ESSAYS × legibilidade × moral × algoritmo

Cheguei a Douglas Kelley pelo filme Nuremberg (2025), como muita gente vai chegar. O contexto cabe em três linhas: terminada a Segunda Guerra, líderes nazistas capturados esperavam julgamento num tribunal montado pelos Aliados na cidade alemã de Nuremberg. O Exército americano mandou um psiquiatra, Kelley, avaliar os prisioneiros. A pergunta dele parecia simples: esses homens são loucos?

A resposta, publicada em 1947¹, incomoda até hoje. Kelley passou meses aplicando testes e esperava encontrar patologia: um traço comum, uma marca clínica, qualquer coisa que explicasse o extermínio de milhões e devolvesse ao resto da humanidade o conforto da distância. Encontrou homens dentro da faixa normal. Vaidosos, ambiciosos, medianos. O que os tinha produzido estava fora deles: propaganda, condicionamento, linguagem, burocracia, carreira. Loucura, psicopatia e desvio moral prévio não bastavam como explicação. Kelley saiu do processo avisando que gente assim existe em qualquer país, inclusive no poder. O aviso não foi bem recebido.

O tribunal improvisado

O tribunal tinha um problema que os críticos apontam até hoje: o tipo penal não existia naqueles termos antes do julgamento. "Crime contra a humanidade" foi formulado no Estatuto que criou o próprio Tribunal², redigido pelas quatro potências vencedoras depois dos atos que ia julgar — e cada uma delas, sozinha, teria tipificado aqueles crimes de outro jeito. Julgar sem lei anterior fere um princípio básico do direito, e os juízes sabiam.

O que sustentou Nuremberg foi a legibilidade de todo o resto: réu com nome, patente e advogado; atos com data, local e ordem assinada; cadeia de comando percorrível documento a documento. O crime era tão legível que a lei pôde ser escrita depois dele sem desabar. O formato, primeiro tribunal penal internacional com esse alcance, virou matriz: Tóquio, Iugoslávia, Ruanda e o Tribunal Penal Internacional descendem dali. E diante da defesa que quase todos os réus tentaram — "eu cumpria ordens", "era legal" — ficou estabelecido com força de precedente que legalidade e moralidade não são a mesma coisa. Nuremberg pôde julgar porque pôde ler.

A lição vale fora do tribunal. A escravidão foi legal e registrada em cartório; o apartheid operou com jurisprudência a favor. A lei codifica o consenso de ontem. A pergunta é quais práticas de IA hoje legais vão parecer absurdas em 2060 — e de quem era a voz ausente quando viraram padrão.

Como gente comum chega lá

A pesquisa histórica das décadas seguintes confirmou Kelley com arquivo. Pessoas comuns se tornaram executoras por cinco mecanismos, e nenhum deles é loucura:

• Conformidade — ninguém quer ser o fraco diante do grupo; a recusa individual custa mais que a obediência coletiva. No caso mais bem documentado³, um batalhão de policiais de reserva, homens de meia-idade sem fanatismo especial, recebeu a oferta explícita de ficar fora dos massacres, sem punição. A maioria ficou.
• Gradualismo — ninguém atravessa uma linha visível; desce degraus pequenos demais para justificar a recusa. Quem topou o passo três já tinha topado o um e o dois.
• Eufemismo — a língua faz o trabalho moral antes do trabalho físico⁴. "Solução Final", "tratamento especial", "evacuação": nenhum documento precisa assinar "assassinato".
• Distância — o trabalho se divide em fragmentos até ninguém se enxergar como assassino⁵. As câmaras de gás também funcionaram como engenharia de distância: matavam mais e poupavam o executor de olhar a vítima nos olhos.
• Inversão moral — a atrocidade reformulada como dever⁶; executá-la sem fraquejar vira prova de caráter.

Cinco mecanismos, nenhum exótico. Todos dependem de ambiente. E ambiente se projeta.

Morte diluída

O lado bom da tecnologia é real, conhecido e dispensa defesa aqui. O assunto deste ensaio é o que acontece quando a mesma capacidade opera na outra direção.

O lado errado já tem arquivo. Em 2021, documentos internos vazados por uma ex-funcionária⁷ mostraram que a própria empresa dona do Instagram pesquisou, mediu e registrou danos do produto sobre adolescentes — e seguiu otimizando na mesma direção. A empresa sabia mais do que dizia. Em volta do caso documentado existe o inventário difuso: adolescentes em espiral de comparação, homens radicalizados por recomendação em cadeia, idosos drenados por fraude segmentada, democracias com o tecido de confiança puído.

Chamo esse padrão de morte diluída. Milhões de danos distribuídos, cada um com causalidade individual fraca demais para sustentar um processo, somados numa escala que nenhum tribunal consegue enquadrar porque nunca se agregam num evento único, com data e local.

Antes da frase que amarra, o cuidado que ela exige: a comparação deste ensaio é de arquitetura, nunca de magnitude nem de intenção. Nada aqui equipara feed a campo de extermínio. O paralelo está no que cada arquitetura faz com a responsabilidade: a câmara de gás concentrou a morte para poupar o executor; o algoritmo pulveriza a causalidade para poupar o réu.

E existe o caso em que a diluição re-concentrou. Em 2017, o Exército de Mianmar conduziu uma campanha de massacre e expulsão contra os rohingya, minoria muçulmana do país; mais de 700 mil pessoas fugiram. No Mianmar daquele período, o Facebook funcionava na prática como a própria internet, e a investigação da ONU⁸ concluiu que a plataforma teve papel relevante na disseminação do ódio que preparou o terreno. Morte diluída virando morte literal, contável, com vala. A cadeia causal foi lida por uma instituição, e só por isso entrou para a história como crime em vez de estatística.

Os mesmos mecanismos, em forma algorítmica

Como um dano dessa escala se produz sem que ninguém o decida? Pelos mesmos cinco mecanismos, traduzidos:

• Conformidade — ninguém pede a revisão de viés do modelo se isso atrasa o lançamento que o conselho já aprovou. O desconforto individual perde para o cronograma coletivo, com ressalva educada em ata.
• Gradualismo — o consentimento avança um clique por vez. Termos de uso, permissões, "aceitar tudo": nenhum clique isolado parece justificar a recusa.
• Eufemismo — o dashboard celebra "receita de publicidade +50%". A linha não diz que o crescimento pode vir de casas de aposta, nem quantos apostadores do outro lado são dependentes.
• Distância — o pipeline dados → modelo → produto → usuário fragmenta a responsabilidade. O engenheiro nunca vê a vítima.
• Inversão moral — "conectar o mundo", "democratizar a informação": a missão nobre absorve o dano como custo do bem maior.

A filosofia do pós-guerra deu nome ao padrão: razão instrumental⁹, a inteligência que otimiza meios sem interrogar fins; banalidade do mal¹⁰, o funcionário que faz o trem chegar no horário sem perguntar o que o trem carrega. A versão atual é a banalidade da função-objetivo: ninguém no pipeline odeia o adolescente do outro lado da tela. O sistema apenas maximiza tempo de sessão. E maximiza muito bem.

O furo jurídico

A ausência de réu tem um componente fabricado. Plataformas vendem precisão comportamental suficiente para prever compra, clique e permanência por microssegmento, mas declaram dificuldade técnica quando o assunto é detectar aliciamento de menores, fraude ou dano organizado nos próprios sistemas. Os dois enunciados saem do mesmo prédio. Onde a capacidade aparece quando dá lucro e desaparece quando custa, o que se revela chama-se preferência — e quando conhecimento do dano, capacidade de agir e persistência da omissão convergem, o direito tem nome para isso: cegueira deliberada.

A blindagem completa o desenho. Nos EUA, a Seção 230, em vigor desde 1996, dificulta tratar serviços interativos como editores ou autores do conteúdo de terceiros. A plataforma que decide métrica, ranking e distribuição ainda se apresenta como mera hospedeira. Só que o board que aprova a métrica é dono do efeito da métrica, e "eu não sabia o que o modelo fazia" envelhece tão bem quanto envelheceu em 1946.

Aqui está o furo. A lei processa dano com três coordenadas: um réu, um ato, uma vítima. Nuremberg tinha as três antes de ter a própria lei, e por isso coube num tribunal, que inventou a técnica que faltava. O dano algorítmico chega com as três dissolvidas: responsabilidade pulverizada em pipeline, ato diluído em bilhões de microdecisões, vítima estatística sem rosto individual. A pergunta que o direito ainda não respondeu, e que este ensaio deixa armada: a morte diluída vai ficar sem pena por falta de réu?

Em 1945, diante de um furo jurídico daquele tamanho, a resposta foi inventar técnica nova. A geração sentada nas mesas de decisão agora herda a invenção seguinte. Kelley diria que é uma geração normal. É exatamente esse o problema.

Pré-crime

O furo tem um lado simétrico, e a ficção chegou nele vinte anos antes do direito. Em Minority Report (2002), adaptado de um conto de Philip K. Dick, videntes anteveem assassinatos e a polícia prende o autor antes do ato — "pré-crime" é o nome do departamento. O filme parecia especulação; a infraestrutura de detecção já instalada no mundo real faz dele um memorando.

A pergunta ética merece ser dita sem anestesia, porque ela desmonta dois séculos de construção jurídica: pode-se punir um crime antes do crime? O direito penal moderno se apoia no ato — pune-se o que foi feito, consumado ou tentado, com presunção de inocência até prova do fato. Punir pelo que alguém provavelmente fará transfere a pena do ato para o autor, e direito penal do autor é a categoria que regimes de exceção do século XX usaram para criminalizar pessoas em vez de condutas.

