Eu ficaria com um pé atrás ao ouvir que o time está produzindo muito mais com IA. Mais coisa pronta pra revisão ou mais coisa chegando a quem usa o produto? A fila também pode estar batendo recorde.

A Linear contou que acelerar o código com agentes fez os testes virarem um gargalo. O time precisou mexer nessa etapa pra acompanhar o ritmo. Achei esse detalhe mais útil que outra promessa de produtividade.

Antes de comprar mais licenças de IA, eu faria uma conta com o time: nas últimas cinco entregas, quanto tempo foi trabalho e quanto foi espera? O relato da Linear dá uma boa pista de onde olhar. Se tudo empaca na conferência, produzir mais só aumenta a pilha.

https://linear.app/now/ci-bottleneck-reworked

Eu gosto da ideia de uma IA menor aprender com outra maior. Isso se chama destilação. Mas, numa empresa, eu olharia além do preço de cada resposta: quem vai conferir os erros e atualizar o modelo quando o atendimento mudar?

Antes de pagar pelo treino, eu testaria uma IA pequena já pronta nas mesmas mensagens. Se ela resolver bem a tarefa, talvez nem precise da destilação. A economia começa também no projeto que a gente deixa de fazer.

Expliquei a diferença e fiz uma conta hipotética no artigo: https://www.gustavocaetano.com/blog/o-que-e-destilacao-na-ia?utm_source=telegram&utm_medium=channel&utm_campaign=blog_destilacao_20260923 #PenseSimples

Eu achei boa essa: a empresa do carro sem motorista quer dar crédito pra quem também pega transporte público. Até o robô percebeu que não precisa fazer o trajeto inteiro.

Segundo a Waymo, o incentivo vale pra região de São Francisco, com cartão Visa. Começa pelos funcionários e deve chegar ao público nas próximas semanas. O carro pode levar até a estação; o trem faz o resto.

Eu usaria o caso da Waymo numa conversa com o time: o que nosso cliente precisa resolver logo antes de comprar da gente? Se outra empresa já faz isso bem, eu procuraria uma parceria antes de inventar mais um produto. Dá pra começar ouvindo três clientes.

https://waymo.com/blog/2026/09/transit-rewards/

Eu fiquei pensando na fábrica por trás de uma terapia celular. A Cellares anunciou US$ 327 milhões na sua Série D para ampliar essa operação. O dinheiro chama atenção, mas eu olharia também o que ela consegue entregar com qualidade.

Numa reunião sobre automação ou IA, eu faria uma conta antes de aprovar o orçamento: quanto custa cada entrega aceita, incluindo revisão e correção? Produzir mais pode sair caro quando o retrabalho cresce junto.

Escrevi sobre essa diferença no blog: https://www.gustavocaetano.com/blog/cellares-fabrica-terapias-celulares?utm_source=telegram&utm_medium=channel&utm_campaign=blog_cellares_20260924 #PenseSimples

Eu tenho uma exigência pouco futurista pra IA: trocar o preço de uma proposta sem bagunçar o resto. Se eu precisar revisar cada página depois, a pressa saiu cara.

Segundo a Paper Instruments, o Paper Office ajuda agentes de IA a editar arquivos do Office preservando o que não precisava mudar. No Word, dá pra deixar alterações marcadas pra revisão. Isso me interessa mais que gerar outro documento bonito do zero.

Eu faria um teste com o Paper Office numa cópia de proposta fictícia: mudar só o prazo e conferir o resto. Antes de liberar pro time comercial, mediria o tempo gasto corrigindo e revisando. O arquivo pronto é só metade do trabalho.

https://www.paperinstruments.com/blog/introducing-paper-office

Eu olharia com carinho para as instruções que a equipe foi empilhando na IA. Algumas guardam regras importantes. Outras só estavam ali porque o modelo antigo errava. O ensaio The Bitter Lesson, de Richard Sutton, me fez pensar no custo de manter tudo para sempre.

Na próxima semana, eu escolheria uma dessas instruções antigas e compararia a mesma tarefa com e sem ela, sem mexer nas permissões. Se a revisão aumentar ou a qualidade cair, ela fica. Se não fizer diferença, vale simplificar.

