PARTE I — COMO CHEGÁMOS AQUI

Capítulo 01 / 21

Setenta anos a ensinar máquinas

Cada geração de tecnologia inteligente reduziu uma parte da distância entre informação e ação.

A história da Inteligência Artificial costuma ser contada através das máquinas.
Computadores maiores.
Mais memória.
Mais capacidade de cálculo.
Novos algoritmos.
Redes neuronais.
Modelos de linguagem.
É uma história verdadeira.
Mas não é a única maneira de a contar.
Para quem gere uma organização existe outra leitura, talvez mais útil.
Podemos contar a história da Inteligência Artificial através de uma pergunta simples:

Quanto trabalho existe entre uma informação aparecer e uma ação acontecer?

Esta distância explica muito daquilo que mudou.
E ajuda a perceber porque o momento atual é diferente.

1. Antes de ensinar máquinas, ensinámos máquinas a executar

Os primeiros computadores eletrónicos não nasceram como colegas de trabalho.
Eram máquinas de cálculo.
Executavam instruções.
De forma extraordinariamente rápida para a época, mas dentro de fronteiras muito claras.
Uma pessoa ou uma equipa precisava de representar o problema de uma forma que o computador conseguisse processar.
A inteligência continuava, essencialmente, fora da máquina.
O computador fazia aquilo que lhe tinha sido descrito.
Esta arquitetura estabeleceu uma relação que ainda hoje influencia a maneira como pensamos tecnologia:
humano decide → máquina executa.
É uma divisão extremamente poderosa.
Permitiu automatizar cálculo, contabilidade, processamento de informação, produção, telecomunicações e praticamente todas as áreas da economia moderna.
Mas mantinha uma fronteira conceptual relativamente simples.
A máquina era uma ferramenta.

2. Turing fez uma pergunta diferente

Em outubro de 1950, Alan Turing publicou Computing Machinery and Intelligence na revista Mind.
O texto começava com a pergunta:

“Can machines think?”

Turing percebeu imediatamente o problema.
Antes de responder seria necessário definir “máquina” e “pensar” — duas palavras capazes de produzir discussões intermináveis.
Por isso deslocou a questão.
Em vez de tentar observar diretamente uma propriedade chamada inteligência, propôs observar comportamento.
O seu imitation game tornou-se uma das ideias mais reconhecidas da história da computação.
Para este livro, porém, existe uma parte ainda mais interessante na mudança de Turing.
Ele estava a pedir que deixássemos de olhar apenas para o que uma máquina é e passássemos a olhar também para o que uma máquina consegue fazer.
Essa mudança continua connosco.
Hoje, quando um empresário avalia um sistema inteligente, a pergunta verdadeiramente útil raramente é:

“Isto é inteligência de verdade?”

A pergunta útil é:

“Que capacidade operacional isto acrescenta?”

3. Dartmouth deu um nome ao projeto

Em 1955, John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon prepararam a proposta de um projeto de investigação para o verão seguinte, no Dartmouth College.
A proposta partia de uma ideia ambiciosa: diferentes aspetos da aprendizagem e da inteligência poderiam ser descritos com precisão suficiente para que uma máquina os simulasse.
O nome escolhido foi:
Artificial Intelligence.
Era uma expressão forte.
Não descrevia apenas uma técnica.
Descrevia uma ambição.
Linguagem.
Abstração.
Resolução de problemas.
Aprendizagem.
Melhoria.
A Inteligência Artificial nasceu, portanto, com um horizonte muito mais amplo do que muitas das aplicações que se tornariam comerciais nas décadas seguintes.
Mas transformar ambição em capacidade operacional exigiria tempo.
Muito tempo.

