Você está em uma reunião de requisitos. Alguém descreve um problema. Você toma notas.

O que acontecia a seguir costumava ser previsível: horas vasculhando documentação, rastreando regras de negócio através de sistemas, construindo modelos mentais de como as coisas se conectam. Depois, mais horas validando que o que você encontrou corresponde à realidade.

Esse ciclo não desapareceu. Mas quem está se dando bem com IA comprimiu esse ciclo.

O Fluxo de Trabalho

Aqui está o que tenho feito:

1. Identifique o contexto.

A reunião termina, notas em mãos. Em vez de abrir documentação às cegas, alimento minhas notas a um assistente de codificação com IA. Não por respostas—por orientação.

“Aqui está o que o negócio precisa. Aqui está o que sei sobre o sistema. Ajude-me a entender o que estou procurando.”

A resposta raramente é a solução. Mas traz à tona as perguntas certas. Quais tabelas? Quais regras de negócio? Quais casos extremos devo verificar?

Carrego apenas o que é relevante para essa consulta. A IA ajuda você a encontrar a resposta “certa” (spoiler é 42)—mas você precisa explorar se essa é a pergunta certa, e se a informação que a apoia é de qualidade.

2. Aponte a IA para seus materiais.

É aqui que a maioria das pessoas para. Fazem perguntas, recebem respostas genéricas e concluem que a IA não é útil para trabalho real.

Mas se você puder direcionar a IA para seu contexto real—estruturas de tabelas, stored procedures, documentação de regras de negócio—algo muda.

A IA se torna uma assistente de pesquisa com acesso aos seus materiais em vez de dados de treinamento genéricos.

Eu extraio informações do meu sistema—esquemas de tabelas, código relevante, documentação de regras de negócio—e alimento.

“Dadas estas tabelas e estas regras, onde a lógica para X ficaria?”

3. Deixe a IA encontrar padrões que você perderia.

O valor não é que a IA é mais inteligente que você. É que ela lê mais rápido que você.

Um stored procedure de 2.000 linhas. Um modelo de dados com 47 tabelas. Um motor de regras com lógica espalhada por arquivos de configuração.

Você poderia rastrear manualmente. Ou poderia pedir à IA para trazer à tona as seções relevantes enquanto você foca no julgamento.

4. Refine juntos.

A primeira resposta raramente está completa. Mas agora você está iterando sobre específicos em vez de começar do zero.

“Mostre-me como isso se conecta ao cálculo downstream.” “O que acontece se essa condição não for atendida?” “Passe pelos casos extremos aqui.”

Cada pergunta reduz a lacuna entre “acho que é assim que funciona” e “eu sei”.

Por Que Isso Funciona

Pesquisa da CMU e Stanford (outubro de 2025) encontrou algo contra-intuitivo: o aumento de eficiência proporcionado pela IA melhorou a produtividade em 24%, mas a automação end-to-end na verdade diminuiu a eficiência em 18%¹.

A diferença? Sobrecarga de verificação.

Quando você substitui humanos inteiramente, alguém ainda tem que verificar a saída. Essa verificação leva mais tempo do que o trabalho teria levado com um humano no loop desde o início.

Mas quando humanos permanecem no controle e a IA acelera etapas específicas, a verificação está incorporada. Você não está confiando na IA. Está usando-a.

A Klarna aprendeu isso da maneira difícil. Substituíram 700 agentes de atendimento ao cliente por IA. Seguiu-se serviço de menor qualidade. Agora estão recontratando humanos². O chatbot lidava bem com interações previsíveis, mas os 70% complexos—as chamadas de julgamento, a nuance—desmoronaram.

A Gartner prevê que 50% das empresas que cortaram equipe de atendimento ao cliente para IA vão recontratar até 2027³.

A McKinsey foi na outra direção. 25.000 agentes de IA ao lado de 40.000 consultores humanos. Economizaram 1,5 milhão de horas em trabalho de busca e síntese⁴. A produção de back-office aumentou 10% com 25% menos pessoas.

Mas funções voltadas ao cliente cresceram 25%. Os ganhos de velocidade em pesquisa liberaram tempo para o trabalho que precisa de julgamento.

O Que Muda na Prática

A maior mudança não são as ferramentas. É o design do fluxo de trabalho.

Abordagem antiga:

1. Obter requisitos
2. Pesquisar manualmente
3. Construir solução
4. Revisar e refinar

Abordagem com IA:

1. Obter requisitos
2. Usar IA para orientar e trazer à tona contexto relevante
3. Direcionar IA para seus sistemas reais (esquemas, docs, código)
4. Iterar sobre específicos com julgamento humano presente
5. A resposta final é sua. A IA ajudou você a chegar lá mais rápido.

A diferença não é substituir a etapa 2 por IA. É redesenhar todo o processo em torno da colaboração humano-IA.

A Armadilha

Nem toda tarefa se beneficia disso. E honestamente? Algumas não deveriam.

Se o trabalho é verdadeiramente rotineiro—previsível, programável, sem julgamento necessário—a automação pode ser a resposta certa. Quiosques de checkout. Pipelines de dados automatizados. Robôs de manufatura.

Mas a maioria do trabalho do conhecimento não é rotineiro. Parece rotineiro até você realmente fazê-lo. Os casos extremos, o contexto, os momentos de “isso funcionou da última vez mas os requisitos mudaram”.

A armadilha é assumir que a IA pode lidar com complexidade porque lida bem com exemplos. Demonstrações são controladas. A realidade não é.

Na verdade, isso não está exatamente certo. A armadilha real é mais sutil: a IA lida com maioria da complexidade bem o suficiente para parecer seguro. São os 10% restantes—os casos extremos estranhos, o contexto que ninguém documentou, a regra que mudou mês passado—que quebram você.

A outra armadilha: usar IA para gerar respostas em vez de acelerar compreensão.

Se você está colando requisitos no ChatGPT e copiando a saída, não está aumentando eficiência. Está terceirizando julgamento. O resultado pode parecer certo. Pode até estar certo. Mas você não saberá por que, e não pegará quando estiver errado.

O Que Tentar

Se você ainda não está usando IA desta forma:

Comece com orientação, não soluções.

Antes de mergulhar em uma nova base de código ou sistema, descreva o que está procurando para uma IA com acesso aos seus materiais. Veja quais perguntas ela faz a você.

Direcione para contexto real.

Conselhos genéricos de IA estão em toda parte. IA que leu sua documentação, viu suas estruturas de tabelas, entendeu suas regras de negócio—isso é realmente útil.

🚨 Cuidado

Evite conectar agentes abertos diretamente a sistemas de produção sem salvaguardas adequadas, guardrails, ou seguindo as políticas de segurança da sua empresa. Alimente informações deliberadamente, não através de integrações em tempo real.

Mantenha a camada de julgamento.

Toda saída de IA é um rascunho. Seu trabalho é verificar, refinar e decidir. A economia de tempo vem de iteração mais rápida, não de etapas puladas.

As empresas que descobrem isso não estão perguntando “o que a IA pode substituir?” Estão perguntando “onde a IA torna minhas pessoas mais rápidas?”

Até mais, e obrigado pelos peixes.

Referências