Tenho lido com grande interesse os textos de Rohit Krishnan e o recente ensaio da Sequoia Capital, assinado por Jack Dorsey e Roelof Botha. Ambos compartilham uma linha de pensamento muito próxima da minha própria visão sobre IA multilíngue, soberania de dados e o tipo de arquitetura operacional de que as empresas precisarão se quiserem que a inteligência se torne uma infraestrutura real, e não apenas mais uma camada de software. Não estamos falando de humanos aumentados, isto é, profissionais que desempenham melhor o seu trabalho com uma ferramenta de IA, mas de governança humana.
O artigo da Sequoia, From Hierarchy to Intelligence, acerta em um ponto que a maior parte dos comentários sobre IA empresarial ainda não compreende. O verdadeiro gargalo nunca foi apenas a capacidade do modelo. Foi a ausência de estado compartilhado, memória estruturada e contexto organizacional. Dorsey e Botha traçam um paralelo com a forma romana de organizar coortes, gerenciando de 3 a 8 pessoas, algo que ainda permeia as atuais estruturas militares. Mal conseguimos administrar nossas caixas de entrada de e-mail, portanto delegamos a gestão em cadeias de comando.
Durante décadas, as empresas resolveram esse problema com hierarquia. Camadas de gestão funcionavam como sistemas de roteamento de informação. O que muda agora não é simplesmente que a IA ajuda as pessoas a trabalhar mais rápido. O que muda é a própria necessidade desses sistemas de roteamento.
A maioria das empresas ainda aplica a IA como uma camada de produtividade sobre formas organizacionais herdadas, o que é útil, mas limitado e conservador. A possibilidade mais difícil de encarar é que a própria hierarquia era uma resposta a uma restrição de coordenação que agora está enfraquecendo.
Uma vez que a informação possa ser mantida, interpretada e roteada por um sistema com memória duradoura e contexto vivo, a empresa deixa de precisar depender de camadas humanas para desempenhar exatamente a mesma função da mesma maneira.
A afirmação central
A corporação moderna não surgiu porque a hierarquia era elegante. Ela surgiu porque os seres humanos não conseguiam coordenar a complexidade com rapidez suficiente sem camadas estruturadas de autoridade, reporte e escalonamento.
Dorsey & Botha: a empresa deve ser entendida como uma camada de inteligência, e não apenas como uma hierarquia tornada mais eficiente com copilotos.
A implicação mais profunda: a inteligência depende de memória, contexto e fluxos de informação governados. Sem isso, a IA empresarial continua sendo uma interface impressionante apoiada sobre confusão organizacional.
Ambos os ensaios colocam o problema exatamente onde ele deve estar: na história da coordenação. Ambos percorrem estruturas militares romanas, ferrovias, gestão científica e organizações matriciais, mostrando que a hierarquia nunca foi uma escolha ideológica. Foi uma necessidade operacional nascida de limitações humanas. Líderes só conseguem absorver uma quantidade limitada de informação e, quando as organizações crescem, a informação precisa ser roteada, comprimida e retransmitida por camadas.
É por isso que esses artigos são mais úteis do que o típico texto sobre produtividade com IA. Eles não perguntam se a IA pode ajudar a empresa atual a trabalhar mais rápido e elevar a produtividade. A verdadeira questão é se a estrutura atual da empresa foi construída para compensar um problema de coordenação que a IA talvez agora comece a eliminar.
Essa é uma pergunta muito mais difícil e muito mais consequente. O que pode acontecer se agentes de IA, com conhecimento do mundo, puderem acessar informações em tempo real, analisar desempenho passado, raciocinar a partir de desafios semelhantes e até tomar decisões financeiras? Sim, precisamos entender que futuras decisões de compra, inclusive em nível pessoal, terão um agente de IA com os dados do nosso cartão de crédito e autoridade para tomar decisões de compra. Ou será que um CEO precisaria ser consultado para a compra de novos PCs, reparos no telhado ou reposição de materiais de consumo?
De exércitos a ferrovias e a empresas globais, o padrão permaneceu o mesmo: a complexidade aumentou e, com ela, foram acrescentadas mais camadas para mover informação e preservar o controle.
A ideia básica sobreviveu durante séculos. Um líder só consegue administrar diretamente um número limitado de pessoas, por isso as organizações criam camadas para preservar o controle e o fluxo decisório.
As ferrovias e depois as corporações modernas transformaram a hierarquia em um sistema operacional formal. Linhas de reporte, camadas de gestão e controle estruturado tornaram-se a arquitetura da escala.
Quando o trabalho se torna legível por máquinas e um sistema pode manter um modelo vivo da organização, camadas construídas sobretudo para coordenação começam a perder sua razão histórica de existir.
Ambos os artigos já seriam notáveis apenas como formulação conceitual. O que os torna mais importantes é que Jack Dorsey aplicou aquilo que aprendi no MIT: “walk the walk, don’t talk the talk” ou, em outras palavras, usar de fato o que se prega. O que está sendo testado em sua empresa é uma estrutura mais horizontal, menos camadas tradicionais de gestão e um modelo em que sistemas assumem mais da coordenação antes mediada por pessoas que moviam informação entre silos.
