I’ve learned to recognize a pattern. When a topic starts generating strong opinions everywhere, from family group chats to the LinkedIn feed, and people’s conviction grows much faster than their actual technical grasp of it, the real question has already moved somewhere else. Widespread certainty about a subject tends to be the clearest sign that what actually matters has slipped underneath the surface everyone is arguing about.

We saw this during the pandemic. Suddenly the whole world was debating vaccine platforms and immunity mechanisms with the confidence of people who’d spent twenty years in infectious disease research. Certainty fired in every direction, ignoring the gap between how strongly people felt and how much they actually understood. Wherever conviction turns epidemic, it’s worth getting suspicious. The surface only gets crowded once what really matters has already sunk deeper.

In AI, that symptom got a name: tokens. The conversation got swallowed by cost, by prompt tricks to save a few cents, by the whole vocabulary of tokenomics, repeated by people who’ve never opened a terminal to run a script or looked closely at how any of it works. Common wisdom said the advantage belonged to whoever had more: more data, more GPUs, more capital. It looked like a brute-force race measured in billions.

The detail everyone missed is that problems framed purely as “whoever spends the most wins” are rarely solved by whoever has the biggest budget. The real break came from whoever refused to play that game at all. The shift didn’t come from optimizing the expensive model further. It came from tearing down the architecture, activating only the parameters a task actually needed and cutting the dead weight. Engineering stopped asking how to make the process cheaper and started questioning the structural premise itself. While the feed was still dissecting API pricing, the real innovation was already happening one layer down, in the architecture nobody outside the field was discussing.

That became obvious once new entrants proved you could train frontier-level models for a fraction of the historical price. The cost barrier turned out to be just the shell. Underneath it waited a thornier question, one that shows up in a familiar scene for anyone in technical leadership: the moment of execution.

Picture a concrete case. Camila leads technology at a healthtech company. Her team built a predictive triage engine that runs on highly sensitive clinical data. A leak here would be a nightmare for any regulator. The data runs into the millions of records, at a volume where human review simply isn’t an option. She has to rely on AI. Now she has to choose which model.

On one side, a cheaper model with open weights, released by a lab of murky background. Murky, not wrong. Not ugly, not a scam either, just short on detail about how its decisions actually get made behind the curtain. On the other side, the traditional giants, expensive and everywhere. Her cursor hovers over the decision. “Just run it locally” doesn’t solve this. Controlling where the data flows doesn’t undo the opacity of how the model was trained. Owning the weights doesn’t mean knowing what went into them. Infrastructure choices just push the risk under a different rug.

The benchmarks already settled which model is faster or more accurate. Camila’s real anxiety is a different question: which of these black boxes is she willing to hand her company’s core business and her patients’ confidentiality to.

Handing patient records to a model with murky governance sounds irresponsible on its face. The tech industry’s history with data misuse and IP appropriation is long, and the instinct is to run from vendors with questionable incentives.

The bitter part is realizing that compass is broken too. Look closely at the usual suspects, the traditional giants included, and the picture isn’t necessarily cleaner. Their corporate interests rarely line up with yours, and decades of built-up credibility tend to get liquidated the moment it’s convenient. If corporate virtue and predictability are just theater funded by different marketing budgets, the whole idea of trust as a selection criterion falls apart. The compass is, in fact, broken. And Camila is still there, under pressure, with the system needing to go live Monday.

I’ve sat in positions where operating with a broken compass was simply the routine. In technical leadership and advisory work, we sometimes joke that the real options range from bad to worse. A former leader of mine put it exactly right once: to manage is to make irrevocable decisions with insufficient information.

From the outside, leadership looks like finding the correct alternative. Sitting in the seat, you find out it isn’t that simple, because you never have all the information, and time keeps pressing toward a decision anyway. Comfortable, reversible trade-offs rarely survive contact with the real world.

The pandemic shows the other side of that same coin. Public health leaders faced brutal bets: the guaranteed lethality of a virus left unchecked against the uncertain risks of vaccines developed under pressure. Choosing the irrevocable option in the dark means accepting the risk of an unlikely disaster to avoid a guaranteed one. The real risk of a vaccine causing problems years down the line was the smaller bet, once weighed against a virus left to run without any brakes at all. Where, in that moment, was the perfectly tested vaccine with zero long-term side effects? That’s exactly how executives make a good share of their decisions too. What justified those calls was never some untouchable purity. It was the ability to measure, correct, and challenge the course as reality came in. There was room to be proven wrong.

That room to be challenged is what separates a defensible technical decision from Russian roulette. With the old moral yardstick broken, Camila has to make peace with choosing between imperfect options, holding onto a single compass point: which of these mistakes can I actually defend myself against?

If the system goes down, she needs a way to audit, to sue, to migrate. Going up against a company that answers to courts and regulators leaves a way out. Betting on someone operating beyond any jurisdiction’s reach closes that door. One kind of mistake allows a legal fight. The other ends the game outright.

Of course, having someone to appeal to is nowhere near a guaranteed win. My father-in-law is my go-to on anything related to cars, and once, after we’d settled on a set of tires, I asked him the obvious question about the warranty. He looked at me and said it straight: life doesn’t come with a warranty.

That sums up the whole practical problem here. Proving a lab misused your data is an uphill legal battle. Our legal frameworks promise proportional remedy in theory, but courts are murky in practice. The right of recourse doesn’t work like accident insurance. It only guarantees you get to step into the ring and fight.

The illusion of zero risk needs to go. Working with technology as an adult means carrying the weight of irrevocable decisions without the comfort of having made “the perfect choice.” We’ve reached a point where no new open-weight release, no new tool, no benchmark jump is going to save us from this, for the simple reason that the problem stopped being technical a long time ago.

Once cost stops being the bottleneck, dilemmas like this one will keep showing up in everyday use of AI. Facing a decision, with no guarantee the companies involved don’t have hidden interests, knowing you’ll have insufficient information and no way to reverse the choice, which option would you pick? There’s no option that guarantees you won’t get it wrong, or that you’ll pick the best one. That’s the one illusion this is meant to take off the table. Everything else, which trade-off, by what criterion, at what price, is the decision nobody else can make for you, in your seat, with your finger on the button. That choice can’t be outsourced to AI. It’s yours.

Almost every large company I talk to today has its own list of AI use cases. A customer service assistant here, a coding copilot there, a triage automation in some department nobody outside it has heard of. The list keeps growing. Until, in some board meeting, someone raises a hand with a hint of discomfort and asks whether all of this adds up to anything, or whether the company is just collecting projects.

A collection of use cases is a set of separate bets. Each team justifies its own project inside its own silo, and life goes on. An actual AI strategy is a decision about where the company is going to put capital and attention, which necessarily means deciding where it isn’t going to invest right now. A list can keep growing forever without ever becoming a strategy. In fact, when the list grows too fast, that’s usually the clearest sign the strategy hasn’t been decided yet.

Some people already have a name for this stage: pilot purgatory, or the PoC graveyard. What’s usually missing isn’t a better name for the problem. It’s the decision that would get a company out of it.

Here’s a quick test for telling which situation your company is actually in. Ask the executive team: if we had to cut 80% of the AI initiatives running today and keep only the ones that matter most, what would survive, and why? If the answer comes quickly, with a clear and defensible criterion, a strategy exists. If the answer takes a while, or turns into “it depends on the team,” or triggers quiet political pushback because no one wants their pet project to be the one that gets cut, what you have is a collection being managed like a portfolio, without anyone actually in charge of the allocation.

Herbert Simon, the economist and cognitive scientist who spent his career studying how decisions actually get made inside organizations, had a term for this behavior: satisficing, the tendency to settle for the first good-enough option when the cost of deciding properly feels too high. Approving one more isolated use case is politically cheap. Nobody has to say no to anybody, and the committee leaves the room with a sense of progress. Building an actual strategy costs the opposite. Someone has to say no to entire departments, and sit with the discomfort of justifying why their area didn’t make the priority list.

That’s why the list grows on its own, through sheer organizational inertia, while a real strategy has to be forced into existence against the current of internal politics. No committee meeting applauds the person who proposes cutting something. Every committee meeting applauds the person who shows up with one more pilot.

None of this is unique to AI. The same pattern showed up, almost scene for scene, in earlier waves of corporate technology. Companies spent the 2000s piling up dozens of half-implemented ERP systems for the same reason: it was easier to approve one more module in one more business unit than to decide, from the top, which architecture the whole company would standardize on and which legacy systems would get switched off. The lesson never came from the technology itself. It came from how committees decide under pressure from competing internal interests, and AI is just the newest chapter of that same story.

One practical way to tell a collection from a strategy is to look at where the conversation actually happens. Isolated use cases tend to get approved inside each department, one level below the board. A real strategy has almost always been argued out and decided at the level where trade-offs between departments can actually be made, because that’s the only place with the authority to say one department accelerates on AI now and another one waits.

It’s worth admitting that having a collection isn’t, by itself, a mistake. Early on, it makes sense to let different teams experiment, fail, and learn before any bigger allocation decision gets made. The problem isn’t starting that way. The problem is staying that way after the learning phase has already produced enough signal to decide, and nobody decides, because deciding hurts more than approving one more pilot.

In the assessments I’ve run, the most common pattern isn’t a company with no idea where AI creates value. It’s the opposite: too many ideas, competing with each other for executive attention, with no one holding a clear mandate to choose between them. What’s usually missing isn’t vision. It’s the decision that would turn several partial visions into one actual bet.

If the 80% test made you uncomfortable just reading it, that’s a fairly reliable sign your company is still running a collection, not a strategy. There’s no shame in that. It’s simply the next decision leadership hasn’t made yet, and it won’t show up on its own, disguised as one more use case on a slide.

Quase toda empresa grande que conheço hoje tem sua própria lista de casos de uso de IA. Um assistente de atendimento aqui, um copiloto para os desenvolvedores ali, uma automação de triagem em algum departamento. A lista não para de crescer. Até que, numa reunião de diretoria, alguém levanta a mão com uma pontinha de desconforto e pergunta se isso tudo soma para algum lugar, ou se é só uma coleção.

Ter uma coleção de casos de uso é fazer várias apostas soltas, cada uma justificada no seu próprio silo. Uma estratégia de IA de verdade é uma escolha sobre onde a empresa vai concentrar capital e energia, o que significa, inevitavelmente, decidir também onde ela não vai investir agora. Uma lista pode crescer para sempre sem nunca virar estratégia. Quando a lista cresce demais, é quase um atestado de que a estratégia ainda não existe.

Existe um teste simples para saber em qual das duas situações uma empresa está. Reúna o time executivo e pergunte: se tivéssemos que cortar 80% das iniciativas de IA em andamento e manter só as que mais importam, quais ficariam, e por quê? Se a resposta vem rápida, com critério sólido, existe estratégia. Se a resposta demora, ou vira um “depende da área”, ou gera embate político porque ninguém quer perder o próprio projeto, o que existe é uma coleção sendo administrada como se fosse uma carteira de investimentos, sem ninguém de fato no comando da alocação.

Herbert Simon, economista que passou a carreira estudando como decisões reais são tomadas nas empresas, tinha um termo para esse comportamento: satisficing, a tendência de escolher a primeira opção boa o suficiente quando o custo de decidir de verdade é alto demais. Aprovar mais um caso de uso isolado custa pouco politicamente. Ninguém precisa dizer não a ninguém, e o comitê sai da reunião com sensação de progresso. Construir uma estratégia exige o oposto: alguém precisa dizer não a departamentos inteiros e aguentar o desconforto de justificar por que a área dele não entrou na lista prioritária.

É por isso que a coleção cresce sozinha, por inércia organizacional, enquanto a estratégia precisa ser imposta contra a corrente da política interna. Nenhuma reunião de comitê aplaude quem propõe cortar. Toda reunião de comitê aplaude quem chega com mais um piloto.

Isso não é exclusividade de IA. A mesma dinâmica apareceu, quase cena por cena, em ondas anteriores de tecnologia corporativa. Empresas acumularam dezenas de sistemas de ERP parcialmente implementados nos anos 2000 pelo mesmo motivo: era mais fácil aprovar mais um módulo numa unidade de negócio isolada do que decidir, de cima, qual arquitetura a empresa inteira ia adotar, e o que sairia de circulação. A lição não veio da tecnologia. Veio de como comitês decidem sob pressão de interesses internos divergentes, e IA é só o capítulo mais recente dessa história.

Uma forma prática de diferenciar coleção de estratégia é olhar para onde a conversa acontece. Coleções costumam ser aprovadas dentro de cada área, isoladamente, num nível abaixo do board. Estratégia real quase sempre foi debatida e decidida no nível em que trade-offs entre áreas diferentes podem ser feitos, porque só ali existe autoridade para dizer que um departamento vai acelerar em IA agora e outro vai esperar.

Vale reconhecer que ter uma coleção não é, em si, um erro. Em estágio inicial, faz sentido deixar áreas diferentes testarem e aprenderem antes de qualquer decisão maior de alocação. O problema não é ter começado assim. É continuar assim depois que a fase de aprendizado já rendeu sinal suficiente para decidir, e ninguém decide, porque decidir dói mais do que continuar aprovando.

Nos assessments que já conduzi, o padrão mais comum não é a empresa não ter nenhuma ideia de onde IA cria valor. É o oposto: ela tem ideias demais, competindo entre si por atenção executiva, sem ninguém com mandato claro para escolher entre elas. O que falta raramente é visão. Falta a decisão que transformaria várias visões parciais numa aposta só.

Se o teste do corte de 80% te deu um desconforto real só de ler, é sinal razoavelmente confiável de que sua empresa ainda está numa coleção, não numa estratégia. Isso não é motivo de vergonha. É apenas a próxima decisão que falta tomar, e ela não vai aparecer sozinha, disfarçada de mais um caso de uso na planilha.

A former boss of mine had a line I carried around for years without quite knowing what to do with it: to manage is to make irrevocable decisions with insufficient information. I first heard it at the tail end of a tiring meeting, almost like a sigh out loud. It took me a while to understand he had compressed, into a single sentence, the core problem of any role that carries real authority.

There’s a category of decision that management vocabulary never names properly. It isn’t the one where a right answer and a wrong answer both exist, and the job is simply to tell them apart. It’s the one where every available path is bad, bad in different ways, and someone still has to choose, on a deadline, without waiting for more data to arrive. I call this a decision between two wrongs, on purpose, instead of “picking the lesser evil.” That phrase already carries a hidden assumption: that both options sit on the same scale, and the job is just to weigh which one is lighter. Every so often that’s true. Most hard decisions aren’t.

Isaiah Berlin, the political philosopher who spent much of his career asking why legitimate human values collide, had an uncomfortable argument about this. Freedom and equality, for instance, aren’t just hard to reconcile. Under certain arrangements, they’re incompatible. Gaining more of one means losing some other, and not because anyone did the math wrong. Because the two values were never on the same ruler to begin with.

No philosopher had a corporate investment committee in mind. But the problem he described keeps resurfacing in business clothing every time a leader has to decide where to put scarce capital under a ceiling of uncertainty that no amount of consulting can fully remove.

Take a committee debating where to invest in AI. At first glance it looks like a technical question. It isn’t. Waiting until there’s enough certainty costs competitive advantage, costs good people who leave for a more decisive rival, and costs an organization quietly learning, through its leadership’s hesitation, that stalling is the house style. Deciding too early on a technology whose maturity curve is still forming risks capital on a bet the field’s own evolution might make obsolete before any return shows up. Both sides carry a wrong. Neither is neutral. The real decision was never between getting it right and getting it wrong. It’s about which wrong the company is going to carry.

The same shape shows up far from technology. A company deciding whether to hire a strong candidate with ambiguous references faces the same pair of wrongs: hire too fast and inherit a culture problem that’s hard to reverse later, or wait for the ideal candidate and lose, somewhere along the way, the role to a faster-moving competitor and the operation to a leadership gap it can’t afford. A merger runs the same script: close the deal on incomplete due diligence because the pricing window is closing, or wait longer to audit and watch the seller take another offer. The domain changes. The structure of the issue doesn’t.

Here’s a quick test for telling whether you’re actually facing this kind of decision, rather than an ordinary hard decision dressed up as impossible. Ask: Is there some reasonable amount of additional information, arriving within a timeframe the decision can afford, that would change the choice? If yes, the issue is a data-collection problem, not a two-wrongs problem, and it’s worth waiting. If no, if more information would only shrink the margin of uncertainty without removing the pair of wrongs, you’re not looking at a hard decision. You’re looking at a decision between two wrongs, and what’s left isn’t more research. It’s deciding with what you already have.

Risk matrices, decision trees, scenario analysis, all of it genuinely helps. It organizes the information available, surfaces what was scattered, and forces whoever’s deciding to name the options instead of picking on impulse. But none of these tools decides for you. They set the table. Whoever sits down to eat is still the one carrying the wrong they chose, and no spreadsheet does that part for them. Mistaking the tool for the decision is a common way to postpone the discomfort of deciding, dressed up as methodological rigor that seems to relieve the decider of a responsibility that, in fact, never left their hands.

Asking for more data in that moment is tempting. Occasionally it’s the right call. But there’s a point where asking for one more study, one more pilot, one more quarter of observation stops being prudence and becomes an elegant way of pushing forward a discomfort that already belongs to the present. Irrevocability isn’t a flaw in the process. It’s the condition of it. Managing isn’t about eliminating uncertainty before acting. It’s acting despite it and answering for what comes after.

That should change how we judge the people who decide. Judging a leader purely by the outcome, without looking at the quality of the reasoning at the moment of choice, is as serious a lapse in judgment as any bad decision being judged. A good outcome born from a poorly reasoned decision doesn’t validate the method. A bad outcome born from a well-reasoned decision, given what was knowable at the time, doesn’t invalidate it. Most executive performance reviews blur these two planes together, and that’s precisely where they quietly fail.

None of this is an invitation to relativism, as if every decision under uncertainty were equally defensible just because certainty was never on the table. There’s a real discipline to deciding well between two wrongs, and the difference usually comes down to something simple: naming, plainly, which wrong you’re choosing, instead of hiding it behind the comfortable vocabulary of strategy. Available information is always insufficient. That’s not the excuse. That’s the starting point.

I held a CTO seat long enough to know this kind of decision shows up far more often than anyone warns you before the first time. It comes up almost weekly, folded inside choices that look purely technical or purely operational. I picked the wrong one a few times and the right one a few others, and the difference between those two experiences was never about regretting it afterward or pretending the wrong I’d chosen weighed less than it did. It was about carrying on with its actual weight on my back. That’s part of the job too.

Meu ex-chefe tinha uma frase que guardei por anos sem saber bem o que fazer com ela: administrar é tomar decisões irrevogáveis com informação insuficiente. Ouvi isso pela primeira vez no fim de uma reunião cansativa, quase como um desabafo. Demorei para entender que ele havia resumido, numa frase só, o problema central de qualquer cargo que carregue autoridade de verdade.

Existe um tipo de decisão que o vocabulário de gestão não sabe nomear direito. Não é aquela em que existe uma opção certa e outra errada, e o trabalho é só enxergar qual é qual. É a decisão em que todas as saídas são ruins, ruins de jeitos diferentes, e alguém precisa escolher mesmo assim, com prazo, sem esperar mais dado chegar. Prefiro chamar isso de decisão entre dois contras, porque “escolher o mal menor” já vem com um viés embutido: presume que dá para pesar as duas opções numa mesma balança e ficar só com a de menor peso. Às vezes dá. Boa parte das decisões difíceis, não.

Isaiah Berlin, filósofo político que passou a carreira estudando por que valores humanos legítimos entram em rota de colisão, tinha um argumento incômodo sobre isso. Liberdade e igualdade, por exemplo, não são só difíceis de conciliar. Em certos arranjos, são incompatíveis. Ganhar mais de um significa perder do outro, e não porque alguém errou a conta. Porque ambos os valores não vêm da mesma régua.

Nenhum filósofo estava pensando em comitê de investimento discutindo modernização de sistema ou adoção de IA. Mas o problema que ele descreve reaparece, com roupa de negócio, toda vez que uma liderança precisa decidir onde colocar dinheiro escasso sob um teto de incerteza que nenhuma consultoria consegue tirar do caminho.

Um comitê executivo debatendo onde investir em IA parece, à primeira vista, um problema técnico. Não é. Atrasar a decisão até ter certeza suficiente custa vantagem competitiva, custa gente boa que vai para a concorrente mais decidida, custa uma organização aprendendo, pela omissão da própria liderança, que hesitar é o padrão da casa. Decidir cedo demais sobre uma tecnologia cuja curva de maturidade ainda está se desenhando, arrisca capital numa aposta que a própria evolução do campo pode tornar velha antes do retorno aparecer. Os dois lados têm contra. Nenhum é neutro. A decisão real não é entre acertar e errar. É entre qual contra a empresa vai carregar.

O mesmo desenho aparece longe de tecnologia. Uma empresa decidindo se contrata um executivo-chave com currículo forte, mas referências ambíguas, enfrenta o mesmo par de contras: contratar rápido demais e herdar um problema de cultura difícil de reverter, ou esperar o candidato ideal aparecer e perder, no meio do caminho, a vaga aberta para outra empresa e a operação sem liderança por mais tempo do que ela aguenta. Numa fusão, é parecido: fechar o negócio com due diligence incompleta porque a janela de preço vai fechar, ou esperar mais tempo de auditoria e ver o vendedor aceitar outra oferta. Domínio muda. A estrutura do problema, não.

Vale um teste rápido para saber se você está numa decisão desse tipo, e não numa decisão difícil qualquer disfarçada de impossível. Pergunte: existe alguma quantidade razoável de informação adicional, que chegaria num prazo compatível com a decisão, que mudaria a escolha? Se a resposta for sim, o problema é de coleta de dado, não de dois contras, vale esperar. Se a resposta for não, se mais informação só reduziria a margem de incerteza sem eliminar o par de contras, você não está diante de uma decisão difícil. Está diante de uma decisão entre dois contras, e o trabalho que resta não é pesquisar mais. É decidir com o que se tem.

