Outros IA

O rito de passagem dos consultores juniores — noites em claro em cima de slides, pesquisa manual interminável — está rachando. A "Lilli" da McKinsey varre mais de 100.000 documentos em segundos e esboça slides; o "Deckster" da BCG pole apresentações na hora; segundo uma análise, ~80% do trabalho de pesquisa e slides de um analista júnior poderia ser substituído em segundos. Como a próxima entrada de nossa série de impacto da IA por setor após o #068 (trading companies) e o #094 (marketing), este artigo examina a consultoria: o cenário atual em números (Big Four e casas de estratégia injetaram mais de US$ 10 bi em IA desde 2023, PwC US$ 1 bi em três anos, BCG ~25% da receita de US$ 14,4 bi em 2025 = ~US$ 3,6 bi vindos de IA, um estudo da HBS com 758 consultores da BCG mostrando que usuários de IA fizeram 12,2% mais tarefas, 25,1% mais rápido, com qualidade 40%+ superior), as cinco áreas que a IA muda (pesquisa, slides, análise, atas e novos serviços de estratégia de IA — geradora líquida de empregos nas grandes firmas por ora), o colapso do modelo de pirâmide (trabalho rotineiro dos juniores, ~80% por uma estimativa, automatizado em segundos; rumo a equipes enxutas de poucas pessoas mais IA, com preocupações de pipeline de formação), a mudança sísmica na precificação (o paradoxo da produtividade — terminar mais rápido significa faturar menos no modelo por hora — e 73% dos clientes preferindo precificação por resultado, empurrando para modelos baseados em resultado e de preço fixo), o valor essencial imutável (formular a pergunta, interpretação, julgamento, confiança, execução — o consultor que pilota o sistema importa mais do que o sistema), a bifurcação gigantes-como-navios-tanque vs. butiques-como-lanchas (crescimento das firmas menores de até 50% segundo estimativas), e conselhos por papel para aspirantes, profissionais e empresas clientes. A pergunta que a IA coloca: seu valor é o trabalho ou o julgamento?

Em Davos, em janeiro de 2026, as mentes mais brilhantes da área se chocaram em torno de "a AGI está logo ali" vs. "a essência ainda está muito longe" — e o pavio foi a AGI (Inteligência Artificial Geral). Este artigo para iniciantes parte do que a AGI é — "uma IA para todos os fins que, como um humano, consegue aprender e resolver sozinha até coisas totalmente novas em qualquer área" (embora seja uma meta ainda não realizada até 2026) — e depois cobre a diferença decisiva em relação à IA estreita de hoje, no estilo ChatGPT (consegue ela "transferir" conhecimento para uma área diferente; generalização e aquisição autônoma de habilidades), a divisão em três estágios IA estreita → AGI → ASI (superinteligência), a ampla dispersão das previsões de prazo dos especialistas (Amodei, da Anthropic, otimista em poucos anos/por volta de 2027; Hassabis, da DeepMind, cauteloso em ~50% até 2030; uma mediana de pesquisa com pesquisadores de 2047; céticos como Marcus dizendo que está distante ou não virá — a dispersão decorre de definições divergentes), quão perto a IA de hoje está (abaixo da linha de base humana no ARC-AGI, mas chegando à soleira via multimodalidade e agentes), as esperanças (acelerar doenças e ciência) e os riscos (empregos, uso indevido, o problema do alinhamento — posicionado pela Anthropic e pelo UK AISI como um ponto de decisão crítico), e equívocos comuns como "o ChatGPT já é AGI" e "AGI = tem consciência". Nem temendo demais nem sonhando demais, domine a IA estreita em mãos enquanto observa com calma o que vem a seguir.

