As camadas de funcionamento da IA: o valor nasce do sistema completo

Fala-se muitas vezes da IA de forma limitada. Uns pensam em chatbots, outros em modelos, agentes, centros de dados, chips e Nvidia. Outros pensam na transformação do trabalho, automatização e capacidade de equipas menores produzirem mais.

Todos têm parte da razão. Mas nenhuma destas perspetivas basta isoladamente.

A IA moderna vai da energia e centros de dados aos processos, agentes, robótica, gestão e responsabilidade. Convém vê-la como um conjunto de camadas de funcionamento, para além de uma arquitetura técnica. Uma expressão mais adequada é camadas de funcionamento. Descrevem como a IA passa do cálculo ao trabalho concreto.

Este artigo baseia-se nas ideias de Jensen Huang, diretor executivo da Nvidia, sobre a estrutura em camadas da IA.

1. Porquê pensar na IA como um conjunto de camadas?

Um problema recorrente é olhar apenas para a superfície. O utilizador vê o chatbot; a gestão, o custo da licença; o programador, a API; o investidor, a empresa de modelos; a infraestrutura, o centro de dados. O trabalhador vê uma ajuda ou mais um sistema entre muitos.

O impacto real surge quando se ligam estas perspetivas. Pensar por camadas esclarece três aspetos.

Primeiro, mostra que a IA precisa de uma base física e digital: energia, cálculo, redes, armazenamento e chips.

Segundo, mostra que um modelo precisa dos dados, contexto, integrações e fluxos certos para ir além de um assistente genérico.

Terceiro, mostra que a adoção também envolve gestão, responsabilidades, competências, medição e mudança.

Ao perguntar «Que ferramenta de IA devemos adotar?», a empresa olha sobretudo para a aplicação. Ao perguntar «Como construímos as camadas para apoiar o negócio?», começa a considerar o sistema completo. É aí que nasce a vantagem competitiva.

2. A IA é uma cadeia de produção

Podemos comparar IA e eletricidade. A eletricidade não mudou o mundo apenas por existir. A transformação nasceu da ligação a fábricas, iluminação, casas, transportes, comunicação, equipamentos e novas práticas.

O mesmo vale para a IA. O modelo é uma parte importante; a transformação nasce de o ligar a dados, ferramentas, software, processos e decisões humanas.

A cadeia pode ser simplificada assim:

• a energia permite centros de dados
• os centros permitem cálculo
• os chips permitem treinar e usar modelos
• a nuvem e redes permitem distribuição em escala
• os modelos fornecem capacidades linguísticas, visuais e lógicas
• a otimização reduz tempo e custos
• dados e RAG fornecem o contexto da empresa
• MCP e integrações dão acesso a ferramentas
• a orquestração distribui tarefas por modelos, agentes e pessoas
• as aplicações tornam a IA utilizável
• os processos convertem IA em benefício de negócio
• a IA física leva-a à robótica e ao mundo real
• a gestão, supervisão e responsabilidade tornam o conjunto sustentável

A cadeia importa porque cada camada afeta a seguinte. Infraestrutura cara aumenta custos; modelos lentos prejudicam a experiência; dados fracos geram respostas pouco fiáveis. Sem integrações, não há execução; sem orquestração, os agentes desorganizam-se; sem gestão, os riscos aumentam.

A IA envolve mais do que tecnologia. É uma nova cadeia de produção para pensamento, informação, software e trabalho.

3. Camada 1: energia e centros de dados

A IA começa pela eletricidade. Parece banal, mas é uma observação essencial. Não é uma força mágica suspensa na nuvem: funciona em centros de dados com energia, refrigeração, espaço, redes, equipamento e manutenção contínua.

Quando se pede uma análise, imagem, código ou tarefa de agente, ocorre muito cálculo em segundo plano. Mais utilização exige mais capacidade. Isto torna a energia uma questão estratégica.

Empresas, Estados e tecnológicas têm de decidir a origem da energia, localização e refrigeração dos centros e compatibilidade do crescimento com objetivos climáticos e de responsabilidade.

