Um indivíduo produtivo não cria uma empresa produtiva

• A IA elevou a produtividade individual em 10x, mas não existe nenhuma empresa cujo valor tenha aumentado 10x na mesma proporção; então, para onde foi essa produtividade extra?
• Na adoção inicial da eletricidade, nos anos 1890, fábricas têxteis da Nova Inglaterra substituíram a máquina a vapor por motores elétricos, mas a produção quase não cresceu por 30 anos; só depois de redesenharem a fábrica em torno da linha de montagem, nos anos 1920, os ganhos se concretizaram
• Os resultados não vieram da tecnologia em si, mas de redesenhar juntos a tecnologia e a organização (institution); em 2026, a IA também está no estado de “trocar só o motor sem redesenhar a fábrica”
• A maioria dos produtos de IA só passa a sensação de produtividade, sem mover valor real; organizações produtivas precisam de Institutional Intelligence
• Os 7 fatores que separam Institutional AI de Individual AI formam a base das empresas de IA B2B da próxima década

---

A produtividade desaparecida: a pergunta central

• A IA tornou cada indivíduo 10x mais produtivo, mas isso não produziu empresas 10x mais valiosas
• A pergunta “para onde foi a produtividade extra?” é o ponto de partida de todo o texto
• Isso não é um fenômeno inédito; a mesma coisa já aconteceu na adoção da eletricidade

Lição histórica: a eletrificação das fábricas têxteis nos anos 1890

• Nos anos 1890, a eletricidade prometia um enorme salto de produtividade, e as fábricas têxteis da Nova Inglaterra, que usavam a força rotativa de máquinas a vapor, instalaram motores elétricos mais rápidos diretamente no mesmo lugar
• Ainda assim, por 30 anos, a produção dessas fábricas eletrificadas quase não aumentou; a tecnologia era muito superior, mas a organização não era
• Só nos anos 1920, com um redesenho completo da fábrica, surgiram lucros realmente relevantes
  • adoção da linha de montagem, instalação de motores individuais em cada equipamento, e trabalhadores e máquinas passando a exercer papéis totalmente diferentes
• Isso é explicado pela evolução em três etapas da fábrica têxtil de Lowell
  • fábrica com máquina a vapor em 1890 → fábrica com motor elétrico em 1900 → fábrica “unit drive” em 1920 (reconstrução total para uma linha de montagem elétrica)
• O retorno não veio da tecnologia em si nem de tornar cada trabalhador ou máquina individualmente mais rápido, mas apenas quando organização e tecnologia foram redesenhadas juntas
• Essa foi a lição mais cara da história da tecnologia, e estamos aprendendo-a de novo agora

A necessidade de Institutional Intelligence

• Em 2026, a IA está elevando em 10x a produtividade de indivíduos que sabem usá-la, mas só trocamos o motor; a fábrica ainda não foi redesenhada
• A maior parte dos produtos de IA no mercado só produz uma sensação de produtividade, sem mover valor real; muitos usos públicos de IA são apenas “productivity-maxxing” autossatisfeito no Twitter ou no Slack interno, com impacto prático nulo
• O motivo recorrente de “services as software” ao longo do último ano aponta na direção certa, mas não oferece um blueprint e deixa escapar o quadro maior
  • a verdadeira mudança não é passar de ferramenta para serviço, e sim construir tecnologia e organização juntas — seja em instituições existentes ou novas
• Organizações produtivas precisam de Institutional Intelligence, uma nova categoria de produto equivalente à “linha de montagem de amanhã”

Os 7 pilares de Institutional Intelligence

• 1. Coordination (Coordenação)