Matriz de risco, árvore de decisão, análise de cenário, tudo isso ajuda, e ajuda de verdade. Organiza a informação disponível, deixa visível o que antes estava disperso, força quem decide a nomear as opções em vez de escolher por impulso. Mas nenhuma dessas ferramentas decide por você. Elas arrumam a mesa. Quem senta para decidir continua sendo a pessoa que vai carregar o contra escolhido, e nenhuma planilha faz essa parte por ela. Confundir a ferramenta com a decisão é um jeito comum de adiar o desconforto de decidir, escondido atrás de um rigor metodológico que parece isentar quem decide da responsabilidade que continua, de fato, sendo dele.

Solicitar mais dados, nessa hora, é tentador. Às vezes é sensato. Mas tem um ponto em que pedir mais um estudo, mais um piloto, mais um trimestre de observação deixa de ser prudência e vira um jeito elegante de empurrar para frente um desconforto que já é do presente. A irrevogabilidade não é defeito do processo. É a condição dele. Administrar não é eliminar incerteza antes de agir. É agir apesar dela, e responder pelo que vier depois.

Isso deveria mudar o critério de avaliação de quem decide. Julgar uma liderança só pelo resultado final, sem olhar a qualidade do raciocínio no momento da escolha, é um erro de julgamento tão grave quanto qualquer decisão ruim que se esteja avaliando. Um resultado bom vindo de uma decisão mal fundamentada não valida o método. Um resultado ruim vindo de uma decisão bem fundamentada, dado o que se sabia na hora, não a invalida. A maior parte das avaliações de desempenho executivo confunde esses dois planos, e é aí que elas falham sem ninguém perceber.

Isso também não é convite para o relativismo, como se qualquer decisão sob incerteza fosse igualmente defensável só porque certeza era impossível. Dá para decidir bem entre dois contras, e a diferença costuma estar em algo simples: dizer com todas as letras qual contra você está escolhendo, em vez de escondê-lo atrás de vocabulário confortável de estratégia. A informação disponível é sempre insuficiente. Isso não é desculpa. É o ponto de partida.

Ocupei cadeira de CTO tempo suficiente para saber que esse tipo de decisão aparece com uma frequência que ninguém avisa antes da primeira vez. Vem quase toda semana, embutida em decisões que parecem só técnicas ou só operacionais. Errei escolhendo o contra algumas vezes, acertei outras, e a diferença entre essas duas experiências nunca esteve em lamentar depois, nem em fingir que o contra escolhido pesava menos do que pesava. Estava em seguir trabalhando com o peso certo dele nas costas. Isso também faz parte do cargo.

“Ahhhh mas o texto é muito grande. Vou passar na IA para ela me dar o resumo…”.

O Sinal da Certeza Barata

Aprendi a reconhecer um padrão. Quando um assunto começa a gerar opiniões contundentes em todo lugar, do grupo de família ao feed do LinkedIn, e a convicção das pessoas cresce muito mais rápido que o domínio técnico delas, o jogo real já mudou de lugar. A popularização da certeza absoluta ou forte convicção de um assunto, costuma ser o maior sintoma de que a pergunta verdadeira se mudou de endereço.

Vimos isso na pandemia. De repente, o mundo inteiro debatia plataformas de vacina e mecanismos de imunidade com a marra de quem tinha vinte anos de infectologia nas costas. A certeza atirava em todas as direções, ignorando o abismo entre a intensidade da opinião e a profundidade do conhecimento real. Onde a convicção se torna epidêmica, vale a pena desconfiar. A superfície só fica lotada quando o que realmente importa já escorregou para as profundezas.

A Ilusão do Custo e o Jogo Real

Na inteligência artificial, esse sintoma ganhou nome: token. A discussão foi completamente engolida pelo custo, pelas táticas de prompt para economizar centavos e pelo famigerado tokenomics. O problema é ver tokenomics ou estratégias de consumo de tokens virando jargão na boca de quem nunca abriu um terminal para rodar um script ou fez algum estudo sobre o tema. O senso comum ditava que a vantagem era de quem possuía mais: mais dados, mais GPUs, mais capital. Era uma corrida de força bruta medida em bilhões.

O detalhe é que problemas baseados puramente em “quem gasta mais” são raramente resolvidos por quem tem o maior orçamento. A ruptura vem de quem se recusa a entrar nesse jogo. A grande virada não surgiu da otimização do modelo caríssimo, e sim da desconstrução da arquitetura, ativando apenas os parâmetros necessários para a tarefa e ignorando o peso morto. A engenharia parou de perguntar como baratear o processo e passou a questionar a própria premissa estrutural. Enquanto o feed dissecava o preço da API, a inovação silenciosa já acontecia na arquitetura.

Isso ficou evidente quando novos entrantes provaram ser possível treinar modelos de ponta por uma fração do preço histórico. A barreira do custo era apenas a casca. Debaixo dela, aguardava uma questão muito mais espinhosa, materializada no cenário clássico de qualquer liderança técnica: o momento da execução.

O Dedo Sobre o Botão

Pense num cenário prático: Mariana lidera a tecnologia de uma healthtech. A equipe construiu um motor de triagem preditiva cruzando dados clínicos altamente sensíveis. Vazamentos aqui dariam infarto em qualquer órgão regulador. Seus dados giram na casa de milhares/milhões de amostras. Um trabalho de revisão humano, pela volumetria, está fora de cogitação. Ela terá que se apoiar na IA. Mas agora, ela precisa escolher qual modelo.

De um lado, um modelo mais barato, de pesos abertos, lançado por um laboratório de procedência nebulosa. Atenção na palavra: nebulosa. Não errado ou certo. Feio ou bonito, cumpre o que fala ou charlatão. Justamente não há detalhes suficientes de como funciona a tomada de decisões por detrás da cortina. Do outro, os gigantes tradicionais, caros e onipresentes. O dedo paira no mouse para fechar a arquitetura. A desculpa de “rodar tudo localmente” não funciona aqui. Controlar o tráfego do dado não anula a opacidade do treinamento. Ter acesso aos pesos não significa saber o que foi injetado lá atrás. Soluções de infraestrutura apenas empurram o risco para debaixo do tapete.

Os benchmarks já deixaram claro qual modelo é mais rápido ou preciso. A verdadeira angústia de Mariana é outra: para qual dessas caixas-pretas ela vai entregar o core business da empresa e o sigilo dos pacientes.

A Régua Quebrada da Virtude

Entregar prontuários para um modelo com governança cinzenta soa irresponsável. O histórico de espionagem e apropriação intelectual no mercado de tecnologia é vasto, e a intuição inicial é fugir de fornecedores com interesses dúbios.

O gosto amargo vem ao perceber que essa bússola está quebrada. Olhando para os “suspeitos de sempre” e as big techs tradicionais, o cenário não é necessariamente mais limpo. Os interesses corporativos deles raramente se alinham aos seus, e a credibilidade de décadas costuma ser liquidada quando convém. Se a virtude e a previsibilidade corporativa são apenas teatro bancado por orçamentos de marketing diferentes, o critério da confiança desmorona. A bússola, de fato, quebrou. E Mariana continua lá, pressionada, com o sistema precisando ir para o ar na segunda-feira.

A Certeza do Irrevogável

Já estive em posições onde operar com a bússola quebrada era a rotina. Na liderança e consultoria técnica, costumamos brincar que as opções reais variam entre o ruim e o péssimo. Um antigo líder cravou a definição perfeita sobre isso: administrar é tomar decisões irrevogáveis com informação insuficiente.

De fora, parece que liderar é encontrar a alternativa certa. Sentado na cadeira, você descobre que não é tão simples achar a alternativa certa, pois você não tem todas as informações, com o tempo pressionando para uma tomada de decisão. Trade-offs confortáveis e reversíveis raramente sobrevivem ao mundo real.

A pandemia ilustra bem o outro lado dessa moeda. Os gestores de saúde pública lidaram com apostas difíceis: a letalidade garantida do vírus solto contra os riscos incertos de vacinas produzidas às pressas. Escolher o irrevogável no escuro significa abraçar o risco do desastre “improvável” para tentar fugir do desastre garantido. O risco real das vacinas darem um problema a médio e longo prazo era um problema menor considerando o risco do vírus agir sem freio. Nesse exemplo: onde está a vacina 100% testada e com zero ou pouco efeito colateral a longo prazo? Então, é exatamente assim que os diretores das empresas tomam parte das decisões. O que sustentou essas decisões não foi uma pureza inquestionável, mas a capacidade de aferir, corrigir e contestar o percurso com base na realidade. Havia como desmentir e provar o contrário.

A Única Métrica: O Direito de Recurso

Essa possibilidade de contestação é o que separa uma decisão técnica defensável de uma roleta russa. Com a velha métrica moral estilhaçada, Mariana terá que abraçar a escolha entre as opções imperfeitas, focando em um único norte: contra qual desses erros eu consigo me defender?

Se o sistema desabar, ela precisa ter meios de auditar, processar e migrar. Enfrentar uma empresa sujeita a tribunais e regulação oferece uma via de escape. Apostar em quem opera à margem de qualquer jurisdição anula essa possibilidade. Um erro permite briga jurídica; o outro decreta o fim do jogo.

Obviamente, ter a quem recorrer está longe de ser sinônimo de vitória garantida. Lembra quando mencionei máximas que ficam presas na cabeça? Certa vez, fui trocar os pneus do meu carro e chamei meu sogro, que é minha referência no assunto. Depois de batermos o martelo no modelo, soltei aquela pergunta inocente sobre a garantia. Ele me olhou e mandou a real: “Danilo, a vida é sem garantia”.

Isso resume a prática do nosso dilema. Provar que um laboratório usou indevidamente os dados do seu sistema é uma batalha insana. O arcabouço do nosso sistema jurídico promete reparações proporcionais na teoria, mas a realidade dos tribunais é turva. O direito de recurso não funciona como um seguro contra acidentes; ele apenas garante a sua chance de entrar no ringue.

A ilusão do risco zero precisa ficar para trás. Lidar com tecnologia na vida adulta exige assumir o peso de decisões irrevogáveis sem a muleta reconfortante de ter feito “a escolha perfeita”. Chegamos a um ponto em que nenhuma atualização de pesos abertos, nova ferramenta ou salto em benchmarks vai nos salvar, pelo simples motivo de que esse problema deixou de ser técnico há muito tempo.

Quando superarmos a questão custo, outros dilemas como esse surgirão no nosso dia-a-dia usando a IA. Diante da necessidade de tomar uma decisão, sem garantia de que as empresas envolvidas não têm interesses ocultos, sabendo que você terá informações insuficientes e que não poderá reverter sua escolha, qual opção você escolheria? Não existe a opção de garantir que não vai errar ou escolher o melhor. Essa é a única ilusão que este texto quer tirar de você. O resto, qual tradeoff, com que critério, a que preço, é a decisão que ninguém pode tomar no seu lugar, na sua cadeira, com o seu dedo sobre o seu botão. Não dá para terceirizar essa escolha para a IA. Ela é sua.

Todo mundo carrega um cemitério de ideias no bolso. Abra a pasta de rascunhos do seu aplicativo favorito e conte quantas publicações morreram ali, na beira do “publicar”. O roteiro é sempre o mesmo. Você tira uma foto de um momento qualquer, ou escreve um parágrafo pescando alguma reflexão que achou interessante. O dedo chega perto do botão de publicar e você congela. Um tribunal invisível, formado por gente que você mal cumprimentaria na rua, monta acampamento na sua cabeça. Aí você recua. Apaga uma frase com medo de soar pretensioso, corta a lateral da imagem para esconder a louça na pia. Reescrevemos o texto, tirando a sua autenticidade, para se blindar de algum mal-entendido que talvez, quem sabe, um dia apareça. Quando vê, o esforço de antecipar a crítica alheia já comeu todo o impulso e conteúdo original de compartilhar. A tela apaga. O celular volta para o bolso, com mais um fantasma arquivado. As redes nos treinaram a pedir permissão para existir em público.

A internet tinha outra cara 1. Havia terrenos baldios, bairros pouco habitados, e a gente circulava sem esbarrar a cada passo num totem de propaganda. Tem saudosismo nisso, eu sei. Mas tem também uma crítica que se sustenta. Lembro do LinkedIn de vinte anos atrás: uma prateleira de currículos, meio estática, e o que se publicava ali era genuíno. O lançamento de um produto. Uma dúvida sobre um projeto, um pedido de ajuda. Alguém divulgando um material que talvez servisse de verdade para outra pessoa. Sem aquele “aproveita e deixa seu like” ou um call-to-action. Havia muito menos conteúdo, e não estou dizendo que era melhor ou pior, era só mais original 2. Menos enviesado para parecer um personagem impecável, sem opiniões fortes. Ninguém acordava com a obrigação moral de produzir epifanias sobre resiliência e liderança de alta performance.

Isso também aconteceu com o Instagram. Nos primeiros anos, funcionava mais ou menos assim também. Antes de abrir para todas as plataformas e virar essa multidão, o aplicativo tinha barreira de entrada (ele existia só para quem tinha iPhone, então sim, era meio ostentação). E esse isolamento criava um clima de experimentação protegido. O efeito colateral da baixa densidade era a ausência de medo. A gente postava foto sem estratégia nenhuma. Porque sei lá, era bonito ou fazia sentido para a gente, naquele momento. O filtro estourado por cima da imagem torta de uma xícara de café não precisava conversar com a identidade visual de uma marca pessoal coesa. A foto do teto da sala existia pela pura vontade de apertar o botão. Ocupávamos a rede sem essa asfixia de provar relevância a cada respiração.

Esse espaço neutro foi sendo privatizado pela economia da atenção. E gradualmente tudo foi sendo homogenizado, pasteurizado, sem identidade. Tanto nos textos quanto nas fotos. Não que todos não pareçam exatamente iguais, mas todos buscam a mesma coisa: atenção. Com isso, o LinkedIn se tornou um grande livro de “páginas amarelas” 3, só que digital. Inundado por propaganda, conteúdo que não pertence à esfera profissional, ou tentativas tristes de tirar lições de acontecimentos banais. O Instagram também foi se tornando uma vitrine de corpos e rostos com filtros que tiraram a vida da vida real. Se o seu post, texto ou foto, não foi apreciado da forma que você imaginava, talvez ele seja ruim mesmo ou talvez o lugar onde ele estava sendo exibido estava tão cheio de tanta coisa, que não deu para distinguir o relevante/interessante do blá-blá-blá.

O conceito de hobby, puro e simples, quase sumiu do nosso vocabulário. A cultura da produtividade trocou hobby pela exigência do “projeto paralelo rentável”. Antigamente, um cara tinha a licença tranquila de passar as manhãs de sábado na marcenaria só pelo contato com a madeira.

Se alguém perguntasse o porquê, a resposta viria sem cálculo empresarial nenhum. Ele diria que gosta do atrito da lixa. Que o trabalho mecânico limpa as abstrações chatas do dia. Não passaria pela cabeça dele montar um tripé para gravar o corte da madeira, nem publicar as fotos do móvel pronto para receber a chancela da sociedade e poder, enfim, existir como aprendiz de carpintaria. Não havia frase estóica com uma foto de um braço de cadeira. Ou um conteúdo sobre masculinidade vindo de homens que moram com a mãe ou nem têm um relacionamento saudável, nada. Só a presença de estar ali, lixando uma madeira.

Hoje, a gente compra um violão, testa receita asiática, encara um calhamaço de filosofia, se inscreve numa prova de resistência e o reflexo, quase neurológico, é caçar o melhor ângulo para o celular logo no primeiro compasso. Afinal, se não postar o treino na academia, o treino não valeu. #tápago.

Mas pago o quê? Quem está te cobrando para essa dívida ser quitada? Qual é a moeda?

A experimentação de verdade foi desaparecendo. A graça de desbravar restaurante estranho estava no risco de comer mal e na conversa com quem dividia a mesa de plástico. A gente saía de casa para experimentar. Hoje o cardápio obedece ao critério de fotogenia do prato, e a estética da comida sufoca o gosto do tempero. Já que estou no assunto comida, cabe a metáfora: será que somos nós que nos alimentamos, ou estamos alimentando uma máquina gulosa, na ilusão de que o algoritmo vá nos devolver afeto e pertencimento?

As plataformas não venceram por acaso. Elas miraram na parte mais primitiva da gente. O mecanismo explora aquele medo antigo de ficar de fora do grupo, misturado à vaidade de se sentir visto. A promessa disfarçada de conexão oferece um atalho químico para uma necessidade que é real: a de pertencer. E aí a aceitação social vira dopamina barata.

O problema é que a gente não navega mais na inocência do começo. Conhecemos a engrenagem por dentro. Sabemos calcular o alcance de um post, entendemos o preço invisível da exposição. E desaprender isso dá trabalho, porque a consciência do mecanismo já grudou no hábito.

Feito todo esse banho de saudosismo e reclamação, deixo um convite: volte a produzir. Faça a foto para você. Aquela imagem guarda um momento (bom ou ruim) que talvez só faça sentido quando você rever daqui a dois anos. Escreva aquele texto que serve só como desabafo bruto de um dia ruim de trabalho. Se a sua conta principal está engessada por anos de construção de personagem e você sente que não dá para mudar de rota ali, crie outro perfil. Um espaço fechado, onde só você (ou quem realmente importa) tem acesso, livre das amarras da validação.

Não faça as coisas achando que o mundo inteiro está assistindo. E não deixe de fazer porque ninguém vai olhar. Você vai olhar. Retome a sua importância nessa equação. Se de quebra servir para os outros, ótimo. Se a rede acertou quando mirou na nossa necessidade de vaidade escondida e no nosso senso de pertencimento, vamos nos apoiar então em outra necessidade humana: a de criar. Criar por criar. Criar porque produzir alguma coisa é um jeito de se expressar. E, olhando para as paredes das cavernas (o feed de antigamente), dá para perceber que se expressar sempre foi uma necessidade ancestral da gente.

Sabe aquele suspiro profundo que você solta assim que a câmera da reunião desliga? Aquele momento exato em que os ombros caem, o sorriso profissional desaparece e você volta a ser apenas uma pessoa normal e cansada na sala de casa? Esse suspiro não é apenas preguiça. Ele tem uma explicação sociológica brilhante.

Muito antes da internet existir, lá no ano de 1959, um sociólogo chamado Erving Goffman lançou uma obra prima chamada A Representação do Eu na Vida Cotidiana. Goffman não era o tipo de acadêmico que ficava trancado no laboratório. Ele observava as pessoas em hotéis, restaurantes e escritórios para entender como a gente funciona.

E a conclusão dele foi arrebatadora: a vida em sociedade é, literalmente, uma grande peça de teatro. Nós somos atores, o mundo é o palco e passamos o tempo todo tentando convencer a plateia de que somos exatamente o personagem que estamos interpretando.

Ele chamou isso de gerenciamento de impressões. E o mundo corporativo moderno elevou esse conceito a um nível de exaustão inédito.

O cenário e o figurino corporativo

Goffman explicava que todo ator precisa de uma fachada pessoal para convencer o público. Isso inclui o cenário e o figurino.

No escritório antigo, o seu figurino era o terno alinhado e o cenário era a sua mesa organizada com uma caneta cara. Hoje, o nosso figurino foi reduzido da cintura para cima, mas o cenário ficou muito mais complexo. Sabe aquela estante de livros estrategicamente posicionada atrás de você na câmera? Aquele fundo desfocado para esconder a bagunça? A iluminação perfeita para não parecer que você acabou de acordar?

Para Goffman, nada disso é acidente. Tudo isso é o ator arrumando o palco. Você está projetando uma imagem de controle, organização e foco absoluto, mesmo que fora do ângulo da câmera a sua casa esteja um caos. A gente gasta uma energia mental imensa só para garantir que o cenário da nossa atuação continue impecável.

O pânico do microfone aberto

Uma das partes mais fascinantes da teoria de Goffman é o que ele chama de perda de face ou gafe. Ele estudou exatamente os momentos em que a peça de teatro dá errado e o personagem escorrega.

Sabe aquele pânico absoluto quando você acha que o microfone está no mudo, mas não está? Ou quando alguém entra gritando no quarto bem no meio da sua fala com a diretoria? Para Goffman, o constrangimento social e aquele suor frio que escorre na espinha acontecem por um motivo muito simples: o seu bastidor vazou para o palco principal.

A ilusão do profissional inabalável quebrou. A plateia viu o ator vulnerável e humano por um segundo. Nós vivemos em estado de alerta constante, com o dedo pronto para clicar no botão de desligar a câmera, apenas para evitar que a nossa fachada desmorone na frente da companhia de teatro inteira.

A necessidade de um bastidor

Goffman alertou que ninguém aguenta viver no palco o tempo todo. O ser humano precisa desesperadamente do bastidor para não enlouquecer. Ele usava o exemplo do garçom: o bastidor é a cozinha, o lugar onde ele suspira, reclama do cliente e relaxa a postura, para então colocar o sorriso no rosto e entrar no palco iluminado do salão do restaurante.

O grande problema do trabalho digital é que ele invadiu o nosso bastidor. A sua sala de jantar, que antes era o seu refúgio, virou a firma. O seu celular recebe notificações da empresa na hora do jantar. Hoje, o nosso único bastidor real se resumiu ao grupo de mensagens paralelo sem a chefia. É ali que a máscara finalmente cai. É ali que o ator afrouxa a gravata mental, confessa que não sabe o que está fazendo, reclama do roteiro e encontra algum alívio para conseguir voltar ao palco no dia seguinte.

O LinkedIn e o jogo de soma zero da exaustão

O grande laboratório de Goffman no século vinte e um não é apenas a sala de reunião. É a rede social profissional. O LinkedIn virou o palco supremo, operando com uma dinâmica cruel. Isso se tornou um jogo de soma zero onde a estafa bate forte dos dois lados da tela.

