A melhor resposta não é a que mais me agrada

Eu não quero uma inteligência artificial que concorde comigo com elegância. Quero um sistema que me ajude a enxergar melhor, inclusive quando o problema sou eu.

TL;DR
Tenho investido boa parte dos meus dias aperfeiçoando agentes de IA para obter a melhor resposta possível, não a mais agradável. Isso exige muito mais que um bom prompt: exige contexto, memória, skills, subagentes, ferramentas, fontes, permissões, checkpoints e validações. O ativo não é um modelo fundacional treinado por mim, mas um sistema customizado e governado sob controle do cliente. Um bom agente organiza dados, compara cenários, expõe premissas, incerteza e pontos cegos. Ele pode reduzir a dependência de impulso e ego, mas não transforma dados incompletos em certeza nem retira do humano a responsabilidade por objetivos, risco, ética e direção.

Eu não costumava ligar o microfone para conversar com inteligências artificiais.

Minhas experiências anteriores com voz não me convidavam a insistir. Na minha percepção, a Siri frequentemente atravessava a fala ou perdia o contexto. A Alexa foi útil no começo, mas logo encontrei os limites do que eu queria fazer — e ainda percebo limites hoje. Isso é relato de uso, não um benchmark atual das duas plataformas.

Nos últimos dias, comecei a usar voz de verdade.

Os modelos melhoraram, assim como o reconhecimento da fala. Mas isso, sozinho, não teria mudado meu modo de trabalhar. O fator decisivo foi o sistema que existe atrás da conversa.

Eu construí uma espécie de cérebro operacional. Posso falar poucas coisas e acionar uma sequência maior de trabalho porque o contexto não depende apenas daquela frase. O sistema tem parâmetros claros sobre a pessoa com quem conversa, memória para reduzir repetição e contratos escritos, versionados, sobre como pesquisar, decidir, executar, validar e parar.

Não preciso reensinar todo o modo de trabalho a cada conversa. A voz curta consegue iniciar uma orquestração mais longa porque o sistema já sabe onde procurar as regras, quais ferramentas pode usar e em que pontos precisa devolver a decisão para mim.

Percebi que a execução fica mais fluida quando consigo externalizar contexto falando. Uma ideia puxa outra. A dúvida aparece no meio da frase. Uma ressalva que provavelmente morreria entre o pensamento e o teclado entra na conversa. O intervalo entre perceber, explicar e começar a organizar o trabalho diminui.

O ganho concreto é uma interface com menos atrito, apoiada por contexto acumulado e regras explícitas.

Ainda assim, eu só me senti confortável para usá-la desse jeito porque passei bastante tempo antes orientando o sistema para não responder como uma voz interessada apenas em me agradar.

Antes de soltar a fala, precisei governar a escuta.

Eu não quero um “sim” com pontuação impecável

Boa parte do meu dia tem sido investida em aperfeiçoar meus agentes.

O objetivo não é fazê-los parecer mais inteligentes. Também não é receber elogios cada vez mais personalizados, como se eu tivesse contratado uma torcida organizada com acesso ao terminal.

Eu quero respostas que sobrevivam à pergunta seguinte:

Como você sabe?

Quero fontes quando houver afirmação verificável. Quero premissas explícitas. Quero uma explicação suficiente para auditar a conclusão. Quero incerteza declarada quando os dados não permitem certeza. Quero saber o risco, o estado atual e o próximo passo.

E, quando eu ainda não consegui explicar direito o que pretendo fazer, não quero que a máquina transforme confusão em execução só porque usei um verbo no imperativo.

Se o destino não está claro, acelerar é apenas uma forma mais eficiente de chegar ao lugar errado. Já escrevi sobre essa diferença entre potência e direção ao percorrer a linha do mainframe aos agentes de IA. A Ferrari continua sendo uma excelente máquina. A parede continua não se impressionando.

A voz torna o fluxo melhor — e aumenta a responsabilidade

Conversar por voz deixa a interação mais natural. Isso é útil porque reduz o custo de colocar contexto para fora da cabeça.

Também torna mais fácil esquecer o que está acontecendo.

Uma resposta rápida, fluida e ajustada ao meu jeito de falar pode parecer mais segura do que realmente é. A naturalidade da interface não aumenta automaticamente a qualidade da fonte, a completude dos dados ou a validade da conclusão.

Por isso, quanto mais conversacional fica o sistema, mais explícitos precisam ser os seus limites.