  • Individual AI gera caos; Institutional AI gera coordenação
  • Experimento mental: imagine dobrar o tamanho da organização amanhã copiando apenas os melhores funcionários
    • cada um teria pequenas diferenças, preferências e perspectivas próprias (especialmente os melhores); sem gestão, comunicação e papéis (swim lane, OKR, R&R) suficientemente definidos, o resultado seria confusão
    • individualmente, todos podem ficar mais produtivos, mas se milhares de agentes (ou pessoas) remarem em direções opostas, no melhor caso a organização empaca e, no pior, sua coesão se rompe
  • Isso não é hipótese; é o que já está acontecendo em toda organização que adotou IA sem uma camada de coordenação (coordination layer)
    • cada funcionário tem seus próprios hábitos com ChatGPT, estilo de prompt e entregas, e esses resultados não se conectam entre si
  • Institutional Intelligence evolui para uma indústria de “Agentic Management” que lida com papéis e responsabilidades dos agentes, comunicação entre agentes e entre agentes e humanos, e medição do valor dos agentes
    • cobrança baseada só em consumo não basta

• 2. Signal (Sinal)

  • Individual AI produz ruído; Institutional AI encontra sinal
  • Agora humanos conseguem gerar quase tudo o que imaginam: ensaios, apresentações, planilhas, fotos, vídeos, músicas, sites, software e mais
  • O problema é que quase tudo que a IA gera é slop (lixo gerado), e algumas organizações reagem exageradamente proibindo toda produção com IA
    • o próprio autor, apesar de dirigir uma empresa de IA, pede aos executivos que não usem IA em versões finais de textos
  • Exemplo de PE (private equity): se no ano passado chegavam 10 casos à mesa, neste ano chegam 50 por trimestre, cada um perfeitamente polido por IA, e o tempo para achar uma transação realmente boa continua o mesmo
  • Gerar alguma coisa já não é o problema; o verdadeiro problema agora é gerar e selecionar a coisa certa
    • o principal motor econômico da próxima década será encontrar sinal em meio a um volume exponencialmente crescente de slop
  • Inteligência de nível institucional precisa encontrar sinal, estruturar ruído e ser definida, determinística e auditável
    • enquanto Individual AI enfatiza a produtividade “always on” de agentes não determinísticos 24/7 (“Clawdbot”), Institutional AI depende de agentes determinísticos com checkpoints, etapas e processos previsíveis
  • Matrix é apresentado como uma ferramenta para filtrar ruído usando o poder da tecnologia generativa

• 3. Bias (Viés)

  • Individual AI reforça viés; Institutional AI cria objetividade
  • Por anos, o debate sobre viés sociopolítico dominou o discurso sobre IA, mas labs de modelos fundacionais contornaram isso tornando os modelos praticamente bajuladores (sycophant) com RLHF suficiente
    • hoje, ChatGPT, Claude e afins estão alinhados em excesso a ponto de concordarem com quase qualquer tema dentro da Overton window
  • Esse alinhamento excessivo ficou tão absurdo que virou meme; o exemplo clássico é o “you’re absolutely right!” reflexo do Claude
  • Parece inofensivo, mas não é
    • o maior defensor de IA dentro de uma organização pode muito bem ser historicamente o funcionário de pior desempenho
    • quando o pior funcionário, quase sem reforço positivo, passa a receber concordância da ASI, ele começa a sussurrar para si mesmo: “a inteligência mais inteligente concorda comigo; meu gestor está errado” → é viciante e organizacionalmente tóxico
  • Ferramentas de produtividade pessoal reforçam o usuário, mas o que mais precisa ser reforçado é a verdade (truth)
  • Organizações evoluíram, ao longo de milhares de anos, sistemas para compensar esse problema
    • reuniões de comitê de investimento, diligência de terceiros, conselhos de administração, os poderes Executivo, Legislativo e Judiciário dos EUA, democracia representativa e a democracia em geral
  • Organizações falham não porque as pessoas não tenham confiança, mas porque ninguém consegue dizer “não”
  • Institutional AI precisa assumir esse papel; em vez de ser ajustada por RLHF para agradar o usuário, deve desafiar o viés
    • os agentes mais importantes não são yes-men, e sim “no-men” disciplinados, que interrogam o raciocínio, expõem riscos e fazem cumprir critérios
    • aplicações futuras: membro de conselho com IA, auditor com IA, verificação de terceiros com IA, compliance com IA

