A mudança de fase#
Em fevereiro de 2026, 16 agentes autônomos de IA escreveram um compilador C completo em duas semanas – 100.000 linhas de código Rust que compilam o kernel Linux e passam 99% de uma suíte de testes de tortura. Custo: 20.000 dólares. Apenas doze meses antes, agentes autônomos perdiam o fio da meada após trinta minutos. Há seis meses, era considerado notável quando um agente conseguia manter-se por sete horas. De trinta minutos para duas semanas em um ano – isso não é uma linha de tendência. Isso é, como o analista formulou, uma mudança de fase.
Histórias como essa parecem notícias do mundo do desenvolvimento de software. E são. Mas o cerne do que está acontecendo aqui não diz respeito ao desenvolvimento de software. Diz respeito à questão do que acontece quando a IA não mais assiste minuto a minuto, mas trabalha de forma autônoma por dias e semanas. E essa questão diz respeito a toda empresa cuja criação de valor se baseia no trabalho do conhecimento.
O que realmente mudou#
A discussão pública sobre IA geralmente gira em torno de tamanhos de modelos, benchmarks e janelas de contexto. Essas são as métricas erradas. A métrica correta é uma que quase ninguém conhece: a capacidade de um modelo de encontrar e utilizar informações dentro de sua janela de contexto.
Um modelo que pode absorver um milhão de tokens, mas só recupera a informação correta em um de cada cinco casos, é como um arquivo sem índice. Os documentos estão lá, mas encontrar o que se precisa é questão de sorte. Exatamente esse era o estado em janeiro de 2026: os melhores modelos encontravam a agulha no palheiro em 18 a 26 por cento dos casos.
O Opus 4.6, lançado no início de fevereiro, alcança 76 por cento com um milhão de tokens e 93 por cento com um quarto disso. Esse é o verdadeiro avanço: não a quantidade de informação que um modelo pode absorver, mas a confiabilidade com que ele a compreende e utiliza. É a diferença entre um modelo que vê um arquivo e um modelo que mantém um sistema inteiro na cabeça – cada dependência, cada interação, cada implicação.
Essa é a capacidade que distingue um colaborador experiente de um consultor externo que lê a documentação pela primeira vez. O colaborador experiente sabe que uma mudança nas compras tem impacto no cálculo de custos, que a taxa de reclamações está relacionada à seleção de fornecedores, que a reivindicação de garantia é diferente quando a montagem foi realizada pelo próprio cliente. Não porque ele consulta, mas porque vive no sistema há tempo suficiente para captar conexões intuitivamente.
Exatamente essa consciência holística um agente de IA agora pode proporcionar – não através de anos de experiência, mas através da capacidade de manter todo o contexto simultaneamente e pensar através dele.
De ferramenta a interlocutor: A verdadeira revolução#
A maioria das empresas hoje usa a IA como um mecanismo de busca melhorado ou como gerador de texto. Faz-se uma pergunta, obtém-se uma resposta. Dá-se um prompt, obtém-se um rascunho. Este é o paradigma da operação de ferramentas: o humano formula o processo, a IA executa um passo.
O que está surgindo agora é algo fundamentalmente diferente. A Anthropic chama de Orientação a Resultados – a descrição de resultados em vez de processos. Não se explica à IA como ela deve construir a tabela. Explica-se o que a tabela deve mostrar. Não se descreve os passos de um processamento de reclamação. Delega-se: “Processe esta reclamação.”
Isso parece uma diferença gradual. Não é. É uma mudança de paradigma na interação humano-máquina, tão fundamental quanto a transição da linha de comando para a interface gráfica nos anos oitenta. Naquela época, o computador deixou de ser uma máquina que se programa e tornou-se uma ferramenta que se opera. Agora ele deixa de ser uma ferramenta que se opera e torna-se um interlocutor ao qual se delega.
A competência que conta desloca-se: do domínio técnico de uma ferramenta para a clareza da própria intenção. Quem sabe exatamente o que precisa – e consegue formular isso como diria a um colaborador competente –, agora pode alcançar coisas para as quais antes departamentos inteiros eram responsáveis.
A dissolução da fronteira entre técnico e não-técnico#
Um dos aspectos mais notáveis do desenvolvimento recente: na Rakuten, o conglomerado japonês de e-commerce, colaboradores não-técnicos utilizam a mesma infraestrutura de IA que os desenvolvedores para construir funcionalidades e colocá-las em produção. Duas repórteres da CNBC – não engenheiras – construíram em menos de uma hora uma ferramenta funcional de gerenciamento de projetos que replica a funcionalidade central de um produto de 5 bilhões de dólares.