Score de risco já influencia liberdade provisória e sentença em algumas jurisdições. A cada ponto percentual de "precisão preditiva" que a tecnologia ganha, a tentação de dar o passo seguinte cresce. Se a probabilidade basta para prender, o que sobra da presunção de inocência?

O caso real que este furo produziu no Brasil mostra as duas faces ao mesmo tempo — a mecânica completa fecha este ensaio. Aqui, o que importa é a simetria: com investigação e ato judicial no meio, a detecção opera a favor da vítima; sem essas camadas, a cadeia idêntica prende alguém por conversa. A fronteira entre proteger e punir por previsão tem a espessura do devido processo, e de quem o audita.

Quem está legislando isso

A União Europeia saiu na frente: o AI Act entrou em vigor em 1º de agosto de 2024 e aplica obrigações por etapas, com vigência plena prevista para 2 de agosto de 2026, salvo exceções. O Reino Unido atacou por dever de cuidado com o Online Safety Act de 2023, sob regulação da Ofcom. Os EUA seguem sem marco federal amplo de IA, com colcha de retalhos estadual e a Seção 230 de 1996 ainda de pé.

No Brasil, o PL 2338/2023 foi aprovado no Senado, chegou à Câmara em 2025 e, em 7 de julho de 2026, aguarda parecer do relator na Comissão Especial¹¹. O texto que saiu do Senado prevê a ANPD como coordenadora da governança nacional de IA; o teste agora é se essa arquitetura sobreviverá à Câmara e ganhará força institucional.

O descompasso é de relógio. Entre proposta e aplicação plena, o AI Act atravessou um ciclo em que modelos de linguagem saíram de curiosidade de laboratório para infraestrutura de trabalho. A lei se move em anos, a capacidade em meses, e nenhum dos parlamentos envolvidos respondeu à pergunta que importa: vai dar tempo?

São Gabriel da Palha

Em junho de 2026, conversas de um usuário do ChatGPT no Brasil indicaram plano de matar o próprio filho de 8 anos^{12 13}. Segundo a investigação, havia menções a armas, veneno, contratação de pistoleiro e ataques em massa. A empresa responsável pela plataforma sinalizou o caso ao FBI. O FBI acionou o CyberLab do Ministério da Justiça. O Ministério repassou à Polícia Civil do Espírito Santo. A informação chegou às autoridades brasileiras em 16 de junho; a prisão preventiva ocorreu no dia 19, em São Gabriel da Palha, um dia antes da data apontada pela investigação como planejada para o ataque.

O homem negou intenção de executar o plano. A Polícia Civil apreendeu celular e pertences para perícia e informou que definiria os indiciamentos depois da conclusão da investigação. Esse detalhe importa: o caso não encerra o dilema; ele abre. A prevenção funcionou porque houve cadeia institucional, investigação e ato judicial. Retire uma camada e sobra outra coisa: uma empresa privada detectando intenção, uma agência estrangeira lendo risco, um Estado nacional convertendo conversa em privação de liberdade.

No dia 19 de junho de 2026, em São Gabriel da Palha, Espírito Santo, um pai foi preso antes do ato. A criança ficou viva. O direito ainda precisa decidir que parte dessa frase é vitória, que parte é risco, e quem terá poder para traçar a linha.

⊞ Auditoria de fontes — 17 referências

ACIMA DO NOISE FLOOR × open finance × dado × regulação

Comecei com uma tarefa simples: queria saber quais assinaturas estavam no meu cartão de crédito. Não as que eu lembro. As que estão lá — as que entram todo mês no débito automático, as que eu assino num trial e esqueço, as que continuam existindo depois que eu paro de usar o serviço. Antes de automatizar qualquer coisa, preciso auditar. Antes de auditar, preciso ver. Antes de ver, preciso puxar o dado.

Puxei o fio. O novelo veio junto.

[LOG 01 — SÁBADO, 23H]

Missão: auditar assinaturas no cartão.
Passo 1: acessar histórico de transações.

Abro o app do banco. Vou em "Cartão".
Vejo a fatura atual. Não tem histórico de meses anteriores.
Busco "extrato consolidado". Não existe no app.
Vou no internet banking, no computador.
Banco pede token. Abro o app de volta pro token.
Volto ao navegador. Sessão expirou.
Faço login de novo. Token de novo.
Encontro "Extrato". Baixa um PDF por mês.
São 12 meses = 12 PDFs separados.
Banco sai do ar (manutenção programada, 00h).

Recomeço no dia seguinte.
Depois de 40 minutos: 12 PDFs baixados.
Nenhum deles é processável por máquina.

Será que tem API?

Open Finance: regulamentado desde 2021.
LGPD art. 18(V): portabilidade garantida por lei.
Consentimentos ativos no ecossistema: ~197 milhões (maio/2026).

Resultado: não encontrei canal oficial para baixar
meu histórico financeiro consolidado em formato estruturado.

Antes da IA, só os diligentes chegavam lá

Esse problema não começou com IA. Ele sempre existiu — mas a IA tornou o contraste visível.

Antes de falar em automação, vale entender o tamanho do problema de gestão. O Brasil tem hoje aproximadamente 110,7 milhões de pessoas na força de trabalho (IBGE PNAD 2024). Para esse grupo — que tem renda, movimenta dinheiro, acumula histórico financeiro — o Banco Central registra uma média de 6,7 relacionamentos com instituições financeiras por adulto, com 96,4% dos adultos possuindo conta bancária ou de pagamento (Relatório de Cidadania Financeira 2025). Os cartões de crédito chegaram a 235 milhões de ativos ao fim de 2024 — mais de dois por pessoa na força de trabalho. Adiciona os cartões de débito vinculados a cada conta, os cartões de loja (Renner, Magazine Luiza, Casas Bahia), as contas em fintechs (Nubank, Inter, PicPay), as wallets digitais (Mercado Pago, PayPal), as carteiras de investimento (XP, Rico, BTG, NuInvest), as exchanges de cripto. Uma pessoa com renda diversificada e relacionamento financeiro normal chega facilmente a 12 a 15 vínculos financeiros ativos.

O Open Finance, no que diz respeito às relações entre instituições, tem regulação sofisticada — protocolos padronizados, certificação, FAPI 1.0. Duas instituições conversam entre si dentro de um framework técnico rigoroso. O que não tem padrão é a interface com o cliente: cada app é desenhado por cada instituição do jeito que a instituição quer. O resultado são UXs incompatíveis, com lógicas de exportação diferentes — quando exportam.

Havia um espectro bem definido de como as pessoas lidavam com isso antes da IA. A maioria não faz nada: abre o extrato quando tem problema, paga a fatura olhando o total, cancela assinatura quando a cobrança aparece errada. Um grupo bem menor — na casa dos poucos por cento, não é hipérbole — baixa o extrato todo mês, abre no Excel, classifica na mão. Leva uma hora por banco, multiplica pelo número de contas. Alguns desse grupo foram além e escreveram um script que lê o OFX automaticamente — o processamento é automático, mas a extração ainda é manual, banco por banco. E um grupo estatisticamente irrelevante — que tem fluência em banco de dados, API e infraestrutura — montou sistemas com histórico, categorização e visualização.

Esses grupos sempre existiram. O que mudou é que a IA abstraiu a hard skill.

Hoje, alguém sem experiência em programação consegue pedir pra um assistente de IA "me ajuda a montar uma planilha que categoriza meus gastos a partir desse CSV" — e funciona. A barreira técnica caiu. O que não caiu foi a barreira de acesso ao dado. E é aí que o gargalo se torna estrutural.

O Open Finance brasileiro é uma referência mundial. E ainda assim.

Antes de qualquer crítica, o dado: o Open Finance Brasil é genuinamente excepcional. O Banco Central construiu uma das infraestruturas de dados financeiros mais avançadas do mundo — interoperável, padronizada, com segurança robusta e adoção em escala. Quase 200 milhões de consentimentos ativos. Mais de 800 instituições participando. Referência citada no UK, na Austrália, nos EUA quando discutem suas próprias implementações.

E o Open Finance entregou algo concreto para pessoas físicas: portabilidade de crédito. Desde fevereiro de 2026, você pode autorizar um banco concorrente a acessar seu histórico de crédito no banco atual — pelo crédito pessoal, via fluxo digital no ecossistema Open Finance — e receber uma proposta competitiva em até três dias úteis. Quem tem histórico bom num banco deixou de ser refém daquele banco. Isso é real, está funcionando, e é uma mudança estrutural relevante.

O que o Open Finance resolveu é o fluxo entre instituições. O que ainda não existe é um canal oficial, universal e neutro para o cidadão baixar seu histórico financeiro consolidado em formato estruturado.

O sistema foi construído para instituição, não para pessoa

Os guardrails do Open Finance são adequados e necessários. Para receber dados financeiros de terceiros via API, uma instituição precisa ser certificada pelo Banco Central como receptora. Isso faz sentido — dado financeiro errado ou vazado em escala causa dano real.

O que o regulador pressupôs é que o mercado criaria produtos para o consumidor final. E criou: Pluggy, Belvo, Klavi. São startups que resolveram o problema técnico e regulatório, constroem APIs limpas sobre o caos das integrações bancárias e vendem esse acesso.

