Notas para empresas pré-IA que estão fazendo a transição: - O objetivo é ser o ponto de difusão econômica entre o progresso do modelo e o valor do cliente. Isso significa que, se os modelos melhorarem 3x, seu cliente recebe valor 3x+. - Modelos estão tendo progresso desigual entre domínios ("inteligência irregular"), então você quer representar seu problema no domínio onde os modelos se destacam. Você pode pegar seu problema de negócios e reformulá-lo como código, matemática ou lógica estruturada? - O maior erro é tentar fazer engenharia excessiva ao redor dos modelos. O padrão é expô-los a mais. Mesmo técnicas como engenharia de contexto provavelmente terão um prazo de validade limitado à medida que as janelas de contexto se expandem e o progresso do modelo continua. - A forma como você organiza sua empresa importa. Comece de um extremo: em vez de a IA melhorar marginalmente a produtividade individual, coloque o modelo no comando de toda uma unidade de negócio e faça com que os indivíduos lidem com exceções e façam o trabalho que os modelos não conseguem (ou seja, levar o cliente para um jantar de bife). Comece com algo pouco glamouroso e de baixa visibilidade e veja como ele se sai. - O produto provavelmente vai se dividir em duas superfícies: uma interface tradicional que suporta interação humana e fluxos de trabalho + uma superfície semelhante a um terminal, automodificável e que lida com tarefas ambíguas e multifuncionais (sim... openclaw para empresas). - Seu cliente sabe ainda menos sobre esses modelos do que você. Você precisa começar a guiá-los para a versão mais ambiciosa do futuro deles. Se você está em um setor que realmente valoriza sua base de funcionários, pinte um quadro de IA permitindo que eles contratem mais e aumentem o NPS dos trabalhadores — não contrate menos e melhore o resultado financeiro. Ajudá-los a serem suficientemente ambiciosos será tão difícil quanto alinhar a tecnologia com essas ambições.