Para quem cria o conteúdo, a exaustão vem da obrigação de manter a narrativa viva. O personagem precisa ser uma máquina incansável de positividade e tirar lições de vida épicas até de uma ida à padaria. Manter essa vitrine perfeitamente lustrada exige um pedaço enorme da energia vital do sujeito. A pessoa atua incansavelmente para não deixar o seu personagem desaparecer no algoritmo.

Do outro lado, para quem consome, a estafa vem do choque entre o palco alheio e o próprio bastidor. Ler postagens intermináveis de conquistas nos deixa exaustos porque o nosso lado racional sabe que aquilo é apenas a fachada estruturada de alguém, mas o nosso lado emocional inevitavelmente se compara com aquele personagem perfeito.

Nós curtimos e aplaudimos o espetáculo do colega porque fazemos parte da mesma companhia de teatro corporativo. Mas a realidade nua e crua é esta: quem posta gasta energia atuando, quem lê gasta energia se comparando, e ninguém ganha absolutamente nada além de cansaço.

A máscara não é o inimigo

É muito comum achar que todo esse teatro significa que as pessoas são falsas. Mas a genialidade de Goffman está em mostrar que vestir a máscara é um ato de sobrevivência e até de empatia.

Se todo mundo resolvesse levar o seu “eu verdadeiro” e sem filtros para a reunião de segunda, a sociedade entraria em colapso. O personagem que criamos é um escudo. A gente atua para proteger a nossa intimidade e para poupar os nossos colegas do nosso caos interno. A formalidade é um acordo de paz silencioso que faz o mundo girar sem que a gente se ataque no processo.

A máscara não é a vilã da história. O verdadeiro problema é a expectativa moderna de que você nunca pode abandonar o personagem. O cansaço esmagador que você sente no fim do dia não vem apenas do volume de trabalho. Ele vem do esforço contínuo de segurar os músculos do rosto em uma expressão que não é a sua, atuando em uma peça que simplesmente esqueceu de fechar as cortinas.

Para esticar o assunto

• O teatro da sociedade: Os conceitos fundamentais de Erving Goffman sobre a nossa encenação na vida cotidiana são explorados a fundo no seu livro clássico A Representação do Eu na Vida Cotidiana.

• O palco corporativo: Para entender como a gente se comporta em ambientes profissionais e públicos, a obra seguinte dele, Comportamento em Lugares Públicos, é uma leitura brilhante.

O mercado adora janelas de contexto gigantescas nos modelos de linguagem. Existe uma crença de que adicionar dados produz respostas precisas. Projetos reais de software mostram o oposto disso: injetar repositórios massivos no prompt causa saturação. Observando isso, pesquisadores da Chroma nomearam essa degradação de Context Rot em 2025. Ou seja, modelos de inteligência perdem o foco em conversas demoradas. Informações obsoletas gastam espaço escasso na memória de trabalho. O que leva a gente a pensar que aumentar o limite de tokens apenas mascara a desorganização primária da equipe.

Processar arquivos inúteis em todas as requisições torna a operação proibitiva sob restrições de custo corporativo. A gente gasta recursos computacionais para que a máquina leia códigos que não serão alterados. Evitando assim o excesso de dados, que não gera inteligência. Gera ruído e lentidão.

A logística do canteiro de obras

Considere a logística de um grande canteiro de obras. Imagine receber todo o material de uma obra nova de uma só vez no primeiro dia. Tijolos, sacos de cimento e vigas de aço acumulados bloqueariam a movimentação dos operários. Instruções de módulos distantes bloqueiam a leitura das regras de negócio atuais.

O excesso de dados não gera inteligência; gera ruído e lentidão.

Sobrecarga cognitiva afeta o desenvolvedor e o modelo. O profissional precisa revisar códigos gerados em meio a alucinações causadas por dados desconexos. Redesenhar o fluxo de trabalho exige separar o estoque de materiais da mesa de trabalho. A ideia é que o prompt receba apenas o necessário para a ação imediata.

A fundação técnica do fluxo

Piyush Bhargava, meu colega de Thoughtworks, encontrou gargalos operacionais parecidos nos clientes da empresa. Ele publicou um artigo técnico em dezembro de 2025 detalhando soluções. O material explica a aplicação do Spec-Driven Development em bases legadas. Depois, publicou outro artigo sobre o framework que pensou para resolver esse problema (ARCUS). Esse framework obriga a definição de requisitos antes da programação inicial. Desenvolvedores precisam resolver ambiguidades logo nos primeiros estágios.

Utilizamos essa abordagem para limpar o caminho antes da automação. O foco sai da escrita frenética de código e passa para a definição do que deve ser construído. Precisamos de filtros que barrem o ruído antes mesmo de o modelo processar o comando.

A divisão do contexto na prática

Piyush pensou no framework que chamou de ARCUS. A gestão de contexto no ARCUS funciona como um filtro de duas etapas.

Vamos pensar em um bug que precisamos corrigir em um cálculo de imposto em um checkout de e-commerce.

1 - A primeira camada (construída em uma etapa inicial de bootstrap e posteriormente atualizada por um fluxo de detecção de desvios e reconciliação após a conclusão de cada ciclo de SDLC) reside na pasta .context/ do repositório.

Ela guarda o mapa do sistema e as capacidades de negócio mapeadas. O arquivo repo_map.md funciona como a planta técnica do prédio.

No caso do e-commerce: ele indica que a lógica de impostos mora no diretório /services/tax-engine. Já o repo_scope.md é o dicionário de regras de negócio. Essa camada confirma que o software tem a capacidade de cálculo de tributos retidos. IA usa isso para saber onde as coisas estão sem precisar ler o código todo.

2 - A segunda camada (construída como parte da especificação da story) foca na tarefa imediata. Nesse caso, a correção do bug.

Ela contém o Story Context. Este é um recorte cirúrgico dos dados. O agente de especificações (Specify) identifica a intenção de corrigir o imposto.

Ele busca no nível anterior apenas os ponteiros para os contratos financeiros e regras tributárias. Módulos de logística ou avaliações de produtos permanecem ocultos. Assim, a gente alimenta a máquina com o sinal exato da tarefa.

O canteiro de obras sob controle

O ARCUS resolve o problema do material desordenado de forma mecânica. A logística funciona como a de uma pessoa que coordena as entregas no canteiro de obras. Esta pessoa garante que o cimento e os tijolos cheguem apenas no dia da fundação. Materiais pesados como as vigas de aço ficam no depósito e só aparecem quando a estrutura do andar exige.

A ideia é que a organização impeça o depósito desordenado de insumos. O framework atua como esse filtro logístico que libera a peça certa para o momento atual. Ele impede que as instruções de todo o projeto sufoquem o operário no início da construção. Dessa maneira, a IA recebe apenas o sinal necessário para o trabalho de agora. O canteiro permanece limpo e o fluxo de execução segue sem obstáculos físicos ou informacionais.

Design organizacional e manutenção

Manter o contexto exige disciplina coletiva. O mapa do sistema não deve ser um artefato esquecido em um canto do repositório. Tratar a engenharia de contexto como parte da arquitetura de longo prazo é o diferencial. Com isso, o time gasta menos tempo corrigindo alucinações da IA. A gente cria uma estrutura onde o conhecimento institucional é versionado e acessível.

Arquivos de configuração precisam abandonar o formato de tutoriais longos. Textos base devem apenas apontar direções curtas. A governança desses metadados garante que a automação não se torne um fardo técnico no futuro.

A instrução como mapa

Diversas plataformas utilizam mecanismos próprios para carregar ordens. Algumas IAs utilizam configurações locais no sistema de arquivos. Outras aceitam parâmetros em painéis administrativos. Aprendemos que regras estáticas falham diante de ecossistemas corporativos legados instáveis.

Substituir manuais inteiros por índices muda o comportamento do modelo. A ferramenta passa a rastrear caminhos curtos ao invés de processar parágrafos. Limitar as opções entregues diminui os erros na hora de gerar código. A ideia é que referências exatas permitem abrir dados no instante da necessidade.

Menos leitura e mais foco

Com a engenharia de contexto, impõem-se limites práticos aos assistentes de programação. Diretrizes teóricas perdem a validade diante do sistema real operando. O foco na entrega técnica exige que a gente pare de lutar contra a saturação do prompt. No final, dominar essa orquestração intelectual devolve o controle aos times de engenharia. A gente para de esperar milagres da tecnologia e volta a projetar software de verdade. O diferencial está na capacidade de dar a IA o sinal correto.

Separating noise from signal for your AI: strategies to clean context and focus on technical delivery

The market loves gigantic context windows in language models. There is a belief that adding data produces precise answers. Real software projects show the opposite: injecting massive repositories into the prompt causes saturation. Observing this, Chroma researchers named this degradation Context Rot in 2025. In other words, intelligence models lose focus in lengthy conversations. Obsolete information wastes scarce space in working memory. This leads us to think that increasing token limits merely masks the primary disorganization of the team.

Processing useless files in every request makes the operation prohibitive under corporate cost constraints. We waste computational resources so the machine reads code that will not change. That means excess data does not generate intelligence. It generates noise and slowness.

The logistics of the construction site

Consider the logistics of a large construction site. Imagine receiving all the material for a new build at once on the first day. Accumulated bricks, cement bags, and steel beams would block the movement of workers. Instructions from distant modules block the reading of current business rules.

Cognitive overload affects the developer and the model. Professionals need to review generated code amidst hallucinations caused by disconnected data. Redesigning the workflow requires separating the material stock from the workbench. The idea is that the prompt receives only what is needed for immediate action.

The technical foundation of the flow

Piyush Bhargava, my colleague at Thoughtworks, found similar operational bottlenecks in the company’s clients. He published a technical article in December 2025 detailing solutions. The material explains the application of Spec-Driven Development in legacy codebases. Later, he published another article about the framework he designed to solve this problem (ARCUS). This framework forces requirement definition before initial programming. Developers must resolve ambiguities early in the first stages.

We use this approach to clear the path before automation. Focus shifts from frantic code writing to defining what must be built. Teams require filters that block noise even before the model processes the command.

Context division in practice

Piyush designed the framework he called ARCUS. Context management in ARCUS operates as a two-step filter.

Let us think about a bug we need to fix regarding tax calculation in an e-commerce checkout.

1. The first layer (built as a bootstrap step and later refreshed as a drift detection and reconcile workflow after every SDLC cycle completion) resides in the .context/ folder of the repository. It stores the system map and mapped business capabilities.

   
   File repo_map.md is the technical floor plan of the building. In the e-commerce scenario, this document indicates that tax logic lives in the /services/tax-engine directory. Meanwhile, repo_scope.md is the business rule dictionary. This file confirms the software has the retained tax calculation capability. AI uses this to know where things are without reading the entire code.

2. The second layer (built as part of the story specification) focuses on the immediate task. In this case, the bug fix. It contains the story context.

   
   This represents a surgical data selection. The specifications agent, Specify, identifies the intention to fix the tax. The tool searches the previous level only for pointers to financial contracts and tax rules. Logistics modules or product reviews remain hidden. In other words, we feed the machine with the exact signal of the task.

The construction site under control

ARCUS resolves the messy material problem mechanically. Logistics operates like a person coordinating deliveries at the construction site. This professional ensures cement and bricks arrive only on foundation day. Heavy materials like steel beams stay in storage and only appear when the floor structure demands them.

The idea is that organization prevents the disorderly deposit of supplies. This framework is a logistical filter releasing the right piece for the current moment. It prevents full project instructions from suffocating the worker at the start of construction. Bottom line, AI receives only the necessary signal for the work right now. Work sites remain clean, and execution flow continues without physical or informational obstacles.

Organizational design and maintenance

Maintaining context demands collective discipline. System maps must not become forgotten artifacts in a repository corner. Treating context engineering as part of long-term architecture is the differentiator. Using this, teams spend less time fixing AI hallucinations. We create a structure where institutional knowledge is versioned and accessible.

Configuration files need to abandon the long tutorial format. Base texts must only point in short directions. Metadata governance ensures automation does not become a technical burden in the future.

Instruction as a map

Various platforms use their own mechanisms to load orders. Some AIs utilize local configurations in the file system. Others accept parameters in administrative panels. We’ve learned that static rules fail in the face of unstable legacy corporate ecosystems.

Replacing entire manuals with indexes changes model behavior. Tools start tracking short paths instead of processing paragraphs. Limiting delivered options reduces errors when generating code. The idea is that exact references allow opening data at the exact moment of need.

Less reading and more focus

With context engineering, practical limits are imposed on programming assistants. Theoretical guidelines lose validity when facing the real operating system. Focus on technical delivery requires us to stop fighting prompt saturation. In the end, mastering this intellectual orchestration returns control to engineering teams. We stop expecting technological miracles and return to designing real software. Real competitive advantage is the ability to give the machine the right signal.

Sabe aquela sensação boa de estar no controle da própria vida? De achar que você é o mestre do seu destino, tomando decisões puramente lógicas todos os dias? Pois é, grandes pensadores da história e a tecnologia que está no seu bolso agora mesmo têm uma péssima notícia para o nosso ego.

Para entender essa dinâmica, tem uma metáfora genial que o professor Clóvis de Barros Filho usa para explicar Nietzsche. Imagine o mar e um farol.

A nossa mente não é uma coisa só. Ela é um oceano vasto, escuro e cheio de correntes ocultas. Esse mar inteiro somos nós. A nossa consciência, aquilo que chamamos de “Eu”, é apenas a luz do farol projetada nas águas. Essa luz foca em apenas uma pequena parte do oceano por vez, enquanto o resto fica na escuridão.

Para deixar a imagem bem clara: o mar é a sua totalidade. São os seus instintos, memórias, emoções, medos e desejos primitivos. Já o farol é a sua atenção consciente. É exatamente aquilo que você está percebendo e analisando neste exato segundo.

A pergunta que não quer calar é: se somos o mar inteiro, quem movimenta a luz do farol?

A visão de Nietzsche: a ilusão gramatical e a onda mais forte

A gente adora acreditar que existe um capitão consciente na cabine do farol, escolhendo racionalmente para onde apontar a luz. Nietzsche destrói essa ideia. Para ele, o “Eu” consciente é apenas uma ilusão gramatical e social. Fomos ensinados a acreditar que o pensamento é a causa das nossas ações, mas não tem ninguém no comando da cabine.

O que direciona o farol não é a razão, mas as próprias águas. O nosso mar interior é feito de milhares de correntes e ondas diferentes, que representam os nossos impulsos. Todos eles estão em constante luta entre si por domínio. Esse conflito interno é a famosa “vontade de potência”.

Então, quem vira a luz do farol? É a onda mais forte daquele momento. O farol não escolhe para onde olhar. Ele é forçado a iluminar a região do mar onde o conflito de impulsos está mais intenso ou onde um instinto conseguiu dominar os outros. Você acha que decidiu focar no trabalho por livre escolha, mas, muitas vezes, foi a ansiedade sobre o futuro que bateu mais forte e girou a luz. O “Eu” consciente é só uma justificativa para algo que já foi decidido pela força das águas da mente.

A perspectiva de Freud: os golpes no nosso orgulho

Freud aprofundou isso ao apontar que a ciência deu três grandes golpes no orgulho humano ao longo da história.

O primeiro veio com Copérnico, que provou que a Terra não é o centro do universo. O segundo foi dado por Darwin, que demonstrou que somos parte do mesmo processo biológico dos outros animais, sem nenhuma criação especial.

O terceiro golpe foi o próprio Freud quem deu, mirando na nossa mente racional. Ele resumiu tudo com a frase afirmando que o “Eu” “não é senhor em sua própria casa”. Conhecemos apenas um pequeno cômodo iluminado, que é a consciência, enquanto o restante da casa é dominado pelo nosso inconsciente.

A Quarta Ferida: A Inteligência Artificial mergulha no seu mar

Mesmo com tudo isso, a gente ainda se orgulhava de ser a espécie mais inteligente do planeta. Hoje, a inteligência artificial e a hiperconectividade nos apresentam o quarto golpe: percebemos que agora existe um software externo que tem a planta completa dessa casa, passeando pelos nossos porões e prevendo os nossos passos antes mesmo de a gente perceber.

O impacto da IA vai muito além de mudar o mercado de trabalho. Ela mexe com a nossa autonomia. O TikTok, o Instagram e o YouTube não conversam com o seu farol racional. Eles mergulham direto no seu mar. Eles mapeiam os seus impulsos e gatilhos mais escondidos antes mesmo da luz da sua consciência bater neles. Terceirizamos o controle do foco para a máquina. É a IA que decide o caminho no GPS, a música que vai tocar, o filme que você vai ver e a treta política com a qual você vai se indignar hoje.

Como o mundo moderno controla o seu farol

Se o mar é a realidade inteira e o farol é o nosso foco, quem direciona essa luz define o que existe para você. Na era da informação, isso é feito de forma cirúrgica por meio de quatro mecanismos:

1. Agenda setting: a mídia e as plataformas digitais não ditam exatamente o que (opinião) você deve pensar, mas são brilhantes em ditar sobre o que (assunto) você deve pensar. Se o algoritmo aponta o seu farol só para a polarização, o resto do mar simplesmente deixa de existir na sua cabeça. Eles iluminam o palco e deixam você tirar as próprias conclusões (com as informações que eles dão).

2. A economia da atenção: hoje, a luz do seu farol é a mercadoria mais valiosa do mundo. O modelo de negócios da internet se baseia em manter o seu farol aceso dentro das plataformas pelo maior tempo possível. Os algoritmos aprenderam que iluminar águas calmas não gera lucro. Eles focam em indignar ou assustar, porque são essas ondas profundas que mantêm a luz fixa na tela.

3. Framing: além de escolher o que iluminar, a fonte externa escolhe o ângulo da luz. Isso é o enquadramento. A forma como a luz recai sobre um evento muda completamente o julgamento moral e a narrativa que será absorvida por quem observa.

4. A ilusão da escolha: tudo isso cria a falsa sensação de autonomia. Quando o nosso farol é guiado sutilmente, nosso ego justifica cada atitude como se fosse mérito próprio. Você acha que está fazendo uma escolha livre, mas a luz só estava apontada para a única opção que eles queriam que você visse.

Conclusão: O mapeamento das próprias ondas na era da IA

Navegamos em um oceano que não controlamos, iluminando partes que nem sempre escolhemos. A grande intersecção entre a filosofia de Nietzsche, a psicanálise de Freud e a inteligência artificial está exatamente na disputa por qual impulso vai dominar as nossas águas. A IA automatizou a decodificação da nossa “vontade de potência”.

Os algoritmos viraram os maiores especialistas em mapear as correntes invisíveis do nosso mar interno. Eles entendem os nossos gatilhos muito mais rápido do que a nossa própria consciência. Quando ignoramos o funcionamento da nossa mente, viramos alvos fáceis para sistemas focados em lucrar com a nossa atenção.

A saída não é abraçar a ilusão de que existe um “Eu” racional capaz de assumir a manivela e controlar o farol com força bruta. Nós somos o mar inteiro e a luz sempre será forçada a olhar para a onda mais forte. O verdadeiro desafio é o mapeamento de onde vem essa força.

O poder das plataformas digitais está em agitar o nosso mar artificialmente. Eles jogam iscas sob medida para os nossos impulsos entrarem em conflito e criarem uma onda massiva. O primeiro passo para não ser manipulado não é tentar controlar a mente à força, mas ter a lucidez de identificar quem está agitando as suas águas.

Referências

• A metáfora do mar e do farol: O professor Clóvis de Barros Filho tem várias palestras sensacionais na internet em que ele usa essa imagem para explicar como a nossa mente funciona. Podcast que me inspirou.

• Os socos no nosso ego: A ideia das grandes feridas no orgulho da humanidade vem de um ensaio curto e muito famoso de Sigmund Freud chamado Uma dificuldade no caminho da psicanálise.

• A ilusão do controle: Os conceitos de que a razão não manda na cabine e a ideia dos impulsos brigando pelo nosso foco são a base do pensamento de Friedrich Nietzsche, especialmente no livro Além do Bem e do Mal.

• O sequestro da nossa atenção: Para entender exatamente como as redes sociais e os algoritmos lucram controlando a luz do nosso farol, a leitura definitiva é o livro Os Mercadores de Atenção, do autor Tim Wu.

The illusion of control: the bug in your mind that algorithms learned to hack

You know that good feeling of being in control of your own life? Of thinking you are the master of your destiny, making purely logical decisions every day? Well, great thinkers of history and the technology sitting in your pocket right now have some terrible news for our ego.

To understand this dynamic, there is a brilliant metaphor that professor Clóvis de Barros Filho uses to explain Nietzsche. Imagine the sea and a lighthouse.

Our mind is not just one thing. It is a vast, dark ocean full of hidden currents. This entire sea is us. Our consciousness, what we call the “I”, is just the light of the lighthouse projected on the waters. This light focuses on only a small part of the ocean at a time, while the rest remains in darkness.

To make the image very clear: the sea is your totality. It is your instincts, memories, emotions, fears, and primitive desires. The lighthouse is your conscious attention. It is exactly what you are perceiving and analyzing right this second.

The burning question is, if we are the entire sea, who moves the lighthouse beam?

The vision of Nietzsche: the grammatical illusion and the strongest wave

We love to believe there is a conscious captain in the lighthouse cabin, rationally choosing where to point the light. Nietzsche destroys this idea. For him, the conscious “I” is just a grammatical and social illusion. We were taught to believe that thought is the cause of our actions, but there is no one in command of the cabin.

What directs the lighthouse is not reason, but the waters themselves. Our inner sea is made of thousands of different currents and waves, which represent our impulses. All of them are in constant struggle with each other for dominance. This internal conflict is the famous “will to power”.