A infraestrutura técnica existe. Montar um plano por CPF com limite de chamadas não seria uma revolução de engenharia. A resposta é de modelo de negócio: B2B tem contratos de alto valor, suporte concentrado e churn controlável. Pessoa física é volume, suporte disperso, ticket baixo, churn alto. O mercado decidiu que esse problema não é o dele.

[LOG 02 — DOMINGO, 01H]

Tentativa alternativa: Meu Pluggy.

Conectei bancos. Os dados chegaram. Eu consigo ver parte
da minha vida financeira na interface deles.

Mas ver não é portar.

Não encontrei uma forma consumer de baixar tudo de forma
consolidada, estruturada e reutilizável — um CSV/JSON único
com transações, cartões, contas e histórico entre instituições.
O que existe é uma camada visual para pessoa física e uma API
pensada para desenvolvedores/empresas, com fluxo, credenciais
e precificação de produto B2B.

A Pluggy prova que o dado chega. Também prova o ponto:
ele chega a um intermediário privado antes de chegar,
de forma limpa e controlável, ao titular.

O que a LGPD diz e o que os bancos entregam

O artigo 18, inciso V da LGPD garante ao titular o direito à portabilidade dos dados a outro fornecedor de serviço ou produto, "de acordo com a regulamentação da autoridade nacional". A ANPD ainda trata a regulamentação operacional desse direito como tema em andamento. Resultado prático: cada banco interpreta como quer, ou não interpreta.

Itaú exporta OFX via internet banking. Funciona, mês a mês, banco por banco, na mão. Nubank exporta em PDF — um documento para olho humano, que exige parsing manual para qualquer automação. Cartões de loja geralmente não exportam nada. Fintechs variam: algumas têm CSV escondido em configurações, outras só mostram o saldo no app. Wallets e exchanges de cripto têm formatos proprietários quando têm. A conta de investimentos tem nota de corretagem em PDF, se você lembrar de baixar no prazo.

Multiplica isso pelos 12 a 15 vínculos financeiros de uma pessoa na força de trabalho.

[LOG 03 — SEGUNDA, 09H]

Pesquisa: existe alternativa estruturada para pessoa física?

BCB/gov.br: não identifiquei canal oficial para baixar histórico
financeiro pessoal consolidado em JSON/CSV.

Open Finance direto: pessoa física não acessa a API regulada como
titular independente; o fluxo é entre instituições participantes
e autorizadas.

Meu Pluggy: permite conectar bancos e visualizar dados em uma
interface web. Não resolveu o caso de uso testado: baixar,
como pessoa física, um arquivo unificado e estruturado dos dados
financeiros entre bancos.

Agregadores: API e precificação seguem modelo B2B.

Conclusão: o problema não é ausência absoluta de conexão.
O problema é ausência de portabilidade pessoal operacionalizada:
baixar meus próprios dados financeiros, consolidados,
estruturados e sob meu controle.

Sem projeto de lei em tramitação sobre isso.
Sem agenda pública no Banco Central nessa direção.
Sem referências de educação financeira discutindo o tema.

Pelo menos eu e as IAs que uso não achamos.

Três perguntas que o mercado não respondeu

Por que os agregadores não criaram um tier para pessoa física? A infraestrutura técnica já existe. A resposta é de modelo de negócio: B2B tem contratos de alto valor, suporte concentrado e churn controlável. Pessoa física é volume, suporte disperso, ticket baixo, churn alto. Não foi prioridade.

Por que nenhuma startup criou esse acesso diretamente? O gargalo é regulatório. Para acessar o Open Finance como receptor, você precisa de autorização do Banco Central. Uma startup nova não pode lançar "API de dados bancários para pessoa física" sem ser receptora certificada — ou revendedora de uma receptora. A regulação cria um moat que exige navegar a certificação antes de vender o primeiro real.

Por que o Banco Central não criou um "baixar meus dados" via gov.br? A infraestrutura existe. O BCB tem as APIs. O gov.br tem autenticação por CPF. A portabilidade de crédito já foi implementada — prova que o BCB consegue construir fluxos consumer quando decide priorizar. Um botão "baixar meu histórico financeiro em JSON" no gov.br seria tecnicamente viável. O que falta é uma decisão política de que o cidadão deve ter acesso direto aos próprios dados — não apenas o direito de autorizar uma instituição a acessar em seu nome.

É por design?

A pergunta tem que ser feita.

Se você não cria um canal oficial para o cidadão acessar seu próprio histórico financeiro consolidado, o efeito prático é dificultar a gestão financeira pessoal em qualquer nível além do básico. É vendo o próprio extrato consolidado que alguém percebe o rombo mensal com apostas esportivas. É rastreando as próprias taxas que alguém nota o spread abusivo em câmbio ou a taxa de juros que nenhum banco concorrente praticaria se pudesse ver o histórico real. É cruzando as próprias faturas que alguém identifica três serviços de streaming cobrando em paralelo. É com histórico estruturado que alguém entra numa renegociação de consignado com argumento, não com chute.

Opacidade de dado é estrutura de poder. Quem controla o acesso ao dado controla o acesso à consciência sobre o dado.

Pode ser inércia. Pode ser prioridade de negócio. Pode ser que ninguém no Banco Central parou pra pensar no caso de uso individual. Mas o efeito é o mesmo independentemente da intenção: o sistema que deveria dar autonomia ao titular dos dados ainda entrega essa autonomia principalmente à instituição que guarda os dados.

A IA mudou o que você pode fazer com o dado. Não quem pode acessá-lo.

Toda a narrativa sobre IA dos últimos anos orbita em torno de capacidade: o que a IA consegue fazer, o que ela consegue analisar. A IA virou um amplificador. Pega habilidade existente, escala. Pega dado disponível, transforma.

O pressuposto implícito é que o dado está disponível.

Na prática, o dado financeiro pessoal está fragmentado em dezenas de silos com formatos incompatíveis e extração manual. A IA não destrancou o cofre. Ela te deu um processador mais rápido para trabalhar com o que você consegue tirar do cofre na mão.

Isso cria uma camada de desigualdade que não existia antes. A IA reduziu a barreira de skill — o que fazer com o dado quando ele chega. Não tocou na barreira de acesso — conseguir o dado em primeiro lugar. E a barreira de acesso, no caso financeiro, é regulatória e política, não técnica.

Esse padrão não é exclusivo de finanças. Em saúde, seu histórico médico está distribuído entre plano, hospital e laboratório. Em educação, seu histórico de aprendizagem está em plataformas proprietárias que não se falam. Em todos esses casos, a IA amplificaria dramaticamente o que o cidadão pode fazer com a própria informação — se tivesse acesso a ela. A democratização que a IA promete bate em paredes que a IA não derruba.

O sistema que não quer que você se organize

Quarenta minutos. Doze PDFs. Nenhum dado processável. Não é um bug. É o padrão.

Serviços de assinatura são desenhados para serem fáceis de contratar e difíceis de rastrear. O trial que vira cobrança, a notificação que não chega, a anuidade que passa em março sem aviso. Mas o problema não é só assinatura — é qualquer consciência financeira que dependa de ver o próprio histórico consolidado. O rombo com apostas esportivas. A taxa de câmbio que variou quarenta pontos entre a cotação mostrada e a aplicada na fatura. O consignado vendido em cima de um histórico de adimplência impecável a uma taxa que nenhum banco concorrente praticaria se pudesse ver o mesmo histórico.

[LOG 04 — MESMA SEMANA]

Solução adotada: export OFX manual por banco,
uma vez por mês, script de import para banco de dados.

Funciona. Cobre o histórico.
Não é automático. Não é o ponto.

O ponto é que em 2026, com Open Finance referência mundial,
com LGPD, com IA que abstrai qualquer hard skill técnica,
a solução para acessar os próprios dados financeiros
de forma consolidada ainda é: baixar PDF e rodar script.

O sistema não precisa ser malicioso para produzir esse efeito. Basta que ninguém tenha sido incentivado a resolver o problema do lado do titular. E ninguém foi — porque quem mais precisaria desse acesso é exatamente quem não sabe que ele deveria existir. A demanda que poderia mudar o desenho do sistema nunca chegou a se formar como demanda.

O Open Finance quer que você compartilhe seus dados. Ainda não decidiu que você pode tê-los.

⊞ Auditoria de fontes — 9 referências · 2 parciais

ESSAYS × tempo × estimativa × escala

Tem uma cena que se repete em qualquer empresa grande o suficiente pra ter comitê. Alguém apresenta a implantação de um ERP novo. O slide diz 12 meses. Todo mundo na sala já viu esse filme antes e sabe que não existe implantação greenfield de SAP em um ano numa empresa com vinte anos de legado e déficit técnico acumulado. O número real, dito em voz alta, transforma quem disse em persona non grata. Eu sei porque normalmente eu sou essa pessoa.

A estimativa honesta mata o projeto no comitê. A desonesta deixa o projeto morrer depois, devagar, em fases, quando já não tem dono e o post-mortem vira um anexo que ninguém apresenta. Entre as duas mortes, o sistema escolhe sempre a segunda, porque ela é paga em prestações e por outra pessoa. A mecânica é simples: o projeto precisa caber no ano, porque é no ano que ele vira meta e a meta vira bônus. Na esfera pública, precisa caber no mandato, porque é no mandato que ele vira inauguração e inauguração vira voto. O horizonte de planejamento de um país acaba sendo o múltiplo de quatro anos do ciclo eleitoral, e o de uma empresa, o múltiplo de doze meses do ciclo de remuneração variável.