Esta camada exige competências essenciais, mesmo que não pareçam competências tradicionais de IA:

• planeamento energético
• conhecimento das redes elétricas
• arquitetura de centros de dados
• refrigeração
• planeamento de instalações e capacidade
• gestão das cadeias de abastecimento
• avaliação de sustentabilidade
• gestão de riscos

O futuro também depende das redes elétricas, centros de dados e decisões de infraestrutura, para além das secretárias dos programadores. Se a IA é uma nova tecnologia de produção, a energia é o combustível.

4. Camada 2: chips e infraestrutura de cálculo

Segue-se a infraestrutura de cálculo: chips, servidores, aceleradores, memória e arquitetura. É aqui que a Nvidia se tornou símbolo da era da IA.

Os modelos modernos precisam de enorme cálculo paralelo. As GPUs são adequadas por executarem muitas operações simultâneas. Mas a infraestrutura combina chips, memória, redes, servidores, bibliotecas e ferramentas de otimização.

Esta camada determina, entre outros aspetos:

• a rapidez das respostas
• o custo de cada resposta
• quantos utilizadores suporta o sistema
• a capacidade de crescimento dos agentes
• se funciona na nuvem, em infraestrutura própria ou nos dispositivos
• como se otimiza o cálculo para cada utilização

Esta camada importa especialmente com agentes. Uma resposta de chatbot pode exigir uma chamada; uma tarefa de agente pode exigir dezenas ou centenas: pesquisar, comparar opções, usar ferramentas, verificar, resumir e pedir aprovação.

Passar de respostas isoladas a trabalho com várias etapas pode aumentar o cálculo necessário, mesmo com modelos mais eficientes. Pode crescer. Por isso, a infraestrutura é uma das camadas mais estratégicas.

5. Camada 3: nuvem, redes e armazenamento

Nuvem, redes e armazenamento formam a distribuição da IA. Permitem passar de uma capacidade num computador ou laboratório a um serviço capaz de crescer em organizações, aplicações e fluxos globais.

A nuvem disponibiliza capacidade flexível; as redes ligam utilizadores, sistemas e fontes; o armazenamento mantém dados, modelos, registos e documentos disponíveis quando necessários.

É uma camada invisível, mas crítica. Redes lentas prejudicam a experiência; armazenamento disperso impede RAG de encontrar informação; arquitetura cara aumenta custos de tokens e chamadas; segurança fraca bloqueia a expansão.

Há uma escolha importante: nuvem pública, infraestrutura própria, solução híbrida ou ambiente setorial fechado? A nuvem é rápida e cresce facilmente; o ambiente próprio dá controlo; o híbrido combina ambos. Na saúde, finanças e administração pública, localização e controlo dos dados podem ser decisivos.

A arquitetura da nuvem e dos dados torna-se uma questão de negócio. Os sistemas têm de fazer mais do que funcionar. Devem permitir trabalho inteligente, seguro e económico.

6. Camada 4: modelos de base e linguagem

Os modelos de base e linguagem são a camada mais visível de inteligência. Permitem compreender linguagem, produzir texto, interpretar imagens, programar, resumir, raciocinar, classificar, conversar e combinar vários formatos de dados.

Um modelo não pensa como uma pessoa. Responde com base no treino, contexto do utilizador e ferramentas. Ainda assim, o efeito pode ser enorme porque trata linguagem, a interface central do trabalho humano.

Uma pergunta mais útil do que «Qual é o melhor modelo?» é: Que modelo é adequado a cada tarefa? Um modelo pode classificar rapidamente, outro analisar em profundidade, outro programar, outro tratar imagens, outro executar rotinas a baixo custo e outro satisfazer requisitos de um setor regulamentado.

A arquitetura futura pode usar um conjunto de modelos em vez de um para tudo. Avaliar modelos torna-se uma competência central: é preciso saber testar, comparar, compreender preços e escolher por utilização.

O modelo é um motor potente. Mas o motor ainda não é o veículo completo.