Quando o anúncio de Natal da Coca-Cola feito com IA generativa foi criticado como "sem alma" no fim de 2024, ele simbolizou o cabo de guerra da IA no marketing: "eficiência e eficácia" versus "confiança e emoção". Este artigo percorre o tema, primeiro medindo o cenário em números (cerca de 87% dos profissionais usam IA generativa, ante 51% em 2024; mais de 71% do investimento em anúncios é guiado por algoritmos; o Google fez cerca de 70 milhões de peças criativas com o Gemini só no T4 2025; o gasto com ferramentas de IA para marketing praticamente triplicou em 18 meses). Cobre as cinco áreas que a IA muda (① criação de conteúdo ② criativos de anúncios ③ segmentação & veiculação / programática ④ personalização / DCO ⑤ análise & mensuração) e os efeitos relatados (DCO com ~32% mais CTR e ~56% menos CPC, texto com IA a 3,2x de ROI, segmentação first-party/contextual com até 2x de ROAS — todos publicados, dependentes das condições); o núcleo que não muda (estratégia, marca, confiança, criatividade disruptiva permanecem com os humanos — a IA é um amplificador, base zero significa resposta zero); a reviravolta sísmica SEO/AEO/LLMO (com links internos); os riscos (a distância de percepção de 82% dos executivos vs. 45% dos consumidores sobre anúncios de IA, invenções plausíveis, brand safety, direitos/regulação, operação descontrolada sem supervisão); como muda o trabalho do profissional de marketing (tarefas tomadas, julgamento mais pesado; de produtor a editor-chefe e estrategista); e um plano prático de cinco passos para hoje. O maior impacto da IA é libertar o tempo humano do fazer para o decidir.

Sua apresentação é logo amanhã e seus slides ainda estão em branco — mas basta digitar uma linha de tema e, minutos depois, 20 slides de rascunho aparecem enfileirados. Isso é o que são os slides com IA em 2026. Este guia divide a criação de slides em três etapas (estrutura, roteiro, design) e apresenta duas abordagens: geração tudo-em-um (jogue um tema, receba tudo) vs. divisão de trabalho (acerte a estrutura e o roteiro no ChatGPT/Claude/Gemini, depois deixe uma ferramenta dedicada desenhar). Compara as principais ferramentas (o Gamma de geração rápida, o Copilot no PowerPoint com .pptx nativo e sem quebra, o Gemini forte em colaboração para o Google Slides, o Beautiful.ai mais bonito, o Canva rico em templates, o suplemento do ChatGPT para PowerPoint lançado em maio de 2026 — sem campeão absoluto; escolha pela saída), o fluxo de 5 passos mais replicável (estrutura → roteiro → despejar numa ferramenta de design → verificar números e fontes → exportar para .pptx/Slides), três prompts prontos (esboço, desenvolver um slide com notas do apresentador, reformatar para uma ferramenta de design), seis dicas para slides que convencem (uma mensagem por slide, cortar o texto pela metade e mais) e armadilhas — quebra de layout no .pptx, um primeiro rascunho inchado, dados inventados plausíveis, envio de informação confidencial e encerramento de ferramentas (o Tome desativando seus slides em abril de 2025 como lição). A IA é a parceira que rascunha num instante; cortar e verificar é trabalho do humano.

Uma anotação à mão, um recibo de papel, inglês dentro de uma captura de tela, uma placa numa foto — a redigitação que você sempre fez à mão é, em 2026, quase totalmente desnecessária graças à IA. Este guia parte de como o OCR com IA difere do OCR tradicional (ler um caractere de cada vez vs. compreender a página inteira pelo significado), depois ordena três opções (IA de chat genérica / ferramentas dedicadas como o Google Lens / APIs e OSS como Mistral OCR e PaddleOCR-VL) por caso de uso. Compara ChatGPT (GPT-5.5), Gemini 3.1 Pro e Claude (Opus 4.8) por ponto forte (escrita à mão → família GPT, estruturação de tabelas → família Claude, muitas páginas → contexto longo do Gemini, OCR puro → modelos especializados; não há campeão absoluto), dá três prompts prontos (transcrever sem quebrar, tabela para Markdown, recibo para JSON, todos com uma regra de "não inventar"), a melhor escolha por caso (escrita à mão, recibos, PDFs, tabelas complexas, texto vertical/antigo, fórmulas e código), seis dicas de precisão com a qualidade da imagem como 80% do resultado e a única maior fraqueza do OCR com IA — inventar de forma plausível o que não consegue ler (sempre confira valores, datas e nomes contra o original) — além de cuidados de privacidade sobre envio confidencial, direitos autorais e uso para treinamento. O que você pode deixar a cargo da IA é apenas a "leitura"; confirmar é tarefa do humano que viu o original.