Isso parece um problema de incentivo. É também, mas o incentivo só funciona porque está apoiado numa falha de fábrica.

Kahneman e Tversky deram nome a ela em 1979: falácia do planejamento. A mente constrói o roteiro do caso ideal e estima em cima dele. A estatística dos dez projetos anteriores, todos estourados, não entra no cálculo, mesmo quando quem estima participou de todos os dez. Hofstadter formulou a versão recursiva no mesmo ano: tudo leva mais tempo do que você espera, mesmo quando você leva em conta a lei de Hofstadter. A recursão é o dado que importa. Saber do viés não corrige o viés.

E existe um gradiente que qualquer pessoa que já geriu trabalho criativo conhece de cor. Pintar uma parede tem média e desvio padrão. Desenhar um sistema que ainda não existe, não tem. Estimar trabalho criativo é estimar o que ainda não foi descoberto, e o que ainda não foi descoberto não cabe em planilha. Polanyi resumiu o lado do conhecimento: sabemos mais do que conseguimos dizer. A versão de quem opera é menos elegante: fazemos mais do que conseguimos planejar.

Até aqui, nada novo. A parte nova é que acabamos de construir uma máquina com exatamente o mesmo defeito.

Pergunte a uma IA generativa quanto tempo leva qualquer coisa e ela responde na hora, com a fluência de um gerente de projeto sênior. Duas horas. Três sprints. Seis meses.

Por baixo da resposta não existe relógio nenhum.

Um modelo de linguagem não percebe o tempo passar. Entre uma mensagem sua e a próxima podem ter se passado dez segundos ou três semanas; pra ele é o mesmo instante. Ele também não enxerga a própria infraestrutura: quantas GPUs rodam a inferência, qual o nível de paralelismo, que guardrail interceptou o quê, quanta latência tem na fila de IO. A metacognição que um humano tem do próprio cansaço, um modelo não tem do próprio datacenter. Quando ele responde "isso leva duas horas", é estatística dos textos que leu, vestida de percepção. Herdou dos nossos cronogramas a falácia do planejamento e perdeu, de quebra, o relógio biológico que pelo menos avisa o humano de que o dia acabou.

Eu trabalho com um agente de IA todos os dias. Depois de uma sequência de erros dele, a regra precisou ser escrita em documento permanente de operação, no topo, com sinal de proibido:

[LOG 01 — REGRA PERMANENTE, DOCUMENTO DE OPERAÇÃO DO AGENTE]

⛔ Kai não entende o passar do tempo.

Nunca inferir tempo, duração, prazo, "hoje", "agora",
"amanhã", "depois", "em paralelo".

Kai não vê:
- o timestamp real da mensagem
- quanto tempo passou entre a mensagem anterior e a atual
- o que está acontecendo em paralelo — outros chats,
  outras tarefas, vida
- se um passo bloqueia outro temporalmente

Penalidade: assumir tempo é mentir com cara de
assistente útil.

A regra existe porque o erro existiu, mais de uma vez. O agente que ajudou a escrever este texto opera sob ela agora.

E o defeito tem confirmação oficial. Em abril deste ano, viralizou um vídeo em que um corredor pede ao modo de voz do ChatGPT pra cronometrar sua milha. Ele para o relógio segundos depois do start; o modelo afirma que se passaram mais de dez minutos e, confrontado, insiste que o errado é o usuário. Mostraram o clipe ao Sam Altman, ao vivo, numa entrevista. A resposta do CEO da OpenAI foi "known issue" e a estimativa de que falta "talvez mais um ano" pra resolver. Uma estimativa de prazo, sobre a incapacidade do modelo de perceber prazos, dada de improviso diante de uma câmera.

Suba a escala e o padrão se mantém. Em 1987, Robert Solow escreveu que os computadores estavam em toda parte, menos nas estatísticas de produtividade. Os ganhos da TI levaram quase uma década pra aparecer nos números. Um levantamento do NBER, com quase 6.000 CEOs, CFOs e diretores financeiros entre novembro de 2025 e janeiro de 2026, encontrou o mesmo desenho: mais de 90% reportam nenhum efeito da IA sobre emprego nos últimos três anos, e 89% nenhum impacto em produtividade. Os mesmos executivos projetam efeitos grandes nos próximos três anos. "Sem impacto até agora, impacto enorme em breve" é a frase de Solow falada em coro, quarenta anos depois. A leitura mais comum é que a IA está superestimada. A leitura que o precedente sugere é outra: o instrumento de medição trimestral foi desenhado pra capturar variação dentro de uma estrutura estável, e devolve "sem impacto" justamente enquanto a estrutura inteira se move.

É nesse ponto que a falha individual viraria assunto de política pública, se política pública não sofresse do mesmo mal. Mandato é trimestre com outro nome. Projeto transformacional — o que muda matriz energética, o que reposiciona um país na cadeia da IA, o que prepara uma espécie pra eventos raros de dano total — não tem estimativa crível por definição. E o que não tem estimativa não passa em comitê. O resultado é um sistema que financia o incremental com precisão e desfinancia o que importa com a mesma precisão. A economia do curto prazo funciona como um filtro que deixa passar tudo, menos o transformacional.

Existe um experimento natural sobre o que acontece quando alguém recusa esse filtro por 24 anos.

Em 2002, "tornar a humanidade multiplanetária" não passava em comitê nenhum. Sem TIR, sem cronograma, sem mercado endereçável. O que tinha era uma decomposição: ninguém estima a colônia em Marte, mas dá pra construir um foguete pequeno que volta inteiro. Quando o primeiro estágio do Falcon 9 pousou em pé pela primeira vez, em dezembro de 2015, a imagem que ficou foi a de um foguete dando ré. Engenharia estimável a serviço de um objetivo que não cabia em estimativa.

A progressão dos lançamentos anuais conta o resto: 25 em 2020, depois 31, 61, 96, 134 e 165 no ano passado — mais voos orbitais que o resto do planeta somado, com 123 deles subindo Starlink. Quinze anos atrás, o total acumulado da empresa eram dois voos de Falcon 9. Qualquer analista sério de 2011 teria classificado "centenas de lançamentos privados por ano" como erro de planilha.

Lido como portfólio, o conjunto inteiro é uma cadeia de dependências da mesma viagem. Energia solar e armazenamento (SolarCity e Megapack, absorvidos pela Tesla). Autonomia e baterias (Tesla). Robôs de uso geral (Optimus). Conectividade que não depende de infraestrutura no chão (Starlink). LLM proprietário (xAI). A maior base de dados de comportamento humano em tempo real, com os usuários mais críticos do planeta de bônus (X, o antigo Twitter). Túneis, que na Terra parecem transporte e em Marte são habitat, porque radiação não negocia (Boring Company). Computação no corpo, porque não existe cloud com latência viável entre planetas (Neuralink). Até o Hyperloop, publicado como white paper aberto em 2013 e nunca operado por ele, ensaiava transporte de carga em tubo sem depender de atmosfera amigável. Essa leitura é nossa, não consta em prospecto. Mas é a que explica por que cada peça parece um negócio independente e nenhuma fecha sozinha.

Hoje o filtro comprou o que tinha recusado. O IPO saiu a US$ 135 por ação, captando US$ 75 bilhões com valuation de US$ 1,77 trilhão — o recorde anterior, da Saudi Aramco em 2019, era US$ 25,6 bilhões. Trinta por cento das ações foram reservadas pro varejo, seis vezes a fração usual.

⊞ Auditoria de Fontes — 11 referências · 1 parcial

O ELEFANTE NA SALA × IA × distribuição de renda × taxação × reforma trabalhista

Em maio, a Samsung fechou um acordo sindical que pode render, em média, cerca de US$ 340 mil por trabalhador de semicondutor ao longo de dez anos — majoritariamente em ações, atrelado a 10,5% do lucro operacional da divisão de chips, mais 1,5% em dinheiro. É um compromisso de dez anos, condicionado a metas de lucro, e desigual: quem está na divisão de memória recebe bem mais que o resto. Ainda assim, é raro: só a segunda vez que uma megacorporação coreana fixa em contrato uma fatia do lucro operacional antes dos impostos. Por trás, ameaça de greve, mediação do governo e o benchmark da rival SK Hynix. O sindicato foi decisivo — não o motor único, mas a peça que faltava.

O que importa: o dinheiro saiu da divisão que a IA inflou. Quem faz smartphone e geladeira levou US$ 4 mil. É só geografia do windfall. A IA tende a concentrar o ganho de produtividade onde há poder de mercado e demanda extraordinária; aqui, foi nos chips. E um trabalhador organizado conseguiu capturar parte da enxurrada antes que ela virasse só dividendo de acionista.

Quem fica com o ganho da máquina

Isso é, no fundo, a velha briga que Marx descreveu: quem se apropria do ganho que a máquina gera? Para Marx, a maquinaria não libertava o trabalhador — transferia o excedente pro dono do capital. A IA é a maquinaria do nosso século, com um agravante: não mexe só com o braço — mexe com o julgamento, e às vezes complementa em vez de substituir. O Fórum Econômico Mundial projeta 170 milhões de vagas criadas e 92 milhões destruídas até 2030 (saldo de +78M). Mas é projeção de survey, e o quadro é misto: funções administrativas, caixas, secretariado e entrada de dados encolhem, enquanto empregos de linha de frente crescem em termos absolutos. O recado real é deslocamento de tarefas, com distribuição incerta — bem menos dramático que o "fim da classe média". Saldo líquido positivo não consola quem está do lado errado da conta.