É por isso que levo essa discussão a sério. A afirmação não é que os gerentes intermediários fossem ruins em seus trabalhos. A afirmação é que sua função histórica existia porque as organizações precisavam de pessoas para rotear conhecimento, status e decisões através de silos. Se sistemas podem manter o estado da empresa, tornar prioridades visíveis, detectar fricções e coordenar tarefas diretamente, então a estrutura construída em torno dessas fricções torna-se passível de redesenho.
Isso não é uma atualização de software.... Para quem toma decisões, trata-se de uma nova teoria da firma.
É aqui que o argumento se torna mais exigente. As empresas não se tornam inteligentes porque adicionam ferramentas de IA. Elas se tornam inteligentes quando linguagem, dados, memória e ação passam a ser operacionalmente coerentes.
A maior parte das implementações empresariais ainda falha nesse ponto. Elas adicionam interfaces sem memória estruturada. Produzem resumos sem contexto organizacional duradouro. Implantam assistentes sem transformar linguagem interna, documentos e fluxos de trabalho em sistemas de conhecimento governados. No pior dos casos, usam Co-pilot ou uma assinatura de Claude/OpenAI para uso pessoal ou para o trabalho em equipe.
O verdadeiro desafio empresarial não é apenas o acesso ao modelo, mas a construção da camada operacional que torna a inteligência persistente, mensurável e útil.
Políticas, comunicações com clientes, documentação técnica, registros de compliance, contratos, relatórios, transcrições, tickets de suporte, discussões internas. A maior parte do conhecimento empresarial ainda se expressa em linguagem, não em tabelas perfeitamente estruturadas. Isso significa que a camada de inteligência da empresa do futuro dependerá de quão bem ela consegue transformar fluxos linguísticos multilíngues em conhecimento governado, recuperável e pronto para a ação.
Sem dados curados, muitas vezes multilíngues e sensíveis à privacidade, não existe contexto empresarial confiável.
Sistemas precisam de mais do que retrieval. Precisam de memória organizacional duradoura e estados de conhecimento rastreáveis.
As saídas precisam permanecer consistentes com terminologia, política, compliance e realidade operacional.
A inteligência só importa quando consegue rotear decisões e acionar resultados em fluxos de trabalho reais.
O próximo passo não é ter mais copilotos dispersos. É construir inteligência empresarial governada sobre dados, alinhamento, adaptação de modelos e disciplina de implantação.
Empresas que desejam inteligência específica para tarefas precisam, antes de tudo, de melhores fundamentos de dados: datasets, metadados, anonimização, rotulagem e preparação multilíngue para ambientes operacionais reais.
Explore multilingual AI training data →Modelos não se tornam sistemas empresariais por si sós. Precisam de avaliação contínua, feedback humano, QA, benchmarking e governança operacional.
Explore AI Data Operations →A pilha empresarial está migrando para sistemas menores, mais controláveis e adaptados a fluxos de trabalho, idiomas e exigências de governança específicas.
Explore Building Sovereign AI Systems →A inteligência se torna útil quando consegue operar em tradução, busca, assistentes, mascaramento, retrieval e fluxos de conhecimento em um ambiente governado.
Explore ECO Intelligence Platform →A empresa do futuro não será definida pela quantidade de ferramentas de IA que comprou. Será definida por ter ou não construído um modelo de si mesma rico o suficiente para coordenar o trabalho, preservar a memória e agir sobre a realidade em tempo real.
É por isso que a próxima disputa em IA empresarial não será apenas sobre modelos. Será sobre estrutura. Será sobre quem consegue transformar dados, linguagem, memória e ação em um sistema coerente.
As empresas não se tornam inteligentes porque adicionam IA. Elas se tornam inteligentes quando a coordenação deixa de ser tarefa da hierarquia.
Significa que as organizações podem começar a substituir camadas criadas para rotear informação por sistemas que mantêm contexto compartilhado, coordenam o trabalho e conectam dados diretamente à ação.
Porque isso não está sendo discutido apenas como teoria. Está sendo tratado como uma questão organizacional real: se estruturas mais horizontais e coordenação mediada por IA podem substituir funções antes incorporadas em camadas tradicionais de gestão.
Sem estado compartilhado, os sistemas não conseguem manter continuidade entre equipes, fluxos de trabalho, políticas e fontes de conhecimento. A IA permanece fragmentada e reativa, em vez de se tornar operacionalmente inteligente.
Um papel central. A maior parte do conhecimento empresarial existe em documentos, conversas, relatórios e comunicação multilíngue. A linguagem é um dos principais substratos a partir dos quais o modelo da empresa será construído.
Comecem pela prontidão dos dados, por fluxos de trabalho governados, alinhamento de modelos e arquitetura de implantação. A mudança real começa quando o conhecimento empresarial pode ser estruturado, avaliado e operacionalizado.
Se a próxima fase da IA empresarial diz respeito à coerência operacional, estas são as camadas que mais importam: dados, alinhamento, modelos específicos para tarefas e execução orquestrada.