Você sabe "o que é RAG", mas, ao construir um, a resposta sai errada — porque ainda é RAG ingênuo: picar de qualquer jeito e fazer uma busca vetorial simples. Como o complemento de implementação ao artigo 030, este texto explica o pipeline de RAG prático de 2026 (chunking inteligente, embedding, vector DB, busca híbrida, reranking) etapa por etapa: estratégias de chunking (recursive 512 como padrão, semantic/structural/parent-child, Contextual Retrieval reduzindo falhas de retrieval em até 67%), a escolha de um modelo de embedding (text-embedding-3-large, etc.), uma comparação de seis vector DBs (Chroma para prototipagem, pgvector com Postgres, Qdrant de baixa latência, Pinecone totalmente gerenciado, o campeão de híbrida Weaviate, Milvus para grande escala), busca híbrida fundindo BM25 + vetores densos com RRF, retrieve-then-rerank com um bi-encoder e depois um cross-encoder (Cohere/Voyage/BGE/Jina), a divisão entre LlamaIndex (retrieval) e LangChain/LangGraph (controle), por que uma janela de 1M de tokens não substitui o RAG (lost in the middle, distração) e cuidados na produção, como construir um conjunto de avaliação primeiro.

Você já sabe "o que é um agente de IA" — então, como construir um? Em 2026, o no-code permite colocar um agente funcional para rodar em uma tarde, arrastando e soltando, e os SDKs modernos deixam você montar um agente prático em menos de 100 linhas. Como complemento prático de "o que é um agente de IA", este artigo cobre a anatomia (cérebro LLM + instruções + ferramentas + memória + laço autônomo), os dois caminhos (no-code vs código), o framework universal de construção em 5 passos (delimitar o problema, escolher a base, escrever as instruções, conectar as ferramentas, testar em pequena escala), uma comparação de ferramentas no-code (Dify para uma plataforma completa, n8n para integração de negócios, Flowise para prototipagem e os mais fáceis Custom GPT/Gemini Gems/Claude Projects), uma comparação de frameworks de código (Claude Agent SDK/OpenAI Agents SDK sólidos, LangGraph para controle complexo, CrewAI para coordenação de papéis), um exemplo prático concreto (resumir e-mail de suporte e notificar no Slack), referências de custo (~$10-$50/mês de plataforma mais uso do modelo) e prazo, e armadilhas (não exagerar no escopo, permissões e controle de descontrole, cuidado com o só PoC). Para a maioria das pessoas, construir um primeiro com no-code é a jogada certa.

"ChatGPT, Claude ou Gemini — qual devo assinar?" Em 2026 os três custam cerca de $20/mês e são de primeira linha, então não existe um único "este vence". A pergunta certa é "qual é o melhor para o seu caso de uso". Com base no consenso entre as fontes, este artigo cobre o básico (fornecedor, família de modelo principal, preços gratuito/padrão/premium), as diferenças de personalidade (Claude = artesão de escrita/análise/código, ChatGPT = faz-tudo versátil com ecossistema e imagem/voz, Gemini = multimodal, contexto longo, integração com o Google), uma tabela detalhada por caso de uso (escrita, código, geral, geração de imagens, voz, entendimento de imagem/PDF/vídeo, textos muito longos, integração com o Google, pesquisa, português), como escolher um plano pelo volume de uso e a combinação inteligente de duas ferramentas para quando você não consegue escolher uma só (uma base + uma para cobrir as lacunas). As posições trocam a cada poucos meses, então, em vez de caçar um "melhor" fixo, use cada um pelo seu ponto forte e meça nas suas próprias tarefas com o plano gratuito.

Você ainda gasta uma ou duas horas por semana digitando a ata na mão a partir de uma gravação? Em 2026, a maior parte disso pode ser automatizada. Este guia divide a ata em quatro etapas (gravar → transcrever → resumir → extrair decisões/tarefas), compara duas abordagens (uma ferramenta tudo-em-um que participa da chamada vs uma configuração DIY de gravar → IA de transcrição → LLM), compara as principais ferramentas (Otter, Notta, Fireflies, tl;dv, Fathom, Granola — com a precisão marcada como alegação do fornecedor), cobre a IA embutida no Zoom/Teams/Meet, percorre a rota DIY com o Whisper mais ChatGPT/Claude/Gemini e um exemplo de prompt com "não preencha lacunas com suposições", dá cinco dicas para aumentar a precisão (qualidade do áudio, dicionário de nomes próprios, identificação de falantes, adequação ao idioma, prompt em template) e expõe os cuidados com privacidade/consentimento e excesso de confiança. A última linha de defesa é humana: confira sempre as decisões e as tarefas.

