linha de base atual do processo: tempo, retrabalho, qualidade percebida e custo por tarefa. Sem isso, qualquer melhora ou piora vira impressão. Testes de avaliação feitos com casos reais da empresa, no estilo descrito nos guias de avaliação de agentes publicados por fornecedores como a OpenAI e a Anthropic, dão uma régua que continua válida quando o modelo muda.

Limitar. Conceda o menor acesso necessário a dados e a ações. Separe o que o agente pode ler, o que pode sugerir e o que pode executar. Ações irreversíveis, como pagamentos, envio em massa e alteração de cadastro sensível, ficam com aprovação humana. As orientações de autorização do OWASP são uma boa referência técnica para esse desenho.

Preservar a opção de trocar. Evite que processos, prompts e dados fiquem presos a um único fornecedor ou modelo. Guarde instruções, casos de teste e registros em formato que você controla. Se o cenário for de avanço rápido, você troca de modelo com pouco atrito. Se for de desaceleração, você renegocia sem depender de ninguém.

Cenário ilustrativo: uma empresa de serviços com atendimento no WhatsApp

Cenário ilustrativo, sem dados reais: uma empresa de serviços residenciais atende pedidos de orçamento e reagendamento pelo WhatsApp. Hoje, um agente de IA responde dúvidas simples e encaminha o restante para a equipe.

A direção quer saber se deve contratar mais pessoas ou apostar em IA mais autônoma. Em vez de decidir por palpite, monta os quatro cenários. Nos quatro, descobre que precisa das mesmas coisas: o roteiro de atendimento escrito, o registro de cada conversa com o motivo do encaminhamento, uma medida de quantas conversas o agente resolve sem correção, e uma regra de que reagendamentos e cobranças só são confirmados por uma pessoa.

Só depois disso a empresa define o que muda por cenário. Se o agente passar a resolver bem os reagendamentos com evidência no registro, a aprovação humana pode ser reduzida nesse tipo de caso. Se nada melhorar, o foco passa a ser custo por conversa e qualidade do roteiro. A decisão de contratar deixa de depender de uma data e passa a depender de um número que a própria empresa mede.

Passo a passo para começar nas próximas semanas

O método que usamos em projetos de IA segue quatro movimentos: mapear, limitar, pilotar e transferir. Aplicado ao planejamento de cenários, fica assim:

• Mapear: escolha um processo importante e descreva o fluxo atual, as exceções, as pessoas envolvidas e os dados usados. Registre a linha de base.
• Mapear: liste quais decisões nesse processo são de rotina e quais exigem julgamento ou têm consequência legal ou financeira.
• Limitar: defina o que a IA pode ler, sugerir e executar. Aplique o princípio do menor acesso e informe quais dados pessoais entram, em linha com a LGPD.
• Pilotar: rode um único fluxo real, com registro de decisões e uma métrica de sucesso combinada antes de começar.
• Pilotar: revise os registros em intervalos fixos e anote casos de erro, não apenas os de acerto.
• Transferir: entregue à equipe o roteiro, os registros, os testes e as regras de acesso, com um responsável nomeado.
• Decidir: ao fim do piloto, escolha entre expandir, ajustar ou parar, e registre o motivo.

Não é preciso nenhuma previsão para executar essa lista. Ela produz o que qualquer cenário vai exigir: processo escrito, evidência de desempenho e controle de acesso.

Que sinais acompanhar e quando revisar os cenários?

Cenários envelhecem. Defina um ritmo fixo de revisão, por exemplo a cada trimestre, e um responsável por trazer evidências. Boas fontes de sinal são, em ordem de peso:

• Seus próprios números: taxa de resolução sem correção, tipos de erro, custo por tarefa e tempo de revisão humana.
• Documentação oficial dos fornecedores que você usa: mudanças de capacidade, de limite e de política de dados.
• Marcos regulatórios e orientações de autoridades, como a ANPD, e o acompanhamento do marco legal da IA no Brasil.
• Referenciais de gestão de risco, como o AI Risk Management Framework do NIST e os princípios de IA da OCDE, que ajudam a estruturar perguntas de governança sem depender de tecnologia específica.

Manchetes, vídeos e previsões de especialistas entram como contexto, não como gatilho. Uma boa regra: nenhuma mudança de investimento ou de autonomia acontece por causa de uma notícia. Ela acontece quando um sinal definido no cenário aparece nos seus dados.

O que evitar ao tratar de superinteligência na empresa

Alguns erros se repetem e são fáceis de evitar.

• Esperar a tecnologia ideal para começar a documentar e medir. Esse trabalho não perde valor.
• Dar acesso amplo a sistemas "porque o modelo é inteligente". Capacidade não substitui permissão mínima.
• Tratar um assistente de uso geral como se fosse superinteligência e delegar decisões que exigem responsabilidade humana. Em casos de decisão automatizada sobre pessoas, a LGPD prevê o direito de revisão.
• Criar um comitê grande e lento. Um responsável, uma reunião periódica e uma página por cenário costumam ser suficientes.
• Comunicar à equipe promessas ou ameaças sem base. Explique o que a empresa vai medir e como as pessoas participam da revisão.

Perguntas frequentes

Superinteligência já existe e minha empresa já usa? Não há base pública sólida para tratar os assistentes e agentes comerciais de hoje como superinteligência. Eles são sistemas úteis em tarefas delimitadas, com erros e limites que precisam de supervisão. Planejar para algo mais capaz é prudente, mas operar o que existe com controle é o que gera valor agora.

Devo adiar projetos de IA até a tecnologia amadurecer? Em geral, não. Documentar o processo, definir métricas e limitar acessos são trabalhos que servem a qualquer cenário, e um piloto pequeno com registros ensina mais do que a espera. O que vale adiar é a ampliação de autonomia, até existir evidência medida no seu próprio fluxo.

Preciso de um comitê de IA para fazer esse planejamento? Para a maioria das empresas pequenas e médias, não. Costuma bastar uma pessoa responsável, com apoio de quem conhece o processo e de quem cuida de dados e segurança, e uma revisão em ritmo fixo. Se a empresa crescer ou tratar dados sensíveis, a estrutura pode ganhar formalidade aos poucos.

Como apresentar isso à diretoria sem prometer resultado? Apresente os cenários como hipóteses, cada um com sinal observável, resposta combinada e custo de preparação. Mostre as decisões que valem em todos eles e a linha de base atual do processo escolhido. Assim a conversa trata de risco e evidência, e não de uma previsão que ninguém consegue sustentar.

Fontes

• NIST: AI Risk Management Framework
• OECD: AI Principles
• OWASP: Authorization Cheat Sheet
• Anthropic: Demystifying evals for AI agents