Em 18 de março de 2026, a Comunidade Empresarial Francesa (FCC) organizou um café da manhã de networking intitulado “IA: l’envers du décor” (AI: Nos bastidores) na sede Artefact .
Imagine um diretor financeiro analisando os cloud trimestrais cloud . A AI apresenta um gráfico convincente: os custos de inferência por token caíram 75% em relação ao ano anterior. Os modelos estão mais rápidos, as APIs estão mais baratas e o fornecedor está oferecendo descontos por volume. Tudo aponta para uma economia. Então chega a fatura real, e o total é maior do que no último trimestre.
O novo e-book Artefact, “Ampliando Data na AI , explora como as organizações podem gerar maior valor ao eliminar data e possibilitar uma colaboração integrada entre equipes. À medida que AI se acelera, o sucesso depende não apenas da tecnologia, mas da capacidade de conectar data, pessoas e processos de maneira eficaz. O e-book destaca como as abordagens modernas de data possibilitam insights mais rápidos, uma governança mais sólida e resultados AI mais impactantes, transformando data um verdadeiro ativo estratégico.
O departamento de Recursos Humanos está passando por uma transformação fundamental, deixando de ser um centro de custos reativo para se tornar um impulsionador proativo de valor. No entanto, muitas organizações continuam presas a uma abordagem minimalista em relação à análise de dados de pessoal. Embora AI generativa AI os agentes autônomos estejam ganhando espaço em toda a empresa, o uso de data pelo RH ainda data limita, com frequência, à simples previsão de rotatividade.
Durante décadas, a criação de espaços públicos na Grã-Bretanha foi regida tanto pelo bom senso quanto pela metodologia. Os profissionais falam de “caráter”, “vitalidade” e da indescritível “atmosfera” de uma paisagem urbana; qualidades aperfeiçoadas pela experiência, pelo uso humano e pelo instinto profissional, em vez de por métricas formalizadas. O profissional experiente era, muitas vezes, aquele que já havia visto lugares suficientes para reconhecer o que funcionava, mesmo quando os mecanismos causais permaneciam, em parte, intangíveis.
AI transformando a prática profissional em todo o setor da construção, e a profissão de avaliador imobiliário não é exceção. Com a Royal Institution of Chartered Surveyors (RICS) tendo publicado sua primeira norma profissional intitulada “Uso Responsável da Artificial Intelligence Prática de Avaliação Imobiliária” (em vigor a partir de 9 de março de 2026), a questão para muitas empresas já não é se devem adotar a AI, mas como fazê-lo de forma que seja em conformidade com as normas, ponderada e profissionalmente justificável.
A Red Hat construiu um negócio de US$ 34 bilhões com base no Linux. A IBM comprou a empresa. O que o negócio confirmou foi uma hipótese que se manteve válida por quatro décadas: que as empresas que extraem enorme valor de código compartilhado continuariam, por interesse próprio, a financiar os projetos dos quais dependem. Essa hipótese está agora sob pressão. Não porque alguém tenha decidido parar de financiar o código aberto. Mas porque o setor que mais o financiava — o SaaS — está sendo desmantelado pelo setor que mais depende dele — AI.
Em um artigo anterior, explorei como oito equipes de pesquisa independentes chegaram à mesma conclusão: em vez de construir sistemas de memória em torno do modelo, treinar o próprio modelo para gerenciar a memória como uma habilidade aprendida. O treinamento pós-memória — que utiliza o aprendizado por reforço na fase pós-treinamento — produz agentes que decidem o que armazenar, excluir, consolidar e recuperar, tudo otimizado para a conclusão da tarefa.
O treinamento pós-memória tem sido um dos meus principais focos nos últimos meses. Se você acompanhou meus textos recentes sobre gerenciamento de contexto, arquiteturas de memória e a questão recorrente de por que os agentes apresentam degradação após o turno 50, este artigo é onde essas linhas de raciocínio convergem. O padrão original era bastante claro. Oito equipes de pesquisa independentes chegaram à mesma conclusão: parar de construir sistemas de memória em torno do modelo e treinar o próprio modelo para gerenciar a memória como uma habilidade aprendida. Essa convergência foi significativa.