So, who turns the lighthouse beam? It is the strongest wave of that moment. The lighthouse does not choose where to look. It is forced to illuminate the region of the sea where the conflict of impulses is most intense or where one instinct managed to dominate the others. You think you decided to focus on work by free choice, but often, it was anxiety about the future that hit the hardest and turned the light. The conscious “I” is just a justification for something that was already decided by the force of the waters of the mind.

The perspective of Freud: the blows to our pride

Freud deepened this by pointing out that science dealt three major blows to human pride throughout history.

The first came with Copernicus, who proved the Earth is not the center of the universe. The second was delivered by Darwin, who demonstrated we are part of the same biological process as other animals, with no special creation.

The third blow was delivered by Freud himself, taking aim at our rational mind. He summarized it all with the phrase stating that the “I” is not master in its own house. We only know a small illuminated room, which is consciousness, while the rest of the house is dominated by our unconscious.

The Fourth Wound: Artificial Intelligence dives into your sea

Even with all this, we still took pride in being the most intelligent species on the planet. Today, artificial intelligence and hyperconnectivity present us with the fourth blow: we realize that there is now an external software that holds the complete floor plan of this house, wandering through our basements and predicting our steps even before we notice.

The impact of AI goes way beyond changing the job market. It messes with our autonomy. TikTok, Instagram, and YouTube do not talk to your rational lighthouse. They dive straight into your sea. They map your most hidden impulses and triggers even before the light of your consciousness hits them. We outsourced focus control to the machine. AI is what decides the GPS route, the song that will play, the movie you will watch, and the political drama you will get outraged about today.

How the modern world controls your lighthouse

If the sea is the entire reality and the lighthouse is our focus, whoever directs that light defines what exists for you. In the information age, this is done surgically through four mechanisms:

1. Agenda setting: The media and digital platforms do not dictate exactly what opinion you should hold, but they are brilliant at dictating what topics you should think about. If the algorithm points your lighthouse only towards polarization, the rest of the sea simply ceases to exist in your head. They light up the stage and let you draw your own conclusions with the information they provide.

2. The attention economy: Today, the light of your lighthouse is the most valuable commodity in the world. The internet business model is based on keeping your lighthouse turned on inside their platforms for the longest time possible. Algorithms learned that illuminating calm waters does not generate profit. They focus on causing outrage or fear, because those deep waves are what keep the light fixed on the screen.

3. Framing: Besides choosing what to illuminate, the external source chooses the angle of the light. That is framing. The way the light falls on an event completely changes the moral judgment and the narrative that will be absorbed by whoever is watching.

4. The illusion of choice: All of this creates a false sense of autonomy. When our lighthouse is subtly guided, our ego justifies every attitude as if it were our own merit. You think you are making a free choice, but the light was only pointed at the one option they wanted you to see.

Conclusion: Mapping your own waves in the AI era

We navigate an ocean we do not control, illuminating parts we do not always choose. The great intersection between the philosophy of Nietzsche, the psychoanalysis of Freud, and artificial intelligence lies exactly in the dispute over which impulse will dominate our waters. AI automated the decoding of our “will to power”.

Algorithms became the ultimate experts at mapping the invisible currents of our inner sea. They understand our triggers much faster than our own consciousness. When we ignore how our mind works, we become easy targets for systems focused on profiting from our attention.

The way out is not to embrace the illusion that there is a rational “I” capable of grabbing the crank and controlling the lighthouse by brute force. We are the entire sea, and the light will always be forced to look at the strongest wave. The real challenge is mapping where this force comes from.

The power of digital platforms lies in artificially stirring up our sea. They throw custom bait so our impulses clash and create a massive wave. The first step to avoid being manipulated is not trying to control the mind by force, but having the clarity to identify who is stirring your waters.

References

• The metaphor of the sea and the lighthouse: Professor Clóvis de Barros Filho has several amazing lectures on the internet where he uses this image to explain how our mind works. Podcast that inspired me.

• The blows to our ego: The idea of the great wounds to human pride comes from a short and very famous essay by Sigmund Freud called A Difficulty in the Path of Psychoanalysis.

• The illusion of control: The concepts that reason does not rule the cabin and the idea of impulses fighting for our focus are the foundation of the thought of Friedrich Nietzsche, especially in the book Beyond Good and Evil.

• The hijacking of our attention: To understand exactly how social networks and algorithms profit by controlling the light of our lighthouse, the definitive reading is the book The Attention Merchants, by author Tim Wu.

TL;DR

• A adoção atual de IA no trabalho prioriza corte rápido de custos, não ganhos reais de produtividade. Isso cria risco de compressão da classe média e fragiliza a economia de consumo.

• Automação medíocre troca humanos por IA apenas porque é mais barato, tolerando perda de qualidade sem mudança estrutural no modelo de negócio.

• Supressão de funções juniores ameaça o pipeline de conhecimento. Sem base de formação hoje, faltam especialistas seniores amanhã.

• Automação acelerada pode derrubar salários médios e concentrar renda em donos de capital tecnológico, ao mesmo tempo em que reduz a massa salarial que sustenta o consumo.

A teoria da automação medíocre (so-so automation)

A análise econômica de Daron Acemoglu e Simon Johnson desmonta a narrativa neutra de automação. Os autores definem o conceito de automação medíocre (so-so automation). O termo descreve tecnologias que reduzem o custo unitário, mas não elevam a produção ou a qualidade de forma proporcional.

A IA pode atuar como uma tecnologia de complementação da perícia humana. Em vez disso, muitas implementações atuais apenas deslocam tarefas sem redesenho de fluxos de trabalho. Empresas testam IA porque a combinação de modelo e infraestrutura sai mais barata do que uma folha de pagamento equivalente. A imprecisão dos modelos de linguagem, no entanto, tende a gerar correções manuais permanentes. Dirigentes aceitam essa perda de qualidade em troca da redução imediata de despesas.

Na prática, a IA passa a operar como um mecanismo primário de corte de custos. A revisão profunda dos modelos de negócio ainda é exceção. A automação medíocre normaliza uma engenharia organizacional focada em despesas, não em produtividade sistêmica.

O risco no pipeline de conhecimento e o fim do “degrau de baixo”

Profissionais em início de carreira enfrentam um risco concreto de obsolescência acelerada. Funções como advocacia júnior e desenvolvimento de software de nível inicial já aparecem como alvo de substituição em cenários corporativos.

Obs.: o texto original chama esse “degrau de baixo” de bottom rung.

O alerta sobre o pipeline não vem apenas de abstrações acadêmicas. Pesquisas do Stanford Digital Economy Lab, lideradas por Erik Brynjolfsson, quantificaram esse impacto: a adoção de IA já resultou em quedas de até 20% no emprego de desenvolvedores de software em início de carreira, corroendo agressivamente os degraus iniciais da escada corporativa.

Essa dinâmica tende a seguir três fases:

1. Fase 1: Automação do trabalho base e margem ilusória. A IA assume a elaboração de contratos padronizados, código repetitivo e produção de relatórios simples. Organizações reduzem a camada júnior e registram melhora de margem no curto prazo.

2. Fase 2: Sobrecarga cognitiva de especialistas. Sem base de apoio, profissionais seniores acumulam a correção de saídas da IA. A produtividade real cai porque especialistas passam mais tempo revisando erros do sistema do que desenhando soluções novas.

3. Fase 3: Risco de apagão de talentos. Com o tempo, a empresa perde a capacidade de formar novos especialistas. Faltam trajetórias de aprendizado estruturadas. A ausência de juniores hoje se converte em escassez de seniores amanhã. A capacidade de inovação própria entra em declínio.

Dinâmica de compressão salarial

A automação rápida aumenta a oferta de mão de obra técnica deslocada. Relatórios do FMI projetam que a IA pode afetar perto de 40% dos empregos no mundo, com exposição maior em economias avançadas e em funções cognitivas de média qualificação. Nesse ambiente, trabalhadores posicionados no meio da distribuição competem com modelos para tarefas que podem ser parcialmente automatizadas.

Esse excesso de oferta tende a pressionar os salários para baixo. Profissionais com formação avançada passam a disputar um número menor de vagas que exigem presença humana. Em paralelo, vagas que exigem competências emergentes associadas à IA pagam prêmios salariais, concentrando ganhos em uma minoria que domina essas formações.

A compressão salarial não é apenas um problema individual. Ela reorganiza o balanço de poder de barganha entre trabalho e capital em favor de quem controla modelos, dados e infraestrutura.

O Otimismo Consciente e a Amplificação de Intenção

Se a “automação medíocre” descrita pelo MIT é o cenário de risco, qual é o cenário de sucesso? Em sua abordagem sobre o futuro do trabalho, Erik Brynjolfsson defende o “otimismo consciente”. Ele argumenta que o verdadeiro risco não é a tecnologia em si, mas a resposta humana a ela — especificamente a passividade gerada tanto pelo otimismo cego quanto pelo fatalismo.

Para Brynjolfsson, a inteligência artificial não deve ser vista como um agente substituto, mas como uma tecnologia de amplificação de intenção capaz de promover a reinstalação de tarefas. Se uma empresa tem a intenção de inovar, a IA amplificará essa capacidade, criando mais demanda por profissionais capazes de orquestrar valor. Fenômenos como o vibe-coding (onde profissionais sem treinamento técnico altamente específico conseguem desenvolver software) apontam para a democratização da capacidade de produção. Pessoas passam a focar na concepção estrutural de soluções, tendo potencial para expandir, e não contrair, a base produtiva da classe média.

Substituição total e orquestração de trabalho

A decisão de tratar a IA como substituto direto de pessoas muda a estrutura de incentivos da organização. O caminho alternativo enxerga a IA como camada de orquestração. A diferença aparece em práticas concretas:

Estratégia de substituição

• Corte direto de custos de folha como objetivo principal.

• Demissão da base de analistas e desenvolvedores assim que a IA executa tarefas básicas.

• Tolerância a erros sistêmicos para preservar a economia financeira imediata.

• Redução gradual da participação humana em decisões operacionais e de risco.

Estratégia de orquestração

• Expansão da capacidade cognitiva como objetivo principal, tratando a IA como um amplificador de intenção corporativa sob supervisão humana rigorosa.

• Requalificação da base júnior: democratizar o acesso à resolução de problemas complexos, permitindo que profissionais de nível inicial atuem com a alavancagem de especialistas.

• Redirecionamento de equipes para curadoria de dados, validação de modelos e análise de exceções.

• Uso da IA para integrar sistemas, reduzir a sobrecarga cognitiva e abrir espaço para o desenho de soluções inéditas.

Risco sistêmico e limite da eficiência financeira

A compressão prolongada da renda da classe média gera um efeito em cadeia sobre a economia de consumo. Se uma tecnologia com potencial de afetar até 40% dos empregos for usada principalmente para cortar massa salarial, a demanda por bens duráveis, serviços e produtos financeiros tende a cair de forma estrutural.

A busca por eficiência estritamente financeira cria uma armadilha macroeconômica. Empresas melhoram margens ao reduzir folha, mas corroem a base de clientes que sustenta suas receitas. Estados perdem arrecadação, pressionando sistemas de previdência e serviços públicos.

A automação voltada apenas à redução de despesa bate em um limite matemático. Em um cenário extremo, a substituição ampla do trabalho destrói o poder de compra que justifica a produção. Ganhos de margem deixam de ter significado em economias com demanda deprimida. A tecnologia só sustenta o crescimento quando acopla ganho de produtividade à criação de novas utilidades e mercados.

Conclusão

A integração de IA no trabalho cognitivo não é um destino manifesto imposto pela tecnologia; é uma escolha de design organizacional. A automação medíocre, a quebra do pipeline de conhecimento e a consequente compressão salarial representam a saída preguiçosa — a ilusão de que substituir humanos por algoritmos baratos sustenta o modelo de negócios no longo prazo.

Como apontam as visões de ponta hoje, que vão da cautela do MIT ao “otimismo consciente” de Stanford, o verdadeiro diferencial não está no tamanho do modelo de linguagem, mas na agência humana. A IA recompensa as organizações que a utilizam proativamente para criar novo valor, e pune as que a enxergam apenas como ferramenta de enxugamento de planilhas. A decisão da próxima década é binária: seremos engolidos pela passividade de cortar custos imediatos, ou usaremos a IA para amplificar nossa intenção de crescer e inovar? A viabilidade da economia de consumo depende de como as lideranças responderão a essa pergunta.

Referências Bibliográficas

• Observer. (2026). The Stanford Economist Studying A.I.’s Jobs Impact Is ‘Mindfully Optimistic’.

• Exame. (2026). Classe média sofrerá efeito inédito com IA, dizem vencedores do Nobel de Economia.

• Stanford Digital Economy Lab. (2025-2026). Estudos sobre o impacto da IA nas ocupações iniciais e na economia digital.

• Acemoglu, D., Autor, D., & Johnson, S. (2026). Building Pro-Worker Artificial Intelligence. MIT Economics.

• Fundo Monetário Internacional (FMI). (2026). The Impact of Artificial Intelligence on Labor Markets.

• Fórum Econômico Mundial (WEF). (2025). The Future of Jobs Report 2025.

• Acemoglu, D., & Johnson, S. (2023). Rebalancing AI. Finance & Development, FMI.

• FMI. (2026). New Skills and AI Are Reshaping the Future of Work. IMF Blog.

AI, layoffs, and consumption: the equation that can shrink the middle class

TL;DR

• Current AI adoption at work prioritizes fast cost-cutting, not real productivity gains. This creates a risk of middle-class compression and weakens the consumption economy.

• “So-so automation” replaces humans with AI simply because it is cheaper, while leaders tolerate quality loss without structural innovation in the business model.

• Eliminating junior roles threatens the knowledge pipeline. Without a training base today, there will be too few senior specialists tomorrow.

• Accelerated automation can push average wages down and concentrate income in technology capital owners while shrinking the wage mass that sustains consumption.

The Theory of So-So Automation

The economic analysis of Daron Acemoglu and Simon Johnson dismantles the narrative that automation is inherently neutral. The authors define the concept of so-so automation: technologies that reduce unit costs but fail proportionally to increase production or quality.

AI has the potential to act as a technology that complements human expertise. Instead, many current implementations merely displace tasks without redesigning workflows. Companies test AI because the combination of a model and cloud infrastructure is cheaper than an equivalent payroll. The imprecision of language models, however, tends to generate a need for permanent manual corrections. Executives accept this loss of quality in exchange for immediate expense reduction.

In practice, AI begins to operate as a primary cost-cutting mechanism. A deep overhaul of business models remains the exception. So-so automation normalizes organizational engineering focused on expenses rather than systemic productivity.

The Knowledge Pipeline Risk and the End of the “bottom rung”

Early-career professionals face a concrete risk of accelerated obsolescence. Roles such as junior lawyers and entry-level software developers are already being targeted for replacement in corporate scenarios.

The warning about the talent pipeline does not come solely from academic abstractions. Research from the Stanford Digital Economy Lab, led by Erik Brynjolfsson, has quantified this impact: AI adoption has already resulted in drops of up to 20% in employment for early-career software developers, aggressively eroding the bottom rung of the corporate ladder.

This dynamic tends to follow three phases:

1. Phase 1: Baseline automation and illusory margins. AI takes over the drafting of standard contracts, repetitive coding, and the production of simple reports. Organizations shrink their junior tiers and report short-term margin improvements.

2. Phase 2: Cognitive overload of experts. Without foundational support, senior professionals are left to correct AI outputs. Real productivity drops because experts spend more time reviewing system errors than designing new solutions.

3. Phase 3: The risk of a talent blackout. Over time, the company loses its ability to train new experts. Structured learning paths disappear. The absence of juniors today translates into a scarcity of seniors tomorrow. The company’s internal capacity for innovation goes into decline.

The Dynamics of Wage Compression

Rapid automation increases the supply of displaced technical labor. IMF reports project that AI could affect nearly 40% of jobs globally, with higher exposure in advanced economies and middle-skill cognitive roles. In this environment, workers positioned in the middle of the distribution compete with models for tasks that can be partially automated.

This oversupply tends to drive wages down. Highly educated professionals find themselves competing for a shrinking number of roles that still require a human presence. Simultaneously, roles demanding emerging AI-related skills pay wage premiums, concentrating gains among a minority who master these technologies.

Wage compression is not just an individual problem. It reorganizes the bargaining power balance between labor and capital in favor of those who control the models, data, and infrastructure.

Mindful Optimism and Intent Amplification

If the “so-so automation” described by MIT represents the risk scenario, what does the success scenario look like? In his recent approach to the future of work, Stanford economist Erik Brynjolfsson advocates for “mindful optimism.” He argues that the true risk is not the technology itself, but the human response to it—specifically, the passivity generated by both blind optimism and fatalism.

For Brynjolfsson, artificial intelligence should not be viewed as a substitute agent, but as a technology of intent amplification capable of promoting task reinstatement. If a company has the intent to innovate, AI will amplify that capacity, creating more demand for professionals capable of orchestrating value. Emerging phenomena like vibe-coding—where professionals without highly specific technical training can develop software—point toward the democratization of production capacity. People can shift their focus to the structural design of solutions, which has the potential to expand, rather than contract, the middle-class productive base.

Wholesale Substitution vs. Work Orchestration

The decision to treat AI as a direct substitute for people changes an organization’s incentive structure. The alternative path views AI as an orchestration layer. The difference manifests in concrete practices:

The Substitution Strategy

• Direct reduction of payroll costs as the primary goal.

• Dismissal of the base of analysts and developers as soon as AI can execute basic tasks.

• Tolerance for systemic errors to preserve immediate financial savings.

• Gradual reduction of human participation in operational and risk decisions.

The Orchestration Strategy

• Expansion of cognitive capacity as the primary goal, treating AI as a corporate intent amplifier under strict human supervision.

• Reskilling the junior base: democratizing access to complex problem-solving, allowing entry-level professionals to perform with the leverage of experts.

• Redirecting teams toward data curation, model validation, and exception analysis.

• Using AI to integrate systems, reduce cognitive overload, and make room for the design of unprecedented solutions.

Systemic Risk and the Limits of Financial Efficiency

Prolonged compression of middle-class income triggers a ripple effect on the consumer economy. If a technology with the potential to affect up to 40% of jobs is used primarily to cut payroll, the demand for durable goods, services, and financial products will structurally decline.

The pursuit of strictly financial efficiency creates a macroeconomic trap. Companies improve margins by reducing headcount, but they erode the very customer base that sustains their revenues. Governments lose tax revenue, putting pressure on pension systems and public services.

Automation aimed solely at expense reduction hits a mathematical limit. In an extreme scenario, the wholesale substitution of human labor destroys the purchasing power that justifies production in the first place. Margin gains lose their meaning in economies with depressed demand. Technology only sustains growth when it couples productivity gains with the creation of new utilities and markets.

Conclusion

The integration of AI into cognitive work is not a manifest destiny imposed by technology; it is an organizational design choice. So-so automation, the fracturing of the knowledge pipeline, and the resulting wage compression represent the lazy way out—the mathematical illusion that replacing humans with cheap algorithms will sustain a business model in the long run.

As today’s leading perspectives indicate—ranging from MIT’s caution to Stanford’s “mindful optimism”—the true differentiator is not the size of the language model, but human agency. AI rewards organizations that use it proactively to create new value, and punishes those that view it merely as a spreadsheet-trimming tool. The decision for the next decade is binary: will we be swallowed by the passivity of cutting immediate costs, or will we use AI to amplify our intent to grow and innovate? The viability of the consumer economy depends on how leadership answers this question.

References

• Observer. (2026). The Stanford Economist Studying A.I.’s Jobs Impact Is ‘Mindfully Optimistic’.

• Exame. (2026). Classe média sofrerá efeito inédito com IA, dizem vencedores do Nobel de Economia.

• Acemoglu, D., Autor, D., & Johnson, S. (2026). Building Pro-Worker Artificial Intelligence. MIT Economics, working paper.

• International Monetary Fund (IMF). (2026). The Impact of Artificial Intelligence on Labor Markets. Staff Discussion Note.

• World Economic Forum (WEF). (2025). The Future of Jobs Report 2025.

• Acemoglu, D., & Johnson, S. (2023). Rebalancing AI. Finance & Development, IMF.

• International Monetary Fund (IMF). (2026). New Skills and AI Are Reshaping the Future of Work. IMF Blog.

• International Monetary Fund (IMF). (2024). The Labor Market Impact of Artificial Intelligence: Evidence from US and EU Labor Markets. Working Paper.

Sabe aquele ditado de que “tempo é dinheiro”? No mundo da tecnologia de hoje, essa frase mudou. Agora, “cérebro de computador é dinheiro”. E a nota de 100 desse novo sistema financeiro tem nome: o token.

A gente está muito acostumado com o dinheiro tradicional. Você vai à padaria e paga o pão com Pix. Se viaja para fora, compra dólares. A nossa ideia de riqueza sempre esteve ligada a governos, bancos ou, mais recentemente, às criptomoedas. Mas tem um movimento silencioso ganhando muita força no Vale do Silício que propõe uma loucura fascinante: a moeda mais valiosa do futuro será a capacidade de fazer uma Inteligência Artificial pensar.

E pode fazer muito sentido.

Mas afinal, o que é um “Token”?

Pense na época dos fliperamas ou dos telefones públicos antigos (old-school, eu sei). Você precisava colocar uma “ficha” para a máquina funcionar, certo? No universo da Inteligência Artificial, o “token” é exatamente isso: a ficha que faz a máquina trabalhar.

Sempre que o ChatGPT escreve uma receita de bolo ou resume um texto para você, ele não lê palavras inteiras como nós. Ele quebra o texto em pedacinhos. Cada pedacinho de palavra é um token. Para gerar uma resposta longa, a inteligência artificial gasta milhares de tokens.

O grande pulo do gato é: gerar esses tokens exige uma força bruta gigantesca de computadores de última geração operando nos bastidores. Custa caro, gasta energia e exige equipamentos escassos. Portanto, cada token tem um valor real atrelado ao custo da máquina e da eletricidade. E é aí que ele começa a virar dinheiro.