7. Camada 5: otimização e inferência

Inferência é usar a IA: produzir resposta, análise, imagem, código, conclusão ou próxima etapa. O treino recebe atenção, mas a inferência é muitas vezes mais importante no quotidiano: determina custos, latência, experiência e escala.

Com pouca utilização, os custos parecem pequenos. Integrar IA no apoio, vendas, produto, análise, programação, relatórios e agentes pode fazê-los crescer rapidamente. Cada chamada consome recursos e cada etapa do agente pode consumir mais.

A otimização pode incluir:

• modelos pequenos para tarefas simples
• modelos mais fortes apenas nas etapas difíceis
• guardar respostas em cache
• reduzir o comprimento dos prompts
• melhorar a pesquisa RAG
• quantizar os modelos para os tornar mais leves
• executar num ambiente mais económico
• distribuir tarefas por modelos
• limitar custos dos agentes

É a dimensão económica da IA. Não é uma máquina mágica gratuita: exige cálculo, que custa dinheiro. A empresa deve gerir tokens, chamadas, latência e qualidade como os restantes recursos.

Uma boa solução também deve ser suficientemente rápida, económica, fiável e capaz onde importa.

8. Camada 6: dados, RAG e contexto

Os dados transformam inteligência geral numa ferramenta própria. Sem dados internos, a IA explica, propõe ideias e prepara rascunhos, mas desconhece acordos, promessas aos clientes, atrasos de projetos e versões de produtos em utilização.

RAG, Retrieval-Augmented Generation, é geração apoiada em recuperação de informação. A IA consulta primeiro documentos, bases de dados e outras fontes da empresa e responde com base nelas. É uma grande mudança, tornando-a mais contextualizada.

Pode ajudar, por exemplo, a:

• encontrar orientações internas
• resumir o histórico do cliente
• comparar um contrato com as condições da empresa
• responder a apoio técnico
• localizar a passagem certa na documentação
• analisar um projeto
• preparar uma visão para a gestão

O RAG não é uma solução mágica. Documentos antigos produzem informação antiga; permissões ambíguas expõem demasiado ou demasiado pouco; má organização prejudica a pesquisa; sem fontes visíveis, não se avalia a resposta.

Dados e RAG também são gestão da informação. Onde está o conhecimento? Quem responde por ele? Está atualizado? Quem pode usar? Como verificar fontes, eliminar informação antiga e resolver contradições?

Muitas organizações descobrem uma verdade incómoda: o problema está na gestão da informação da própria empresa. É uma boa notícia se for resolvido.

9. Camada 7: MCP, integrações e ferramentas

Se os dados dão memória à IA, as integrações dão-lhe mãos. O MCP é uma norma aberta para ligar aplicações a ferramentas, fontes e sistemas de forma controlada. É uma interface comum para documentos, bases de dados, calendário, projetos, CRM e ferramentas de desenvolvimento.

Sem ferramentas, a IA sobretudo propõe. Com elas, pode executar. Pode:

• consultar o cliente no CRM
• criar uma tarefa
• verificar o calendário
• ler o repositório
• executar testes
• abrir um pedido de apoio
• atualizar um documento
• consultar uma base de dados
• iniciar uma automatização
• preparar e guardar um relatório

Precisamente por isso, há riscos. Mais permissões exigem mais atenção aos limites: ler, alterar, enviar, eliminar, pedir aprovação, atuar com determinado papel, registar a atividade e poder interrompê-la.

As integrações tornam a IA útil. O controlo torna-a segura. Sem ambos, há um assistente ineficaz ou uma automatização perigosa.

10. Camada 8: orquestração e sistemas de agentes

A orquestração é a coordenação do trabalho da IA. Com vários modelos, fontes, ferramentas, agentes e pessoas, define quem faz o quê, em que ordem, com que permissões e verificações.