Ele precisa perguntar quando a ambiguidade muda o escopo. Precisa apontar a hipótese que eu estou tratando como fato. Precisa procurar evidência contrária, não apenas material para defender a minha primeira impressão. Precisa dizer “não encontrei base suficiente” sem tentar compensar a frustração com um parágrafo confiante.

Fluidez é uma qualidade de interface.

Confiabilidade é uma propriedade do sistema inteiro.

Agradabilidade não é qualidade

Existe um nome técnico para uma parte desse problema: sycophancy, o comportamento em que o modelo tende a acompanhar crenças, posições ou expectativas do usuário mesmo quando isso compete com a correção.

Um estudo de Sharma e colegas encontrou esse padrão em diferentes assistentes e mostrou que respostas alinhadas à visão do usuário podiam ser favorecidas em dados de preferência humana. Isso não prova que todo modelo concordará com qualquer pessoa, nem que empresas estejam deliberadamente tentando bajular usuários. Mostra um incentivo difícil: aquilo que parece satisfatório no instante pode não ser aquilo que mais ajuda a pensar.

Em 2025, a própria OpenAI relatou e reverteu uma atualização do GPT-4o que havia tornado as respostas excessivamente agradáveis. O caso é específico daquele produto e daquele lançamento. Ainda assim, expõe uma lição maior: métricas positivas e preferência imediata do usuário podem deixar passar um comportamento ruim quando os testes não procuram explicitamente por ele.

É por isso que eu não quero avaliar um agente apenas perguntando se gostei da resposta.

Quero perguntar também:

ele preservou os fatos mesmo quando eu sugeri o contrário?
separou observação, inferência e decisão?
mostrou o que falta saber?
trouxe o melhor contraponto disponível?
pediu confirmação antes de uma ação material?
deixou uma trilha que outra pessoa consiga verificar?

Concordância pode fazer parte de uma boa resposta.

Mas precisa ser consequência da análise, não condição para a conversa continuar confortável.

Quando a resposta automatizada ganha autoridade antes de merecê-la

O risco não está apenas no comportamento do modelo. Também está no nosso.

O termo automation bias descreve a tendência de favorecer recomendações automatizadas e deixar de procurar informações que as contradigam. Em um experimento publicado em 1999, Linda Skitka, Kathleen Mosier e Mark Burdick observaram erros de omissão e de ação associados ao uso de um auxílio computadorizado de decisão.

O estudo não investigou modelos de linguagem atuais. Não autoriza transportar seus resultados diretamente para qualquer conversa com IA. A lente, porém, continua útil: uma saída apresentada com velocidade, estrutura e segurança verbal pode receber uma autoridade que a evidência ainda não conquistou.

Esse risco também alcança quem constrói o próprio sistema.

Depois de investir tempo, método e expectativa numa arquitetura, é fácil querer que ela funcione. Organização pode ser confundida com verdade. Regras familiares podem baixar a guarda de quem lê. Uma conclusão ruim não melhora porque veio cercada de fontes, tabelas e uma lista muito bem diagramada de próximos passos.

Um agente não bajulador precisa estar preparado para apontar isso também.

Não ter envolvimento emocional próprio é útil. Não é neutralidade

Há uma vantagem real na assimetria entre mim e o sistema: a IA não possui envolvimento emocional próprio na decisão.

Ela pode organizar documentos, restrições, alternativas e evidências sem precisar proteger a própria imagem, defender uma escolha passada ou vencer uma discussão. Pode refazer uma comparação com outras premissas, testar cenários e expor inconsistências sem que isso se transforme num conflito pessoal.

Em uma empresa, isso pode ajudar a reunir informações espalhadas, comparar caminhos, explicitar dependências e tornar a decisão menos refém do impulso mais recente ou da opinião mais forte na sala.

Na vida pessoal, pode ajudar a ordenar pensamentos, recuperar contexto, distinguir desejo de evidência e formular perguntas que eu ainda não tinha conseguido fazer.

Mas ausência de emoção própria não significa neutralidade.

O sistema recebe dados que podem estar incompletos, desatualizados ou enviesados. Opera sob instruções que também carregam escolhas. Pode usar uma fonte ruim com uma aparência impecável. Pode produzir uma faixa de confiança sem base estatística suficiente ou omitir uma variável que ninguém se lembrou de fornecer.

Por isso, decisão orientada por evidências não é decisão sem emoção.

Em decisões pessoais, emoção também é informação. Ela pode revelar valor, medo, desejo, limite e vínculo. O trabalho não é removê-la da equação, mas impedir que impulso, ego ou desconforto sejam disfarçados de fato objetivo.

