26/10/2026

A inteligência artificial nas empresas entrou em uma nova fase – e ela não começa com modelos, mas com conhecimento organizado. Depois de um ciclo inicial marcado pelo entusiasmo com modelos generativos e interfaces conversacionais, o debate começa a se deslocar para um ponto menos visível, porém determinante: a forma como o conhecimento corporativo é preparado, governado e estruturado antes de ser consumido por sistemas de IA.

Esse movimento ocorre em um contexto de expansão acelerada. Segundo o Gartner, os investimentos globais em inteligência artificial devem atingir US$ 2,52 trilhões em 2026. Esse volume escancara a centralidade do tema, mas também aumenta a pressão por retorno real. A IA começa a ser tratada menos como inovação e mais como base operacional, passando a ser cobrada por eficiência, previsibilidade e impacto.

Outros dados de mercado ajudam a dimensionar essa transição. De acordo com a McKinsey & Company, 88% das organizações já utilizam IA em alguma função de negócio. No entanto, uma parcela significativamente menor consegue traduzir essa adoção em impacto consistente. O descompasso entre presença e performance sugere que a questão central deixou de ser tecnológica para se tornar a capacidade de converter adoção em valor operacional mensurável.

Durante a primeira onda da IA generativa, o avanço mais visível foi a capacidade de acessar grandes volumes de informação. Sistemas baseados em RAG (Retrieval-Augmented Generation, ou Geração Aumentada de Recuperação) permitiram conectar modelos a bases internas e ampliar significativamente o alcance do conhecimento organizacional. Esse movimento, embora relevante, consolidou a premissa implícita de que acesso à informação seria equivalente à capacidade de gerar valor.

Na prática, essa equivalência não se sustenta. À medida que os casos de uso evoluem de interações pontuais para fluxos mais complexos – análise, tomada de decisão e execução –, torna-se evidente que a qualidade do resultado não depende apenas do modelo, mas da forma como a informação é apresentada a ele.

O desafio é concreto: grande parte do conhecimento corporativo permanece distribuída em formatos heterogêneos e pouco estruturados. Imagine um contrato escaneado em 2015, uma planilha com fórmulas que só o antigo gestor entendia, um vídeo de reunião sem transcrição e um registro de conversa informal no Slack. Esse é o ecossistema típico que a IA precisa decifrar – um ambiente que raramente foi concebido para ser interpretado por sistemas automatizados.

O efeito tende a ser um deslocamento ineficiente de esforço. Modelos passam a executar tarefas de interpretação, organização e filtragem que deveriam ter sido tratadas previamente. Em baixa escala, essa ineficiência pode passar despercebida; mas, quando vira operação real, ela se traduz em custo, latência e variabilidade de qualidade.

O chamado Agentic RAG estende o modelo tradicional ao incorporar agentes responsáveis por orquestrar diferentes etapas do fluxo de informação. Enquanto o RAG comum apenas busca documentos, o Agentic RAG decide qual agente deve limpar, classificar ou enriquecer cada informação antes que o modelo principal a toque. Nessa abordagem, a preparação do conhecimento passa a ser tratada como uma etapa anterior e contínua – na qual agentes especializados atuam na ingestão, estruturação, classificação, enriquecimento e aplicação de regras de governança.

O efeito é que os modelos deixam de atuar como mecanismos de interpretação primária e passam a se concentrar em tarefas de maior valor, como síntese, correlação e tomada de decisão. Essa distinção se torna especialmente relevante diante da dificuldade de escalar iniciativas de IA. Em muitos casos, o desafio não está na construção de protótipos funcionais, mas na capacidade de manter consistência, governança e eficiência.

Nesse estágio, ganha relevância também a chamada economia de tokens – uma forma de medir e otimizar o volume de dados que os modelos precisam processar para gerar respostas. É como enviar um pacote: cada quilo extra custa frete; tokens são o peso da informação. Arquiteturas mais maduras passam a tratar esse consumo como variável estratégica, reduzindo desperdícios e priorizando apenas o que é realmente relevante.

O que observamos, portanto, é uma mudança de maturidade. A eficácia da IA depende menos da camada visível e mais da robustez de seus elementos subjacentes. Essa mudança também redefine a origem da vantagem competitiva. À medida que os modelos tendem à padronização e à ampla disponibilidade, o fator de diferenciação passa a ser a qualidade do conhecimento que alimenta esses sistemas e a capacidade de operá-los de forma estruturada. É nesse nível que a IA deixa de ser um experimento e começa a fundamentar as decisões de negócios.

Em última análise, é a estruturação da base de conhecimento organizacional que tende a definir se a IA permanecerá confinada a projetos-piloto isolados ou se consolidará como um ativo estratégico de longo prazo.

*Francisco Larez é vice-presidente de vendas da Progress Software para América Latina e Caribe.

Sobre a Progress Software

A Progress Software (Nasdaq: PRGS) fornece o contexto e o controle que as organizações precisam para extrair valor da IA de forma confiável — contexto obtido a partir dos dados, conteúdo e fluxos de trabalho da organização, e controle sobre a segurança, a governança e o custo de suas iniciativas de IA. Saiba como centenas de milhares de empresas, que impulsionam o trabalho de dezenas de milhões de profissionais em todo o mundo, obtêm valor com IA confiável e pronta para uso corporativo em www.progress.com.