Um chatbot simples exige pouca orquestração. Agentes planeiam, pesquisam, usam ferramentas, verificam e avançam. Vários agentes precisam de uma estrutura clara. Um sistema de apoio ao cliente poderia funcionar assim:

1. um agente classifica o assunto
2. outro consulta orientações e histórico com RAG
3. outro prepara a resposta
4. um modelo avalia o risco do envio
5. outro atualiza o CRM
6. uma pessoa verifica exceções
7. outro acompanha a qualidade

Já é um fluxo de trabalho: que modelo escolher, quando usar dados internos, ferramentas e aprovação humana, como reagir à incerteza, limitar custos, detetar erros e documentar a atividade?

É aqui que surge a ideia de uma equipa de agentes: um conjunto de agentes especializados com tarefas diferentes. Um acompanha concorrentes, outro analisa comentários de clientes, outro prepara vendas, outro revê código e outro produz relatórios.

Pode ser um grande salto de produtividade. Sem orquestração, pode tornar-se caótico.

11. Camada 9: software e aplicações

Nas aplicações, a tecnologia torna-se experiência de utilização. A IA também muda a sua lógica.

O software tradicional exige clicar, preencher, filtrar, copiar, colar, guardar e enviar. O software de IA orienta-se para objetivos: em vez de exportar CSV, filtrar B, criar tabela dinâmica e gráfico, pede-se «Analise as vendas do mês, detete anomalias e resuma três pontos para a gestão».

Isto muda a conceção das aplicações. Acrescentar um chat ao software antigo não basta. A aplicação deve compreender o objetivo, recuperar contexto, usar ferramentas, mostrar incertezas, pedir aprovação e facilitar a verificação.

É uma grande oportunidade para empresas SaaS, que fornecem software na nuvem. Devem repensar objetivo do utilizador, etapas delegáveis, dados, ferramentas permitidas, decisões humanas, apresentação e confiança.

A IA não elimina o software. Transforma software passivo em ambientes ativos de trabalho.

12. Camada 10: processos de negócio e fluxos de trabalho

O valor de negócio concretiza-se no processo, para além do modelo, demonstração ou interface.

Os processos incluem vendas, apoio, faturação, recrutamento, relatórios, produto, compras, qualidade e projetos. A IA ganha valor ao melhorar rapidez, qualidade, custos ou experiência do cliente nesses processos.

Nas vendas, a IA pode pesquisar o cliente, analisar conversas, identificar sinais, propor mensagens, preparar propostas, atualizar o CRM e lembrar seguimentos.

No apoio, pode identificar o assunto, pesquisar orientações, consultar a situação, propor respostas, resolver rotinas, encaminhar dificuldades e registar resultados.

No produto, a IA pode analisar comentários, escrever especificações, gerar código e testes, encontrar erros, documentar alterações e preparar notas de versão.

Pensar primeiro na IA significa perguntar ao conceber o processo: Se criássemos este fluxo hoje com IA, dados, agentes e automatização, como seria? A pergunta revela onde mantemos uma prática apenas por hábito.

13. Camada 11: IA física e robótica

A IA sai do ecrã. A IA física atua em robôs, veículos, fábricas, armazéns, laboratórios, hospitais, agricultura e ambientes urbanos.

Esta camada torna a IA concreta de uma nova forma. Um relatório errado é um problema muitas vezes corrigível. Um robô pode mover mal um objeto, colidir, danificar equipamento ou criar um risco de segurança. As exigências da IA física são, por isso, maiores.

A IA física precisa de:

• sensores
• câmaras
• robótica
• simulações
• decisões em tempo real
• sistemas de segurança
• mecatrónica
• cálculo nos dispositivos
• interação entre pessoas e máquinas
• conhecimento da regulamentação

Também é uma grande oportunidade. Pode otimizar produção, orientar robôs em armazéns, apoiar imagiologia, logística e automatização laboratorial na saúde, agricultura de precisão e planeamento de rotas e sistemas autónomos nos transportes.

A IA física traz a tecnologia de volta à matéria, para além da linguagem e do código. Também pode mover, medir, observar e agir.

14. Camada 12: gestão, supervisão e responsabilidade

A última camada pode ser a mais importante: gestão, supervisão e responsabilidade determinam se a IA será uma vantagem ou um risco sem controlo.

