Eu comecei pedindo respostas
Meu primeiro uso de inteligência artificial foi o mais comum: fazer uma pergunta e receber uma resposta. Esse começo não foi um erro nem uma fase menor. Foi a porta de entrada para perceber que uma conversa podia organizar informação, explicar um conceito e reduzir a distância entre uma dúvida e uma primeira tentativa.
O limite apareceu depois. Uma resposta boa num chat não preserva necessariamente a fonte, não sabe qual decisão anterior continua válida e não acompanha sozinha o resultado no mundo real. Se eu retornasse no dia seguinte, talvez precisasse explicar tudo de novo. Se a pergunta envolvesse preço, código, publicação ou um acontecimento recente, a confiança da redação não provaria que o conteúdo estava correto.
A evolução começou quando parei de avaliar somente a qualidade da resposta e passei a observar o sistema ao redor dela. De onde veio a informação? Qual parte era fato, hipótese ou interpretação? O que precisava ser confirmado? Que consequência aquele resultado poderia produzir? A pergunta deixou de ser apenas “o que a IA sabe?” e passou a incluir “como vou saber se isso serve?”.
A primeira autonomia não é conseguir uma resposta. É conseguir reconhecer quando ela não basta.
Repertório não é uma coleção de prompts
Repertório é reconhecer mecanismos. Saber que preço e disponibilidade mudam. Que notícia exige data e fonte. Que uma interpretação não pode se apresentar como dado. Que um teste prova apenas o caso executado. Que um arquivo local não substitui o GitHub e que um merge não prova deploy. Essas distinções continuam úteis mesmo quando o nome do modelo muda.
Um prompt salvo pode ajudar a repetir uma tarefa. Repertório ajuda a reconstruir o método em outra ferramenta. Ele permite olhar uma novidade e perguntar o que realmente mudou: o modelo ficou mais capaz, o aplicativo ganhou acesso a ferramentas, o contexto aumentou ou apenas a interface ficou mais conveniente?
Preço atual ainda precisa de fonte atual, qualquer que seja o modelo.
Um botão simples pode esconder uma ação com dinheiro, dados ou publicação.
Mais capacidade reduz alguns erros; não transforma saída em evidência.
Saber executar não significa poder decidir a consequência.
Da resposta ao sistema existe uma progressão
Essa progressão não é uma obrigação de criar agentes para tudo. Ela descreve níveis diferentes de compreensão. Uma tarefa pode permanecer num chat para sempre se for simples, rara e de baixo risco. A complexidade só merece existir quando resolve um problema que a etapa anterior não conseguia.
- PerguntarReceber uma explicação e descobrir possibilidades.
- ConfrontarComparar a resposta com fontes, experiência e realidade.
- EstruturarDefinir objetivo, contexto, limites e critério de sucesso.
- EspecializarTransformar uma responsabilidade recorrente num agente delimitado.
- OrquestrarCoordenar agentes, memória, evidência e autoridade sem misturar papéis.
Meus agentes são repertório transformado em contrato
Hoje eu não uso um agente universal para tudo. Cada agente existe porque aprendi uma distinção que precisava ser preservada. A função, a fonte, o formato e o limite deixam de depender apenas da minha memória durante uma conversa e passam a fazer parte do sistema.
Procura acontecimentos recentes, deduplica e entrega poucas mensagens. Uma notícia que exige tese longa deve sair desse fluxo.
Procura tese, contraponto e evidência para uma análise. Não transforma todo lançamento em artigo.
Conduz um conceito por vez e preserva continuidade. Não trata silêncio como conclusão.
Recebe candidatos válidos e escolhe destino por curadoria. Conteúdo existente não obriga espelhamento.
Pesquisa preço, variação e compatibilidade atuais. Recomendar não autoriza adicionar ao carrinho ou comprar.
Separa a efeméride verificável da leitura simbólica e nunca apresenta reflexão como previsão factual.
Retorna a medição local mais recente e não substitui o dado observado por estimativa ou documentação antiga.
O ponto não é a quantidade. É a clareza das fronteiras. News e Editorial usam pesquisa, mas não entregam a mesma coisa. Learning e LinkedIn lidam com o mesmo conteúdo em momentos diferentes, mas publicação e distribuição não são a mesma decisão. Amazon Scout pode conhecer uma oferta sem poder concluir uma compra.
Um agente evolui quando aprende também onde parar.
A missão descreve o valor. O limite protege o sistema quando falta evidência, autorização ou uma decisão que pertence a uma pessoa.
Autonomia não é fazer tudo sozinho
Autonomia com IA significa conseguir conduzir uma tarefa mesmo quando a ferramenta muda. Eu preciso saber definir o resultado, localizar a fonte de verdade, reconhecer uma saída fraca e escolher a próxima verificação. Posso delegar a execução e ainda manter a responsabilidade intelectual.
O oposto da autonomia é depender da aprovação silenciosa do modelo. Se eu não consigo explicar por que uma resposta está certa, trocar de aplicativo não resolve. Se um agente falha e eu só sei repetir o mesmo prompt com mais intensidade, o sistema ainda não me ensinou a dirigir.
A tarefa deve sobreviver à troca de ferramenta.
