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.

Ao olharmos para trás, para o ano de 2025, uma coisa fica clara: artificial intelligence data não data mais ferramentas experimentais confinadas às margens das organizações. Eles passaram a ocupar, de forma decisiva, o centro da forma como as empresas operam, competem e criam valor. O ritmo de adoção diz tudo. Até o final de 2025, aproximadamente uma em cada seis pessoas em todo o mundo havia usado AI generativa, de acordo com o Relatório AI da Microsoft. Nas empresas, o impulso foi ainda mais forte, com quase 70% das organizações globais implantando AI generativa AI pelo menos uma função de negócios até o meio do ano. O que começou como projetos-piloto isolados evoluiu rapidamente para recursos integrados que afetam a tomada de decisões, o engajamento do cliente e a eficiência operacional.

No esporte, data AI associados principalmente ao desempenho em campo: análise de jogadores, modelagem tática e prevenção de lesões. A tecnologia ampliou os limites das conquistas esportivas, permitindo que os atletas ultrapassem os limites anteriores. Então, por que mais organizações esportivas não estão aplicando a mesma lógica aos negócios do esporte? O esporte é uma indústria de entretenimento altamente competitiva, na qual ganhos marginais em áreas como engajamento dos torcedores, conteúdo, operações e tomada de decisões comerciais podem ser tão importantes quanto os resultados.

A tecnologia é real, mas ainda está em fase inicial. A trajetória é clara, mas o cronograma não. A maioria das organizações que implementarem AI de execução prolongada AI 2026 aprenderá lições caras. Algumas poucas obterão vantagens reais. A diferença se resumirá a três fatores: onde implementam, como gerenciam e se compreendem o que “autônomo” realmente significa na prática.

No final de 2025, uma técnica com o nome absurdo de “Ralph Wiggum” se tornou viral entre os profissionais da área. O nome vem de um personagem dos Simpsons — deliberadamente engraçado, pois a ideia central é quase vergonhosamente simples.