Preparar rascunhos permite controlo mais simples. Usar ferramentas, tratar clientes, atualizar sistemas, propor decisões e executar etapas exige regras claras. A empresa precisa de saber:

• onde se usa IA
• quem a utiliza
• que dados utiliza
• que modelos utiliza
• que agentes estão ativos
• que permissões têm
• quanto custa
• como se mede a qualidade
• como se corrigem os erros
• quem responde pelo resultado

É uma nova área de gestão. A governação deve ser uma forma prática de permitir utilização segura, para além de um documento jurídico ou lista de proibições.

Uma boa governação permite crescer com segurança. Sem ela, a IA fica em experiências individuais ou gera utilização oculta: ninguém sabe que ferramentas existem, que dados recebem e o que fazem os agentes.

A gestão deve criar limites de proteção. Para permitir avançar mais depressa com segurança.

15. Capacidades transversais: necessárias em todas as camadas

Estas capacidades atravessam todas as camadas e não pertencem apenas a uma.

Segurança e privacidade

A IA pode tratar dados sensíveis, clientes, pessoas, contratos, código e segredos comerciais. A segurança é um requisito básico.

Gestão da qualidade

Uma resposta convincente pode estar errada. A qualidade exige testes, avaliação, comparação, feedback, verificação de fontes e acompanhamento de erros.

Controlo dos custos

Tokens, APIs, etapas de agentes, RAG e cálculo custam dinheiro. Sem acompanhamento, a produtividade aparente pode sair cara.

Acompanhamento e observabilidade

Observabilidade é a capacidade de ver o que acontece no sistema: o que respondeu o modelo, que fontes usou, que ferramentas invocou o agente, onde ocorreu o erro e quanto custou.

Competências e cultura

Sem competências ou cultura de experimentação, não há benefícios. São necessárias formação, exemplos, práticas internas e incentivo.

Gestão da mudança

A IA muda papéis, processos e divisão do trabalho. Deixar a mudança a cargo de cada pessoa gera resultados desiguais.

Ética e regulamentação

Mais efeitos nas pessoas, decisões e sociedade exigem atenção à justiça, transparência, responsabilidade e regras.

São como as estruturas de suporte de um edifício. Devem existir desde o início.

16. Estratégia empresarial: o efeito das camadas

As camadas oferecem um mapa prático para compreender fracassos e sucessos.

Um projeto mal-sucedido concentra-se muitas vezes numa só camada: compra uma aplicação com dados fracos, cria um agente sem integrações, escolhe um modelo forte sem mudar o processo, testa sem medir custos ou forma trabalhadores sem mudar a gestão.

Um projeto bem-sucedido considera toda a cadeia: problema de negócio, processo a mudar, dados, modelo, ferramentas, aprovação humana, qualidade, custos visíveis, responsável e crescimento da solução.

O orçamento combina licenças, tokens, integrações, segurança, formação, transformação e acompanhamento.

A IA deve ser um investimento de produtividade. Se os salários especializados pesam nos custos, importa avaliar que parcela compensa investir em IA para melhorar produtividade, qualidade e rapidez. Não significa gastar sem critério. Significa tornar visíveis e gerir os custos de IA.

17. Startups: onde nasce a vantagem competitiva?

Para startups, as camadas são oportunidade e alerta. Uma equipa pequena pode fazer mais em código, marketing, análise, apoio, documentação, vendas e processos internos. Mas dizer «temos IA» já não é vantagem suficiente.

Quando os modelos estão amplamente disponíveis, o valor vem de:

• dados melhores
• fluxos melhores
• conhecimento setorial
• distribuição
• na interface
• confiança
• integrações
• orquestração
• eficiência de custos
• resolver um problema real

Uma startup concebida para IA repensa o produto desde a origem e pergunta: Como seria este setor se fosse concebido de raiz em torno de IA, agentes, automatização e dados?