O novo “padrão-ouro”

Antigamente, as notas de dinheiro tinham seu valor garantido pelo ouro que um país guardava no cofre (padrão Breton Woods e depois a quebra desse padrão em 71). Grandes empresários da tecnologia defendem que a gente deveria parar de medir o valor das coisas só em dólares e começar a medir em tokens.

• A nova riqueza: se a Inteligência Artificial é a tecnologia mais importante do século, ter acesso à capacidade de gerar tokens é o recurso mais valioso do momento.

• Uma moeda sem fronteiras: gerar mil tokens em um supercomputador tem o mesmo resultado aqui no Brasil, no Japão ou no Alasca. É uma “moeda” que SUPOSTAMENTE não sofre com a inflação do governo, não depende de políticos e não tem taxa de câmbio. É um valor puro e universal. Viu o supostamente em maiúsculo, né? É importante. Mais à frente, explico isso em detalhe.

Isso já é real: hoje, pessoas “alugam” a potência de seus computadores caseiros para gerar tokens e recebem por isso. IAs também já “pagam” umas às outras com tokens para acessar dados, sem que nenhum humano precise autorizar a transação.

O custo físico: a guerra pela energia e o token limpo

Mas se o valor do token é universal, o custo para fabricá-lo não é. Para o computador processar instruções de IA e funcionar, ele precisa de eletricidade. Muita eletricidade.

O valor da conta de luz varia de país para país. Isso significa que lugares com energia barata e abundante se tornam as novas “casas da moeda”. Quem tem energia sobrando pode produzir tokens a um custo baixíssimo e inundar o mercado.

E surge uma nova questão: a moralidade do dinheiro. Da mesma forma que evitamos empresas que poluem, o mercado já começa a se perguntar: esse token foi gerado por uma usina de carvão na Ásia ou por energia limpa (eólica ou hidrelétrica) no Brasil? No futuro, o “token verde” pode valer muito mais do que o “token sujo”. Muitas aspas nesse texto todo, né? O exemplo mesmo tem os dias contados: a China está se tornando o grande centro de produção de energia limpa com suas fazendas de painéis solares.

A geopolítica entra em cena: o fim do Dólar?

Tudo isso ganha urgência quando olhamos para a recente crise entre os Estados Unidos e o Irã. Sempre que o clima fecha no Oriente Médio, ressurge o debate sobre os petrodólares (o petróleo sendo vendido apenas em moeda americana).

O dólar está perdendo a confiança mundial. E se ele cair, o que sobra? As opções tradicionais não empolgam:

• O Yuan (China): Muita gente desconfia do banco central chinês por ser controlado por um regime fechado, onde as regras podem mudar da noite para o dia (no caso de regimes fechados, isso é literal).

• Agora, me dá a mão para atravessar essa rua, porque temos também que nos perguntar: o que é confiança ou transparência no mundo de hoje? Depositar fé cega no FED (o banco central americano) também tem seus riscos. O FED é uma estrutura onde filiais regionais pertencem a bancos privados e existe uma “porta giratória” constante entre figurões de Wall Street e diretores do governo. No fim, a suposta liberdade americana muitas vezes é um sistema onde grandes corporações ditam as regras em troca de doações para campanhas políticas. O telhado de vidro é imenso dos dois lados.

• O Euro (Europa): O bloco enfrenta estagnação, uma população envelhecendo e ficou para trás na corrida tecnológica. É uma colcha de retalhos política que treme a cada crise interna.

Nesse vácuo, os tokens de IA aparecem como uma alternativa.

No entanto, temos que lembrar sobre a história do dinheiro: é absolutamente impossível falar de dinheiro sem falar de confiança. E aqui então, vale a pena ampliar um pouco o texto e traçar como começou esse vínculo entre confiança e dinheiro.

Confiança e Dinheiro

1. Confiança no Registro (As Tábuas de Argila)

Muito antes de o primeiro rei pensar em derreter ouro para fazer moedas, a humanidade já usava o dinheiro em formato de crédito. Na antiga Mesopotâmia, há mais de 5 mil anos, os sumérios usavam pequenas peças ou tábuas de argila para anotar quem devia o quê para quem. Se você deixasse sua colheita de cevada no templo (que era o “banco” da época), o escriba te dava pequenos pedaços moldados de barro chamados pelos arqueólogos de, pasmem, tokens. Claro que o sumério não falava token. Mas já que estamos atravessando essa rua, segura na minha mão de novo para a viagem ser completa:

Quem os batizou assim foram os arqueólogos: A palavra “token” foi escolhida na década de 1970 pela arqueóloga franco-americana Denise Schmandt-Besserat. Foi ela quem descobriu e provou que essas pecinhas de argila geométricas não eram brinquedos ou amuletos, mas sim um sistema complexo de contabilidade e a verdadeira origem da escrita. Para explicar isso ao mundo moderno, ela publicou estudos chamando essas peças de “clay tokens” (tokens de argila). O Vale do Silício escolheu a palavra em inglês “token” (que significa ficha, símbolo ou representativo de valor) para o cérebro da Inteligência Artificial e para as criptomoedas. Sem saber (ou sabendo, vai saber...), eles usaram exatamente a mesma palavra que os historiadores já usavam para descrever a primeira tecnologia financeira inventada pela humanidade há 5.000 anos.

Voltando, aquele pedaço de terra seca não tinha valor físico nenhum. A riqueza ali era a confiança no registro. A certeza de que a sociedade e o templo reconheciam que você tinha aquele crédito para trocar por óleo ou roupas no futuro. Ou seja, o primeiro dinheiro da história não era uma mercadoria preciosa, mas sim um grande livro-caixa público de dívidas e créditos. Ironicamente, é exatamente a mesma lógica que sustenta as criptomoedas e o mundo digital de hoje.

2. Confiança no material (O Ouro)

Lá no começo, a confiança era física. Você aceitava uma moeda de ouro em troca de uma vaca porque confiava na escassez do metal. O ouro não enferruja, não perde o brilho e é difícil de achar. A confiança não estava em uma pessoa, estava na natureza daquele material.

3. Confiança na instituição (O Estado)

Hoje, a nota de R$ 100 ou de US$ 100 não vale nada fisicamente. É só um pedaço de papel de algodão colorido (papo hippie que o pai banca as viagens, dos dois tipos). Você aceita esse papel porque confia que, por trás dele, existe um Estado (um Banco Central) e leis que garantem o seu valor (papo de sociólogo sobre como somos vítimas do contrato social e como aceitar essa garantia estatal é admitir que o sistema financeiro global é, no fim das contas, um grande delírio coletivo institucionalizado).

Se a confiança no país quebra, como aconteceu na Venezuela ou no Zimbábue, o dinheiro vira lixo instantaneamente, mesmo que a nota continue a mesma.

4. Confiança na utilidade e na matemática (tokens)

É aqui que os entusiastas dos tokens de IA tentam mudar o jogo. Eles argumentam que estamos substituindo a “confiança no político” pela “confiança na matemática e na utilidade”.

• O lastro real: um token de IA tem um valor intrínseco porque ele executa um trabalho no mundo real (ele processa dados, gera soluções, pensa).

• Código é a lei: você não precisa confiar no bom humor do presidente do Banco Central. Você confia que a rede de computadores vai rodar o código de forma transparente e que a energia gasta para gerar aquele processamento tem um custo inegável.

O problema dos Tokens

Claro, os tokens também têm riscos. Se adotarmos essa moeda, tiramos o poder dos políticos e entregamos para as Big Techs. Teríamos nossa economia supostamente controlada por bilionários do Vale do Silício que são donos da infraestrutura. Além disso, uma crise de chips em Taiwan ou um apagão energético faria essa “moeda” quebrar/desvalorizar instantaneamente.

O que isso muda na sua vida?

Você pode ficar tranquilo: ninguém vai te obrigar a pagar o cafezinho com tokens na semana que vem. O real e o Pix continuam firmes (quero dizer, texto feito em Maio de 2026).

Mas, enquanto as superpotências brigam pelo petróleo e por moedas antigas, o mundo digital já está criando sua própria economia. Marketeiros podem até dizer que a capacidade de gerar inteligência artificial virou o novo petróleo. O dinheiro de amanhã talvez não tenha a cara de nenhum presidente impressa nele. Quando a sua empresa decidir pagar o seu bônus de fim de ano em “capacidade de processamento” para você usar como quiser, você vai saber que o futuro finalmente chegou.

Referências Bibliográficas:

• Sobre a origem da palavra Token há 5.000 anos: SCHMANDT-BESSERAT, Denise. Before Writing: Volume I: From Counting to Cuneiform. Austin: University of Texas Press, 1992. (O estudo da arqueóloga que descobriu as pecinhas de argila que funcionavam como o primeiro dinheiro e contabilidade do mundo).

• Sobre a ideia de que “poder de processamento” é dinheiro: ALTMAN, Sam. Moore’s Law for Everything (e entrevistas recentes). (Debates do CEO da OpenAI sobre como o poder de computação será o recurso mais valioso do futuro e a base da nova economia).

• Sobre o aluguel de computadores na vida real: RENDER NETWORK. The Render Network Whitepaper: A Peer-to-Peer GPU Compute Network. Disponível em: https://rendernetwork.com. (Documentação do projeto pioneiro que permite que pessoas comuns aluguem suas placas de vídeo ociosas em troca de moedas digitais).

Forget the Dollar and Bitcoin: Why “AI Tokens” Might Be the New Currency

You know that saying “time is money”? In today’s tech world, that phrase has changed. Now, “computer brain is money.” And the $100 bill of this new financial system has a name: the token.

We are very used to traditional money. You go to the bakery and pay for bread with Apple Pay or Venmo. If you travel abroad, you buy Euros. Our idea of wealth has always been linked to governments, banks, or, more recently, cryptocurrencies. But there’s a silent movement gaining a lot of traction in Silicon Valley proposing a fascinatingly crazy idea: the most valuable currency of the future will be the ability to make an artificial intelligence think.

And it might make a lot of sense.

But after all, what is a token?

Think back to the days of arcades or old public payphones (old-school, I know). You had to put a “token” in for the machine to work, right? In the artificial intelligence universe, the “token” is exactly that: the coin that makes the machine work.

Whenever ChatGPT writes a cake recipe or summarizes a text for you, it doesn’t read whole words like we do. It breaks the text into little pieces. Each little piece of a word is a token. To generate a long response, the artificial intelligence spends thousands of tokens.

The real kicker is generating these tokens requires a gigantic brute force of state-of-the-art computers operating behind the scenes. It’s expensive, wastes energy, and requires scarce equipment. Therefore, each token has a real value pegged to the cost of the machine and the electricity. And that’s where it starts to become money.

The new gold standard

In the old days, paper money had its value guaranteed by the gold a country kept in a vault (the Bretton Woods system and the subsequent end of that standard in ‘71). Big tech entrepreneurs argue that we should stop measuring the value of things only in dollars and start measuring in tokens.

• The new wealth: If artificial intelligence is the most important technology of the century, having access to the capacity to generate tokens is the most valuable resource of the moment.

• A borderless currency: Generating a thousand tokens on a supercomputer has the same result here in Brazil, in Japan, or in Alaska. It is a “currency” that SUPPOSEDLY doesn’t suffer from government inflation, does not depend on politicians, and has no exchange rate. It is a pure and universal value. You saw the supposedly in all caps, right? It’s important. I’ll explain that in detail later.

This is already real, and today, people “rent” the power of their home computers to generate tokens and get paid for it. AIs are also already “paying” each other with tokens to access data, without any human needing to authorize the transaction.

The physical cost: the war for energy and the clean token

But if the token’s value is universal, the cost to manufacture it is not. For the computer to process AI instructions and work, it needs electricity. A lot of electricity.

The cost of the power bill varies from country to country. This means that places with cheap and abundant energy become the new “mints.” Whoever has surplus energy can produce tokens at a very low cost and flood the market.

And a new question arises: the morality of money. In the same way we avoid companies that pollute, the market is already starting to ask: was this token generated by a coal plant in Asia or by clean energy (wind or hydroelectric) in Brazil? In the future, the “green token” might be worth much more than the “dirty token”. Lots of quotes in this whole text, huh? The example itself has its days numbered: China is becoming the great hub for clean energy production with its massive solar panel farms.

Geopolitics enters the scene: the end of the Dollar?

All this gains urgency when we look at the recent crisis between the United States and Iran. Whenever the climate gets tense in the Middle East, the debate over petrodollars (oil being sold only in American currency) resurfaces.

The dollar is losing global trust. And if it falls, what’s left? The traditional options aren’t exciting:

• The Yuan (China): Many people distrust the Chinese central bank for being controlled by a closed regime, where rules can change overnight (in the case of closed regimes, this is literal).

• Now, stick with me here, because we also have to ask ourselves: what is trust or transparency in today’s world? Putting blind faith in the FED (the American central bank) also has its risks. The FED is a structure where regional branches belong to private banks and there is a constant “revolving door” between Wall Street bigwigs and government directors. In the end, the supposed American freedom is often a system where huge corporations dictate the rules in exchange for political campaign donations. People who live in glass houses shouldn’t throw stones.

• The Euro (Europe): The bloc faces stagnation, an aging population, and has fallen behind in the tech race. It is a political patchwork quilt that shivers with every internal crisis.

In this vacuum, AI tokens appear as an alternative.

Trust and Money

However, we must remember the history of money: it is absolutely impossible to talk about money without talking about trust. And here, it is worth expanding the text a bit and tracing how this bond between trust and money began.

1. Trust in the Record (The Clay Tablets)

Long before the first king thought of melting gold to make coins, humanity was already using money in the form of credit. In ancient Mesopotamia, over 5,000 years ago, the Sumerians used small clay pieces or tablets to record who owed what to whom. If you left your barley harvest at the temple (which was the bank of the time), the scribe would give you small molded pieces of clay called, by archaeologists, brace yourselves, tokens. Of course, the Sumerian didn’t speak the word token. But since we are going down this rabbit hole, bear with me so the trip is complete:

Who named them that were the archaeologists: The word “token” was chosen in the 1970s by the French-American archaeologist Denise Schmandt-Besserat. She was the one who discovered and proved that these little geometric clay pieces were not toys or amulets, but a complex accounting system and the true origin of writing. To explain this to the modern world, she published studies calling these pieces “clay tokens”. Silicon Valley chose the English word “token” (meaning a chip, symbol, or representation of value) for the brain of artificial intelligence and for cryptocurrencies. Without knowing (or knowing, who knows...), they used exactly the same word that historians already used to describe the first financial technology invented by humanity 5,000 years ago.

Coming back, that piece of dry dirt had no physical value whatsoever. The wealth there was the trust in the record. The certainty that society and the temple recognized you had that credit to exchange for oil or clothes in the future. In other words, the first money in history wasn’t a precious commodity but a large public ledger of debts and credits. Ironically, it is exactly the same logic that sustains cryptocurrencies and the digital world today.

2. Trust in the Material (Gold)

In the beginning, trust was physical. You accepted a gold coin in exchange for a cow because you trusted the scarcity of the metal. Gold doesn’t rust, doesn’t lose its shine, and is hard to find. The trust wasn’t in a person; it was in the nature of that material.

3. Trust in the Institution (The State)

Today, the R$ 100 or US$ 100 bill has no physical value. It’s just a piece of colored cotton paper (hippie talk from someone whose dad pays for their trips, both kinds). You accept this paper because you trust that, behind it, there is a State (a Central Bank) and laws that guarantee its value (sociologists talk about how we are victims of the social contract and how accepting this state guarantee is admitting that the global financial system is, in the end, a massive institutionalized collective delusion). If trust in the country breaks, as happened in Venezuela or Zimbabwe, the money turns to trash instantly, even if the bill remains the same.

4. Trust in Utility and Mathematics (Tokens)

This is where AI token enthusiasts try to change the game. They argue that we are replacing “trust in the politician” with “trust in mathematics and utility.”

• The real backing: An AI token has intrinsic value because it performs work in the real world (it processes data, generates solutions, thinks).

• Code is law: You don’t need to trust the good mood of the Central Bank president. You trust that the computer network will run the code transparently and that the energy spent to generate that processing has an undeniable cost.

The Problem with Tokens

Of course, tokens also have risks. If we adopt this currency, we take power away from politicians and hand it over to Big Tech. We would have our economy supposedly controlled by Silicon Valley billionaires who own the infrastructure. Furthermore, a chip crisis in Taiwan or an energy blackout would cause this “currency” to crash/devalue instantly.

What does this change in your life?

You can rest easy: nobody will force you to pay for your coffee with tokens next week. The US dollar and your credit card (I mean, text written in May 2026).

But, while superpowers fight over oil and old currencies, the digital world is already creating its own economy. Marketers can even say that the ability to generate artificial intelligence has become the new oil. Tomorrow’s money might not have any president’s face printed on it. When your company decides to pay your end-of-the-year bonus in “processing capacity” for you to use however you want, you will know that the future has finally arrived.

References

• On the origin of the word “token” 5,000 years ago: SCHMANDT-BESSERAT, Denise. Before Writing: Volume I: From Counting to Cuneiform. Austin: University of Texas Press, 1992. (The study by the archaeologist who discovered the small clay pieces that functioned as the world’s first form of money and accounting).

• On the idea that “computing power” is money: ALTMAN, Sam. Moore’s Law for Everything (and recent interviews). (Discussions by the OpenAI CEO on how compute will be the most valuable resource of the future and the foundation of the new economy).

• On renting out computer power in the real world: RENDER NETWORK. The Render Network Whitepaper: A Peer-to-Peer GPU Compute Network. Available at: https://rendernetwork.com. (Documentation of the pioneering project that allows everyday people to rent out their idle graphics cards in exchange for digital tokens).

No primeiro texto, o foco recaiu sobre IA, emprego e estabilidade social. Esta segunda parte trata dos outros dois eixos da política chinesa de IA.

Controle de informação e disciplina ideológica. Segurança nacional e riscos técnicos.

A ideia central é direta. A China integra IA ao aparato de censura e de segurança do Estado, não trata a tecnologia como neutra.

De algoritmos de recomendação à IA generativa

Antes da explosão da IA generativa, o país já usava algoritmos de recomendação em larga escala. Feeds de notícias, redes sociais e comércio eletrônico dependiam dessa camada.

Isso deslocou o controle do que as pessoas viam primeiro. Em vez de manchetes definidas centralmente, usuários passaram a receber listas personalizadas.

A resposta veio com regulamentos específicos para algoritmos de recomendação. As normas exigem registro de modelos, classificam conteúdo em positivo, negativo e ilegal e determinam que plataformas promovam o primeiro grupo e reduzam o segundo.

Em seguida, surgiu o registro de algoritmos. Provedores precisam informar finalidade, dados de treino e lógica geral de sistemas com potencial de mobilização social. Essa base virou peça central da governança de IA chinesa e passou a incluir serviços de IA generativa.

Deepfakes, “deep synthesis” e integridade da informação

O caso do aplicativo Zao, que popularizou trocas de rosto em vídeo, acelerou a reação a deepfakes.

Assim, o país evoluiu de regras gerais sobre audiovisual online para um regulamento dedicado à “deep synthesis”. O termo abrange geração e edição automática de texto, imagem, áudio, vídeo e cenas virtuais.

As normas exigem duas camadas de marcação. Uma etiqueta técnica em metadados para todo conteúdo gerado por máquina. E uma rotulagem visível em casos com potencial de confundir o público, como vozes sintéticas realistas e vídeos hiper-realistas.

Remover ou ocultar essas etiquetas fere a regra. Provedores devem monitorar conteúdo, reportar material ilegal e combater rumores quando suas ferramentas forem usadas para desinformação.

O ponto decisivo é a responsabilização. As normas tratam provedores de serviços de deep synthesis como produtores diretos do conteúdo, inclusive para fins de sanção administrativa ou penal. Então, o efeito provável é de autocensura técnica, com limitação de funcionalidades em temas sensíveis.

IA generativa e disciplina ideológica

Com modelos de linguagem avançados, vieram medidas interinas para serviços de IA generativa. O texto replica a lógica de controle de conteúdo aplicada a sistemas conversacionais.

As regras determinam que saídas de modelos reflitam “valores socialistas centrais” e proíbem conteúdo que ameace o sistema político, a unidade territorial ou a imagem internacional do país.

Também vetam incitação ao terrorismo, ao separatismo, ao ódio étnico e conteúdos considerados violentos, obscenos ou capazes de perturbar a ordem econômica e social.

Versões mais recentes ajustam a linguagem sobre falsidade. A obrigação passa de “evitar conteúdo falso” para “reduzir conteúdo falso nocivo”, reconhecimento das limitações técnicas de modelos grandes sem flexibilizar o controle político.

Na prática, equipes regulatórias testam modelos domésticos com consultas sensíveis. A aprovação depende de altas taxas de respostas consideradas adequadas sobre temas como Taiwan, protestos e episódios históricos.

Testes independentes mostram que chatbots chineses tendem a recusar perguntas sobre liberdade de imprensa e a enquadrar organizações críticas como instrumentos políticos externos.

IA generativa funciona assim como camada adicional de filtragem e reforço da narrativa oficial.

Arquitetura de segurança: identidade, dados e agentes autônomos

A camada de segurança combina identidade real, proteção de dados e limites a agentes.

Usuários de serviços de IA precisam registrar identidade conforme normas de cibersegurança, reduzindo anonimato e facilitando a responsabilização.

A lei de proteção de dados pessoais estabelece princípios de consentimento e necessidade mínima. Provedores de IA passam a ser tratados como operadores formais de dados, com obrigações de segurança e retenção restrita.

Casos como a paralisação simultânea de mais de cem robôs táxi em Wuhan, que deixaram passageiros presos por horas, expõem riscos operacionais de sistemas autônomos e mobilizam autoridades de segurança pública.