Escrevi essa análise aqui: https://www.gustavocaetano.com/blog/bitter-lesson-customizacao-ia?utm_source=telegram&utm_medium=channel&utm_campaign=blog_bitter_20260925 #PenseSimples

Eu tenho preguiça de vídeo de empresa que termina e me deixa sem saber o que ela vende. Agora dá pra produzir essa confusão com IA, em poucos minutos.

O LaunchVideo transforma um link ou uma descrição do produto em vídeo, segundo o site. Eu usaria pra rascunhar uma explicação da dúvida que mais trava a venda, em vez de pedir mais uma animação do logo.

Antes de colocar verba, mostraria o resultado a alguém de fora e perguntaria o que entendeu da oferta. Se eu precisar explicar o vídeo depois, ele volta pra revisão. E conferiria as promessas: a IA não vai atender o cliente que cobrar uma função inventada.

https://launchvideo.io/

Pra quem é da área financeira, vale muito a leitura - https://content.starkbank.com/the-cfo-of-the-next-decade

Eu desconfio de lista de lead que chega com nome bonito e zero motivo pra falar com alguém. Isso costuma virar time comercial caçando gente que nem sabe que existe.

O BuyerCue me chamou atenção por inverter a ordem: ele procura empresas que já investem em distribuição e mostra o recibo antes de revelar a empresa. Eu usaria essa prova pra decidir se vale pesquisar a empresa. Pixel instalado e anúncio visto são pista, não contrato assinado. Ainda bem.

Eu usaria isso numa semana de prospecção: escolheria dez empresas, leria a prova de gasto e descartaria metade se não houver encaixe real. Melhor perder uma lista do que fazer o time passar a semana vendendo pra uma planilha.

https://www.buyercue.io/

Eu tenho uma implicância com agente que ganha autonomia e passa a parecer só mais um login. É justamente nessa hora que alguém descobre que “isolado” era uma opinião.

A OpenAI contou que um modelo de pesquisa encontrou uma rota externa que não deveria estar disponível. O detalhe técnico é menos interessante que a conversa chata que isso pede: por onde esse agente ainda fala com o mundo quando o time acha que ele só está trabalhando?

Eu usaria o ChatGPT só pra rascunhar esse mapa antes de ampliar qualquer piloto; decidir o que fica aberto precisa ter dono. Se ninguém sabe cortar, não é autonomia. É uma surpresa com crachá.

https://alignment.openai.com/misalignment-reports/an-agent-used-dns-to-reach-an-external-chatbot/

Eu desconfio de agente que só mostra que terminou a tarefa. A OpenAI descreveu a Basis, plataforma de agentes para contabilidade, e ela me trouxe outra pergunta: consigo reencontrar a fonte, o cálculo e a decisão humana antes do fechamento?

Se eu estivesse levando um agente para o financeiro, começaria com uma rotina interna e reversível. Rodaria em paralelo por uma semana e mediria não só o tempo poupado, mas o tempo para explicar uma exceção. Automação que não deixa rastros só acelera a próxima investigação.

Minha leitura sobre a Basis e esse teste dos 3 rastros está aqui: https://www.gustavocaetano.com/blog/basis-agentes-contabilidade-revisao?utm_source=telegram&utm_medium=channel&utm_campaign=blog_basis_20260928 #PenseSimples

Eu acho engraçado quando o orçamento de IA vira uma conversa sobre modelo mais inteligente. Quase sempre é uma conversa sobre quanto ele fica pensando escondido enquanto o trabalho espera.

A Fireworks AI lançou o Ember-1 dizendo cortar tokens de raciocínio sem cair na qualidade do Kimi K3. Confesso que a promessa me interessa menos do que a pergunta que ela obriga: no seu agente, qual etapa melhora a resposta e qual só queima margem?

Eu usaria o ChatGPT para listar as 10 tarefas mais caras do mês e comparar custo por tarefa concluída, não custo por milhão de tokens. O resto é planilha com efeito especial.

https://fireworks.ai/blog/ember-1

Eu não entregaria a chave do escritório inteiro a um agente só porque ele prometeu ter cuidado. É mais ou menos esse o ponto do OpenShell: limitar tecnicamente o que a IA alcança antes de deixá-la agir.

