- A diferença de produtividade entre usuários de IA está se ampliando rapidamente, e os "power users" estão aproveitando ativamente ferramentas avançadas de IA, como Claude Code e MCPs, enquanto a maioria ainda permanece em um uso conversacional no nível do ChatGPT
- Grandes empresas têm dificuldade para adotar as ferramentas de IA mais recentes devido a políticas de segurança, ambientes de TI fechados e sistemas legados, enquanto empresas menores estão internalizando a IA rapidamente e aumentando sua eficiência
- Essa diferença está levando a uma era em que pequenas equipes podem alcançar uma produtividade muito maior do que grandes empresas, e a construção de APIs internas e ambientes seguros de execução de código está surgindo como fator-chave de competitividade futura
- Ao combinar agentes com uma sandbox bash com acesso a linguagens de programação e APIs, até usuários não técnicos podem substituir quase todos os aplicativos de produtividade, e essa é a forma futura do trabalho do conhecimento
Dois tipos de usuários de IA
- A diferença de produtividade entre usuários de IA está se ampliando rapidamente
- De um lado, há quem use Claude Code, MCPs e fluxos de trabalho baseados em skills, e até pessoas não técnicas usam IA ativamente no terminal
- Em especial na área financeira, há muitos casos de automação baseada em Python para superar as limitações do Excel
- Do outro lado, muitos ainda ficam no uso simples de perguntas e respostas, no nível do ChatGPT
- Muitos profissionais de escritório ainda se enquadram nessa categoria e não estão aproveitando plenamente o potencial da IA
As limitações do Microsoft Copilot
- O M365 Copilot vem incluído na assinatura do Office 365 e, por isso, tem alta participação no mercado corporativo, mas sua interface está no nível de uma versão inferior do ChatGPT
- O recurso de "agente" chega a ser risível quando comparado a agentes de codificação em CLI, incluindo o próprio GitHub Copilot CLI da Microsoft
Ele falha com frequência em arquivos grandes e tem limites excessivos de memória e CPU
- Até dentro da própria Microsoft, o Claude Code está sendo adotado por equipes internas
- Isso é um exemplo de como o Copilot está tecnicamente atrás
- Em ambientes corporativos, muitas vezes o Copilot é a única ferramenta de IA permitida, então os funcionários precisam assumir o risco de demissão ou fazer um grande esforço para usar outras ferramentas
— depois de terem resultados péssimos com esse tipo de ferramenta, executivos de alto nível acabam desmerecendo a IA como um todo, ou gastando fortunas com grandes consultorias sem obter resultados
O risco estrutural enfrentado pelas grandes empresas
- Políticas de TI fechadas com foco em segurança estão bloqueando a inovação
- Ambientes extremamente travados: nem mesmo interpretadores básicos de script podem ser executados localmente (quando muito, VBA, e ainda assim limitado por Group Policy)
- Software legado: fluxos de trabalho críticos não têm APIs internas, então os agentes simplesmente não têm com o que se conectar
- Departamentos de engenharia em silos: muitas vezes totalmente terceirizados, sem equipe interna para construir a infraestrutura necessária para operar agentes em sandbox com segurança
- É claro que as preocupações com segurança são reais — executar agentes de código sem controle em bancos de dados de produção é arriscado
- Mas o sandboxing é um trabalho difícil, e o problema central é não haver uma equipe de engenharia capaz de construí-lo com segurança
O rápido crescimento das empresas menores
- Empresas pequenas e médias sem restrições legadas estão adotando IA rapidamente e elevando a produtividade de forma explosiva
- De um lado, há diretores financeiros que experimentam o Copilot da Microsoft para Excel (e o mesmo vale para a integração do Gemini com o Google Sheets, que também é ruim), veem até tarefas simples saírem erradas e nunca mais querem tocar nisso
- Do outro, há executivos não técnicos que aprenderam a usar Claude Code e executam Python localmente