Ao mesmo tempo, laboratórios estrangeiros demonstram modelos capazes de identificar vulnerabilidades em defesas cibernéticas, o que alimenta preocupação com uso ofensivo de IA contra infraestruturas.

IA como ativo de poder e vetor de vulnerabilidade

A China investe em IA em segurança pública, vigilância urbana e monitoramento de redes. Empresas locais ganharam espaço global em visão computacional e reconhecimento facial, o que reforça a confiança interna na base industrial de IA.

A liderança também começa a tratar a perda de controle técnico sobre modelos de fronteira como risco de segurança. Discursos recentes mencionam essa possibilidade em meio a preocupações com roubo de dados e ataques avançados.

O uso de deepfakes em operações de influência ilustra o dilema. Internamente, o país regula de forma rígida conteúdo sintético e associa deepfakes a risco de instabilidade. Externamente, analistas apontam interesse em explorar tecnologias semelhantes em campanhas de influência em outras regiões.

Organizações de monitoramento de mídia mostram que chatbots chineses reproduzem elementos de propaganda estatal. Respostas sobre temas sensíveis tendem a seguir roteiros oficiais ou a deslegitimar fontes críticas.

IA aparece assim como ativo de poder e, ao mesmo tempo, como fonte de novas vulnerabilidades técnicas e políticas.

Implicações para empresas e líderes fora da China

Empresas globais de tecnologia que operam na China precisam lidar com versões regulatórias múltiplas dos mesmos produtos. Modelos devem ser ajustados para cumprir regras chinesas de conteúdo e de dados, sem violar exigências de outras jurisdições.

Na prática, muitas optam por manter variantes de sistemas. Uma versão para uso doméstico, alinhada a políticas chinesas de conteúdo e registro. Outra para mercados com regimes jurídicos diferentes.

Grupos econômicos diversificados enfrentam desafios em duas frentes. Adaptação de sistemas às exigências de identidade real, retenção de dados e rotulagem de conteúdo sintético. E gestão de risco reputacional em países com expectativas distintas sobre privacidade e liberdade de expressão.

A exigência chinesa de etiquetas técnicas e visíveis para deepfakes antecipa debates globais sobre marcação de conteúdo gerado por IA. Empresas multinacionais que experimentam esses mecanismos hoje tendem a levar aprendizados para outros mercados.

Para lideranças de negócios e tecnologia, a conclusão é pragmática. Governança de IA precisa reconhecer que modelos e agentes atravessam regimes regulatórios com prioridades políticas diferentes. Arquiteturas, políticas de dados e camadas de filtragem terão de refletir essa diversidade.

Conclusão

Nos dois textos, o quadro se mantém. A China trata IA como tecnologia de potência, mas ancora seu desenvolvimento em três frentes de controle. Emprego e estabilidade social. Informação e disciplina ideológica. Segurança nacional e cibersegurança.

No campo de controle de informação, o país combina regulamentos sobre algoritmos de recomendação, deepfakes e IA generativa com um registro de modelos que permite rastrear e intervir em sistemas com capacidade de mobilização social.

Na dimensão de segurança, reforça exigências de identidade real, proteção de dados e padrões para agentes autônomos, ao mesmo tempo em que amplia uso de IA em vigilância e operações digitais.

A experiência chinesa ilustra o tipo de tensão que outros países e empresas também enfrentarão. Como capturar ganhos econômicos e estratégicos de IA sem perder controle sobre emprego, informação e infraestrutura crítica. A resposta chinesa segue um caminho próprio, alinhado ao seu modelo político, e fornece um caso concreto de uso de IA como instrumento direto de poder estatal.

Referências bibliográficas

• Economist. “Why China’s Government Worries About AI”. Edição China, 16 abril 2026.

• Carnegie Endowment for International Peace. “China’s AI Policy at the Crossroads: Balancing Development and Control in the DeepSeek Era”. 2025.

• Carnegie Endowment for International Peace. “Tracing the Roots of China’s AI Regulations”. 27 fevereiro 2024.

• Daum, Jeremy. “Overview of Draft Measures on Generative AI”. China Law Translate, abril 2023, atualizado em 2025.

• Asia Society Policy Institute. “China’s Emerging Approach to Regulating General-Purpose Artificial Intelligence: Balancing Innovation and Control”. 7 fevereiro 2024.

• China Media Project. “How China Thinks About AI Safety”. 19 setembro 2024.

• Jamestown Foundation. “Deepfakes with Chinese Characteristics: PRC Influence Operations in 2024”. 22 julho 2025.

China on a Tightrope: AI, information control, and national security (2/2)

In the first text, the focus was on AI, employment, and social stability. This second part looks at the other two axes of China’s AI policy.

Control of information and ideological discipline. National security and technical risk.

The core idea is straightforward. China integrates AI into its censorship and security apparatus and does not treat the technology as neutral.

From recommendation algorithms to generative AI

Well before the boom in generative AI, the country was already using recommendation algorithms at scale. News feeds, social networks, and e-commerce all depended on this layer.

This shifted control over what people saw first. Instead of centrally defined headlines, users started receiving personalized lists.

The response came through specific regulations for recommendation algorithms. The rules require model registration, classify content as positive, negative, or illegal, and instruct platforms to promote the first group and reduce the second.

Next came the algorithm registry. Providers must disclose the purpose, training data, and general logic of systems with potential for social mobilization. That database became a central piece of China’s AI governance and now includes generative AI services.

Deepfakes, “deep synthesis”, and information integrity

The case of the Zao app, which popularized face-swap videos, accelerated the reaction to deepfakes.

This forces the country to move from general rules on online audiovisual content to a regulation dedicated to “deep synthesis”. The term covers automatic generation and editing of text, images, audio, video, and virtual scenes.

Now, rules require two layers of labeling. A technical tag in metadata for all machine-generated content. And a visible label for cases that could mislead the public, such as realistic synthetic voices and hyper-realistic videos.

Removing or hiding these labels violates the regulation. Providers must monitor content, report illegal material, and counter rumors when their tools are used to spread disinformation.

However, the decisive point is liability. The rules treat deep synthesis service providers as direct producers of content, including for administrative and criminal sanctions. Its likely effect is technical self-censorship, with limited features on sensitive topics.

Generative AI and ideological discipline

With advanced language models, the government introduced interim measures for generative AI services. The text replicates the content-control logic applied to conversational systems.

The rules state that model outputs must reflect “core socialist values” and prohibit content that threatens the political system, territorial unity, or the country’s international image.

They also ban incitement to terrorism, separatism, and ethnic hatred, as well as content classified as violent, obscene, or capable of disrupting economic or social order.

More recent versions adjust the language around falsity. The obligation shifts from “avoiding false content” to “reducing harmful false content”, acknowledging technical limits of large models without loosening political control.

In practice, regulators test domestic models with sensitive prompts. Approval depends on high rates of “acceptable” answers on topics like Taiwan, protests, and specific historical events.

Independent tests strongly suggest that Chinese chatbots tend to refuse questions about press freedom and to frame critical organizations as political instruments of foreign actors.

Generative AI thus operates as an additional layer of filtering and reinforcement of the official narrative.

Security architecture: identity, data, and autonomous agents

The security layer combines real-name identity, data protection, and constraints on agents.

Users of AI services must register their identity under cybersecurity rules, which reduces anonymity and simplifies attribution.

Data protection law establishes principles of consent and data minimization. AI providers are treated as formal data handlers, with obligations on security and limited retention.

Events such as the simultaneous shutdown of more than one hundred robotaxis in Wuhan, which left passengers stranded for hours, expose operational risks in autonomous systems and trigger responses from public-security authorities.

At the same time, foreign labs demonstrate models capable of finding vulnerabilities in cyber-defense systems, which feeds concern about offensive uses of AI against infrastructure.

AI as a power asset and a source of vulnerability

China invests in AI for public security, urban surveillance, and network monitoring. Local companies have gained global ground in computer vision and facial recognition, which reinforces internal confidence in the AI industrial base.

The leadership is also starting to frame loss of technical control over frontier models as a security risk. Recent speeches mention this possibility alongside worries about data theft and advanced attacks.

The use of deepfakes in influence operations illustrates the dilemma. Domestically, the country tightly regulates synthetic content and associates deepfakes with instability risk. Externally, analysts see interest in using similar technologies in influence campaigns abroad.

Media-monitoring organizations show that Chinese chatbots reproduce elements of state propaganda. Answers on sensitive topics tend to follow official scripts or delegitimize critical sources.

AI therefore appears both as a power asset and as a source of new technical and political vulnerabilities.

Implications for companies and leaders outside China

Global technology companies operating in China must cope with multiple regulatory versions of the same products. Models need to be adjusted to comply with Chinese content and data rules without violating requirements in other jurisdictions.

In practice, many choose to maintain system variants. One version for domestic use, aligned with Chinese policies on content and logging. Another for markets with different legal regimes.

Diversified business groups face challenges on two fronts. Adapting systems to real-name, data-retention, and synthetic-content labeling requirements. And managing reputational risk in countries with different expectations on privacy and freedom of expression.

China’s requirement for technical and visible labels on deepfakes anticipates global debates on marking AI-generated content. Multinational firms experimenting with these mechanisms today tend to carry lessons into other markets.

For business and technology leaders, the conclusion is pragmatic. AI governance must recognize that models and agents cross regulatory regimes with different political priorities. Architectures, data policies, and filtering layers will need to reflect that diversity.

Conclusion

Across both texts, the picture is consistent. China treats AI as a power technology but anchors its development in three control fronts. Employment and social stability. Information and ideological discipline. National security and cybersecurity.

On information control, the country combines regulations on recommendation algorithms, deepfakes, and generative AI with a model registry that enables tracking and intervention in systems with mobilization capacity.

On security, it reinforces real-name requirements, data-protection obligations, and standards for autonomous agents while expanding the use of AI in surveillance and digital operations.

The Chinese experience illustrates the kind of tension that other countries and companies will also face. How to capture economic and strategic gains from AI without losing control over employment, information, and critical infrastructure. The Chinese answer follows its own political model and offers a concrete case of AI used as a direct instrument of state power.

References

• Economist. “Why China’s Government Worries About AI”. China section, 16 April 2026.

• Carnegie Endowment for International Peace. “China’s AI Policy at the Crossroads: Balancing Development and Control in the DeepSeek Era”. 2025.

• Carnegie Endowment for International Peace. “Tracing the Roots of China’s AI Regulations”. 27 February 2024.

• Daum, Jeremy. “Overview of Draft Measures on Generative AI”. China Law Translate, April 2023, updated 2025.

• Asia Society Policy Institute. “China’s Emerging Approach to Regulating General-Purpose Artificial Intelligence: Balancing Innovation and Control”. 7 February 2024.

• China Media Project. “How China Thinks About AI Safety”. 19 September 2024.

• Jamestown Foundation. “Deepfakes with Chinese Characteristics: PRC Influence Operations in 2024”. 22 July 2025.

A China trata a inteligência artificial como tecnologia de potência econômica e instrumento de disputa geopolítica. A liderança chinesa aposta em modelos avançados, mas convive com medo de instabilidade interna.

Três eixos aparecem recorrentemente em discursos e normas. Emprego e estabilidade social. Controle da informação e da narrativa política. Segurança nacional e cibersegurança.

Este texto explora o primeiro eixo. IA como força que pressiona o mercado de trabalho urbano. E as respostas políticas que tentam amortecer esse impacto sem frear totalmente a inovação.

OpenClaw e o laboratório social da adoção em massa

O caso OpenClaw oferece um recorte concreto da interação entre entusiasmo popular e risco percebido pelo Estado.

Em Shenzhen, centenas de pessoas formaram filas diante da sede de uma grande empresa de tecnologia para instalar o agente de IA em seus celulares. A maioria eram aposentados curiosos e estudantes preocupados com um mercado de trabalho difícil.

A cena se repetiu em diversas cidades chinesas. O número de usuários cresceu rápido e superou outros mercados. O país demonstrou capacidade de adoção veloz de agentes de IA pelo público geral.

O entusiasmo durou pouco. Relatos de exclusão de dados sensíveis começaram a surgir. Investigações locais apontaram consumo intenso de computação, com impacto financeiro para usuários sem visão clara de custos.

Reguladores agiram de forma incomum. Em vez de incentivar a difusão da aplicação, passaram a frear o uso. Autoridades classificaram o agente como risco potencial para vazamento de dados, invasão de dispositivos e exploração por atacantes externos.

O software foi proibido em bancos e em outros setores considerados sensíveis. O período de euforia terminou abruptamente. Em seguida, surgiu um pequeno mercado de serviços pagos de desinstalação do agente.

O episódio ilustra o padrão que se repete em outros domínios. Adoção acelerada, seguida de reavaliação estatal rápida quando riscos sociais e técnicos se tornam visíveis.

Juventude, robôs e ansiedade de carreira

O pano de fundo econômico intensifica as preocupações com IA e emprego. A China enfrenta desaceleração do crescimento e mudanças demográficas que reduzem a oferta de mão de obra jovem.

Dados de pesquisas oficiais indicam aumento consistente da parcela de trabalhadores que teme perder o emprego para sistemas de IA. Em poucos anos, a proporção de pessoas preocupadas com substituição tecnológica cresceu de 49 por cento para 59 por cento.

A taxa de desemprego entre jovens em áreas urbanas gira em torno de 16 por cento, aproximadamente o dobro do nível observado em economias como a americana. Essa combinação de estagnação salarial e incerteza futura cria terreno fértil para tensões.

A automação visível reforça essa percepção. Em Wuhan, robôs-táxi já circulam em vias públicas. Motoristas de táxi atribuem queda de renda à frota de veículos autônomos. Grupos organizados enviaram petições pedindo que autoridades contenham o ritmo de implantação.

Analistas locais descrevem um fenômeno recorrente. Domínio de ferramentas de IA aparece, em mídia e redes chinesas, como forma possível de melhorar chances no mercado de trabalho. A fila para instalar OpenClaw em Shenzhen expressa, ao mesmo tempo, curiosidade tecnológica e medo de obsolescência profissional.

Essa ansiedade influencia a forma como executivos e formuladores de políticas falam sobre IA. A narrativa oficial destaca ganhos de produtividade, mas precisa dialogar com a percepção cotidiana de trabalhadores ameaçados por robôs, agentes de IA e automatização de decisões.

Proteção formal ao emprego na era da IA

A resposta estatal vai além de discursos genéricos sobre “qualificação contínua”. Em alguns casos, normas específicas tentam proteger o vínculo de trabalho diante da automação.

Em Pequim, autoridades publicaram regulamento que proíbe empresas de demitir funcionários substituídos diretamente por sistemas de IA. Comentários em veículos estatais comparam essa prática a transferir integralmente para trabalhadores o risco associado a mudanças tecnológicas. O texto defende que empresas que capturam benefícios de IA também assumam responsabilidade pelos custos sociais.

Órgãos públicos preparam um livro branco sobre o impacto de IA no emprego. O documento deve sistematizar dados sobre substituição de tarefas, criação de novas funções e distribuição setorial de riscos. O objetivo declarado é orientar políticas de proteção de trabalhadores e programas de requalificação.

Em paralelo, a retórica oficial insiste em duas linhas. Primeiro, reafirma a confiança na capacidade da China de combinar adoção de IA com proteção de empregos. Segundo, destaca a necessidade de empresas privadas considerarem obrigações sociais ao utilizar sistemas avançados.

Essas medidas não impedem movimentos de racionalização de quadros. Elas sinalizam a intenção do Estado de preservar o mínimo de estabilidade social durante transições tecnológicas mais agressivas.

IA, crescimento e controle estatal sobre a trajetória tecnológica

A visão chinesa de IA não se limita ao mercado de trabalho. A tecnologia se conecta a metas de crescimento, modernização industrial e disputa com outras potências.

A liderança do país descreve IA como tecnologia que define uma época. Discursos oficiais associam diretamente a adoção de sistemas avançados de IA aos planos de recuperação econômica e de fortalecimento da base industrial.

Ao mesmo tempo, o presidente Xi Jinping reforça a ideia de que a IA precisa permanecer “controlável”. A palavra inclui dois elementos. Domínio técnico doméstico sobre modelos, dados e infraestrutura. E enquadramento político sob autoridade central, com pouca margem para trajetórias tecnológicas autônomas.

Grandes empresas de tecnologia têm papel central nesse arranjo. Elas desenvolvem modelos de fronteira, oferecem infraestrutura de computação e exploram aplicações comerciais em escala. O surto de uso de OpenClaw foi impulsionado por alguns desses conglomerados, interessados em monetizar a demanda por computação para agentes generativos.

Ao perceber desalinhamento potencial entre interesse público e estratégias de monetização, o Partido recorre a um círculo de acadêmicos e especialistas de confiança. Pesquisadores e fundadores de laboratórios de IA domésticos participam de reuniões com o primeiro escalão do governo. Eles aconselham sobre diretrizes de regulação e prioridades de investimento.

Esse desenho cria um triângulo de forças. Pressão por competitividade tecnológica. Demanda popular por ferramentas que facilitem trabalho e consumo. Necessidade estatal de preservar estabilidade e controle político. O equilíbrio resultante molda a forma como a IA chega ao chão das empresas e ao cotidiano de trabalhadores.

Lições práticas para executivos e líderes de tecnologia

Para executivos e líderes de tecnologia fora da China, o caso oferece pistas úteis sobre gestão de risco trabalhista em projetos de IA.

Alguns pontos se destacam.

Primeiro. Emprego precisa entrar cedo na arquitetura de programas de IA. Planos de automação que tratam impactos trabalhistas apenas como efeito colateral aumentam a probabilidade de reação negativa de funcionários e reguladores. Experiências chinesas mostram que governos podem responder com restrições diretas a demissões ligadas à IA.

Segundo. Transparência sobre redistribuição de tarefas reduz ansiedade. Trabalhadores expostos a robôs-táxi e agentes de IA interpretam esses sistemas como ameaça direta. Explicar com precisão quais funções serão substituídas, adaptadas ou criadas ajuda a conter boatos e pressões políticas.

Terceiro. Programas de requalificação precisam de metas concretas. Documentos chineses apontam para elaboração de livros brancos e planos formais sobre IA e emprego. Em empresas, algo equivalente significaria definir trilhas de capacitação ligadas a funções claras e resultados mensuráveis, não apenas ofertas genéricas de cursos.

Quarto. Incentivos internos devem considerar custos sociais da automação. Empresas chinesas receberam recado explícito de que ganhos de produtividade não justificam a externalização completa de riscos para trabalhadores. Políticas de bônus e metas podem incluir indicadores de preservação de empregos ou de realocação bem-sucedida.

Quinto. Comunicação com reguladores precisa ser contínua. Autoridades chinesas reagem com rapidez a episódios como o de OpenClaw e a falhas de robôs-táxi. Em outros países, agências reguladoras podem seguir caminho semelhante. Antecipar discussões, em vez de responder apenas após incidentes, reduz a probabilidade de proibições abruptas.

Para líderes de tecnologia, o ponto central é claro. Projetos de IA não podem ser tratados apenas como iniciativas de eficiência operacional. A dimensão trabalhista precisa participar do desenho desde o início.

Conclusão

A trajetória recente da China mostra uma combinação de ambição tecnológica e cautela social. O país acelera investimentos em IA e permite ondas de adoção em massa, como no caso OpenClaw. Em seguida, intervém de forma direta quando percebe riscos concretos para emprego, privacidade ou segurança operacional.

No eixo de emprego e estabilidade social, a resposta inclui normas que desestimulam demissões ligadas exclusivamente à automação, produção de estudos oficiais sobre impacto em trabalhadores e pressão pública sobre empresas para assumirem parte dos custos de transição.

Esse arranjo não resolve o dilema central. IA continua a deslocar tarefas e a gerar ansiedade entre jovens e trabalhadores de serviços. O que muda é a distribuição de riscos entre empresas, Estado e indivíduos. A experiência chinesa indica um Estado disposto a intervir nessa distribuição para preservar a coesão social, enquanto tenta manter a velocidade de adoção tecnológica.

Os outros dois eixos de preocupação permanecem em aberto. Controle da informação e disciplina ideológica. Segurança nacional e vulnerabilidades técnicas em agentes autônomos e infraestruturas críticas. A forma como a China trata IA nesses domínios complementa o quadro apresentado aqui e será o foco da segunda parte desta análise.

Referências bibliográficas

• Economist. “Why China’s Government Worries About AI”. Edição China, 16 abril 2026.

• Carnegie Endowment for International Peace. “China’s AI Policy at the Crossroads: Balancing Development and Control in the DeepSeek Era”. 2025.

• Carnegie Endowment for International Peace. “Tracing the Roots of China’s AI Regulations”. 27 fevereiro 2024.

• Daum, Jeremy. “Overview of Draft Measures on Generative AI”. China Law Translate, abril 2023, atualizado em 2025.

• Asia Society Policy Institute. “China’s Emerging Approach to Regulating General-Purpose Artificial Intelligence: Balancing Innovation and Control”. 7 fevereiro 2024.

• China Media Project. “How China Thinks About AI Safety”. 19 setembro 2024.

• Jamestown Foundation. “Deepfakes with Chinese Characteristics: PRC Influence Operations in 2024”. 22 julho 2025.

China on a Tightrope: AI, employment, and social stability (1/2)

China treats artificial intelligence as a technology of economic power and a tool in geopolitical competition. The country’s leadership invests in advanced models while living with the fear of internal instability.

Three themes appear repeatedly in speeches and regulations. Employment and social stability. Control of information and political narrative. National security and cybersecurity.

This text explores the first theme. AI as a force that puts pressure on the urban labor market. And the policy responses that try to soften this impact without fully slowing down innovation.

OpenClaw and the social laboratory of mass adoption

The OpenClaw case offers a concrete snapshot of how popular enthusiasm interacts with state-perceived risk.

In Shenzhen, hundreds of people queued outside the headquarters of a large technology company to install the AI agent on their phones. Most were curious retirees and students worried about a difficult labor market.