Se fosse no meu time, eu começaria por uma pasta sintética e uma tarefa reversível. Só liberaria outra permissão depois de olhar o que o agente tentou fazer e por quê. Segurança, nesse caso, é reduzir a porta antes de aumentar a confiança.

Minha leitura sobre o OpenShell e a regra da chave, da porta e do recibo está aqui: https://www.gustavocaetano.com/blog/openshell-agentes-ia-seguros?utm_source=telegram&utm_medium=channel&utm_campaign=blog_openshell_20260929 #PenseSimples

Eu confesso que tenho preguiça de IA que responde com cara de certeza quando deveria dizer “não sei”. No atendimento, isso vira erro com gravata.

O Jeeves, da PostHog, é uma ferramenta para classificar uma mensagem por fila, urgência e risco, devolvendo também a probabilidade. O detalhe que me chamou atenção não é trocar alguém por um modelo. É saber quais decisões podem seguir sozinhas e quais precisam parar na mesa humana do seu time.

Eu faria um teste simples: abriria o GitHub do Jeeves e colocaria 30 tickets antigos para comparar a confiança dele com a regra atual. Se a resposta for segura e errada, não é automação. É velocidade para o lugar errado.

https://github.com/PostHog/jeeves

Eu não colocaria uma resposta bonita da IA direto no CRM só porque ela veio em JSON. Na Responses API da OpenAI, o json_schema organiza os campos que entram no CRM, mas um formulário bem preenchido não confirma se a informação é verdadeira nem se a ação é permitida.

Se fosse no meu time, eu testaria cada fluxo em três camadas: o campo está no formato certo, representa corretamente a fonte e pode gerar aquela consequência? Se uma delas falhar, a resposta volta para revisão antes de virar tarefa, e-mail ou decisão.

Escrevi a explicação simples sobre saída estruturada e esse teste aqui: https://www.gustavocaetano.com/blog/o-que-e-saida-estruturada-na-ia?utm_source=telegram&utm_medium=channel&utm_campaign=blog_saida_estruturada_20260930 #PenseSimples

Eu tenho uma implicância saudável com a frase “pode mandar para a IA, ela não vê nada”. Quando a planilha tem nome, e-mail ou CPF, ela vê sim. E o problema não fica menos chato porque o prompt estava bonito.

O ScrubVault propõe trocar dados pessoais por etiquetas locais antes de chamar um modelo e devolver os dados só no fim. Não é salvo-conduto para despejar o CRM no ChatGPT. É uma trava a mais.

Eu faria um teste pequeno: testa o ScrubVault numa amostra de atendimentos e confere o que escapou antes de liberar o fluxo pro seu time. Privacidade não é feature de rodapé.

https://github.com/tastenkasperle/scrub-vault

Eu não trataria a voz de alguém ao telefone como prova de identidade depois que clonar voz ficou barato. O que me chamou atenção na Modulate não foi só a rodada de US$ 25 milhões, mas a pergunta que ela obriga: o alerta de IA muda uma decisão ou só cria outro dashboard?

Se fosse no meu time, eu começaria por 50 chamadas antigas e uma ação reversível: separar para revisão humana as que parecem risco. Só ampliaria se o alerta evitasse perda ou poupasse retrabalho sem encher a fila de falso positivo.

Escrevi o teste das três provas, detectar, decidir e auditar, aqui: https://www.gustavocaetano.com/blog/modulate-ia-de-voz-capital?utm_source=telegram&utm_medium=channel&utm_campaign=blog_modulate_20261001 #PenseSimples

Eu confesso que a promessa de agente rodando localmente sempre me deixa com um pé atrás. Economia de API é ótima até a reunião ficar esperando o notebook pensar — e a conta volta em hora perdida.

O que me chamou atenção no Magnitude é que ele olha pra máquina antes de sugerir o modelo. Parece detalhe técnico, mas a decisão é bem menos glamourosa: saber se você está cortando custo ou só trocando uma fatura por retrabalho.

Eu faria um teste simples com o Magnitude: escolhe uma rotina interna e repetitiva, deixa uma semana rodando e compara custo, tempo de resposta e correções humanas. Se melhorar a margem sem piorar a experiência, aí sim vale ampliar. Privacidade ajuda; lentidão escondida não.

https://github.com/magnitudedev/magnitude