Quando houver dados adequados, quero cenários, intervalos e sensibilidade às premissas. Quando não houver, quero incerteza verificável e linguagem proporcional. Em ambos os casos, objetivos, prioridades, ética e tolerância ao risco continuam sendo responsabilidades humanas.

O ativo não é o modelo

Eu não treinei um modelo fundacional proprietário do zero. E essa nem é a parte mais interessante do que estou construindo.

O modelo é um componente substituível dentro de uma arquitetura maior.

Uma referência de engenharia da Anthropic descreve o bloco básico de sistemas agênticos como um modelo ampliado por capacidades como recuperação de informação, ferramentas e memória. Essa descrição ajuda a sair da fantasia do prompt mágico: o comportamento útil nasce da combinação entre modelo, ambiente e forma de trabalho.

O que eu chamo de harness é esse sistema ao redor do agente. É a infraestrutura que transforma intenção e critério em condições operacionais:

contexto para o agente entender o problema sem depender de uma conversa perdida;
memória para preservar decisões, histórico e aprendizados com origem identificável;
skills para ensinar procedimentos reutilizáveis e seus limites;
subagentes para dividir trabalho e introduzir revisão especializada;
ferramentas para pesquisar, ler, executar, medir e produzir artefatos;
fontes para que afirmações importantes não apareçam por geração espontânea;
permissões para limitar o que pode ser visto, alterado ou publicado;
checkpoints para devolver decisões materiais ao humano certo;
validações para testar a entrega em vez de confiar na eloquência dela.

Um relato de engenharia da OpenAI sobre harness engineering com Codex descreve uma direção parecida: tornar contexto, ferramentas, documentação e ciclos de feedback legíveis e executáveis para agentes. É um caso específico da própria OpenAI, não uma receita universal. O valor da referência está em mostrar que capacidade do modelo e qualidade do ambiente são problemas diferentes.

O ativo, portanto, não é uma personalidade digital que sabe o meu nome.

É critério transformado em infraestrutura reutilizável.

Governança não é o freio colocado depois

Quando a IA entra numa operação, governança não pode aparecer apenas depois que algo dá errado.

O AI Risk Management Framework do NIST organiza o trabalho de risco em funções como governar, mapear, medir e gerenciar. O framework é voluntário e amplo; não certifica meu sistema, não garante segurança e não substitui controles específicos do contexto. Ele reforça, contudo, um princípio importante: risco precisa fazer parte do ciclo de vida, não da nota de rodapé.

Para mim, isso significa desenhar o sistema já perguntando:

de quem é o dado?
qual fonte pode sustentar essa conclusão?
quem pode autorizar esta ação?
o que precisa ficar registrado?
qual falha é aceitável?
como interromper, corrigir ou reverter?
em que ponto o agente precisa parar e pedir direção?

Um sistema customizado e governado sob controle do cliente não significa controle absoluto. Plataformas externas, modelos de terceiros e integrações continuam trazendo dependências. Significa tornar essas dependências visíveis, limitar seu alcance e preservar o máximo possível de contexto, política, dados, logs e decisões sob a governança da organização.

É menos cinematográfico que anunciar uma inteligência proprietária.

Também é muito mais útil quando chega a segunda-feira.

A direção vem antes da aceleração

Eu não mando executar cegamente aquilo que ainda não está claro.

Quando o pedido contém uma decisão ambígua, o melhor próximo passo pode ser uma pergunta. Quando envolve risco material, pode ser um checkpoint. Quando depende de fonte externa, pode ser pesquisa. Quando a resposta está bem escrita, mas a evidência é fraca, pode ser descarte.

Essa postura não reduz agência. Ela evita confundir movimento com progresso.

Em “Nasci em 1986 e sobrevivi a pelo menos nove fins do mundo”, defendi método, backup e próximo passo verificável como antídotos tanto para o pânico quanto para a euforia. Aqui vale a mesma regra: IA acelera capacidades, processos e tendências; não escolhe uma direção melhor por conta própria.

E, como explorei em “A previsibilidade sedutora da IA”, uma resposta confortável pode ser útil sem merecer o lugar de árbitro. O sistema precisa aumentar minha capacidade de agir no mundo, não criar um ambiente onde todas as minhas premissas voltam para mim com voz mais bonita.

Onde isso toca a i-9.ai

É nessa fronteira que consigo entregar o trabalho da i-9.ai.

Não como a promessa de um modelo secreto que sabe tudo. Não como uma automação genérica colada sobre processos que ninguém entendeu. E não como a retirada silenciosa das pessoas de decisões pelas quais elas continuarão respondendo.