Na tecnologia jurídica, um produto nativo de IA vai além de responder: lê contratos, deteta riscos, compara políticas, propõe alterações, pede aprovação jurídica e atualiza a base. Na saúde, apoia o profissional a reunir informação, analisar imagens, preparar orientações e coordenar cuidados. Nas vendas, acompanha sinais, enriquece dados, sugere contactos, prepara materiais e atualiza o CRM.

A vantagem nasce de combinar bem as camadas. Vai além de simplesmente usar IA.

18. Transformação do trabalho: que competências serão necessárias?

As camadas também mudam competências. Nem todos precisam de construir modelos, compreender chips ou dominar tecnicamente MCP. Mas mais pessoas precisam de perceber onde se situa o próprio trabalho no conjunto.

O especialista deve saber como a IA apoia o fluxo; o gestor, efeitos em processos e custos; o programador, combinação de modelos, dados e ferramentas; segurança, permissões; recursos humanos, mudança de competências; finanças, tokens e custos; e produto, evolução para aplicações com agentes.

Competências especialmente importantes:

• definir problemas
• decompor processos
• reconhecer oportunidades de IA
• avaliar dados
• avaliar fontes
• verificar qualidade
• dividir trabalho humano e de IA
• compreender limites da automatização
• conhecer custos
• exercer discernimento ético
• adaptar-se

Uma competência essencial é distinguir o que convém automatizar. Nem tudo o que se repete deve ser automatizado. Quando uma etapa afeta direitos, segurança, saúde, dinheiro ou reputação, é necessária supervisão mais rigorosa.

A IA mantém necessário o discernimento. Torna-o ainda mais importante.

19. Riscos e armadilhas

Os riscos existem em todas as camadas, para além de respostas erradas.

Risco de infraestrutura

Custos, energia, falta de capacidade e dependências geopolíticas afetam disponibilidade e preço.

Risco do modelo

Pode alucinar, ser enviesado, interpretar mal ou responder de forma convincente e errada.

Risco dos dados

A informação pode estar antiga, incompleta, contraditória ou protegida por permissões inadequadas.

Risco de integração

A IA pode ter acesso excessivo ou usar mal uma ferramenta. A injeção de prompts pode induzir ações proibidas.

Risco do agente

Pode seguir a direção errada, multiplicar etapas, aumentar custos e encadear erros.

Risco da aplicação

Sem incertezas, fontes e pedidos de aprovação visíveis, o utilizador pode confiar demasiado.

Risco do processo

Automatizar um processo já fraco apenas acelera a má prática.

Risco de gestão

Sem um responsável global, surgem utilização oculta, ferramentas duplicadas, responsabilidades vagas e custos sem controlo.

Estes riscos podem ser geridos. Se forem identificados em cada camada.

20. O futuro: infraestrutura do trabalho

A próxima fase vai além do chatbot: é infraestrutura de trabalho. A IA pode participar na pesquisa, análise, preparação de decisões, programação, clientes, relatórios, formação, planeamento e automatização. Também chega a robôs, veículos, laboratórios, indústria e logística.

A mudança tende a acontecer por camadas, não de um dia para o outro:

1. Primeiro apoia cada trabalhador.
2. Depois integra-se nas aplicações.
3. Depois liga-se aos dados da empresa.
4. Recebe acesso limitado a ferramentas.
5. Surgem agentes.
6. Os agentes passam a ser orquestrados nos processos.
7. Por fim, muda o modelo de funcionamento.

A maior diferença é que a IA deixa de ser uma ferramenta isolada e se integra em sistemas, processos e decisões. A pergunta já não é «Usamos IA?», mas: «Como está a IA integrada na nossa forma de trabalhar?»

21. Conclusões

As camadas oferecem um mapa da transformação: a IA é um sistema completo que liga energia, centros de dados, chips, nuvem, modelos, otimização, dados, integrações, agentes, software, processos, robótica e gestão, para além de um chatbot ou aplicação.

A conclusão mais importante é esta: O valor nasce da colaboração entre camadas. Modelo, dados, integração, agente e aplicação precisam de funcionar em conjunto.