- A conversão de um modelo financeiro extremamente complexo em Excel, com 30 abas, para Python com Claude Code fica quase pronta com apenas 2 ou 3 prompts
- Depois que o modelo passa para Python, torna-se possível alcançar com Claude Code um nível de capacidade equivalente ao de uma equipe de ciência de dados
- Dá para rodar simulações de Monte Carlo, integrar fontes externas de dados, construir dashboards web e ajudar a analisar fragilidades do modelo (ou do negócio)
- No passado, funcionários de empresas menores invejavam os recursos e as equipes das grandes corporações,
mas nesse ambiente equipes pequenas estão mostrando muito mais eficiência do que grandes empresas, e a tendência de produtividade está se invertendo
A estrutura do trabalho no futuro
- Os ganhos de produtividade com IA acontecem de baixo para cima (bottom-up)
- Pequenas equipes tentam construir fluxos de trabalho com suporte de IA para processos específicos e, por conhecerem profundamente esses processos, conseguem bons resultados
- Em contraste com equipes terceirizadas de engenharia de software que não têm nenhuma experiência real com o processo
- É o oposto da maioria dos projetos tradicionais de "transformação digital"
- Empresas que possuem APIs para seus sistemas internos conseguem fazer muito mais
- Isso vai desde um simples data warehouse somente leitura, ao qual os funcionários podem se conectar para executar consultas em nome do usuário, até a APIzação dos processos centrais do negócio
- Executar agentes de código em ambientes de VM com segurança controlada é uma alternativa realista
- Funciona bem para relatórios somente leitura, mas ainda há limites quando se trata de alterar dados
- Fornecedores de SaaS empresarial legado estão em uma posição de lock-in muito forte ou, dependendo do ponto de vista, extremamente vulnerável
- A maioria não é produto "API-first", e as APIs existentes foram projetadas para desenvolvedores, não otimizadas para um cenário em que milhares de funcionários as chamam de forma ineficiente
- Mas, se forem a única fonte de verdade da empresa (source of truth), a migração se torna muito difícil e isso vira um gargalo para ganhos de produtividade
- Empresas menores tendem a usar produtos mais novos e com APIs melhor projetadas
- Esses novos produtos SaaS são desenhados com foco em API, o que favorece a integração com IA
Uma nova forma de trabalho do conhecimento
- A combinação de uma sandbox bash com acesso a linguagens de programação e APIs de sistema com um framework de agentes funciona como uma poderosa ferramenta de produtividade até para pessoas não técnicas
- O usuário insere um prompt, e o agente gera o resultado por meio das APIs
- Redação de relatórios, análise de dados, geração de documentos e praticamente qualquer coisa que o usuário pedir pode ser exportada no formato desejado, o que permite substituir a maioria dos aplicativos de escritório existentes
- O modelo em que o usuário dá um prompt, o agente se conecta às APIs e gera saídas conforme a solicitação é o futuro do trabalho do conhecimento
- Essa polarização é real e está se acelerando rapidamente
- Essa mudança está abrindo uma era em que pequenas equipes podem conquistar vantagem competitiva mais rapidamente do que grandes empresas
- A diferença no uso de IA existe de fato, e seu ritmo está ficando cada vez mais rápido
- Nunca na história foi tão fácil para uma equipe pequena superar uma empresa mil vezes maior
4 comentários
Opiniões do Hacker News
Acho que dá para dividir os usuários em dois grupos
um são as pessoas que usam a IA como ferramenta, reconhecem as limitações e a usam para tarefas repetitivas ou tediosas, ou para obter resumos
o outro são as pessoas que terceirizam o próprio pensamento, quase não entendem o tema, só querem o resultado e não têm vontade de aprender
estes últimos são o tipo de pessoa que acredita que chatbots podem substituir desenvolvedores sêniores