The same scene played out in several Chinese cities. User numbers rose quickly and surpassed other markets. The country showed that it can adopt AI agents at scale among the general public.

The enthusiasm did not last. Reports of the deletion of sensitive data began to appear. Local investigations pointed to heavy compute consumption, with financial impact for users who had no clear view of costs.

Regulators acted in an unusual way. Instead of encouraging the spread of the application, they started to slow down its use. Authorities classified the agent as a potential risk for data leaks, device compromise, and exploitation by external attackers.

The software was banned in banks and other sectors considered sensitive. The boom ended abruptly. A small market of paid services for uninstalling the agent then appeared.

The episode illustrates a pattern that recurs in other domains. Rapid adoption, followed by quick state re-evaluation when social and technical risks become visible.

Youth, robots, and career anxiety

The economic backdrop amplifies concerns about AI and employment. China faces slower growth and demographic change that reduces the supply of young labour.

Official surveys show a consistent increase in the share of workers who fear losing their jobs to AI systems. In a few years, the proportion of people worried about technological substitution rose from 49 percent to 59 percent.

Urban youth unemployment sits around 16 percent, roughly double the level seen in economies such as the United States. This combination of wage stagnation and future uncertainty creates fertile ground for tensions.

Visible automation reinforces this perception. In Wuhan, robotaxis already run on public roads. Taxi drivers attribute their loss of income to the fleet of autonomous vehicles. Organized groups have filed petitions asking authorities to slow down deployment.

Local analysts describe a recurrent phenomenon. Mastery of AI tools appears in Chinese media and social networks as a possible way to improve labor-market prospects. The queue to install OpenClaw in Shenzhen expressed, at the same time, technological curiosity and fear of professional obsolescence.

This anxiety shapes how executives and policymakers talk about AI. The official narrative highlights productivity gains, but it must also address the daily perception of workers who feel threatened by robots, AI agents, and automated decision-making.

Formal protection of employment in the AI era

The state response goes beyond generic speeches about “continuous upskilling”. In some cases, specific rules try to protect employment relationships in the face of automation.

In Beijing, authorities issued a regulation that prohibits companies from laying off employees who are directly replaced by AI systems. Commentaries in state media compare this practice to shifting all the risk of technological change onto workers. The text argues that companies that capture the benefits of AI should also take responsibility for social costs.

Public bodies are preparing a white paper on the impact of AI on employment. The document is meant to systematize data on task substitution, creation of new roles, and sectoral distribution of risks. The stated goal is to guide worker-protection policies and reskilling programs.

In parallel, official rhetoric reinforces two lines. First, it reiterates confidence that China can combine AI adoption with job protection. Second, it stresses that private companies must consider social obligations when they deploy advanced systems.

These measures do not prevent headcount rationalization. They signal the State’s intention to preserve a minimum level of social stability during more aggressive technological transitions.

AI, growth, and state control over the technological trajectory

The Chinese view of AI goes beyond the labor market. The technology links to goals of growth, industrial modernization, and competition with other powers.

The country’s leadership describes AI as an era-defining technology. Official speeches connect the adoption of advanced AI systems directly to plans for economic recovery and strengthening of the industrial base.

At the same time, President Xi Jinping reinforces the idea that AI must remain “controllable”. The term includes two elements. Domestic technical control over models, data, and infrastructure. And political framing under central authority, with little room for autonomous technological trajectories.

Large technology companies play a central role in this arrangement. They develop frontier models, provide compute infrastructure, and explore commercial applications at scale. The surge in OpenClaw usage was driven by some of these conglomerates, which saw an opportunity to monetize demand for compute for generative agents.

When it perceives a potential misalignment between the public interest and monetization strategies, the Party turns to a circle of trusted academics and experts. Researchers and founders of domestic AI labs take part in meetings with the top tier of government. They advise on regulatory guidelines and investment priorities.

This design creates a triangle of forces. Pressure to remain technologically competitive. Popular demand for tools that make work and consumption easier. And the State’s need to preserve stability and political control. The resulting balance shapes how AI reaches factory floors, offices, and the daily lives of workers.

Practical lessons for executives and technology leaders

For executives and technology leaders outside China, the case offers useful clues on managing labor risk in AI projects.

Some points stand out.

First. Employment needs to be built into AI programs from the start. Automation plans that treat labor impacts only as a side effect raise the odds of backlash from employees and regulators. Chinese experience shows that governments may respond with direct restrictions on AI-related layoffs.

Second. Transparency on task redistribution reduces anxiety. Workers exposed to robotaxis and AI agents interpret these systems as a direct threat. Explaining precisely which functions will be replaced, adapted, or created helps contain rumors and political pressure.

Third. Reskilling programs need concrete targets. Chinese documents point to the preparation of white papers and formal plans on AI and employment. In companies, the equivalent would be to define training paths tied to clear roles and measurable outcomes, not just generic course catalogues.

Fourth. Internal incentives must factor in the social costs of automation. Chinese firms received a clear signal that productivity gains do not justify pushing all risks onto workers. Bonus schemes and performance targets can include indicators on job preservation or successful redeployment.

Fifth. Communication with regulators needs to be continuous. Chinese authorities react quickly to episodes such as OpenClaw and robotaxi failures. In other countries, regulators may follow a similar path. Anticipating discussions, instead of responding only after incidents, reduces the likelihood of sudden bans.

For technology leaders, the core point is straightforward. AI initiatives cannot be treated only as efficiency projects. The labor dimension has to be part of the design from the beginning.

Conclusion

China’s recent trajectory shows a combination of technological ambition and social caution. The country steps up AI investment and allows waves of mass adoption, as in the OpenClaw case. It then intervenes directly when it sees concrete risks to employment, privacy, or operational safety.

On the employment and social-stability axis, the response includes rules that discourage layoffs driven solely by automation, the production of official studies on worker impact, and public pressure on companies to bear part of the transition costs.

This arrangement does not solve the central dilemma. AI continues to displace tasks and to create anxiety among young people and service workers. What changes is the distribution of risk between companies, the State and individuals. The Chinese experience shows a State willing to intervene in that distribution to preserve social cohesion while trying to keep the pace of technological adoption.

The other two axes of concern remain open. Control of information and ideological discipline. National security and technical vulnerabilities in autonomous agents and critical infrastructure. How China handles AI in these domains completes the picture outlined here and will be the focus of the second part of this analysis.

References

• Economist. “Why China’s Government Worries About AI”. China section, 16 April 2026.

• Carnegie Endowment for International Peace. “China’s AI Policy at the Crossroads: Balancing Development and Control in the DeepSeek Era”. 2025.

• Carnegie Endowment for International Peace. “Tracing the Roots of China’s AI Regulations”. 27 February 2024.

• Daum, Jeremy. “Overview of Draft Measures on Generative AI”. China Law Translate, April 2023, updated 2025.

• Asia Society Policy Institute. “China’s Emerging Approach to Regulating General-Purpose Artificial Intelligence: Balancing Innovation and Control”. 7 February 2024.

• China Media Project. “How China Thinks About AI Safety”. 19 September 2024.

• Jamestown Foundation. “Deepfakes with Chinese Characteristics: PRC Influence Operations in 2024”. 22 July 2025.

O Paradoxo da Produtividade em 2026: Por que sua empresa tem IA, mas não entrega mais rápido?

O mercado comprou licenças de IA esperando ganhos exponenciais de velocidade na engenharia. A realidade, consolidada nos dados do DX Annual 2026, evento que aconteceu em 16 de abril desse ano, apresenta um cenário diferente: a automação acelerou a escrita do código, mas as empresas continuam entregando no mesmo ritmo.

Um estudo controlado discutido no evento escancarou o tamanho dessa ilusão através do “paradoxo da percepção”. Desenvolvedores sêniores operando com assistentes relataram sentir-se 20% mais rápidos. A medição real, contudo, mostrou que eles levaram 19% mais tempo para concluir as tarefas, consumidos pela carga extra de revisar e corrigir as sugestões geradas. Esse abismo de quase 40 pontos de percepção explica a dissonância diária entre a diretoria, que acredita em um salto de produtividade, e a operação, que continua estrangulada.

O código sai da máquina do desenvolvedor em minutos e para na primeira barreira do processo. Dados da Microsoft mostram que codificar representa, em média, apenas 14% do tempo de um engenheiro. Os outros 86% são testes, validações, documentação e aprovações. A Vanguard ilustra esse ponto com precisão: o uso de agentes reduziu o tempo de codificação em 30%, mas o ciclo ponta a ponta ficou intacto. A feature ficava pronta em 2 dias e passava 5 dias aguardando revisão de segurança, mais 3 em onboarding de API.

A otimização de uma única etapa da cadeia gerou apenas uma fila de espera mais rápida. A IA acelerou a produção de código, mas expôs as restrições em outros lugares. Quando essa produção de código foi otimizada, perceberam que aumentaram o “work-in-progress” ao invés de aumentar a vazão.

Transformação de Sistema vs. Adoção de Ferramenta

A diferença de resultados entre as empresas obedece a um padrão claro. Organizações que observam ganhos modestos e incrementais mantêm o foco estrito em ferramentas. Aquelas que alcançam mudanças reais de patamar redesenham fluxos de trabalho, modelos operacionais e sistemas de desenvolvimento, equilibrando velocidade bruta com impacto real de negócio.

A fronteira operacional também está desaparecendo. No Airbnb, o número de usuários de ferramentas de IA operando fora da engenharia já é o dobro do número de desenvolvedores. PMs, designers e até membros do time financeiro estão rodando workflows de código autonomamente.

A transformação precisa ser tratada como um produto e uma iniciativa organizacional. A distribuição de assistentes de código para o time resolve uma fração mínima do problema; o desafio executivo e técnico exige orquestrar o ciclo de vida completo do software.

O Desafio das Métricas e a Estratégia de Adoção

As métricas de engenharia tradicionais são amplamente reconhecidas como insuficientes. Indicadores como volume de Pull Requests sofrem manipulação fácil e falham em refletir impacto no produto. Empresas líderes estão experimentando modelos de medição em múltiplas camadas, cruzando adoção, atividade, output e resultados de negócio. Esse rigor se tornou obrigatório porque o uso de IA virou uma despesa operacional pesada.

A 1Password trouxe a definição exata para o mercado: o gasto com tokens de IA virou a nova fatura de infraestrutura de cloud. Corporações já operam com contas batendo US$ 128 mil por semana em tokens, e a liderança da Uber assumiu ter consumido seu orçamento anual de IA de 2026 em poucos meses. O controle de custos exige uma disciplina rigorosa de FinOps.

Forçar o uso via mandatos costuma gerar distorções severas de comportamento. A Etsy alertou sua liderança sobre o perigo do tokenmaxxing: desenvolvedores gerando código ou interações desnecessárias apenas para inflar métricas e cumprir metas impostas de adoção. As abordagens mais eficazes combinam expectativas claras, segurança psicológica e capacitação estruturada (enablement). A Indeed comprovou essa tese ao colocar seus milhares de engenheiros em treinamentos agnósticos de ferramentas, colhendo uma redução orgânica de 36% no tempo de codificação. Avaliações baseadas em resultados sempre criarão uma adoção superior às imposições top-down.

Dívida Técnica, Dívida Cognitiva e Governança

A inteligência artificial acelera a produção de código num ritmo superior à capacidade de evolução da arquitetura. Isso cria riscos imediatos envolvendo código duplicado, queda de manutenibilidade e degradação da qualidade a longo prazo.

Ainda assim, empresas que atacam o processo na totalidade conseguem blindar a operação. A Intercom, por exemplo, viu 95% de seus Pull Requests serem escritos por IA, enquanto seu backlog de defeitos caiu mais de 50%. O investimento antecipado em governança, políticas claras e controle de acesso atua como um motor de velocidade, permitindo escalar o uso sem quebrar a qualidade.

A responsabilidade humana continua crítica independentemente do nível de automação. A ausência de fiscalização cria uma categoria perigosa: a dívida cognitiva. Ao delegar excessivamente o raciocínio arquitetural para os modelos, os engenheiros perdem o entendimento profundo do sistema, elevando drasticamente a fragilidade da operação no longo prazo.

A Evolução do Papel e o Apagão de Talentos Juniores

A função do engenheiro de software abandonou a mera escrita de sintaxe para assumir a orquestração de sistemas complexos. As atividades principais agora envolvem definir intenções, configurar restrições e validar outputs rigorosamente. A adaptabilidade e o foco em resultados se tornaram as habilidades primárias para o sucesso, superando o domínio temporário de qualquer ferramenta específica. A indefinição sobre progressão de carreira sob esse novo modelo já se tornou um risco de retenção nas empresas.

Essa transição acelera uma crise silenciosa na base da pirâmide. O declínio na contratação de engenheiros juniores já existia e foi drasticamente acelerado pela automação de tarefas iniciais. As organizações caminham para um apagão de capacidade técnica. Executivos da Microsoft trouxeram a proposta do “modelo de supervisão”: a principal responsabilidade do sênior precisa mudar da simples entrega de código para o ensino de governança, ensinando o júnior a auditar e gerenciar a IA.

A formação de engenheiros seniores exige desenvolvimento contínuo e anos de exposição a sistemas reais. A falha em investir em talentos no início de carreira representa um risco estrutural crônico para a indústria de software.

Conclusão

As organizações que dominarão o mercado nos próximos anos já superaram a obsessão inicial pelos assistentes de código. O diferencial competitivo pertence àqueles que dedicam energia a redesenhar a forma como o trabalho flui por todo o sistema.

The 2026 Productivity Paradox: Why Your Company Has AI But Isn’t Delivering Any Faster

The market bought AI licenses expecting exponential speed gains in engineering. The reality, consolidated in data from DX Annual 2026, an event that took place on April 16 of this year, presents a different scenario: automation has accelerated code writing, but companies continue to ship at the same pace.

A controlled study discussed at the event exposed the scale of this illusion through the “perception paradox.” Senior developers operating with assistants reported feeling 20% faster. Actual measurement, however, showed that they took 19% longer to complete tasks, consumed by the extra load of reviewing and correcting generated suggestions. This gap of nearly 40 perception points explains the daily dissonance between the boardroom, which believes in a productivity leap, and the engineering floor, which remains bottlenecked.

Code leaves the developer’s machine in minutes and stops at the first process barrier. Microsoft data shows that coding represents, on average, only 14% of an engineer’s time. The other 86% consists of testing, validations, documentation, and approvals. Vanguard illustrates this point accurately: using agents reduced coding time by 30%, but the end-to-end cycle remained intact. The feature was ready in 2 days and spent 5 days waiting for a security review, plus 3 days in API onboarding.

Optimizing a single step in the chain merely generated a faster waiting line. AI accelerated code production but exposed constraints elsewhere. When this code production was optimized, they realized it increased “work-in-progress” instead of increasing throughput.

System Transformation vs. Tool Adoption

The difference in results between companies follows a clear pattern. Organizations observing modest, incremental gains maintain a strict focus on tools. Those achieving real step-change transformations redesign workflows, operating models, and development systems, balancing raw speed with actual business impact.

The operational boundary is also disappearing. At Airbnb, the number of AI tool users operating outside of engineering is already double the number of developers. PMs, designers, and even finance team members are running code workflows autonomously.

Transformation must be treated as a product and an organizational initiative. Distributing code assistants to the team solves a minimal fraction of the problem; the executive and technical challenge requires orchestrating the entire software lifecycle.

The Measurement Challenge and Adoption Strategy

Traditional engineering metrics are widely acknowledged as insufficient. Indicators like Pull Request volume are easily manipulated and fail to reflect product impact. Leading companies are experimenting with multi-layered measurement models, crossing adoption, activity, output, and business outcomes. This rigor has become mandatory because using AI has turned into a heavy operational expense.

1Password brought the exact definition to the market: AI token spend has become the new cloud infrastructure bill. Corporations are already operating with bills hitting $128,000 per week in tokens, and Uber’s leadership admitted to burning through their annual 2026 AI budget in just a few months. Cost control demands strict FinOps discipline.

Forcing usage via mandates usually generates severe behavioral distortions. Etsy warned its leadership about the danger of tokenmaxxing: developers generating unnecessary code or interactions just to inflate metrics and meet imposed adoption targets. The most effective approaches combine clear expectations, psychological safety, and structured enablement. Indeed proved this thesis by putting thousands of their engineers through tool-agnostic training, reaping an organic 36% reduction in coding time. Outcome-based evaluations will always drive better adoption than top-down impositions.

Technical Debt, Cognitive Debt, and Governance

Artificial intelligence accelerates code production at a pace faster than the architecture can evolve. This creates immediate risks involving duplicated code, decreased maintainability, and long-term quality degradation.

Even so, companies that tackle the process holistically manage to shield their operations. Intercom, for example, saw 95% of its Pull Requests written by AI, while its defect backlog dropped by more than 50%. Upfront investment in governance, clear policies, and access control acts as an engine for speed, allowing usage to scale without breaking quality.

Human accountability remains critical regardless of the level of automation. The absence of oversight creates a dangerous category: cognitive debt. By excessively delegating architectural reasoning to models, engineers lose their deep understanding of the system, drastically increasing the fragility of the operation in the long run.

Role Evolution and the Junior Talent Pipeline Blackout

The software engineer’s role has abandoned the mere writing of syntax to take on the orchestration of complex systems. Core activities now involve defining intent, setting constraints, and rigorously validating outputs. Adaptability and outcome orientation have become the primary skills for success, surpassing the temporary mastery of any specific tool. The uncertainty regarding career progression under this new model has already become a retention risk for companies.

This transition accelerates a silent crisis at the base of the pyramid. The decline in hiring junior engineers already existed and was drastically accelerated by the automation of entry-level tasks. Organizations are heading toward a technical capacity blackout. Microsoft executives brought forward the proposal of the “supervision model”: a senior’s main responsibility must shift from simply delivering code to teaching governance, and training juniors to audit and manage AI.

Shaping senior engineers requires continuous development and years of exposure to real-world systems. Failing to invest in early-career talent represents a chronic structural risk for the software industry.

Conclusion

The organizations that will dominate the market in the coming years have already moved past the initial obsession with code assistants. The competitive advantage belongs to those who dedicate their energy to redesigning how work flows through the entire system.

Recentemente (abril de 2026), a revista Science publicou um estudo assustador sobre o grupo de chimpanzés de Ngogo, localizado em Uganda. Durante décadas, eles foram famosos na comunidade científica por formarem a maior e mais pacífica sociedade de chimpanzés selvagens já registrada, chegando a ter cerca de 200 indivíduos convivendo em relativa harmonia.

Mas, surpreendentemente, essa coesão desmoronou. O supergrupo rachou em duas facções totalmente isoladas e deu início à “guerra civil” mais brutal e fatal já documentada na natureza entre esses primatas. Ex-aliados passaram a caçar uns aos outros em emboscadas táticas implacáveis.

O detalhe mais chocante dessa história? A guerra não aconteceu por escassez de recursos. Havia abundância de comida e território de sobra para todos. O colapso foi puramente um colapso de sistema social.

A sociedade de Ngogo era mantida unida por um pequeno grupo de machos mais velhos e experientes. Eles funcionavam como verdadeiros “diplomatas” ou pontes de rede: circulavam entre as diferentes panelinhas do grupo, faziam a catação de pelos (grooming), apaziguavam brigas e mantinham a confiança em dia. Eram a cola social daquela comunidade.

Com o tempo, esses diplomatas foram envelhecendo e morrendo, e foi exatamente nesse ponto que a dimensão do grupo se tornou um problema fatal. Em uma comunidade com 200 indivíduos, o limite cognitivo da espécie é ultrapassado. É fisicamente impossível que todos mantenham laços íntimos entre si. A confiança primata exige manutenção constante diária, contato físico e rituais de apaziguamento. Sem os conciliadores para atuar como “fiadores” das relações entre as panelinhas, chimpanzés de extremidades opostas do território pararam de interagir e passaram a se enxergar como estranhos. Na biologia evolutiva, o que é desconhecido é imediatamente percebido como uma ameaça. Essa desconfiança se espalhou rapidamente, fragmentando o grupo e dando lugar a uma lógica implacável de “nós contra eles”, que culminou na aniquilação.

Para nós, humanos, observar Ngogo é como olhar para um espelho do nosso próprio passado evolutivo. E um alerta para o nosso presente.

Nós e os chimpanzés não somos a mesma espécie, mas compartilhamos um ancestral comum e grande parte do nosso DNA (98,8%). Por mais racionais e civilizados que gostemos de nos considerar, a biologia evolutiva nos mostra que o tribalismo e o medo do “diferente” são configurações de fábrica da nossa mente.

Nos tempos das cavernas, a paranoia e a desconfiança eram mecanismos de sobrevivência. Nossos ancestrais que mais temiam o desconhecido e se fechavam ferozmente em suas tribos foram os que sobreviveram para passar seus genes adiante. Para um primata, quando a diplomacia e a confiança falham, a violência é, em última instância, a ferramenta padrão para resolver conflitos e garantir a segurança do seu próprio grupo.

Hoje, vivemos um paralelo perigoso.

Em uma era dominada pela tecnologia, construímos um ambiente de absoluta abundância. Temos ferramentas infinitas de conexão, acesso irrestrito à informação e infraestruturas globais. No entanto, em todo o mundo, nossas sociedades nunca estiveram tão polarizadas, fragmentadas e baseadas no medo do “outro”.

Por quê? Porque nossos “diplomatas” estão sumindo.

A nossa “cola social” (as conversas difíceis, a capacidade de ouvir visões opostas, a empatia genuína e o esforço de conciliação) está sendo terceirizada para algoritmos que, por design, lucram com o extremismo. Ao invés de pontes, estamos construindo muros digitais confortáveis, nos isolando em bolhas onde o viés de confirmação impera e quem pensa diferente se torna, automaticamente, um inimigo.

