Produtividade da Inteligência Artificial (IA)

No artigo “O paradoxo da produtividade da inteligência artificial” (https://www1.folha.uol.com.br/colunas/roberto-campos-neto/2026/10/o-paradoxo-da-produtividade-da-inteligencia-artificial.shtml?utm_source=sharenativo&utm_medium=social&utm_campaign=sharenativo, acessado em 06/10/2026), o Roberto Campos Neto (ex-presidente do Banco Central do Brasil e vice-presidente do Nubank), explicou como o aumento do nível de produtividade na execução de uma tarefa gera crescimento econômico agregado.

 

Neste momento, a reflexão necessária é que o resultado gerado pela inteligência artificial está diretamente relacionando com o nível de capacitação do usuário (é o velho e batido refrão: perguntas melhores geram resultados melhores).

 

Todas as pessoas podem fazer perguntas genéricas ou especializadas para uma IA, no entanto é importante destacar que as perguntas genéricas geram resultados iguais todos (sem diferencial competitivo) e as perguntas especificas e bem elaboradas geram resultados diferenciados (com diferencial competitivo).

 

No mercado, as vantagens competitivas de longo prazo geram lucro superior e, portanto, geram crescimento econômico agregado, ou em outras palavras, geral aceleração permanentemente da velocidade de inovação.

 

As vantagens competitivas de longo prazo geram ganhos de produtividade que são traduzidos em crescimento da riqueza. Quanto maior for o nível de capacitação dos usuários da inteligência Artificial, maior será o crescimento da margem de lucro da corporação.

Invasão chinesa

Nos últimos dias este bloguista escutou de diversos membros e entidades da sociedade brasileira que o atual governo permitiu (e até mesmo incentivou) a invasão chinesa no Brasil.

 

Tenho profundas restrições aos últimos governos brasileiros, mas não consigo encontrar argumentos racionais para justificar que a invasão chinesa na economia nacional foi patrocinada pelo governo federal.

 

Já que estamos falando de racionalidade eu vou abrir um espaço para replicar a sabedoria do evangelizador supremo do Service Desk no Brasil (O fim do SLA como era conhecido, https://www.4hd.com.br/blog/2026/10/01/o-fim-do-sla-como-era-conhecido/, acessado em 01/10/2026).

 

Qualquer que seja o nome utilizado “Qualidade de Atendimento” ou etc. o Managed Service Provider (MSP) ou Provedor de Serviços Gerenciados (PSG) precisa de um critério objetivo para custear a entrega do serviço e para definir o seu preço.

 

Quando é afirmado que o significado do SLA mudou e agora o MSP deve buscar “prestar um bom serviço”, o aspecto econômico do empreendimento fica perdido.

 

Um bom serviço é entendido de uma forma pelo usuário A e de outra pelo usuário B e assim sucessivamente, ou seja, mesmo peso com diversas medidas. É impossível precificar um serviço com tal nível de subjetividade.

 

Aproveitando a introdução da subjetividade na postagem, vou voltar para a invasão chinesa.

 

Recentemente fiz uma compra na plataforma de comércio eletrônico de uma das farmácias gigantes do Brasil. Eu só cito o nome de quem trabalha direito, por isto me arrependi de não ter feito a compra na Panvel (é padrão classe mundial).

 

Em um determinado momento o aplicativo informou que a compra chegou. Fui verificar na portaria e nada havia chegado. Voltei para o app e fui informado para verificar de novo, pois a entrega foi realizada com sucesso (caso típico de SLA implantado de forma errada).

Fiz a portaria parar o seu serviço e procurar a entrega já que na opinião da plataforma a entrega ocorreu sem sombra de dúvida (trabalhar com opinião é sempre m do m, pois não reflete a realidade).

 

Depois de tantas idas e vindas consultei o rastreamento do pedido para ver quem o recebeu. Descobri que a encomenda foi entregue em um outro endereço.

 

A diferença entre o endereço que informei no pedido e o endereço em que o pedido foi entregue é abissal. Apenas uma pessoa sem capacidade de leitura cometeria tal erro.

 

Algumas plataformas estão contatando analfabetos para fazer as entregas e por isto o meu caso não é único. Existem milhares de casos semelhantes no Brasil.

 

Quando eu finalmente falei com um operador humano eu recebi a seguinte afirmação que o pedido foi entregue no local designado pelo cliente. Mandei um “print” da tela do endereço do meu pedido e do endereço onde a entrega foi realizada e perguntei é o mesmo endereço? A resposta do atendente foi desculpe pela falha e precisa de algo mais (deixa para sair de fininho sem admitir a realidade)?