4. Quando inteligência significava regras

Uma parte importante dos primeiros sistemas de IA partiu de uma lógica intuitiva:
se queremos que uma máquina se comporte como alguém que sabe alguma coisa, podemos tentar representar esse conhecimento através de regras.
Se A e B, então C.
Dessa ideia nasceram sistemas capazes de aplicar conjuntos complexos de regras a problemas especializados.
Em ambientes bem definidos, isto podia ser extremamente útil.
A máquina conseguia preservar e executar conhecimento estruturado de forma consistente.
Para uma empresa, a lógica era familiar.
Procedimentos já funcionavam dessa forma.
Políticas já funcionavam dessa forma.
Checklists já funcionavam dessa forma.
A diferença era que uma parte dessas regras podia agora ser executada automaticamente.
Mas havia uma limitação evidente.
O mundo real raramente chega perfeitamente organizado.
Clientes escrevem coisas inesperadas.
Fornecedores atrasam por razões novas.
Mercados mudam.
Documentos variam.
As exceções multiplicam-se.
Quanto mais tentamos representar a realidade através de regras explícitas, mais regras precisamos.
E depois precisamos de regras para lidar com as exceções às regras.

5. Em vez de descrever todas as regras, começámos a aprender com dados

Esta foi uma alteração fundamental.
Em muitos problemas, tornou-se mais produtivo não explicar manualmente ao sistema todas as regras possíveis.
Passámos a fornecer exemplos.
Dados.
Resultados.
E algoritmos capazes de identificar relações nesses dados.
O princípio empresarial também mudou.
Antes:

“Vou explicar exatamente como reconhecer isto.”

Depois:

“Vou mostrar milhares de exemplos e deixar o sistema aprender padrões.”

Esta passagem tornou possível abordar problemas demasiado complexos para listas de regras manuais.
Deteção de fraude.
Recomendação.
Previsão de procura.
Classificação.
Reconhecimento de imagem.
Análise de risco.
O software já não precisava apenas de executar lógica escrita antecipadamente.
Podia inferir relações a partir de dados.

6. Deep Learning aumentou a escala dessa aprendizagem

À medida que capacidade computacional, dados e técnicas de redes neuronais evoluíram, sistemas passaram a executar tarefas de perceção e reconhecimento com níveis de qualidade que abriram aplicações inteiramente novas.
Imagem.
Voz.
Linguagem.
Previsão.
O importante, para a nossa história, não é reconstruir em detalhe cada avanço técnico.
É perceber a direção.
A máquina estava progressivamente a necessitar de menos especificação manual para transformar entrada em resultado.
Ainda precisava de objetivos, treino, dados, arquitetura e controlo.
Mas a relação mudava.

7. A viragem generativa

Durante grande parte da história recente da IA, muitas pessoas utilizavam inteligência computacional sem perceber explicitamente que estavam a fazê-lo.
Um sistema recomendava um produto.
Outro classificava uma transação.
Outro identificava uma imagem.
Outro previa procura.
A IA estava embutida no produto.
A chamada IA generativa mudou a relação pública com esta tecnologia.
De repente, milhões de pessoas passaram a conversar diretamente com modelos.
Pediram textos.
Imagens.
Código.
Resumos.
Análises.
Planos.
Emails.
Ideias.
A interface deixou de exigir que o utilizador aprendesse a linguagem do software.
O software passou a aceitar, com todas as suas imperfeições, uma aproximação muito maior à nossa linguagem.
Esta alteração parece simples.
É difícil exagerar a sua importância.

8. A interface tornou-se intenção

Durante décadas, utilizar software significou aprender a navegar por menus, campos, botões, comandos e estruturas definidas pela aplicação.
Com modelos generativos, começámos a aproximar-nos de outro paradigma.
Podemos dizer:

“Analisa estes dados e identifica os três maiores problemas.”

Ou:

“Prepara uma proposta com base nesta reunião.”

Ou:

“Compara estes fornecedores e explica-me os riscos.”

A interface aproxima-se da intenção.
Isso reduz brutalmente o custo de traduzir uma necessidade humana para uma operação digital.
Mas existe uma armadilha.
Se terminarmos aqui, apenas construímos uma interface extraordinariamente conveniente.
Pergunta → resposta.
Prompt → output.
É poderoso.
Mas ainda não é a transformação mais profunda.