• 4. Edge (Vantagem)

  • Individual AI otimiza uso (usage); Institutional AI otimiza vantagem (edge)
  • O gol da IA muda semanalmente, às vezes diariamente, conforme as empresas de modelos fundacionais iteram suas capacidades com rapidez
  • Mas, como no clássico innovator’s dilemma, em certas aplicações a profundidade (depth) vence repetidamente a amplitude (breadth)
    • Midjourney cumpre o papel de ficar um pouco à frente em imagens de design
    • ElevenLabs cumpre o papel de ficar um pouco à frente em modelos de voz
    • Decagon cumpre o papel de estar sempre à frente na experiência full-stack de atendimento ao cliente
  • Mesmo quando os modelos fundacionais se aproximam, para especialistas a vantagem real continua importando; muitos dos melhores designers usam Midjourney, e as melhores empresas de voz com IA usam ElevenLabs
    • um produto especializado que se concentra obstinadamente na própria vantagem acaba definindo essa vantagem
  • Finanças são apresentadas como a área mais quente hoje no desenvolvimento de LLMs
    • quando uma capacidade se dissemina amplamente, por definição ela deixa de ajudar a bater o mercado; mas, se uma tecnologia de fronteira gerar uma vantagem temporária de 1%, esse 1% pode ser alavancado em dezenas de bilhões de dólares em resultado
  • Os usuários sempre estiveram à frente da fronteira, e a janela de contexto dos LLMs cresceu de 4K para 1M tokens em quatro anos
    • alguns usuários já processam 30B tokens em uma única tarefa, com tarefas de 100B tokens no horizonte ainda este ano (Hebbia)
  • O futuro não é ChatGPT/Claude “ou” soluções especializadas por domínio, e sim ChatGPT/Claude “e” soluções especializadas por domínio
  • Pergunta central: “se fosse AGI, qual agente ela usaria como atalho? Até uma superinteligência iria querer ferramentas especializadas para certos domínios”

• 5. Outcomes (Resultados)

  • Individual AI economiza tempo; Institutional AI expande receita
  • Segundo MaVolpi: se você perguntar a um CEO qual é a primeira prioridade entre cortar custos e expandir receita, quase todos respondem receita
    • ainda assim, quase todos os produtos de IA do mercado hoje prometem redução de custos, como economia de tempo e substituição de mão de obra
  • Institutional AI precisa oferecer upside, e isso é muito mais difícil de comoditizar do que horas economizadas
  • Exemplo de desenvolvimento de software baseado em agentes
    • IDEs de programação são ótimas ferramentas de produtividade individual com IA, mas sofrem forte pressão de outra ferramenta individual, o Claude Code
    • Cognition joga outro jogo: constrói tecnologia para vender não ferramenta, mas transformation
  • Citação de Naval: “software puro está rapidamente se tornando un-investable”
    • serviço puro não escala; o valor duradouro se acumula na solution layer, que combina tecnologia e resultado
  • Exemplo em M&A: Individual AI ajuda analistas a montar modelos mais rápido, enquanto Institutional AI identifica o único alvo realmente interessante entre 100 e amplia essa população para 1.000 → uma economiza tempo, a outra gera receita
  • A gravidade natural do mercado é subir “upstream”
    • modelos fundacionais caminham para a camada de apps, e empresas da camada de apps caminham para a camada de solução
  • Institutional Intelligence é justamente a solution layer, a camada onde existem resultados e onde se captura o valor duradouro e o maior upside

• 6. Enablement (Capacitação para execução)