A estratégia deve ir além de uma lista de ferramentas, ligando infraestrutura, dados, processos, pessoas, custos, riscos e gestão. Nas startups, a vantagem vem de combinar modelos, dados, fluxos, integrações e experiência. Para cada pessoa, a literacia inclui compreender onde atua a IA, do que precisa e onde orientar, avaliar e assumir responsabilidade.

O futuro vai além de um botão superinteligente. É um novo ambiente de trabalho. Destacam-se quem compreende o conjunto.

22. Modelos práticos

1. Lista de verificação das camadas de funcionamento da IA

Use ao avaliar uma solução ou planear uma utilização.

Infraestrutura e cálculo

• Onde funciona a solução?
• De que cálculo precisa?
• Como crescem os custos?
• A latência é aceitável?
• Depende de um fornecedor?

Modelos

• Que modelo se utiliza?
• Porque este modelo?
• A tarefa é simples ou exige raciocínio forte?
• Foi testado com dados próprios?
• Como se acompanha a qualidade?

Dados e contexto

• Que dados são necessários?
• Estão atualizados?
• Quem responde pelos dados?
• Como funcionam as permissões de acesso?
• As fontes são mostradas?

Integrações e ferramentas

• A que sistemas pode aceder?
• Pode ler e alterar?
• Quando precisa de aprovação?
• Como se regista a atividade?
• Como se delimitam permissões?

Agentes e orquestração

• É uma resposta ou uma tarefa com várias etapas?
• Que etapas executa a IA?
• Que etapas executa a pessoa?
• O que acontece num erro?
• O agente tem limite de custo?

Aplicação e experiência

• Como compreende o utilizador o que foi feito?
• São visíveis fontes, incertezas e próximos passos?
• É fácil verificar o resultado?
• É possível corrigir ou rejeitar a proposta?

Processo e negócio

• Que processo melhora?
• Que indicador muda?
• Poupa tempo?
• Melhora a qualidade?
• Acelera o apoio?
• Reduz trabalho manual?

Gestão e responsabilidade

• Quem responde pela solução?
• Quem responde pelos erros?
• Como se acompanha a utilização?
• Como se apresentam os custos?
• Como se audita a solução?

2. Modelo de processo concebido para IA

Escolha um processo e analise-o assim:

1. Qual é o objetivo do processo?
2. Que etapas são repetitivas?
3. Onde é necessária informação?
4. Onde é necessário discernimento humano?
5. Onde prepara a IA a primeira versão?
6. Onde pesquisa informação?
7. Onde pode a IA usar ferramentas?
8. Onde executa uma etapa automaticamente?
9. Onde é necessária aprovação?
10. Como se mede o resultado?

O objetivo é encontrar a divisão adequada entre pessoas, IA e sistemas, sem automatizar tudo.

3. Responsabilidades por camada

Cada camada deve ter um responsável.

4. Modelo mínimo para adotar um agente

Antes do uso real, defina finalidade, fontes, ferramentas, permissões, proibições, aprovações, limite de custo, registos, indicadores de qualidade, responsável e mecanismo de paragem.

Um agente sem responsável não deve entrar em produção.

5. Perguntas para a gestão

Perguntem regularmente:

1. Onde já há benefícios mensuráveis?
2. Onde ainda é uma experiência?
3. De que dados precisa a IA sem os ter?
4. Que integrações trariam maior benefício?
5. Onde poderiam os agentes trabalhar com segurança?
6. Onde é indispensável aprovação humana?
7. Quanto custa mensalmente?
8. Como evoluem os custos de tokens?
9. Que erros comete?
10. Quem responde pela qualidade e riscos?
11. Que competências faltam?
12. Que processo já não criaríamos da forma antiga?

6. Dica prática

Avalie toda a cadeia, para além da interface e do nome do modelo:

«De que infraestrutura precisa, que dados usa, a que sistemas acede, que tarefas executa, quem supervisiona e como se medem benefícios, qualidade, custos e riscos?»

É isto que distingue uma experiência de uma capacidade real de IA.

Fontes

1. Entrevista a Jensen Huang, diretor executivo da Nvidia, sobre as camadas da IA (YouTube)