9. A diferença entre responder e agir

Imagine um diretor comercial que pergunta:

“Quais leads ainda não receberam follow-up?”

Um modelo pode analisar a informação e responder:

“Existem 47 leads sem contacto há mais de quatro dias.”

Útil.
Agora imagine um sistema que, além de identificar esses 47 leads:

verifica o histórico de cada um;
identifica a última interação;
classifica prioridade;
prepara a mensagem apropriada;
atualiza o CRM;
envia automaticamente aquilo que está autorizado;
encaminha negociações sensíveis para o comercial responsável;
acompanha respostas;
mede conversão;
informa o gestor apenas quando existe uma exceção ou decisão necessária.
A inteligência pode ser semelhante.
A diferença está na arquitetura operacional em redor dela.
No primeiro caso temos uma resposta.
No segundo temos capacidade.

10. É aqui que entram os agentes

A palavra agente é utilizada de formas diferentes no mercado e na investigação.
Neste livro vamos utilizá-la de maneira prática.

Um agente inteligente é um sistema ao qual atribuímos uma missão e que pode observar contexto, utilizar ferramentas e executar ações dentro de limites definidos para tentar cumprir essa missão.

Não significa autonomia absoluta.
Não significa consciência.
Não significa ausência de supervisão.
Significa que deixamos de especificar manualmente cada passo de cada execução.
Em vez de:

“Abre o CRM. Procura o cliente. Copia esta informação. Abre o email. Escreve isto. Atualiza aquela coluna.”

Podemos aproximar-nos de:

“Garante que todos os leads qualificados recebem acompanhamento dentro da nossa política comercial.”

A diferença é gigantesca.
A primeira frase descreve movimentos.
A segunda descreve uma missão.

11. Da tarefa para a missão

Este será um dos movimentos centrais da Empresa Aumentada.

Software tradicional

Recebe instruções explícitas.

Automação

Recebe um fluxo pré-definido.

IA generativa

Recebe uma intenção e produz conteúdo ou análise.

Agente

Recebe uma missão, consulta contexto, utiliza ferramentas e age dentro de limites.

Sistema multiagente

Distribui diferentes partes da missão por capacidades especializadas e coordena resultados.

Empresa Aumentada

Integra essas capacidades com pessoas, sistemas, processos, governação e objetivos empresariais.

12. O que mudou realmente?

Podemos resumir setenta anos desta história através de cinco verbos.

CALCULAR

A máquina executa operações.

SEGUIR

A máquina aplica regras.

APRENDER

A máquina identifica padrões.

GERAR

A máquina produz novas saídas a partir de contexto.

AGIR

A máquina utiliza ferramentas para alterar o estado de um processo.
E começa agora um sexto verbo:

COORDENAR

Não apenas executar uma tarefa.
Mas organizar várias capacidades em torno de um resultado.
É aqui que a história da Inteligência Artificial começa a cruzar-se diretamente com a história da gestão.

13. A empresa sempre foi um sistema de coordenação

Uma empresa já é, antes de qualquer tecnologia, um sistema desenhado para coordenar recursos.
Pessoas.
Capital.
Conhecimento.
Equipamentos.
Fornecedores.
Informação.
Clientes.
Tempo.
Um organograma não é apenas uma representação de autoridade.
É uma tentativa de responder:
quem é responsável por quê?
Um processo não é apenas um fluxograma.
É uma tentativa de responder:
como é que algo deve acontecer repetidamente?
Um sistema de informação não é apenas software.
É uma tentativa de responder:
quem precisa de saber o quê, e quando?
Por isso, a evolução da IA para agentes não é apenas mais um capítulo na história da tecnologia.
Toca diretamente na arquitetura da organização.
Se uma nova categoria de recurso consegue observar, interpretar, produzir, executar e coordenar, então precisamos de decidir onde colocá-la dentro da empresa.