  • Individual AI entrega a ferramenta; Institutional AI mostra como usá-la
  • Humanos, apesar de toda sua criatividade, resistem à mudança
    • em Nova York, ainda existem negócios bem-sucedidos que se recusam a aceitar cartão de crédito mesmo sabendo que isso lhes faz perder dinheiro; da mesma forma, alguns funcionários em certas organizações vão resistir ao uso de IA por tempo indefinido
  • A transição de organizações exclusivamente humanas para organizações híbridas AI-first será a tarefa persistente e decisiva da próxima década
    • em muitos casos, a camada mais sênior e mais importante é justamente a mais lenta para adotar
  • Palantir é citado como a única empresa de “software” negociando a múltiplos extraordinários mesmo em meio a uma liquidação de US$ 1 trilhão em tech nos dois meses recentes
    • a Palantir foi uma das primeiras empresas verdadeiras de “process engineering”
    • seja “process engineering” ou “escrever arquivos de skills para Claude”, o futuro de Institutional AI formará uma indústria que codifica processos corporativos em agentes e realiza a gestão de mudança necessária
  • process engineering será a “tecnologia” mais importante no curto prazo
    • aqui, especialização em software importa menos do que especialização em negócios e indústria, e soluções especializadas por domínio ampliam a expertise de quem faz engenharia forward deployed, implantação e gestão da mudança
  • Exemplo de um banco bulge bracket Top 3 que escolheu a Hebbia para um rollout em toda a empresa
    • trabalhar com um grande lab de modelos fez o banco perder o interesse quando precisou explicar à equipe o que era um CIM
    • Claude e GPT claramente conheciam o domínio, mas a equipe do lab que desenhava o rollout não — essa foi a diferença decisiva

• 7. Unprompted (Ação proativa)

  • Individual AI reage a prompts humanos; Institutional AI atua proativamente, sem prompt
  • Há muito debate sobre comunicação entre agentes e se empresas, software e instituições do futuro ainda precisarão de humanos
    • a pergunta melhor é se os agentes de IA do futuro vão precisar de prompts em primeiro lugar
  • Dar prompts a uma AGI é como conectar um motor elétrico a um tear movido a força: isso a limita estruturalmente ao elo mais fraco da cadeia de suprimentos (= o humano)
    • humanos muitas vezes nem sabem o que perguntar, e sabem menos ainda quando perguntar
  • O trabalho mais valioso é aquele que ninguém sequer pensou em pedir
    • a IA precisa descobrir riscos que ninguém sinalizou, alvos que ninguém imaginou e pipelines de vendas que ninguém sabia que existiam
  • Exemplo de sistema proativo (unprompted)
    • monitorar continuamente dados de entrada de todo o portfólio e detectar que o ciclo de capital de giro de uma empresa piorou por três meses seguidos
    • cruzar isso com os limites de covenant de um contrato de crédito e emitir um alerta antecipado ao parceiro operacional antes mesmo de alguém abrir o PDF
  • Quando humanos não precisarem mais dar prompts à IA, surgirão novas interfaces e novas formas de trabalho; a visão forte da Hebbia sobre isso fica em “to be continued”

Conclusão

• Nada disso nega a necessidade de chatbots, agentes e de Individual AI em geral
• Individual AI é a porta pela qual a maioria das empresas do mundo experimenta pela primeira vez a magia transformadora da IA, e perseguir uso e facilidade de adoção generalizada é o primeiro passo crucial de gestão da mudança rumo a uma economia AI-first
• Ao mesmo tempo, existe uma demanda clara e urgente por Institutional Intelligence
  • toda organização do futuro terá chatbots de grandes labs e também Institutional AI desenhada especificamente para problemas de domínio; Individual AI usará isso como ferramenta central
• A narrativa de “better together” entre Institutional AI e Individual AI é inevitável
• Como na lição das fábricas têxteis dos anos 1890, a fábrica que apenas se eletrificou perdeu para a fábrica que redesenhou o chão de fábrica
  • “nós já temos eletricidade; agora é hora de redesenhar a fábrica”

[master6559]

Então, a conclusão é que, se você não está conseguindo ganhar dinheiro agora, também não vai conseguir se continuar desse jeito no futuro.