Parte dos donos da máquina já ensaia respostas distributivas. Sam Altman trocou a "renda básica" por "riqueza extrema universal" — dar a cada um uma participação acionária no que a IA cria. Elon Musk fala em "renda alta universal", apostando que o robô produz tanto que o cheque não gera inflação. São falas de matéria de opinião, então tome como sintoma, não como prova. Mas o sintoma importa: quem constrói a máquina já ensaia o discurso da distribuição, parte por leitura de risco, parte por narrativa conveniente de abundância, e prefere desenhá-la antes que seja desenhada contra eles. A Axios registrou, em maio, bilionários se mexendo pra conter a revolta populista antes que os garfos cheguem. São vetores diferentes — discurso da big tech, pressão sindical, debate tributário — que podem convergir, ou se neutralizar; a disputa tende a passar por essas arenas. A questão de fundo é uma só: o ganho da máquina vai ser dividido de algum jeito. Resta saber qual, e a favor de quem.

Onze dias contra trinta anos

Um caminho é taxar o estoque. Piketty e Zucman propõem 2% sobre os ~3.000 bilionários do planeta — algo como US$ 200–250 bilhões por ano. A objeção automática é fuga de capital. A proposta responde a isso com coordenação (o precedente é o imposto mínimo corporativo de 15%, hoje politicamente mais frágil) e exit tax pra quem renuncia residência. Mas responder ao medo é diferente de matá-lo: a fuga segue sendo risco real, só menos automática do que o discurso sugere.

E aqui está a parte que quase todo mundo erra, inclusive o Brasil: a taxação deveria ser sobre o bilionário, não sobre o milionário. São animais de espécies diferentes.

A ironia pra fixar: um milhão de segundos são 11 dias e meio. Um bilhão de segundos são quase 32 anos. Quem acha que isso é "mais ou menos a mesma faixa de gente rica" está confundindo onze dias com três décadas.

Onze dias contra trinta anos: é essa a distância entre um milhão e um bilhão.

Por isso a proposta mira os ~3.000 bilionários, e não o sujeito de sete dígitos. Muitos bilionários conseguem pagar alíquota efetiva menor que a do assalariado quando a riqueza está em capital não realizado. (Há evidência de que contribuintes ricos migram menos do que se teme — mas ela vem de impostos estaduais nos EUA sobre milionários, não de um imposto patrimonial global sobre bilionários. Não confunda os dois.) O milionário típico, esse, está muito mais perto da renda tributável e do consumo visível do que o bilionário globalizado.

O Brasil mira no alvo errado

O Brasil tributa pesado a renda formal do trabalho e o consumo, enquanto renda patrimonial e grandes fortunas têm tratamento mais leve. Por isso mirar a classe média alta formal (médico, pequeno empresário, profissional que junta patrimônio em vida) tem custo político e retorno distributivo limitado: também sustenta parte relevante do consumo e do emprego, e ainda está a uma distância sideral do bilionário que vive de ação offshore e nunca aparece na malha fina. Encolher a base produtiva é um risco possível, mas depende do desenho do imposto e do uso da arrecadação: se financia transferência pra baixa renda, o efeito líquido no consumo pode até ir na direção oposta. O ponto seguro é outro: confundir milhão com bilhão erra o alvo dos dois lados.

O outro caminho não exclui o primeiro — soma: capturar o windfall na origem. Em vez de o Estado correr atrás do excedente depois, o trabalhador entra como sócio do excedente via contrato. O drible continua possível, só muda de arena: sai da declaração individual e entra na contabilidade da firma, no contrato coletivo e na definição do lucro operacional. E o acordo só foi possível porque nasceu num ciclo excepcional de caixa e margem — a Samsung fechou o 1º trimestre de 2026 com lucro operacional recorde de 57,2 trilhões de won (US$ 39 bilhões), a divisão de chips respondendo por ~94% do total. Replicabilidade é outra conversa; o que isso mostra é simples: quando o windfall existe, ele cabe numa cláusula contratual.

No Brasil, o pano de fundo: o Gini subiu de 0,504 para 0,511 em 2025 e os 10% mais ricos ganham 13,8 vezes o que ganham os 40% mais pobres — embora o Gini ainda esteja num patamar historicamente baixo da série, e a alta de um ano não decrete tendência. A produtividade do trabalhador brasileiro é cerca de 25% da americana (US$ 21/h contra US$ 82/h). O nó: o ganho que a IA promete chega concentrado num país já campeão de concentração, e onde a maioria das empresas não tem o windfall da Samsung.

A IA chega antes ao trabalho cognitivo rotineiro

E há uma tensão no timing. A IA pressiona primeiro o trabalho cognitivo e administrativo de rotina: analista, back-office, atendimento, contador, advogado júnior, entrada de dados. Boa parte é classe média formal. A base braçal (construção, transporte, serviços, alimentação) resiste mais, porque virar robô na escala física é caro e lento. Nada disso é sentença: caixas, call centers e logística da base já apanham. Mas a direção da pressão aponta pra esse lado: o choque tende a chegar mais cedo ao meio do que à base. E é, em boa medida, a mesma camada que o sistema tributário já aperta.

E tem uma assimetria que pesa na recolocação, embora o tamanho dela ainda esteja em disputa. O caixa e o operador de logística podem ter mais rotas laterais em algumas ocupações da base, onde a barreira de entrada é baixa; mas têm menos poupança e menos margem pra errar. O white collar pode ter credenciais que desvalorizam em bloco: as funções vizinhas à dele estão sendo automatizadas ao mesmo tempo, e a reentrada exige fluência digital — pior pra quem não é nativo digital nem foi early adopter. A assimetria existe; o quanto ela pesa, ainda não está fechado.

A reforma que captura isso (e o risco dela)

Por isso aumentar custo do trabalho linearmente é remédio errado. O dono da padaria não recebeu um windfall comparável ao dos chips, e um piso linear mal desenhado pode matar vaga formal e empurrar pra informalidade, que já é estrutural aqui. O empresário que ganha com IA é outra história.

Uma reforma trabalhista que leve isso a sério não cria regra única: amarra participação nos ganhos onde a produtividade salta de verdade — atrelada a lucro operacional, não a "PLR" que vira migalha. Atenção: ganho de produtividade não vira PLR automaticamente: pode virar margem, preço, capex, dividendo ou bônus de executivo. A passagem precisa ser desenhada. E exige um sindicato que saiba negociar fatia de lucro, não só reajuste de inflação.

Mas aqui mora o maior risco do modelo, e é preciso dizer com todas as letras: participação no lucro pode beneficiar só os insiders — o formal de empresa grande e lucrativa, numa divisão lucrativa, num setor lucrativo. Ficam de fora terceirizados, informais, pequenas empresas e setores sem windfall. Mal desenhada, a regra aumenta a desigualdade entre trabalhadores em vez de reduzir, e ainda incentiva pejotização e deslocamento de lucro. Some-se que participação no lucro é pró-cíclica: brilha no boom, some na crise. Por isso não substitui piso, reajuste e proteção em baixa de ciclo. É uma ferramenta a mais — não a saída.

E provocar aqui é o oposto de fazer pessimismo. Os números não significam "dinheiro sobrando" em sentido contábil: US$ 7 trilhões em data centers são capex, custo de investimento. O que eles medem é a escala da reorganização — capital, lucro, infraestrutura e poder de mercado deslocados em velocidade histórica. Há, sim, uma massa econômica nova em disputa. A pergunta real é quais instituições vão capturar parte dela — imposto, contrato, sindicato, política pública — antes que tudo vire apenas valorização acionária. A Samsung mostra que isso cabe num contrato quando o windfall é claro. Falta percurso; a direção já está dada.

A IA vai gerar a riqueza com ou sem a gente. O Brasil que decida se entra na divisão — ou passa a década discutindo a alíquota do dentista enquanto o lucro vira dividendo lá fora.

⊞ Auditoria de fontes — 12 referências · 3 parciais

O ELEFANTE NA SALA × adoção × governança × transformação digital × gestão de mudança

O executivo abre o notebook pessoal no fim de semana e pede um cenário de aquisição. Pede o resumo do call de earnings de três concorrentes. Pede a tradução técnica daquele paper que a equipe de produto cita e ninguém leu. Pede a comparação entre dois fornecedores de ERP. Pede o esqueleto da apresentação que vai ao board na quinta. Funciona. Funciona melhor do que metade do que ele recebe da própria equipe. E é exatamente aí que o problema começa.

Porque na segunda-feira ele volta para a empresa. O dashboard de vendas não fecha com o financeiro. O SAP tem uma customização de 2014 que ninguém entende. A TI está sem capex. O jurídico ainda discute a política de uso. O DPO quer saber onde o dado fica. O RH está montando trilha de prompt. O board cobra "uma estratégia de IA" para o próximo comitê. O contraste entre o que ele faz com uma assinatura pessoal de US$ 20 e o que a organização inteira consegue entregar com segurança vira insuportável.

O medo não é a IA. O medo é descobrir que a empresa não aguenta a IA.

[LOG 01 — DOMINGO, 22:14]

Notebook pessoal. Conta paga no cartão.
Pede cenário de aquisição. Pede comparativo de fornecedor.
Pede revisão do contrato que o jurídico segura há três semanas.

Funciona.

Sistema: shadow.
Visibilidade na empresa: zero.