A direção que me interessa é outra: entender a operação, organizar o contexto, descobrir onde existe alavancagem real e construir um sistema customizado que combine agentes, automações, software, dados, infraestrutura, segurança e governança.

Eu já tenho uma base reutilizável. Algumas automações estão maduras o bastante para serem praticamente replicadas, com ajustes de integração, permissões e contexto. Outras partes precisam nascer da operação de cada cliente, porque empresa nenhuma deveria receber uma cópia cega do modo de trabalho de outra.

Sempre que o problema permitir, minha preferência é por código aberto, infraestrutura privada e soberania sobre dados, políticas e operação. Isso não significa prometer isolamento absoluto nem rejeitar todo serviço externo. Significa evitar dependências desnecessárias, tornar as inevitáveis visíveis e preservar caminhos reais de controle, auditoria e mudança.

O princípio da entrega é que o cliente não receba apenas uma caixa de respostas. Quando essa arquitetura fizer sentido para o problema, ela deve transformar critérios em execução de forma explícita, permitir a verificação das entregas e preservar controle sobre decisões importantes.

Se esse jeito de trabalhar faz sentido para um problema que sua empresa precisa resolver, entre em contato. Você não precisa chegar com a arquitetura ou a ferramenta escolhida. A conversa pode começar pelo problema, pelos critérios e pelo que precisa mudar na operação.

O teste que me interessa

Depois de aperfeiçoar um agente, eu não quero apenas sentir que a conversa melhorou.

Quero observar se o sistema:

faz perguntas melhores antes de agir;
encontra e declara lacunas de contexto;
distingue fato, hipótese, preferência e decisão;
organiza cenários sem fabricar certeza;
discorda quando a evidência pede discordância;
respeita permissões e checkpoints;
produz algo verificável, reutilizável e corrigível;
devolve ao humano a decisão que continua sendo humana.

Se a resposta me agrada e também passa por tudo isso, ótimo.

Se não me agrada, mas revela o ponto cego que evitará uma decisão ruim, talvez seja ainda melhor.

Foi para isso que comecei a ligar o microfone.

Não para ouvir uma máquina falar como gente.

Para conseguir pensar em voz alta sem contratar uma bajulação automática para editar o meu ponto de vista.

Continue lendo

A previsibilidade sedutora da IA: por que validação, disponibilidade e personalização podem ajudar — ou virar fuga da alteridade humana.
Evolução da tecnologia: do mainframe ao trocadilho infame em tempo real: como contexto, ferramentas e humor melhoram a interface sem transformar personalização em massagem de ego.
Nasci em 1986 e sobrevivi a pelo menos nove fins do mundo: uma defesa de método, backup e próximo passo verificável diante de transformação real e profecia fácil.

Referências e limites de uso

As fontes abaixo sustentam mecanismos e práticas específicos. Nenhuma delas prova, isoladamente, que um determinado harness elimina erros, garante boas decisões ou produz vantagem empresarial.

Sharma et al., “Towards Understanding Sycophancy in Language Models” (2023): encontra comportamento de sycophancy em cinco assistentes e investiga o papel de preferências humanas; não representa todos os modelos, versões ou contextos de uso.
Skitka, Mosier e Burdick, “Does Automation Bias Decision-Making?” (1999): experimento sobre erros associados a um auxílio automatizado de decisão; antecede modelos de linguagem e é usado aqui como lente, não como equivalência direta.
OpenAI, “Expanding on What We Missed with Sycophancy” (2025) (acesso em 26 ago. 2026): relato oficial de um lançamento, rollback e mudanças de avaliação; é uma fonte da própria empresa sobre um caso específico, não prova intenção geral nem resolve o problema para outros sistemas.
NIST, “Artificial Intelligence Risk Management Framework 1.0” (2023): framework voluntário para governar, mapear, medir e gerenciar riscos de IA; não é certificação, auditoria ou garantia de segurança deste trabalho.
Anthropic, “Building Effective Agents” (2024) (acesso em 26 ago. 2026): referência de engenharia sobre modelos ampliados com recuperação, ferramentas e memória; reflete a experiência e as escolhas da própria empresa.
OpenAI, “Harness Engineering: Leveraging Codex in an Agent-First World” (2026) (acesso em 26 ago. 2026): relato de engenharia sobre contexto legível, ferramentas e ciclos de feedback em um projeto com Codex; não demonstra que a mesma arquitetura funcione em toda organização.

A imagem de capa é uma ilustração editorial sintética criada a partir de referências visuais autorizadas do autor.