Global Blog

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.

A tecnologia é real, mas imatura. A trajetória é clara, mas a linha do tempo não. A maioria das organizações que implementarem o AI de longa duração em 2026 aprenderá lições caras. Algumas terão vantagens genuínas. A diferença se resumirá a três coisas: onde eles implementam, como governam e se entendem 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 praticantes. O nome vem de um personagem dos Simpsons - propositalmente bobo, porque a ideia central é quase embaraçosamente simples.

Em março de 2025, uma organização de pesquisa chamada METR publicou uma descoberta que recebeu menos atenção do que merecia. Eles estavam medindo algo que não estava na moda: quanto tempo os sistemas AI podiam trabalhar em tarefas antes de serem interrompidos. Não o que eles conseguiam fazer em uma única interação. O METR queria saber quanto tempo eles conseguiam manter um esforço coerente e útil.

Estamos vivendo em um período de imensas possibilidades tecnológicas. Em todos os setores, os líderes estão sendo inspirados pelo que a AI pode alcançar, mas perceber que o valor exige mais do que apenas instalar um novo software. Para preencher a lacuna entre uma prova de conceito bem-sucedida e o valor comercial escalável, precisamos adotar um espírito de reinvenção de processos. Os projetos bem-sucedidos são aqueles que tratam o AI não apenas como uma ferramenta, mas como um catalisador para a evolução cultural.

Na última década, a sustentabilidade passou da periferia da reputação corporativa para o centro do desempenho dos negócios. O novo e-book do Artefact, ESG in Action, How to convert Environmental, Social, and Governance (ESG) data into business intelligence, documenta essa transição por meio de entrevistas semiestruturadas com líderes de C-suite de empresas globais como Accor, Legrand, Tarkett, Ardian, Heineken, Siplec e Schenker, além de insights da OECD e dos especialistas em sustentabilidade e data do Artefact.

Quando a OpenAI anunciou o Atlas, seu novo navegador com tecnologia ChatGPT, ela não lançou apenas mais um produto. Ele abriu uma porta que leva à próxima era da interação humano-computador e, inevitavelmente, a uma nova fronteira para a publicidade.

A maioria das empresas não está pronta para substituir uma pilha de data da era do painel por uma pilha de AI. O último State of Data & Analytics da Salesforce indica que 84% dos líderes de data e analytics afirmam que suas estratégias precisam de uma revisão completa antes que as ambições de AI sejam bem-sucedidas. Os líderes estimam que 26% de seu data não é confiável, apenas 43% relatam estruturas formais de data governance e cerca de 50% não estão confiantes em sua capacidade de gerar e fornecer percepções oportunas. Ao mesmo tempo, 70% acreditam que os insights mais valiosos estão presos no data não estruturado. A conclusão é direta: o obstáculo não é o entusiasmo, mas a base, e essa base precisa mudar antes que os sistemas agênticos possam ser ampliados.