 

A Amazon destruiu duas gigantes em pouco tempo, apenas não cometendo os erros básicos feitos pelas empresas brasileiras.

 

O Mercado Livre e as chinesas vão entrar no curto prazo no segmento das farmácias e vão explorar as deficiências das entregas de diversas plataformas.

 

Não é o governo que está facilitando a invasão chinesa. São as empresas com qualidade inferior que estão facilitando a entrada de competidores chineses e argentinos (eles fazem o básico corretamente).

Consequências da IA agêntica

A inteligência artificial agêntica (Inteligência Artificial agêntica) é capaz de interpretar objetivos, planejar sequências de ações, executar tarefas com autonomia e tomar decisões com base em dados, fatos e regras previamente definidos.

 

Essa capacidade muda profundamente a lógica de escolha. Em processos conduzidos por agentes, a intuição, o impulso e certos estímulos emocionais perdem espaço para os critérios verificáveis.

 

A decisão passa a depender menos da capacidade de uma marca de persuadir e mais de sua capacidade de ser compreendida, avaliada e validada por sistemas inteligentes.

 

Na era do conhecimento, produtos e serviços precisarão responder de forma objetiva aos requisitos considerados por esses agentes.

 

As marcas que não forem corretamente interpretadas, validadas e recomendadas poderão se tornar invisíveis no momento da decisão — ainda que sejam conhecidas pelo público.

 

Isso exige uma mudança na produção de conteúdo. Fornecedores não poderão se limitar a mensagens promocionais, atributos genéricos ou promessas difíceis de comprovar.

 

Será necessário apresentar informações estruturadas, dados confiáveis e evidências que permitam ao agente comparar alternativas e verificar a consistência entre o que a marca promete e o que efetivamente entrega.

 

Os algoritmos tendem a procurar sinais concretos de valor: rigor técnico, validação de especialistas, experiências reais de uso, resultados mensuráveis e consistência ao longo do tempo.

 

Nesse contexto, um produto bem-acabado ou uma campanha com influenciadores pode despertar atenção, mas não é suficiente, por si só, para sustentar uma recomendação.

 

Para recomendar uma solução, a IA precisa encontrar evidências confiáveis de que ela funciona, para quem funciona e em quais condições.

Sem esse lastro, a marca pode ser excluída silenciosamente das opções consideradas: não porque tenha deixado de existir, mas porque não oferece elementos suficientes para justificar a transação.

 

Esse é o novo limbo da invisibilidade. Em um ambiente no qual diferentes sistemas consultam fontes semelhantes e valorizam sinais de confiança, conteúdos rasos perdem espaço para conteúdos relevantes, consistentes e sustentados por evidências.

 

Para as marcas, a consequência é clara: não basta ser vista por pessoas; será preciso também ser compreendida e considerada confiável pelas inteligências artificiais que participarão das decisões.

Peculiaridades do Service Level Agreement (SLA)

O Acordo de Nível de Serviço (ANS) é um velho conhecido da maioria dos profissionais de tecnologia da informação e comunicação. Embora os conceitos de SLA já tenham alcançado certo grau de maturidade no Brasil, ainda existem distorções graves em sua implementação.

 

Para demonstrar como aplicar os conceitos de ANS, utilizarei um exemplo simples e objetivo envolvendo um Managed Service Provider (MSP), ou Provedor de Serviços Gerenciados (PSG).

 

O MSP “A” estabelece um ANS com o cliente “B” nos seguintes termos: “Os chamados abertos pelo cliente receberão tratamento inicial pelo MSP em até duas horas”.

 

Como se pode perceber, o prazo definido para o início da prestação do serviço é de duas horas. Para quem imagina que um ANS estabelece apenas prazos de atendimento, recomendo a leitura dos próximos parágrafos.

 

Um SLA envolve muito mais do que prazos. Para que a contagem das duas horas se inicie, o chamado precisa ser registrado no sistema do MSP. Nesse caso, tanto o PSG quanto o cliente dispõem da mesma informação sobre o início do processo.

 

Ao fim desse prazo, o cliente precisa ser informado sobre os processos que serão executados durante o tratamento inicial do chamado, bem como sobre quem será responsável por cada procedimento.

 

Assim, fica claro que o prazo de duas horas, por si só, não é suficiente para definir o SLA. Trata-se de uma informação importante, mas não do único parâmetro do ANS.