Isso não é a democratização da tecnologia no sentido usual, em que se torna uma ferramenta complicada mais fácil de operar. É a dissolução da categoria em si. A distinção entre colaboradores técnicos e não-técnicos – uma distinção que tem organizado o trabalho do conhecimento, estruturas salariais e organogramas há trinta anos – está se dissolvendo em meses.
Para as médias empresas, isso tem um significado específico. Aqui raramente existe um departamento de TI com vinte desenvolvedores. Aqui existem mestres de ofício, gerentes de vendas, funcionários administrativos, engenheiros – pessoas com profundo conhecimento especializado em suas áreas, mas sem conhecimentos de programação. Exatamente essas pessoas não são substituídas pela Agentic AI, mas multiplicadas. Seu conhecimento especializado – a capacidade de avaliar se uma proposta está correta, se uma reclamação é procedente, se uma norma foi aplicada corretamente – torna-se a alavanca que faltava até agora.
O discernimento como novo gargalo#
O medo comum é: a IA substitui o trabalho humano. A realidade é mais diferenciada e, em certo sentido, mais exigente.
O que a IA substitui é a execução. O que ela não substitui – e o que através dela ganha dramaticamente em valor – é o discernimento. Expertise de domínio. O que em inglês se chama “taste”: a compreensão profunda do que constitui um bom resultado, como uma proposta correta se parece, qual formulação em uma resposta de reclamação se sustenta juridicamente e qual não.
Os 16 agentes que construíram o compilador C não precisavam de ninguém para escrever código por eles. Precisavam de alguém que especificasse com precisão suficiente o que é um compilador C. A equipe de marketing não precisa mais de alguém para operar a plataforma de analytics – precisa de alguém que saiba quais métricas são relevantes e por quê.
A alavanca se deslocou: da execução para o julgamento. E essa alavanca se multiplica com o número de agentes que uma pessoa pode dirigir. Empresas nativas de IA hoje alcançam cinco a sete milhões de dólares de faturamento por colaborador – cinco a sete vezes o que é considerado “excelente” em empresas de software tradicionais. Não porque contrataram pessoas melhores, mas porque suas pessoas orquestram agentes em vez de executar elas mesmas.
Gestão como propriedade emergente#
Um resultado fascinante dos desenvolvimentos recentes: quando se coloca múltiplos agentes de IA em uma tarefa complexa, eles se organizam autonomamente em estruturas hierárquicas. Um agente líder decompõe o projeto em subtarefas, as atribui a especialistas, acompanha dependências, resolve bloqueios. Os especialistas se comunicam não apenas através do líder, mas também diretamente entre si – coordenação peer-to-peer.
Esta não é uma estrutura imposta. É evolução convergente. Hierarquia não é uma convenção cultural que humanos impõem a sistemas de IA. É uma propriedade emergente da coordenação de múltiplos atores inteligentes em tarefas complexas. Humanos inventaram a gestão porque gestão é o que a inteligência faz quando precisa escalar. Agentes de IA descobriram o mesmo – pelas mesmas razões estruturais.
Para a argumentação em favor de uma plataforma como a Phronesis, isso é central: a plataforma não simplesmente mapeia digitalmente fluxos de trabalho existentes. Ela fornece a infraestrutura a partir da qual os agentes se auto-organizam – com Skills como fluxos de trabalho definidos, Tools como capacidades individuais e Contextos como conhecimento específico de cada departamento. A plataforma é o que uma boa empresa oferece a seus colaboradores: estruturas claras, conhecimento disponível, processos definidos. O agente usa tudo isso – mas decide por si mesmo o que precisa para cada tarefa.
O ritmo e suas consequências#
A mudança de fase que está acontecendo aqui é notável não apenas em sua direção, mas sobretudo em sua velocidade. As ferramentas que eram estado da arte em janeiro são uma geração diferente em fevereiro. O pesquisador da Anthropic que participou do projeto do compilador C formulou assim: “I did not expect this to be anywhere near possible so early in 2026.”
Essa velocidade tem uma consequência paradoxal: quem hoje se dedica a uma ferramenta de IA específica e a domina deve contar que seu conhecimento estará desatualizado em poucos meses. Isso vale tanto para o ChatGPT quanto para o Copilot. Qualquer um que otimizou seu fluxo de trabalho para um determinado padrão de prompt ou uma versão específica de modelo experimenta com cada atualização uma desvalorização de sua expertise.