A boca de jacaré

A McKinsey mostra que 88% das organizações pesquisadas usam IA regularmente em pelo menos uma função — eram 78% no ano anterior. Metade usa em três ou mais funções. Mas só cerca de um terço começou a escalar no nível empresarial, e apenas 39% reportam algum impacto em EBIT — a maior parte abaixo de 5%. A Gartner, em 2024, estimou que pelo menos 30% dos projetos de GenAI seriam abandonados depois da PoC até o fim de 2025, por dado ruim, controle de risco inadequado, custo crescente ou valor pouco claro. Em 2026, atualizou o número para 50%. A adoção chegou. A captura de valor, não.

Isso não prova que a IA não funciona — prova o contrário. Em muitos casos, a ferramenta já evolui mais rápido do que a empresa consegue absorver. O indivíduo captura valor rápido porque muda o próprio método de trabalho em um ciclo de horas. A organização captura devagar porque precisa mudar processo, dado, sistema, controle, contrato, risco, governança e papel organizacional, em um ciclo de trimestres. Essa é a boca de jacaré: de um lado, o uso individual aprende em ciclo diário; do outro, a empresa decide em ciclo trimestral, compra em ciclo anual e troca sistema em ciclo geológico. A distância aumenta toda semana.

Infraestrutura planetária versus cartão pessoal

Enquanto isso, no topo da cadeia, a IA virou infraestrutura crítica. A McKinsey estima que o gasto global em data centers pode chegar a US$ 7 trilhões até 2030. A American Electric Power elevou seu plano de capex de cinco anos para US$ 78 bilhões para acompanhar a demanda de data centers, com expectativa de 63 GW de carga incremental até 2030. Data center no espaço deixou de ser ficção recreativa e entrou no repertório executivo como hipótese — tecnicamente frágil, mas séria o suficiente para virar relatório de banco. A China, que processa mais de 90% das terras raras do mundo, apertou controles de exportação em 2025 e tornou cadeia de mineral crítico um item permanente da política industrial nos EUA e na Europa.

Esse é o macro: energia, chip, terra rara, capex trilionário, geopolítica de mineral. Dentro da empresa, na mesma semana, a automação que importa roda no cartão pessoal de um analista. Um estagiário monta um fluxo que ninguém pediu. Uma área inteira ganha velocidade sem dizer para a TI, porque sabe que se disser vira comitê. No topo, data center no espaço. Na base, shadow AI no cartão informal. Entre os dois, o executivo perguntando para quem pede ajuda.

E o cartão pessoal deixou de ser metáfora — virou métrica. Pesquisas recentes já mostram o mesmo padrão: adoção acelerada, maturidade de governança ainda baixa e controles de agentic AI ficando atrás da velocidade de uso. A McKinsey, em 2026, aponta que apenas cerca de um terço das organizações pesquisadas atinge maturidade mais alta em estratégia, governança e controles para agentic AI.

[LOG 02 — TERÇA, CAFEZINHO 14º ANDAR, 15:08]

Estagiário mostra um fluxo pro analista sênior.
LLM puxa do CRM. Resume. Manda no e-mail do cliente.
Conta pessoal. Cartão pessoal. Ninguém pediu.

Status: rodando há 4 meses.
TI: desconhece.
Governança: inexistente.

A IA entrou pela pessoa. A empresa chegou depois.

A adoção começou como curiosidade individual, não como iniciativa corporativa. A pessoa descobriu, testou, refinou. O LLM não obriga o pensamento a entrar em fluxo linear. Aceita ramificação, comparação, síntese, contraponto em linguagem natural. Em semanas deixou de ser busca e virou extensão de método — e entrou em todo lugar ao mesmo tempo, sem pedir autorização da TI.

A empresa não desenhou isso. O colaborador descobriu. A empresa não aprovou. O colaborador testou. A empresa não treinou. O colaborador aprendeu no atrito. O modelo tradicional de gestão de mudança foi desenhado para implantação — comunicar, treinar, medir adesão. Funciona para ERP novo, política nova, sistema de despesas. IA generativa não é implantação. É redesenho contínuo do método de trabalho, que muda de novo no mês seguinte quando o modelo evolui. GMO chegou com plano de adoção para uma transformação que começou antes do projeto.

RH mede licença ativa, trilha concluída, horas de treinamento. A maturidade real está em outro lugar: a pessoa sabe validar output, proteger dado, documentar decisão assistida, saber quando não usar. A empresa treinou no LMS. O trabalhador aprendeu no atrito. Não é resistência à mudança. É mudança sem arquitetura.

Piloto prova ferramenta. Produção prova empresa.

Piloto de IA quase sempre é bonito, e por motivos previsíveis: escopo pequeno, dado selecionado, usuário motivado, vendor presente, exceção tratada à mão, resultado em slide. A ferramenta funciona. Produção é outro animal. Já participei dos dois lados — do piloto que vira case e da produção que não sobe — e o segundo é sempre o mesmo filme. Produção encontra SAP customizado, integração ponto a ponto, API limitada, dado mestre inconsistente, área que opera dado que outra área é dona, fornecedor sem SLA real, jurídico inseguro, LGPD sem operacionalização, processo diferente por filial, exceção regional, planilha crítica mantida por alguém que está de férias. O piloto prova que o modelo responde. A produção prova se a empresa funciona.

É aqui que o business case começa a mentir. A história que sobe para o board é IA → produtividade → economia. A história real é mais comprida:

O vale entre uma coisa e outra é a Curva J. Primeiro o custo sobe. A produtividade aparente cai. A complexidade aumenta. O processo antigo continua rodando. O novo ainda não é confiável. O jurídico pede evidência, a TI pede arquitetura, o RH pede treinamento, o gestor não sabe avaliar output, o usuário avançado esconde o método para não perder velocidade, o board pergunta cadê o ROI. O ganho só aparece depois que a empresa redesenha workflow, define risco, melhora dado, integra sistema, muda papel e — principalmente — desativa o processo antigo.

Não é hipótese. O State of AI 2025 da McKinsey mediu 25 atributos organizacionais e identificou o redesenho de workflow como o de maior efeito em impacto de EBIT por IA. Apenas 21% das organizações pesquisadas redesenharam algum workflow; os outros 80% empilharam IA em cima do processo existente — exatamente o que esse texto chama de duplicação. Os 6% de high performers que reportam EBIT acima de 5% fazem o oposto: refazem o playbook de vendas para que a IA cuide de pesquisa, personalização e follow-up enquanto o humano fica com relacionamento e decisão; reescrevem o runbook de atendimento para que o agente resolva chamado de L1 sozinho, escalando só exceção verdadeira. O atributo de quem captura valor não é tamanho da empresa, nem setor, nem maturidade técnica. É coragem de redesenhar antes de empilhar.

Automação sem desativação é só mais uma etapa

Sem desligar o que veio antes, IA não automatiza. Empilha. Antes, o analista coletava dados, limpava planilha, montava relatório, o gerente revisava e o diretor aprovava — cinco passos numa cadeia conhecida. Depois, sem arquitetura, a IA coleta parte dos dados, o analista confere, a planilha continua existindo, o gerente pede validação extra, o jurídico questiona a fonte, a TI pede log, o diretor não confia e o relatório manual continua sendo feito em paralelo "por segurança". O fluxo não diminuiu; cresceu uma camada. O custo novo entra sem o processo velho sair. A empresa paga sistema legado, licença de IA, integração, segurança, revisão humana, retrabalho, auditoria, exceção, treinamento, governança e consultoria. E o fluxo antigo continua rodando porque ninguém teve coragem de desligar.

[LOG 03 — SEXTA, 18:07]

Relatório novo: saiu com IA.
Relatório antigo: saiu manual.
Os dois estão na mesa.

Status: duplicated
Owner: unassigned
Risk: accepted by nobody

Essa coragem não é trivial. Para desligar processo antigo a empresa precisa confiar no dado, no modelo, na integração, no controle, no fallback, no responsável e no desenho de exceção. Quando não confia, mantém os dois: o velho porque "funciona", o novo porque "o board mandou". Custo dobrado, benefício pela metade, consultoria feliz, empresa cansada.

A política aprova no atacado, o risco acontece no varejo

O jurídico, o compliance e o DPO entram com o checklist correto: dado pessoal, base legal, finalidade, retenção, transferência internacional, operador, controlador, decisão automatizada, explicabilidade, auditoria. A ANPD publicou guia orientativo definindo papéis de controlador, operador e encarregado, e essa estrutura funciona razoavelmente bem em um mundo onde o fluxo do dado é mapeável. Com LLM, a pergunta fica mais difícil porque o dado não fica parado. Esse dado virou prompt? O prompt virou contexto? O contexto ficou armazenado? Foi usado para treino? Foi combinado com outro dado? O output virou decisão? A decisão afetou alguém? Quem audita?

LGPD não desaparece — fica mais difícil, porque a unidade de análise deixou de ser tabela e passou a ser microinteração. A política aprova no atacado. O risco acontece no varejo: alguém colando contrato no chat, alguém resumindo ata sigilosa, alguém cruzando inadimplência, alguém respondendo cliente, alguém pedindo um parecer que vai virar carta jurídica assinada por gente de verdade.

E o calendário regulatório fechou. Na Europa, o EU AI Act se torna plenamente aplicável em 2 de agosto de 2026, com obrigações relevantes para sistemas high-risk e multas materiais — até €15 milhões ou 3% do faturamento anual global para infrações de high-risk; até 7% para outras categorias. No Brasil, a ANPD publicou o Mapa de Temas Prioritários 2026–2027, incluindo inteligência artificial e tecnologias emergentes no contexto do tratamento de dados pessoais como um dos quatro focos de fiscalização. A direção é clara: IA saiu do debate abstrato e entrou no calendário de fiscalização.