só importa entregar rápido, e o feedback do cliente só chega meio ano depois, então não faz diferença
agora estou apenas me segurando, fazendo o mínimo esforço e recebendo meu salário
Criei um app para praticar compreensão auditiva em alemão com Claude Code e ElevenLabs, e foi tão eficaz que até minha professora ficou surpresa
eu não tinha interesse em aprender código; o objetivo era melhorar meu alemão
Ou seja, usam como parceiro conversacional, mais do que como uma simples ferramenta
Quando se usa IA em projetos greenfield e projetos brownfield, a diferença de produtividade é grande
no primeiro dia de um projeto novo, ela faz uma semana de trabalho, mas em sistemas existentes o ganho fica em cerca de 20%
no fim, isso faz a IA recriar rapidamente o “dilema do inovador”
a questão é até que ponto a IA consegue contribuir na etapa de amadurecimento de sistemas complexos
Quase completei arquivos de build do Hashicorp Packer com IA, e uma IA local ajudou muito
mas, em infraestrutura antiga, a imprevisibilidade é maior e o LLM pode acabar piorando tudo
no começo é rápido, mas depois os limites da arquitetura aparecem
também ajuda a reduzir overengineering
quando o projeto passa de 200k tokens, a produtividade vira 0
no fim, as organizações vencem com processos que não dependem de memória
Ouvi a história de um executivo que usou Claude Code para converter um modelo financeiro complexo de Excel com 30 abas para Python, e quase me deu enjoo
Do ponto de vista de alguém com formação em matemática e geofísica, esse tipo de modelo em Excel já é um pesadelo por si só
ainda assim, admito que a versão em Python provavelmente não será muito pior que o original
quem vai detectar uma modelagem errada? Quase ninguém
simulações feitas por LLM têm ainda menos procedimentos de validação
no início, são usadas para experimentação rápida, e quando passam a gerar muito dinheiro, a equipe técnica as transforma em aplicações formais
o Excel original foi corrigido por anos, enquanto a conversão não passa de uma cópia falsa
É assustador pensar que existem não especialistas criando modelos financeiros com IA
Estamos agora no nascimento da Shadow AI
como a Shadow IT dos anos 2000, funcionários estão rodando Claude Code escondido no terminal
porque o Copilot oficial nem consegue lidar direito com CSV
os CISOs estão apavorados, mas se proibirem isso, os funcionários competentes vão embora
Em termos dos anos 1980, a verdadeira inovação surge de fluxos de trabalho criados espontaneamente por quem está na linha de frente
porque são essas pessoas que conhecem melhor o processo
só depois vem o software empacotado amigável ao CIO
Nos últimos meses, os agentes ficaram úteis de verdade e todo mundo está começando a usá-los agora
MCP, LangChain e vector DB já foram moda por um tempo, mas agora estão mais silenciosos
ainda é cedo demais para falar em tendências
usei os servidores MCP do context7 e do playwright, e eles foram eficazes para planejamento e ciclos de feedback
A integração do Microsoft Copilot com Excel é péssima
por causa de 30 anos criando formatos XML complexos, o LLM não consegue entender aquilo
por isso, nossa empresa está migrando documentos do Word para Markdown. Parece uma espécie de karma
mas o tempo necessário para tornar documentos amigáveis para IA só aumenta
o Copilot ignorou até a instrução de converter para CSV e falhou
Ouvi isso anos atrás — “não é mais a empresa grande que vence a pequena, e sim a empresa rápida que vence a lenta”
agora, na era da IA, isso parece ainda mais verdadeiro. O problema é como continuar rápido
O Copilot ainda continua sendo criticado. Quando a MS vai melhorá-lo?
Estou usando como serviçal 1, 2, 3
No meio do texto há muita crítica ao Copilot, mas, na prática,
o Claude Code está se espalhando rapidamente dentro da Microsoft
Parece ser uma situação que certamente também se aplica às grandes empresas no país.
A empresa manda usar, então usam, mas com certeza deve haver lugares onde ChatGPT/Claude não pode e só o Copilot pode ser usado.