 

Nesse ponto, é importante destacar o aspecto comercial do SLA. Mesmo um ANS simples consome recursos relevantes do MSP. Portanto, o custo do Acordo de Nível de Serviço é determinado por seus parâmetros e serve de base para a formação do preço (custo mais margem de lucro). Por essa razão, métricas puramente qualitativas não integram o modelo de um SLA.

 

Pelo mesmo motivo, pesquisas qualitativas sobre a percepção da qualidade da entrega e do atendimento, assim como pesquisas de satisfação e de experiência do cliente, não fazem parte do SLA.

 

Afinal, não é possível calcular o custo de um SLA — e, consequentemente, definir seu preço — com base apenas em pesquisas qualitativas de opinião.

Incompetência extrema

Foi revelado que o Tribunal de Justiça de São Paulo afirmou que as credenciais vinculadas de uma juíza do Rio Grande do Sul foram usadas para adulterar o Banco Nacional de Medidas Penais e Prisões (BNMP). Fonte: Criminosos usam senha de juíza para evitar prisão de suspeito de ser 'Escorpião do PCC', https://www1.folha.uol.com.br/cotidiano/2026/09/criminosos-usam-senha-de-juiza-para-evitar-prisao-de-suspeito-de-ser-escorpiao-do-pcc.shtml, acessado em 22/09/2026.

Como é comum nos casos de incompetência extrema a Justiça gaúcha alega que ocorreu uma ação hacker.

Nada foi mencionado sobre a manutenção do registro histórico das alterações e do nível de segurança do acesso ao sistema. Qualquer modificação em um sistema deste nível de segurança e impacto na vida das pessoas deve ser realizada com dupla autenticação ao acesso e uso de tokens e senhas pessoais.

Não estamos falando de uma ciência complexa, estamos falando do básico do básico de qualquer sistema digital. É evidente que o BNMP precisa ser protegido com uma inteligência artificial em relação as alterações.

A introdução no sistema de um nome e CPF de uma pessoa que não fez parte do processo julgado deve ser impedida por razões obvias pela inteligência artificial.

É triste ver um sistema tão importante ter um nível de fragilidade logística e administrativa da ordem do que foi relado no artigo. Se o sistema judiciário que é tão questionado no Brasil não acordar e contratar os melhores engenheiros para elevar o nível de segurança digital e administrativa dos sistemas críticos em pouco tempo teremos a erosão da sua credibilidade.

Não estamos apenas falando de uma ação hacker, estamos falando de processos que são incompatíveis com a realidade digital de 2026. Não estamos mais no ano 2000. É preciso mudar a mentalidade e avançar rapidamente para o atual ano calendário.

Lógica paraconsistente (matemático Newton da Costa criador da lógica)

É comum encontrar pessoas que acham que basta criar um agente autônomo de Inteligência Artificial (IA) que ela terá um funcionário trabalhando 24 horas por dia para resolver todos os problemas pessoais ou da empresa.

 

Estas pessoas estão esquecendo que é mais comum do que elas imaginam que a IA esteja capturando dados de fontes diferentes contraditórios.

 

Um exemplo bem simples que já existe em escala no Brasil é o caso das colheitadeiras inteligentes do agronegócio que trabalha com diversos sensores.

 

Em um determinado momento o visor óptico diz que o caminho está livre e o sonar diz que há um obstáculo. O robô autônomo remoto fica confuso com os dados capturados e neste caso o uso da lógica paraconsistente permite que o equipamento autônomo processe os dados conflitantes sem travar.

 

As informações conflitantes neste caso, podem vir de diversas origens, por exemplo um sensor está com defeito, ou o visor ótico está diante de um objeto transparente ou etc.

 

Para resolver o problema dos dados inconsistentes é preciso travar ou descartar as informações conflitantes, ou seja, isolar e processar a contradição de forma controlada, para extrair conclusões úteis.

 

1.    Atribuição de Graus de Evidência.

 

Em vez de classificar um dado estritamente como Verdadeiro ou Falso é atribuída duas variáveis para cada informação:

 

Evidência Favorável. Quando os dados apoiam a afirmação. 

Evidência Contrária. Quando os dados contradizem aquela afirmação.

 

2.    Mapeamento no Reticulado de Quatro Estados.

 

As informações são posicionadas em um plano cartesiano que define o estado lógico do dado.

