O setor de Recursos Humanos está passando por uma mudança fundamental, deixando de ser um centro de custos reativo para se tornar um impulsionador proativo de valor. No entanto, muitas organizações continuam ancoradas em uma abordagem minimalista da análise de pessoas. Embora o AI generativo e os agentes autônomos estejam ganhando força em toda a empresa, o uso do data pelo RH ainda se limita à previsão básica de rotatividade.

A Red Hat construiu um negócio de $34 bilhões com base no Linux. A IBM a comprou. O que o negócio validou foi uma hipótese que se manteve por quatro décadas: a de que as empresas que extraem enorme valor do código compartilhado, por interesse próprio, continuariam financiando os projetos dos quais dependiam. Essa hipótese agora está sob estresse. Não porque alguém tenha decidido parar de financiar o código-fonte aberto. Porque o setor que mais o financiou - SaaS - está sendo desmantelado pelo setor que mais depende dele - AI.

Em um artigo anterior, explorei como oito equipes de pesquisa independentes convergiram para o mesmo insight: em vez de criar sistemas de memória em torno do modelo, treine o próprio modelo para gerenciar a memória como uma habilidade aprendida. O treinamento pós-memória - usando 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 meu foco principal 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 se degradam depois dos 50 anos, este artigo é o ponto de convergência desses tópicos. O padrão original era bastante claro. Oito equipes de pesquisa independentes chegaram à mesma conclusão: parar de criar sistemas de memória em torno do modelo e treinar o próprio modelo para gerenciar a memória como uma habilidade aprendida. Essa convergência foi significativa.

Quando olhamos para trás em 2025, uma coisa fica clara: o artificial intelligence e o data não são mais ferramentas experimentais que ficam nas bordas das organizações. Elas entraram de forma decisiva no núcleo de como as empresas operam, competem e criam valor. O ritmo de adoção conta a história. Até o final de 2025, aproximadamente uma em cada seis pessoas em todo o mundo havia usado ferramentas generativas de AI, de acordo com o Relatório de Difusão de AI da Microsoft. Nas empresas, o ímpeto foi ainda maior, com quase 70% das organizações globais implantando o AI generativo em pelo menos uma função de negócios até a metade do ano. O que começou como pilotos isolados evoluiu rapidamente para recursos incorporados que afetam a tomada de decisões, o envolvimento do cliente e a eficiência operacional.

No esporte, o data e o AI estão associados principalmente ao desempenho em campo: análise de jogadores, modelagem tática e prevenção de lesões. A tecnologia expandiu as fronteiras do desempenho esportivo, permitindo que os atletas ultrapassem os limites anteriores. Então, por que mais organizações esportivas não estão aplicando o mesmo pensamento aos negócios do esporte? O esporte é um setor de entretenimento intensamente competitivo em que ganhos marginais em áreas como engajamento dos fãs, conteúdo, operações e tomada de decisões comerciais podem ser tão importantes quanto os resultados.