Uma empresa de serviços hidráulicos implantou, em 24 horas, o despacho automatizado de equipes, segundo o relato apresentado. Usou o GrokBot e não envolveu engenheiros na implementação.

O prazo chama atenção, mas eu leio esse caso por outro ângulo. O GrokBot observa uma pessoa executar uma tarefa no computador e depois repete o processo. A empresa não precisa programar cada etapa. Ela ensina mostrando como o trabalho acontece.

O Computer History, do ChatGPT, segue a mesma direção. A ferramenta observa atividades realizadas em diferentes aplicações e acumula contexto ao longo do tempo. Com isso, a IA passa a aprender rotinas, preferências e decisões recorrentes, em vez de depender apenas de uma instrução isolada.

Isso muda uma fonte importante de vantagem competitiva. O acesso a modelos avançados tende a se ampliar. A diferença entre empresas estará na capacidade de transferir para a IA o que hoje permanece na cabeça das pessoas: o contexto de cada tarefa, os critérios de decisão, as exceções e os limites para agir.

A IA aprende o trabalho observando

Até recentemente, automatizar um processo exigia que alguém descrevesse cada etapa com antecedência. Era preciso mapear o fluxo, configurar integrações, tratar exceções e transformar a experiência das pessoas em regras que um sistema pudesse executar.

Agora, parte desse ensino pode acontecer por observação. Uma pessoa faz a triagem de e-mails, prepara uma reunião, atualiza o CRM ou acessa o portal de um fornecedor. A IA acompanha a sequência, identifica quais dados foram usados e aprende o caminho percorrido entre uma aplicação e outra.

Isso reduz o custo de ensinar uma tarefa à máquina. Uma rotina que nunca justificaria um projeto de tecnologia pode se tornar candidata à automação porque alguém consegue demonstrá-la em uma gravação de tela de dez minutos.

Eu vejo uma consequência direta para a liderança. Conhecer as ferramentas disponíveis já não basta. A empresa precisa entender o próprio trabalho com muito mais precisão. Se ninguém consegue explicar como uma tarefa é executada, quais exceções importam e quem responde pelo resultado, a IA também não terá uma referência confiável.

Os limites atuais dos modelos aparecem justamente nesse ponto. Eles já conseguem usar aplicações, executar ações e repetir sequências. O que ainda não possuem é o conhecimento específico sobre como cada pessoa ou empresa trabalha. Esse contexto não vem pronto no modelo. Precisa ser transferido.

O trabalho precisa ser separado por risco

A decisão não começa pela escolha da ferramenta. Eu começaria pelos processos recorrentes que consomem tempo todas as semanas: triagem de e-mails, preparação de reuniões, relatórios, atualização de CRM, pesquisas, agendamento e tarefas em portais de fornecedores.

Cada processo precisa passar por cinco perguntas práticas:

  • Com que frequência acontece e quanto tempo consome?
  • Alguém consegue ensiná-lo com uma gravação de tela de dez minutos?
  • É possível verificar o resultado muito mais rápido do que executar a tarefa?
  • Qual é o impacto de um erro que ninguém percebe?
  • Quanto a qualidade depende do julgamento, do gosto ou dos relacionamentos de uma pessoa?

Tarefas frequentes, fáceis de ensinar, rápidas de conferir e com baixo custo de erro podem ser entregues à IA. Atualizar um registro com base em dados definidos ou preparar um relatório recorrente são bons exemplos quando existem critérios objetivos para verificar o resultado.

No outro extremo estão decisões em que um erro custa caro, afeta relações sensíveis ou depende fortemente do julgamento de uma pessoa. Escolher alguém para uma posição de liderança, conduzir uma negociação delicada ou aprovar uma resposta com efeito jurídico continua exigindo responsabilidade humana.

A maior parte do trabalho de conhecimento fica entre esses dois pontos. A IA pode preparar a análise, reunir documentos, redigir uma resposta ou executar etapas rotineiras. Uma pessoa revisa o material e toma a decisão que produz consequências relevantes.

Essa separação evita dois erros. Um deles é manter pessoas ocupadas com tarefas repetitivas que a máquina já consegue assumir. O outro é conceder autoridade demais antes que a empresa tenha critérios claros para conferir o resultado e interromper uma ação inadequada.

Contexto exige autoridade e controle

Quanto mais a IA aprende pela observação, mais útil ela se torna. Ela passa a reconhecer como um executivo prepara reuniões, quais informações um time consulta antes de aprovar um fornecedor e quais exceções exigem atenção. Aos poucos, deixa de ser uma ferramenta usada de vez em quando e passa a participar continuamente do trabalho.

Eu não trataria essa evolução como uma simples automação de tarefas. Quando um agente recebe acesso a e-mails, sistemas, arquivos e históricos, a empresa transfere parte do conhecimento acumulado sobre como trabalha. Quando esse agente também pode enviar mensagens, alterar registros ou agendar atividades, recebe autoridade para agir em nome da organização.

Essa autoridade precisa ter limites claros. A liderança deve definir quais sistemas o agente pode acessar, quais ações pode executar sozinho, quais exigem aprovação e como cada decisão será registrada. Também precisa determinar quem responde quando o agente usa uma informação correta no contexto errado.

A privacidade faz parte da mesma decisão. Um agente que observa funcionários cria um novo registro das atividades da empresa. Esse registro pode incluir hábitos, decisões, informações consultadas e caminhos percorridos entre sistemas. Por isso, precisa ser protegido com a mesma disciplina aplicada aos dados mais sensíveis da organização.

Na prática, ensinar a tarefa é apenas uma parte do trabalho. A empresa também precisa ensinar quando o agente deve parar, quando deve pedir ajuda, quais informações não pode combinar e quais decisões nunca deve tomar sem aprovação humana.

A pergunta que eu faria à liderança é simples: se a IA aprendesse hoje observando o trabalho do time, qual processo recorrente receberia autorização para executar amanhã? A resposta revela se a empresa apenas conhece suas ferramentas ou se entende, de fato, como o próprio trabalho acontece.