Vendor não é resposta. Vendor é parte interessada.

Pergunte para vendor e a resposta tende a ser sim. Sim, integra. Sim, é seguro. Sim, é enterprise grade. Sim, tem agente. Sim, é compliant. Sim, está no Gartner. Sim, tem case com SAP. Sim, tem case em empresa grande do seu setor. Sim, o case global gerou ROI. Sim, a demo funciona. Sim, dá para começar pequeno. Sim, dá para escalar depois. Vendor vende capacidade; vendor não assume o caos. Não conhece a exceção fiscal, a filial que faz diferente, o SAP customizado em 2014 por alguém que saiu da empresa em 2018, a planilha que sustenta o fechamento, o processo paralelo que nunca foi documentado, o gerente que aprova por e-mail porque o workflow trava.

E, no caso de agentes, o problema piora. A Gartner estima que mais de 40% dos projetos de agentic AI sejam descartados até o fim de 2027 por custo crescente e valor pouco claro, e a cobertura da Reuters registra o fenômeno do agent washing — fornecedores rotulando como agente ferramentas sem autonomia real. A própria Gartner estimou que, dos milhares de fornecedores que se posicionam como "agentic AI", cerca de 130 entregam capacidade autônoma real. Em paralelo, levantamento da consultoria com mais de 3.400 organizações ativas no tema aponta que 79% já fizeram algum tipo de deploy — adoção massiva sem o filtro de capacidade.

Tenho uma pergunta de aferição que faço para todo vendor de IA, e recomendo: o que acontece quando ela erra? Quem responde, quem audita, quem indeniza, quem explica, quem reverte, quem desliga, quem garante que o erro não virou processo. O silêncio que costuma vir depois é o dado que importa — e quando a resposta vem, vem maquiada de outro nome: "cliente é responsável pelo uso adequado", "human-in-the-loop", "governança de output". Tradução: quando a máquina erra, a responsabilidade volta para o cliente. O que significa, na prática, que a empresa precisa montar estrutura humana de validação, processo de revisão, papel de responsável técnico, log de decisão assistida, fluxo de exceção. O business case prometia saving. A operação real exige uma camada adicional de gente que nem entra na conta que o vendor te ajudou a fazer. Enterprise grade é adjetivo de vendor. Governança precisa de evidência — e a evidência tem custo.

[LOG 04 — DEMO VENDOR — TRANSCRIÇÃO PARCIAL]

— Integra com o SAP? Sim.
— Seguro? Sim.
— Compliant? Sim.
— Enterprise grade? Sim.
— Tá no Gartner? Sim.
— Tem case com SAP? Sim.
— Case em empresa do nosso setor? Sim.
— Demo funciona? Sim.
— Dá pra escalar depois? Sim.

— O que acontece quando ela erra?

[pausa: 4s]

— Cliente é responsável pelo uso adequado.

Para quem o executivo pede ajuda

A IA atravessa áreas que foram desenhadas para operar separadas. TI olha arquitetura. RH olha treinamento. Jurídico olha risco. Compliance olha política. DPO olha dado pessoal. Negócio olha produtividade. CFO olha ROI. Board olha narrativa. Vendor olha margem. Cada um está certo dentro do próprio quadrado. O problema é que a IA não respeita quadrado: entra no e-mail, na proposta, no contrato, no relatório, na reunião, no atendimento, no código, na análise de crédito, na ata, no onboarding, no parecer, na planilha do fechamento. Não pede organograma antes de aparecer no workflow.

[LOG 05 — COMITÊ DE IA — QUINTA, 10:42]

TI: sem capex Q4.
RH: trilha de prompt em curso, módulo 1 de 6.
Jurídico: política em revisão há 90 dias.
Compliance: aguarda parecer da matriz.
DPO: localização de dado não mapeada.
Negócio: pediu ganho de produtividade até dezembro.
CFO: pediu ROI por caso de uso.
Inovação: pediu mais piloto.
Vendor: pediu nova reunião pra apresentar release.
Board (por Zoom): pediu narrativa pra investidor.

Owner: --
Decision: pending
ETA: indefinido

E a pergunta "quem é o dono?" começa a ficar constrangedora, porque toda resposta encolhe o problema. A resposta institucional costuma ser "depende" — depende do caso, depende da área, depende da maturidade. Mas quando trava, quando o piloto não escala, quando o output sai errado, quando o relatório atrasa, a resposta institucional muda de figura: a culpa é da TI.

A TI é, em geral, formada por gente foda, capaz, que entende arquitetura, sistema, dado, segurança, performance, integração. E que, em proporção desconfortável de empresas, nunca vendeu para cliente final, nunca operou máquina na fábrica, nunca atendeu balcão, nunca passou um turno fora do ar-condicionado. Mandar a TI resolver IA é pedir para quem nunca operou o negócio decidir o que automatizar do negócio. O fracasso não é técnico — é de mandato. E enquanto isso, se for TI, vira ferramenta. Se for RH, vira treinamento. Se for jurídico, vira política. Se for compliance, vira bloqueio. Se for inovação, vira piloto. Se for vendor, vira contrato. Se for board, vira cobrança. Nenhuma dessas respostas segura o problema inteiro.

O que eu vejo faltar não é mais uma área. É uma função de tradução: alguém capaz de olhar para processo, sistema, dado, risco, fornecedor, pessoa, orçamento e decisão ao mesmo tempo — e que tenha pisado em chão de operação alguma vez na vida. Não para "implementar IA" — para entender onde a IA já entrou, onde ela pode entrar, onde ela não deveria entrar e o que precisa morrer para que ela gere valor de verdade.

There is no turning back

Esse é o pedaço que ninguém quer dizer em voz alta: se a IA funcionar, algum processo antigo precisa ser desligado. Se não desligar, não automatizou — só empilhou. O relatório continua, a planilha continua, a revisão manual continua, a reunião de validação continua, o jurídico continua pedindo evidência, a TI continua pedindo log, o gestor continua desconfiando, o board continua cobrando ROI. Só que agora tem uma licença nova, um vendor novo, um risco novo e uma apresentação dizendo que a empresa está avançando em IA. A empresa acha que está fazendo transformação. Pode estar só comprando mais uma camada de ruído.

E enquanto isso a adoção real continua por baixo. O colaborador já decidiu. O fornecedor já vendeu. O board já cobrou. O mercado já precificou. O estagiário já automatizou. A política chegou depois. A governança chegou depois. O treinamento chegou depois. O orçamento chegou — quando chegou — depois. There is no turning back não porque a tecnologia é inevitável; porque o uso já virou comportamento. A empresa não vai decidir se adota IA. Ela já usa — mal, bem, escondido, autorizado, improvisado, caro, barato, com risco ou sem visibilidade. A transformação não está aguardando aprovação. Está buscando regularização.

Em algum momento, alguém vai assinar o risco de desligar o processo antigo. É aí que a transformação começa — e é aí, na minha leitura, que ela trava. Não na licença, não no treinamento, não no piloto, não no post do CEO dizendo que a empresa agora é AI-first. Começa quando alguém diz, em voz alta e por escrito, que aquele fluxo antigo não volta mais. Sem isso, IA não reduz complexidade — só mostra onde a complexidade estava escondida.

Automação sem desativação não é transformação. É custo novo usando crachá de inovação.

⊞ Auditoria de fontes — 15 referências

Acima do Noise Floor × Capital × Demografia × Geopolítica

Apple coloca US$ 500 bilhões em manufatura, IA e silício nos EUA. TSMC bota mais US$ 100 bilhões em Arizona. Hyperscalers despejam capex em data center, energia e conectividade — capex físico, não slide.

Quando a bolha narrativa da IA perder prêmio — e ela vai perder — essa infraestrutura física fica num patamar novo. Não é discurso. É concreto sendo derramado.

O capital sabe disso antes do mercado de notícia nomear: o pêndulo do valor capturado está voltando do digital puro pro ativo físico crítico — equipado por software, dados, automação e gente híbrida. Tijolo, mas tijolo plugado.

Capital reposiciona

O movimento aparece menos em discurso e mais em alocação, fundraising e política industrial. Berkshire Hathaway segue ancorada em ativos físicos: ferrovia, energia regulada, seguros e manufatura. BNSF Railway, Berkshire Hathaway Energy, Precision Castparts não estão no portfólio por nostalgia. Estão por moat, fluxo de caixa previsível, e barreiras de entrada que não cedem em ano de roadmap de fornecedor.

Fundos soberanos e grandes gestores globais vêm ampliando exposição a infraestrutura, energia, transmissão, data centers e real assets. Aramco, GIC, ADIA, Norges Bank Investment Management — sinais aparecem em alocação trimestre a trimestre. O sinal não é abandono de tecnologia. É busca por ativo crítico com fluxo previsível, proteção inflacionária e relevância estratégica.

A diferença em relação ao ciclo anterior é que o digital puro deixou de carregar sozinho a narrativa de crescimento. O capital começa a perguntar onde software encontra energia, chão, rede, equipamento, logística e regulação.