 

Condição dos Dados: Evidência favorável alta e contrária baixa

Estado Lógico Resultante: Verdadeiro

Ação Prática do Sistema: O dado é aceito e integrado de forma convencional

 

Condição dos Dados: Evidência favorável baixa e contrária alta

Estado Lógico Resultante: Falso

Ação Prática do Sistema: O dado é rejeitado de forma convencional

 

Condição dos Dados: Ambas as evidências são baixas

Estado Lógico Resultante: Inconclusivo / Indeterminado

Ação Prática do Sistema: O sistema identifica falta de informação para tomar decisões

 

Condição dos Dados: Ambas as evidências são altas

Estado Lógico Resultante: Inconsistente / Contraditório

Ação Prática do Sistema: O sistema reconhece o conflito explícito sem quebrar o algoritmo

 

3.    Cálculo de Grau de Certeza e Contradição

 

O sistema calcula dois fatores críticos para tomar uma decisão matemática: Grau de Contradição e Grau de Certeza

 

4.    Filtro e Tomada de Decisão

 

Com base em um limiar de tolerância definido previamente, o sistema decide se avança com a informação ou se aciona um alerta.

 

Se a contradição estiver abaixo do limite: O sistema utiliza o Grau de Certeza para prosseguir

 

Se a contradição estourar o limite: O algoritmo sinaliza que há um conflito grave nos dados de origem e encaminha para uma rotina específica de auditoria.

AI loop

Um loop de IA (Inteligência Artificial) é um ciclo em que a inteligência artificial realiza uma tarefa, mede o resultado em função dos critérios estabelecidos e ajusta o resultado.

 

Em outras palavras IA trabalha a tarefa de forma iterativa até o resultado alcançar um objetivo ou esgotar um limite.

 

Exemplos:

 

Ciclo Perguntar / responder / revisar / melhorar 

A IA gera uma resposta inicial, verifica se endereçou aos critérios estabelecidos, identifica as correções e gera uma versão melhorada.

 

Ciclo Planejar / executar / observar / ajustar 

O agente de IA cria um plano, executa uma ação, observa o resultado e muda o plano se for necessário.

 

Ciclo Rascunhar / criticar / reescrever 

A IA escreve um texto, age como revisor, aponta os problemas e depois reescreve com base na crítica.

 

Ciclo Buscar informação / comparar / decidir 

A IA pesquisa dados, compara opções, escolhe a mais adequada e pode repetir a busca se faltar informação.

 

Ciclo Tentar resolver / testar / corrigir erro 

A escreve um código, testa ele com ou sem ferramentas, encontra as falhas e as corrige.

 

Ciclo Objetivo / Ação / Resultado / Avaliação / Nova ação / Repetir

 

Objetivo: escrever um e-mail profissional. 

 

Ação: a IA cria um rascunho. 

 

Resultado: o texto fica muito longo. 

 

Avaliação: precisa ser mais objetivo. 

 

Nova ação: a IA resume o texto.

 

Esse ciclo continua até o resultado endereçar os parâmetros estabelecidos.

 

Ciclo Definir tema / Gerar rascunho / Analisar qualidade / Identificar melhorias / Reescrever / Revisar / Reescrever até endereçar todos os requisitos estabelecidos.

 

Exemplo prático:

 

Objetivo: Escrever um e-mail curto e educado pedindo uma reunião com um cliente. Gerar um e-mail com tom profissional, objetivo e adequado ao contexto.

 

Ação: A IA escreve um primeiro rascunho (Gostaria de agendar uma reunião para conversarmos sobre o projeto. Você teria disponibilidade esta semana?)

 

Resultado: Gerou mail simples que é genérico demais (A IA é capaz de perceber que falta o assunto da reunião, não foi feita uma sugestão de horários e o tom da mensagem é informal).

 

Avaliação: O e-mail está claro? Ele é educado? Ele é objetivo? Faltou alguma informação relevante? O tom da mensagem é formal? A avaliação da IA revelou que o texto pode ser mais completo e profissional.

 

Nova ação: Com base na avaliação do resultado, a IA faz uma nova tentativa e reescreve o seguinte: “Olá, tudo bem? Gostaria de agendar uma breve reunião para alinharmos os próximos passos do projeto. Você teria disponibilidade na terça ou quarta-feira à tarde?”

 

Nesta versão o e-mail está mais claro, cordial e específico.

 

Repetição do ciclo: Se ainda não for ideal, o ciclo continua.

 

A IA avalia a nova versão e gera o texto a seguir. “Olá, tudo bem? Gostaria de agendar uma reunião para alinharmos os próximos passos do projeto e esclarecer as possíveis dúvidas. Você teria disponibilidade na terça ou quarta-feira à tarde?  Fico à disposição para ajustar o horário conforme sua agenda”.