14. Não estamos a contratar um cérebro digital

É importante estabelecer limites desde o início.
Sistemas inteligentes continuam a errar.
Podem interpretar incorretamente.
Podem produzir informação falsa.
Podem utilizar uma ferramenta de maneira inadequada se forem mal configurados.
Podem amplificar um mau processo.
Podem executar rapidamente uma política errada.
Por isso, mais capacidade exige mais arquitetura — não menos.
Missão.
Dados.
Permissões.
Auditoria.
Escalamento.
Responsabilidade.
Métricas.
É exatamente o mesmo princípio que aplicamos a outras formas de capacidade empresarial.
Quanto maior o impacto potencial de uma função, maior a necessidade de desenhar os seus limites.

15. Inteligência operacional

Ao longo deste livro utilizaremos ocasionalmente a expressão inteligência operacional.
Não a apresentamos como uma nova categoria científica de Inteligência Artificial.
Usamo-la como conceito empresarial.
Inteligência operacional é aquilo que acontece quando capacidade de interpretação e decisão consegue estar suficientemente próxima da operação para transformar informação em ação.
Um relatório produzido três semanas depois pode conter inteligência.
Mas não necessariamente inteligência operacional.
Um alerta produzido no momento certo, ligado ao processo certo, entregue à pessoa ou agente certo, pode alterar um resultado.
A diferença está no tempo, contexto e capacidade de agir.

16. A distância entre perceber e agir

Imagine duas empresas concorrentes.
As duas recebem exatamente o mesmo sinal de mercado.
Um aumento súbito de procura por determinado produto.

Empresa A

Alguém identifica a alteração na segunda-feira.
Na terça prepara um relatório.
Na quarta há uma reunião.
Na quinta Marketing pede mais informação.
Na sexta Compras consulta fornecedores.
Na semana seguinte Financeiro calcula margem.
Depois alguém começa a preparar uma campanha.

Empresa B

O sistema identifica a alteração.
Cruza procura, margem, stock e fornecedores.
Marketing recebe uma proposta de campanha.
Compras recebe alternativas.
Financeiro valida limites.
A direção recebe a oportunidade estruturada juntamente com riscos e próximos passos.
As empresas podem ter acesso aos mesmos modelos de IA.
A vantagem não está necessariamente no modelo.
Está na arquitetura.

A vantagem competitiva começa a ser medida pela distância entre perceber e agir.

A EQUAÇÃO

Pergunte sobre qualquer tecnologia inteligente:

RECEITA ↑

Ajuda a encontrar, converter, reter ou servir melhor clientes?

CUSTOS ↓

Reduz trabalho repetitivo, desperdício, erro ou utilização ineficiente de recursos?

VELOCIDADE ↑

Reduz o tempo entre informação, decisão e execução?

CONTROLO ↑

Aumenta consistência, visibilidade, rastreabilidade e capacidade de intervenção?
Se a resposta for “nenhuma”, talvez tenhamos tecnologia interessante.
Mas ainda não temos transformação empresarial.

17. O próximo salto não é apenas tecnológico

Os modelos continuarão a melhorar.
Computação continuará a aumentar.
Ferramentas tornar-se-ão mais capazes.
Mas uma parte importante do próximo salto não acontecerá dentro dos modelos.
Acontecerá dentro das empresas.
Na forma como desenhamos responsabilidades.
Na forma como ligamos informação.
Na forma como distribuímos autonomia.
Na forma como criamos regras de escalamento.
Na forma como medimos resultados.
Na forma como decidimos aquilo que continua humano.
E na forma como pessoas e sistemas inteligentes passam a operar dentro de uma estrutura comum.
É por isso que este livro não começa por ferramentas.
Começa por organização.
No próximo capítulo avançaremos para a fronteira que separa uma máquina que responde de uma máquina que age.
Porque é aí que a Inteligência Artificial começa, verdadeiramente, a tornar-se operacional.

Fontes históricas de base para edição final

Alan M. Turing, Computing Machinery and Intelligence, Mind, Vol. LIX, Issue 236, 1950 — Oxford Academic
John McCarthy, Marvin L. Minsky, Nathaniel Rochester e Claude E. Shannon, A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, 1955 — Stanford
IBM, A história da inteligência artificial — IBM Think