Conversa, documento, GitHub e produção provam coisas diferentes.
Sem critério, fluência e confiança visual enganam.
Autonomia inclui reduzir consequência quando a incerteza cresce.
Pensamento crítico não desaparece; ele muda de lugar
Um estudo apresentado no CHI 2025 analisou relatos de 319 profissionais que usavam IA generativa no trabalho. Os autores observaram uma mudança percebida no esforço: de reunir informação para verificar, de resolver diretamente para integrar a resposta e de executar para exercer stewardship sobre a tarefa. A responsabilidade continua humana mesmo quando a produção material foi delegada.
O estudo é baseado em autorrelato, foi conduzido em inglês e não mede sozinho desempenho objetivo. Ainda assim, oferece uma distinção útil. Pensamento crítico com IA não é apenas encontrar um erro no fim. É formular a tarefa, escolher o que delegar, confrontar fontes, integrar o resultado e perceber quando confiança na ferramenta está reduzindo o esforço de avaliação.
Isso explica por que meus agentes incluem segunda fonte, confirmação do resultado e condições explícitas de bloqueio. Essas pequenas fricções não existem para tornar o processo lento. Elas aparecem nos pontos em que uma resposta convincente poderia ser confundida com realidade.
Usar IA bem não elimina o pensamento. Desloca o pensamento para escolha, verificação e responsabilidade.
Uma entrada curta sobre harness
Um modelo sozinho recebe entrada e produz saída. Um agente precisa de algo ao redor para usar ferramentas, manter uma conversa, acessar contexto e devolver resultado. Esse ambiente é chamado de agent harness ou scaffold: o sistema que transforma capacidade do modelo em comportamento operacional.
No meu uso, a ideia aparece de forma prática nos contratos dos agentes, nas fontes canônicas, nos limites de permissão, nos testes, nas verificações, nos registros mínimos e nas passagens controladas entre agentes. O harness não torna o agente automaticamente correto. Ele oferece contexto, ferramentas e feedback para que o trabalho seja observável e corrigível.
- instruções e responsabilidade delimitada;
- fontes de verdade e memória versionada;
- ferramentas e permissões proporcionais;
- testes, verificações e critérios de aceitação;
- logs, métricas e confirmação do estado real;
- pontos em que uma pessoa precisa decidir.
A OpenAI descreve harness engineering como o trabalho de desenhar ambientes, especificar intenção e criar loops de feedback para que agentes realizem trabalho confiável. A Anthropic usa uma distinção semelhante ao separar o harness do modelo durante avaliações. Aqui basta guardar o princípio: quando um agente funciona, o mérito e o risco pertencem ao conjunto, não apenas ao modelo escolhido.
Mais agentes não significam mais evolução
Existe uma tentação de transformar toda tarefa num agente. A Anthropic recomenda começar pela solução mais simples e aumentar complexidade somente quando necessário. Workflows previsíveis servem melhor a caminhos conhecidos; agentes fazem sentido quando a tarefa exige flexibilidade e escolha dinâmica de ferramentas. Ambos adicionam custo, latência e pontos de falha.
Evoluir também é remover. Um agente que duplica outro, guarda memória desnecessária ou exige mais supervisão do que valor precisa ser simplificado. Autonomia técnica não é manter o maior sistema; é saber qual parte merece existir.
O DORA resume a relação de forma ampla: IA funciona como amplificador. Boas práticas, documentação e plataformas claras ganham alcance. Confusão, dívida e fronteiras frágeis também. O resultado não vem apenas de adotar IA, mas de melhorar o sistema que ela amplia.
Se o modelo mudar amanhã, o que continua funcionando?
Objetivo, fonte, memória, ferramentas, critérios, avaliações e autoridade deveriam sobreviver à troca. Quando tudo depende do nome do modelo, ainda existe uso; falta sistema.
Ferramentas mudam rápido. Critérios precisam durar mais.Uma prática para continuar evoluindo
Escolha um agente que você já usa e faça quatro perguntas. Qual decisão humana criou esse agente? Que erro ele evita? Qual evidência mostra que cumpriu a função? O que aconteceria se o modelo fosse substituído hoje? As respostas revelam se existe apenas um prompt ou um conhecimento realmente incorporado ao sistema.
Depois, registre uma única melhoria. Pode ser remover uma instrução velha, tornar uma fonte explícita, adicionar um caso de falha ou reduzir uma permissão. Evolução acumulada acontece assim: experiência vira regra, regra vira verificação e verificação devolve aprendizado.
A ideia que fica
Eu comecei pedindo respostas. Depois aprendi a formular tarefas, confrontar fontes e separar estados. Os agentes vieram quando algumas responsabilidades começaram a se repetir e precisavam preservar o que eu já havia aprendido.
Hoje, evoluir com IA não significa acompanhar cada lançamento. Significa aumentar a qualidade das perguntas, a clareza das fronteiras e a capacidade de verificar. Um novo modelo pode ampliar o que o sistema consegue fazer. Repertório e pensamento crítico decidem o que merece ser feito.
Eu não evoluí porque passei a usar mais IA. Evoluí porque aprendi a transformar experiência em agentes com função, memória, evidência e limite.