A resposta para isso não é aprender ferramentas individuais mais rapidamente. A resposta é uma camada de abstração: uma plataforma que desacopla o conhecimento especializado da empresa da tecnologia de IA concreta. Skills que definem o que deve ser feito permanecem estáveis, mesmo que o modelo subjacente mude a cada três meses. Contextos que determinam qual conhecimento é relevante em qual departamento sobrevivem a cada troca de modelo. O conhecimento empresarial – dados de produtos, listas de preços, normas, diretrizes – permanece independente de se sob o capô trabalha Opus 4.6, Opus 5 ou algo completamente diferente.
Esta é a ideia arquitetônica central da Phronesis: desacoplar o conhecimento empresarial e os fluxos de trabalho da tecnologia de IA que muda rapidamente. A plataforma absorve a mudança tecnológica para que a empresa possa se concentrar no que permanece estável: seu conhecimento especializado, seus processos, seu discernimento.
Por que as médias empresas não esperam, mas agem#
Os números do Vale do Silício – Cursor com 5 milhões de dólares de faturamento por colaborador, McKinsey com a meta de paridade agente-humano até o final de 2026, equipes da Amazon que se reorganizam para “duas pessoas mais frota de agentes” – isso soa como um mundo diferente do que o estúdio de cozinhas na Baixa Baviera ou o fabricante de máquinas na região de Bergisches Land.
Mas o cerne do argumento atinge as médias empresas ainda mais fortemente do que as grandes corporações. Pois:
As médias empresas têm o que a IA não tem: conhecimento especializado profundo e específico. A capacidade de avaliar se um orçamento de cozinha está corretamente calculado. O conhecimento de qual norma DIN se aplica a um determinado tipo de construção. A experiência de como responder a uma reclamação de modo que o cliente fique satisfeito e a empresa juridicamente protegida. Esse conhecimento está nas cabeças de colaboradores que frequentemente estão na empresa há décadas – e que são cada vez mais difíceis de substituir.
O que as médias empresas não têm: força de trabalho infinitamente escalável. Os profissionais qualificados faltam, e continuarão faltando. Cada mestre de ofício, cada funcionária administrativa, cada gerente de vendas passa uma parte considerável do tempo de trabalho com tarefas que, embora pressuponham conhecimento especializado, são em essência repetitivas: escrever propostas, elaborar relatórios, consultar normas, processar reclamações. Não porque essas tarefas sejam triviais – não são –, mas porque seguem um padrão que um agente pode aprender.
A Agentic AI multiplica exatamente essa combinação. O conhecimento especializado do colaborador se torna a alavanca, a infraestrutura de agentes a multiplicação. O mestre de ofício não escreve mais cada proposta ele mesmo – ele delega e verifica o resultado. A funcionária administrativa não processa mais cada reclamação do zero – ela delega os casos padrão e se concentra naqueles que requerem verdadeiro discernimento. O engenheiro não pesquisa mais normas por horas – ele delega a pesquisa e avalia o resultado.
Isso não é automação no sentido industrial, em que um robô substitui o humano. É delegação no sentido próprio: um colaborador competente passa uma tarefa a um interlocutor competente que conhece os processos, tem o conhecimento e entrega o resultado na forma correta.
A questão que se coloca#
A McKinsey recomenda a seus próprios sócios que até o final de 2026 o número de agentes de IA iguale o número de colaboradores humanos. A questão para as médias empresas não é se esse desenvolvimento virá. É se ele será acompanhado com ferramentas genéricas como o ChatGPT – ferramentas que não conhecem o conhecimento empresarial, que não têm Skills, que não sabem como uma proposta deve parecer nesta empresa específica – ou com uma infraestrutura adaptada ao próprio conhecimento especializado, aos próprios processos e aos próprios padrões de qualidade.
A questão não é: “Devemos usar IA?” A questão é: “Qual é nossa proporção de agentes para colaboradores – e o que cada colaborador deve dominar com excelência para que essa proporção funcione?”
A Phronesis é a infraestrutura que torna essa questão respondível. Não como promessa, mas como sistema produtivo: 39 Skills em operação, mais de 40 Tools disponíveis, conhecimento empresarial completamente integrado, em conformidade com a LGPD em infraestrutura própria. Não em algum momento. Agora.
Baseado em uma análise dos desenvolvimentos mais recentes em Agentic AI, especialmente os resultados do Opus 4.6 da Anthropic (fevereiro de 2026), o uso produtivo de equipes de agentes pela Rakuten e a reorganização emergente do trabalho do conhecimento em direção a equipes humano-agente.