O caso de Ngogo é um lembrete biológico brutal: sistemas complexos, sejam biológicos ou tecnológicos, entram em colapso letal quando as pontes de comunicação colapsam, não importa o quão abundantes sejam os recursos ao redor.

A divisão e o medo podem até ser nossos instintos naturais mais antigos, mas fomos a única espécie que desenvolveu a consciência e a racionalidade para transcender essa biologia. A hiperconectividade tecnológica não servirá de nada se deixarmos nossa infraestrutura social básica entrar em falência. A verdadeira evolução não está na sofisticação das ferramentas que criamos, mas na nossa capacidade consciente de escolher a ponte em vez do muro quando o medo tenta assumir o controle.

Entramos na década de 2020 acreditando que o setor de tecnologia vivia em uma bolha de prosperidade perpétua (falei dessa bolha aqui em fevereiro de 2023). O código era a lei, e o capital era o oxigênio infinito que alimentava uma expansão sem precedentes. No entanto, se você observar hoje o gráfico de anúncios de vagas para desenvolvedores nos EUA, verá um penhasco que desafia esse otimismo.

Antes de avançarmos, é preciso botar os fatos em perspectiva e explicar o que estamos olhando. Esse dado (clique aqui) vem do FRED (Federal Reserve Economic Data), a base de dados oficial do Banco Central dos EUA, que compila o índice do Indeed para o setor de software. Esse índice é vital porque ele captura, desde o período pré-pandemia, a intenção real de contratação do mercado que dita o ritmo global da tecnologia. Quando essa curva entorta, o mundo inteiro sente o reflexo.

A reação instintiva foi unânime: a IA chegou e o trabalho humano tornou-se obsoleto. É uma resposta fácil, barulhenta e, em grande parte, incompleta. Que a IA impactou o setor é o óbvio. Ela aumentou a produtividade brutalmente. Mas atribuir apenas a ela a queda nas contratações é uma visão míope. Precisamos olhar de perto para enxergar mais além.

1. A Cronologia do Dinheiro (O Marco de Julho de 22)

Se observarmos o gráfico com rigor, a queda livre não começou com um salto tecnológico, mas com um choque de realidade financeira. O declínio acentuado tem data de início: julho de 2022.

Para contextualizar: em julho de 22, a IA generativa ainda era um tema de nicho. O marco de “produção de código bom/útil” só ganharia o grande público meses depois. O ChatGPT foi lançado apenas em novembro de 2022, e as ferramentas de auxílio ao código só ganhariam tração massiva em 2023.

A mudança de humor do mercado foi anunciada meses antes pelo capital. Em maio de 2022, a Y Combinator já avisava seus fundadores: “Planejem-se para o pior” e foquem em se tornar Default Alive (sobreviver com o próprio caixa). “No one can predict how bad the economy will get, but things don’t look good... If your plan is to raise money in the next 6-12 months, you might be raising at the peak of the downturn.”

Quase simultaneamente, a Sequoia Capital publicava o guia “Adapting to Endure”: “This is a ‘crucible moment’. Growth at all costs is no longer being rewarded. Efficiency is the new priority.”

E a SoftBank (dona do maior fundo de capital de risco da história) anunciava que passaria a operar em modo defensivo após perdas bilionárias: “SoftBank will be in ‘defense’ mode”.

O que derrubou as vagas em julho não foi um algoritmo escrevendo código, mas o Federal Reserve (FED) iniciando o ciclo de altas de juros mais agressivo das últimas décadas. O capital parou de apostar no futuro para tentar sobreviver ao presente. O investimento que irrigava o Vale do Silício e transbordava para o Brasil começou a buscar a segurança dos títulos do Tesouro Americano. O dólar voltou para casa.

2. De OPEX para CAPEX: O “Vilão” Fiscal (Section 174)

Somado ao aviso dos VCs, uma mudança técnica no Internal Revenue Service (IRS), o “Leão” americano, mudou as regras do jogo. A chamada Section 174 do código tributário alterou como os gastos com desenvolvimento de software são contabilizados.

Até então, desenvolvedores eram tratados como OPEX (despesa operacional), permitindo que as startups deduzissem 100% dos salários dos impostos no mesmo ano. Com a mudança, o desenvolvimento de software passou a ser visto como CAPEX (investimento de capital), obrigando-as a capitalizar esse custo e amortizá-lo ao longo de 5 anos.

Na prática: se uma startup gasta US$ 1 milhão com devs, ela só pode abater US$ 200 mil por ano de seus impostos. Isso aumenta drasticamente o lucro tributável e drena o caixa imediato. O desenvolvedor deixou de ser uma despesa dedutível para se tornar um ativo caro no balanço. Isso explica por que as vagas de “aposta” e inovação evaporaram.

3. A Asfixia do Ecossistema Brasileiro

No Brasil, vivemos o efeito colateral dessa sucção de capital. De um lado, o dinheiro estrangeiro secou após o alerta dos grandes VCs às startups. Do outro lado, a SELIC alta encareceu o crédito doméstico e esfriou o consumo B2B. As empresas e startups pararam de contratar para “testar ideias” e passaram a contratar apenas para “salvar a operação”.

Nesse cenário, a IA entra na equação menos como uma substituta e mais como uma ferramenta de sobrevivência. Ela é o que permite que as startups sigam as orientações da YC e da Sequoia: focar no core e manter a produtividade mesmo com times reduzidos, enquanto a torneira do capital permanece fechada.

O Sinal e o Ruído

Estamos vivendo o fim de uma anomalia histórica, não o fim da tecnologia. O mercado não parou de precisar de software; ele apenas parou de aceitar a ineficiência subsidiada por juros zero.

A IA é apenas a ferramenta que estamos usando para atravessar o inverno. O verdadeiro diferencial será entender que, no novo cenário, o código mais valioso não é aquele que roda mais rápido, mas aquele que faz sentido em um balanço financeiro apertado.

Entramos no século XXI com uma sensação de permanência que evaporou depressa. Durante um tempo, parecia que comércio, digitalização e ciência iam nos dar um piso liso, confiável. Olhando com calma, não foi bem isso. A incerteza não sumiu; mudou de textura. Antes, tinha contornos físicos e próximos. Hoje, ganhou contornos mentais, mensuráveis e interligados. A experiência de viver atravessado por tensões geopolíticas, notícias pingando a cada minuto, saltos de inteligência artificial e pressão climática cria um clima psicológico que nossos avós não reconheceriam de cara. Não é mais um mundo de tiros no quarteirão e fome na porta, embora essas violências persistam em muitos lugares. É um mundo onde a ameaça aparece num gráfico, num feed, num rumor que cruza oceanos em segundos e mexe com mercados, votos, humores.

As incertezas de antes eram contundentes e próximas: epidemias sem antibióticos, safra perdida, convocação militar, sirene de bombardeio. Havia menos informação, menos escapismo tecnológico, menos rede de proteção e uma certeza brutal: sabia-se onde o perigo morava e o que ele fazia com o corpo. O medo era físico. O rádio e o jornal marcavam o passo dos acontecimentos; a rua dava a medida do possível. Hoje, a sensação é que tudo acontece ao mesmo tempo e em todo lugar. Uma decisão num gabinete distante bate na sua cesta de compras. Uma falha cibernética no país vizinho atravessa fronteiras invisíveis. Uma imagem forjada circula como verdade por horas, às vezes dias. Informação cresceu. Mas nossa referência encolheu.

O século passado tinha mapas mais simples, ainda que desenhados com sangue. O presente abre mapas sofisticados, que mudam conforme o ângulo e a hora. O medo contemporâneo é menos palpável e, por isso mesmo, mais pegajoso. Não nasce só do que pode ferir, mas do que pode confundir. De um lado, sabemos mais do que nunca. Do outro, essa mesma capacidade de medir, diagnosticar e noticiar escancara o quanto tudo se conecta, e como pequenas oscilações geram efeitos de largo alcance. A serenidade que um dia veio da ignorância hoje é impensável, e também indesejada. O preço de saber mais é sentir mais.

Bauman chamou nosso tempo de “líquido”. Não é licença poética, é o jeito dele nomear a dissolução de formas que pareciam durar: carreira linear, vizinhança que não muda, instituições que mandam sem disputar atenção. A modernidade líquida não inventou a incerteza; trocou a acústica. A sala ficou barulhenta. E seguimos tentando ouvir o essencial.

No Brasil, isso tudo tem outro sabor. A vida aqui quase nunca foi reta. Nos anos 60, aprendemos que instituições podem se fechar de um dia para o outro. Nos 80, vimos dinheiro perder valor na fila do supermercado; etiquetas remarcadas por cima de etiquetas. No começo dos 90, o improviso virou política. E a política tentou domesticar o improviso. Essa memória não romantiza nada; só lembra que a corda bamba não é novidade. Criamos, à força, um repertório: constância nos hábitos, vínculos fortes, ajustes rápidos com discernimento. Quando esse jeito de operar entra no manual e no calendário, a adaptação deixa de parecer reflexo e soa como competência.

As incertezas globais de agora falam outra língua. A guerra talvez não derrube a sua casa, mas encarece o seu almoço. A seca num lugar remoto eleva sua conta de luz. Um boato bem produzido muda a conversa da semana. A IA produz uma mistura estranha de espanto e expectativa: ajuda a escrever código, a detectar doença, e ao mesmo tempo cria novas avenidas para erro, viés e fraude. Quase todas as profissões estão atualmente pensando ao mesmo tempo como pode-se usar a IA para otimizar o que se faz e como essa IA pode deixar essa profissão irrelevante no futuro próximo. Tudo isso rápido demais. O clima não chega como filme de desastre. É a sequência de dias atípicos que, somados, desloca certezas em silêncio. Se o incerto não é novidade, o que mudou: o ritmo lá fora ou a régua com que medimos?

Ainda assim, há um fio que atravessa épocas. Quando as ameaças foram mais físicas, respondemos com convivência próxima, cerimônias simples e mão na massa. Agora que os riscos se espalham por sistemas e telas, respondemos com atenção compartilhada. Em ambos os casos, o que sustenta é o que fica entre as pessoas, não só as ferramentas que elas usam. O século XX ensinou coragem em cenários compactos. O XXI pede calma e lucidez em ambientes difusos. Não troca uma coisa pela outra; empilha.

Estamos de fato mais incertos, ou só mais conscientes de que o mundo sempre foi cheio de curvas? A diferença pode ser esta: hoje enxergamos as curvas por dentro. O algoritmo mostra a oscilação, a ciência descreve a correlação, as redes exibem o instante. Isso não faz do presente um vilão maior que o passado; só muda a lente. Antes, a ignorância protegia por não saber. Agora, a inquietação de saber demais. Entre um extremo e outro, dá para habitar a turbulência sem transformar cada bolsão de ar em tempestade.

Não sei se existe volta para um mito de certezas. Mas deve haver um jeito mais humano de estar aqui. Menos pressa na interpretação. Mais fôlego para escutar quem atravessa a mesma ventania de outro ângulo. E aquela confiança mansa de que as formas voltam a surgir, mesmo quando tudo parece líquido. Não é um manual. É um lembrete simples: a história nunca foi reta, mas seguimos encontrando caminho. E, quase sempre, juntos.

Prós: O livro é absurdamente fácil de ler. Devorei em um único dia, e olha que são 220 páginas. Mas o tamanho da fonte, a estrutura e o ritmo ajudam.

A proposta vem dos fundadores da Axios (portal de notícias americano) e acerta no ponto: somos prolixos e não pensamos antes de escrever.

Para ilustrar, o clássico de Mark Twain: “Me desculpe. Não tive tempo de escrever uma carta curta, então escrevi uma longa mesmo.”

Ou seja: escrever pouco dá trabalho. Sempre deu.

Hoje, vivemos soterrados por e-mails, mensagens, relatórios e nos acostumamos a escanear tudo em busca do essencial. A consequência é conhecida: exaustão cognitiva e a sensação de nunca dar conta de tudo.

Por isso, só de abordar esse problema já vejo valor no livro.

Além disso, ele entrega o que promete:

• Casos práticos com antes/depois

• Um mantra útil: “curto, mas não raso”

• E um framework direto para reduzir ruído e aumentar impacto

Até aqui, nota 10.

Contras: O livro não se diz o manual definitivo. Mas, ainda assim, escorrega em um ponto central: nem toda comunicação pode ser breve.

Sim, a abordagem funciona em e-mails para o CEO, apresentações para investidores, mensagens rápidas que pedem foco. Mas… e quando precisamos de empatia? De contexto? De tato?

“Você tem câncer.”

“Você está demitido.”

“O valor é R$ 1.200.”

Funciona? Talvez. Mas soa insensível.

Em culturas latinas, isso beira o analfabetismo emocional.

O livro também recicla frameworks já conhecidos, como o What? So what? Now what?. Direto ao ponto, sim, mas não exatamente novo. Além disso, sofre da própria contradição que tenta evitar: tem conteúdo para 100 páginas, mas ocupa 220.

Ou seja: a própria obra não aplica, na prática, o que prega com tanta ênfase.

Conclusão: Apesar dos poréns, recomendo a leitura. Em um mundo onde a comunicação anda ruidosa, lenta e vazia, toda tentativa de clareza merece ser ouvida.

Nos últimos anos, presenciamos o nascimento de uma nova economia digital: o Ego-as-a-Service. Você já deve ter percebido esse fenômeno. A cada dia, mais empresários, executivos e influenciadores corporativos tomam as redes sociais como palanque pessoal para opinar sobre tudo – mercado, sociedade, produtividade, filosofia, comportamento humano. É como se todos tivessem sido subitamente promovidos a pensadores contemporâneos, guardiões da verdade e arautos da inovação.

E o mais curioso? A audiência aplaude. O algoritmo recompensa. Cada post recebe curtidas, comentários de "grande reflexão, mestre" e compartilhamentos fervorosos. Mas, pare e pense: isso tudo é mesmo genuíno? As pessoas realmente se importam com a opinião desse CEO sobre ética, futuro do trabalho ou propósito, ou estão apenas curtindo por inércia? O que estamos assistindo aqui é sabedoria aplicada ou um espetáculo de autopromoção? Será que, no fundo, ninguém está interessado nisso, mas o jogo da vaidade digital se tornou tão forte que ninguém mais consegue parar?

Não esquecer das apresentações. Sempre tem um slide com o palestrante descrevendo como a sua formação de Stanford, Harvard, suas certificações e suas experiências profissionais são importantes e geram autoridade para ele falar o que ele vai falar. Mas também dão espaço para o brilho da sua egotrip florescer, ou por cortes de podcast que começam com “o pessoal sempre me pergunta…”. Quem? Quantos perguntam? Provavelmente é só você querendo falar sobre o assunto.

A imagem "The Maturity Climb" ilustra bem esse teatro do ego (imagem que inspirou escrever e refletir sobre o tema). No nível mais baixo da montanha, vemos personagens gritando "Olhem para mim!", inflando suas certezas, buscando status e reclamando do mundo. Conforme a escalada avança, o barulho diminui, o olhar se expande, e no topo estão aqueles que entenderam que maturidade é menos falar, mais ouvir; menos provar, mais fazer; menos ego, mais entrega real. Mas a lógica das redes sociais inverte esse processo: premiando não a sabedoria silenciosa, mas a verborragia constante. Quanto maior o ego, maior o engajamento. E assim o Ego-as-a-Service virou um modelo de negócios.

Por que seguimos essas pessoas? Estamos admirando ou terceirizando nosso pensamento?

Existe uma diferença entre seguir alguém para aprender algo e seguir porque é mais fácil deixar alguém pensar por você. Essa é a grande armadilha do consumo de conteúdo hoje: em vez de gastar tempo refletindo e formando opinião própria, terceirizamos esse trabalho para figuras públicas.

Seguimos o empreendedor visionário, o CEO que posta "frases impactantes", o especialista em inovação que ensina como "pensar fora da caixa". Mas, sejamos honestos: o que realmente aprendemos? Será que estamos ali porque essas pessoas dizem algo que vale a pena ou porque o simples fato de segui-las nos dá uma sensação ilusória de pertencimento?

A verdade é que pensar dá trabalho. Exige analisar informações, confrontar ideias, sair da zona de conforto. Mas apertar um botão de "seguir" e replicar frases motivacionais é muito mais fácil. E o efeito manada faz o resto: alguém começa a ganhar relevância, o algoritmo favorece, e de repente temos um novo guru corporativo. E lá vamos nós, consumindo mais um post sobre "liderança inspiradora", "mindset de crescimento" e "disciplina como chave do sucesso". Ou, claro contratando consultoria ágil para ensinar a empresa a colar post-its mais alinhados possíveis na parede, ou gerenciá-los em ferramentas, menos fazer a liderança entender que problemas complexos não conversam com respostas óbvias, simplórias. E sim, melhores perguntas. Ah, também tem o clássico “vamos juntar todo mundo nesse projeto e chamar de squad”. Sem entender o conceito de squad, tudo que foi pensado e os valores (não financeiros) que o Spotify pensava para funcionários e times.

O problema não é o conteúdo em si. O problema é a falta de questionamento. Estamos consumindo esse conteúdo porque ele agrega valor ou somente porque ele está sendo repetido por todo mundo? E pior: será que os próprios influenciadores acreditam no que estão dizendo ou só estão alimentando o próprio ego para manter o jogo girando?

Será que alguém liga para a sua opinião sobre o mundo?

Sim. Isso deve doer para a maioria do pessoal. Afinal, independente dos milhões para lá ou para cá. O real impacto que você gera na sociedade é que tipo de cultura você aplica na realidade da sua empresa, nos funcionários, nas famílias desses funcionários, na comunidade, etc. Agora vamos inverter a perspectiva. Se você é um empresário, CEO ou figura pública no LinkedIn, pare e pense: você realmente acredita que sua opinião sobre política, sociedade, filosofia ou até sobre o próprio setor é relevante para além da sua bolha?

Sejamos diretos. O engajamento que esses posts recebem não significa que as pessoas realmente se importam com o que você pensa. Na maioria das vezes, elas interagem por interesse profissional, porque querem visibilidade dentro da sua rede ou porque o algoritmo condicionou esse comportamento. Muitos likes e comentários não validam uma ideia – muitas vezes, somente reforçam relações corporativas.

E aí entra a grande ilusão: o empresário, CEO ou guru motivacional começa a acreditar que tem algo a dizer sobre tudo. Começa a postar "grandes reflexões" sobre comportamento humano, sobre como "precisamos reavaliar nossos valores como sociedade" e sobre "o verdadeiro significado do sucesso". Quando, na verdade, fora dessa bolha, ninguém está prestando atenção. O ego engana. Dentro da bolha, você se sente relevante. Fora dela, você é só mais um.

Quando o ego vira um modelo de negócios

Se tem algo que a internet faz bem, é transformar qualquer coisa em produto. E foi assim que o ego se tornou monetizável.

Hoje, há um mercado inteiro baseado na venda de influência, cursos, palestras e livros girando em torno da figura do próprio influenciador. O que está sendo comercializado não é conhecimento, é a imagem de autoridade. Não basta ter uma empresa de sucesso, é preciso ser o produto. E assim vemos uma enxurrada de posts do tipo "os 5 segredos dos grandes líderes", "como escalar negócios sem perder a essência" e "a mentalidade que separa os bem-sucedidos do resto do mundo".

E sabe o pior? Funciona. O algoritmo das redes sociais recompensa autopromoção. Quanto mais exposição, mais alcance. Quanto mais frases de efeito vazias, mais compartilhamentos. O que importa não é a profundidade do que se diz, mas a capacidade de jogar para a torcida. O ego virou uma moeda digital.

O caminho para sair da bolha do ego

Diante desse cenário, vale a reflexão: por que consumimos esse tipo de conteúdo e o que isso diz sobre nós? Estamos realmente aprendendo algo ou apenas buscando reforçar nossas próprias crenças e fazer parte de um grupo?

Se quisermos escapar da lógica do Ego-as-a-Service, precisamos parar de consumir conteúdo no piloto automático. Questionar mais, desconfiar de fórmulas prontas, buscar o que realmente gera valor. Se um influenciador ou empresário só aparece para reforçar sua própria grandiosidade, talvez seja melhor investir nosso tempo em algo mais produtivo.

E se você é um empresário que acredita que sua opinião precisa ser compartilhada o tempo todo, aqui vai uma dica: talvez o silêncio comunique mais maturidade do que qualquer post no LinkedIn.

Conclusão: O que realmente importa?

A imagem "The Maturity Climb" nos ensina que a evolução acontece quando o ego deixa de ser o centro das atenções. No topo da montanha, não estão aqueles que gritam mais alto, mas os que aprenderam a observar, escutar e agir com propósito.

Se o mundo corporativo quiser realmente evoluir, talvez seja hora de substituir o Ego-as-a-Service por algo mais útil. Porque, no final, ninguém sobe a montanha carregando um megafone – só sobe quem aprendeu a caminhar sem precisar que o mundo todo olhe para ele.

Mas outra questão é importante: Tá bom, se aparecer nas egotrips não funciona, o que funciona? Pois a concorrência fará essa tática para marcar presença e reafirmar autoridade. Seria muito óbvio eu vender um problema e dar a solução, não é mesmo? É o básico do Marketing. Na verdade, da minha experiência, acredito que o que mais gera conteúdo relevante são cases onde você conta como resolver um problema, mas também fala das variáveis, premissas e restrições que tinha quando resolveu o problema. E com isso aponta UM caminho. Não O caminho. Mas assim como em política, e talvez isso seja uma das grandes causas da polarização hoje em dia, não tem resposta pronta. Não é só ouvir A ou B. Sim, pensar por si. Avaliar o problema, sua realidade e entender se o que você está gerando é só uma egogtrip gostosa com curtidas, ou se realmente você agrega algo no assunto. Não se contentar com respostas simplórias para problemas complexos. Melhorar as perguntas e continuar perguntando e se questionando. Quais são os interesses envolvidos com a geração daquele conteúdo? Egotrip ou geração de conteúdo real?