Em 2026, os quatro grandes das ferramentas de codificação com IA ganharam destaque — Cursor, Claude Code, GitHub Copilot e Codex. Mas alinhá-las para coroar um único vencedor o leva ao erro, porque as quatro são tipos diferentes. Este artigo primeiro fixa o ponto-chave — a diferença de tipo (Cursor = editor com IA, Copilot = plugin integrado ao IDE, Claude Code = agente CLI local, Codex = agente assíncrono na nuvem) — e então cobre o que cada ferramenta realmente é, uma tabela de especificações nos mesmos eixos (tipo, preço de entrada e superior, modelos, contexto, pontos fortes), como ler a virada de 2026 de taxas fixas para "franquia + uso (créditos)", escolhas por seu tipo (facilidade = Copilot $10+, experiência de editor = Cursor, trabalho pesado em vários arquivos = Claude Code, lotes assíncronos = Codex), o hábito do desenvolvedor capaz de combinar "uma do lado do IDE + um agente de terminal" e ressalvas honestas sobre preços e benchmarks — tudo com base em fontes oficiais e diversos veículos.

"Quero traduzir minha documentação para muitos idiomas. Claude Code ou Codex?" A pergunta esconde uma armadilha: nenhum é um motor de tradução — são ambientes de trabalho agênticos em CLI, e o modelo por baixo produz o texto. Este artigo divide o problema em dois eixos: o ambiente de trabalho (escolha de ferramenta) e a qualidade de tradução (escolha de modelo). No lado da ferramenta, o Claude Code — com acesso direto a arquivos locais, contexto de 1M tokens e forte edição consistente em múltiplos arquivos — combina com a tradução de repositórios, enquanto o Codex (nuvem assíncrona, automação de PR, CLI de código aberto) combina com lotes sem supervisão. No lado do modelo, usando as pontuações oficiais por idioma da Anthropic em relação ao inglês (espanhol 98.1% até japonês 96.9%) como dado primário, expõe as tendências: Claude para consistência de tom em documentos longos, a linha GPT-5.5 para naturalidade e expressões idiomáticas, e a linha Gemini 3.1 Pro / Flash para amplitude em idiomas de poucos recursos e dialetos. Acrescenta uma tabela por idioma/por caso de uso, cinco regras de ouro para um pipeline de tradução (glossário, execuções paralelas e mais) e ressalvas honestas como "benchmark não é qualidade real de tradução" — tudo atual para 2026.

Em 28 de maio de 2026, a Anthropic lançou o Claude Opus 4.8 pouco mais de dois meses depois do modelo anterior. O destaque desta vez não são os ganhos em benchmarks, mas o fato de "ser mais honesto". Com base no anúncio oficial e no system card da Anthropic, este artigo cobre as especificações principais (claude-opus-4-8, 1M tokens, 128K de saída máxima), uma comparação de benchmarks frente a frente (SWE-bench Pro 64.3 para 69.2%, USAMO 2026 69.3 para 96.7%, GraphWalks 1M 40.3 para 68.1%, enquanto o GPQA Diamond cai ligeiramente), preços (padrão mantido igual mais o fast mode ~2.5x mais rápido e efetivamente um terço do preço), três novos recursos (o parâmetro effort de quatro níveis e o raciocínio adaptativo, os dynamic workflows que geram dezenas a centenas de subagentes paralelos em research preview, e as entradas system na Messages API), o maior salto de todos — a honestidade (0% de relatos de resultados falhos sem crítica, 10x menos excesso de confiança, cerca de um quarto das falhas de código deixadas passar) — além das regressões que vale a pena declarar com honestidade (robustez contra prompt injection 6.0 para 9.6%, não é o líder em multilíngue) e quem deve migrar agora mesmo.