No Brasil, o quadro é particular — e mais difícil de elogiar

O capital brasileiro não precisa fazer a mesma rotação narrativa dos mercados desenvolvidos, porque nunca se descolou tanto dos ativos reais. Mas isso não é exatamente mérito. É mistura de aversão a risco, juro alto, baixa profundidade de venture e economia estruturalmente ancorada em infraestrutura, commodity e serviço operacional. A indústria de transformação perdeu participação no PIB brasileiro desde os anos 1980, chegando a patamar próximo de 10% em anos recentes — a depender da série e metodologia (fonte: IBGE; CNI; FGV/IBRE).

A ausência de política industrial nacional estruturada amplifica isso. Diferente de Coreia, Alemanha, Japão e — sobretudo — China, o Brasil não construiu plano de longo prazo com mandato cross-governo. Cada ciclo recomeça do zero. O capital institucional encontrou refúgio em infraestrutura concedida, commodity, real estate e indústria de baixo a médio valor agregado: ativo tangível como colateral, fluxo indexado à inflação, risco regulatório-político alto mas operacional previsível.

Não é fuga do digital. É rebalanceamento estrutural depois de uma década em que concentração em poucos nomes de tech sustentou retorno do índice inteiro. Quando a margem de erro dessa concentração estreita, alocador ajusta peso.

Demografia pressiona

A geração que sustentou três décadas de operação industrial está se aposentando. Em economias desenvolvidas, escassez de mão-de-obra qualificada para chão de fábrica, manutenção, mineração, construção e logística não é projeção — é fato corrente em call de resultados de quem opera ativo físico (fonte: BLS Manufacturing employment reports; OECD Employment Outlook). O efeito é duplo: salário do operador qualificado sobe e justifica capex em sensoriamento, automação e robótica que cinco anos atrás não fechava conta; empresa que não forma quadro próprio compete com escassez global por talento — e perde para quem desenhou formação como linha estratégica de capex, não tática de RH.

No Brasil o quadro é diferente em volume mas similar em direção. Bônus demográfico ainda existe em algumas faixas, mas qualificação para operação industrial avançada — engenheiro de processo, técnico de manutenção preditiva, operador de equipamento autônomo — é escassa em qualquer região. Empresa que vem investindo em formação composta há cinco anos hoje tem vantagem competitiva mensurável.

Demografia não é catalisador. É o solo onde as outras forças se assentam.

Geopolítica reescreve cadeia

Reshoring, friend-shoring, segurança de suprimento, redução de exposição a um único corredor logístico ou a um único fornecedor de matéria-prima crítica.

O CHIPS Act e o Inflation Reduction Act criaram efeitos visíveis em capex físico nos EUA. Intel anunciou US$ 20 bilhões em fábrica de semicondutor no Arizona. TSMC ampliou compromisso pra US$ 65 bilhões em três fábricas no mesmo estado, e depois anunciou expansão adicional de US$ 100 bilhões. Apple anunciou mais de US$ 500 bilhões em investimento doméstico em quatro anos, incluindo manufatura avançada, IA, silicon engineering e desenvolvimento de fornecedores. Não é discurso. É concreto sendo derramado.

A China respondeu antes — e mais sistemática. Os 14º e 15º Planos Quinquenais consolidaram dual circulation (autossuficiência interna + exportação seletiva) e Made in China 2025 (semicondutores, robótica, biotech, aviação, energia limpa, materiais avançados). Para o ocidente, desafio. Para o Brasil, referência sobre o que país com ambição industrial faz quando o ciclo vira.

O Net-Zero Industry Act europeu segue a mesma direção. Capacidade de chip avançado, baterias, terras raras, refino de minério crítico e energia renovável passaram a ser tratadas como questão de soberania, não como otimização de custo.

Brasil — efeito particular, contraponto duro

País que tem o que o resto do mundo está descobrindo que precisa: minério de ferro, lítio, cobre, terras raras, biomassa, água, energia hidráulica e eólica em escala, capacidade agrícola, e historicamente relações comerciais multilaterais que não dependem de um único alinhamento geopolítico. Tijolo que sempre teve, agora reprecificado por demanda externa estrutural — não cíclica.

Mas potencial não captura valor sozinho. Sem política industrial nacional, o Brasil arrisca capturar a fase errada do ciclo: exportar matéria-prima bruta enquanto outros países usam essa matéria pra construir cadeia de valor agregado em casa. Lítio brasileiro vai pra bateria chinesa que volta como BYD. Minério de ferro vai pra aço chinês que volta como infraestrutura. A janela é real. Quem aproveita, não.

Tijolo equipado, na prática

Voltar pro tijolo não é voltar pra 1985. É operar com sensoriamento de equipamento, manutenção preditiva, simulação de processo, qualidade automatizada, gêmeo digital e — sim, em alguns pontos — IA generativa. A camada digital que destrava o tijolo equipado é a mesma que destrói o poder de barganha do SaaS antigo. Para a empresa de tijolo, o efeito é prático: fica viável conectar e desconectar tecnologia conforme a operação precisa, sem assinar contrato de dez anos com um único fornecedor.

A tese aparece em dado público setor por setor.

Indústria 4.0. Sensoriamento de equipamento + manutenção preditiva + simulação de processo + qualidade automatizada. Empresas como Siemens, GE Vernova, ABB e Rockwell vendem essa camada há mais de uma década. O que mudou recentemente: custo do sensor caiu, modelo de previsão melhorou, e ferramentas de IA reduzem o atrito de transformar dado em decisão operacional. Resultado típico em implementações sérias: redução de downtime, melhoria de OEE e maior previsibilidade operacional. O WEF/McKinsey Global Lighthouse Network sustenta a tese ao mapear sites industriais avançados.

Energia. No Brasil, operação elétrica já depende de previsão de carga, afluência, despacho e coordenação sistêmica — o ONS publica metodologia pública há anos. A transição energética aumenta a necessidade de modelagem, dados e decisão probabilística. Quanto mais renovável intermitente entra na matriz, mais o sistema depende de previsão e otimização em tempo real.

Mineração. Gêmeo digital de mina e equipamento, automação de caminhões e perfuratrizes, segurança aumentada, otimização de fluxo. Vale, BHP, Rio Tinto operam projetos visíveis nessa frente há anos. ROI mensurável em produtividade por ativo e em redução de incidente de segurança.

Agro. O Brasil tem vantagem comparativa por escala territorial, intensidade operacional e diversidade de condições produtivas — justamente o tipo de ambiente onde sensoriamento, satélite, drones, modelagem de solo/clima e equipamento autônomo entregam ROI mais claro.

Onde IA aparece — uma vez, no plural

A camada que captura valor no tijolo equipado combina oito elementos. IA generativa é um deles, não o centro.

• Sensoriamento — IoT industrial, satélite, drone, wearable
• Conectividade — 5G privado, LoRa, mesh
• Simulação — gêmeo digital, modelagem física, otimização matemática
• Ciência de dados aplicada — regressão, série temporal, controle adaptativo
• Automação de equipamento — robótica, autonomia, controle distribuído
• Manufatura aditiva (impressão 3D industrial) — produção sob demanda de peça crítica de reposição, prototipagem rápida, redução de estoque de spare parts
• Novos materiais e processos — química verde, nanotecnologia aplicada, biotecnologia industrial
• IA generativa quando útil — interface natural, geração de hipótese, análise de imagem, tutor individual de operação

Quem vende IA como solução universal em ambiente industrial está vendendo demonstração. Quem vende IA como uma das ferramentas integradas a uma stack de operação real está vendendo negócio.

O gargalo real — gente, não tecnologia

A maior parte do esforço em projeto de tijolo equipado não é tecnologia. É formação de quadro.

O perfil que captura valor não é o especialista profundo de uma única disciplina. É quem atravessa fronteiras de conhecimento — engenharia de processo + estatística + ciência da computação + operação de chão de fábrica — e tem soft skill pra gerenciar incerteza quando essas disciplinas se contradizem entre si.

Engenheiro de processo que entende como ler saída de modelo preditivo. Operador de fábrica que confia em recomendação de sistema sem perder julgamento próprio. Manutenção que age sobre alerta antes da falha sem virar refém de falso positivo. Engenheiro híbrido que sabe que o sensor IoT precisa de update de firmware compatível com o gateway 5G, e que a recomendação do agente precisa ser cruzada com histórico de manutenção corretiva. Liderança operacional que sabe distinguir piloto de teatro de ganho real.

Cada um desses é exemplo. A habilidade comum por baixo é a mesma: tolerância à ambiguidade, capacidade de decidir com dado parcial, fluência atravessando faculdades diferentes. Esse é o gargalo. E não é dev de software, não é cientista de dado teórico, não é o consultor sênior do MBA — é um perfil híbrido raro em qualquer país, e mais ainda no Brasil.

Empresa que compra ferramenta cara sem investir em formação desse quadro fica com ferramenta cara não-utilizada. É padrão repetido há vinte anos em projetos de ERP, BI, CRM, RPA — não há motivo pra acreditar que com IA aplicada vai ser diferente, exceto pra quem tratar formação como linha estratégica de capex, não como linha tática de RH.

A tensão entre o capex necessário e o quarter

Tem uma desconexão que ninguém gosta de admitir publicamente. Empresa de tijolo listada precisa entregar resultado trimestral. Capex pesado de refactor de arquitetura, formação de quadro híbrido e camada digital própria penaliza P&L de curto prazo. CEO que aprova esse capex pra 2030 corre risco de ser punido pelo mercado em 2026. Buyback continua sendo a saída mais elogiada pelo analista de sell-side.

A consequência operacional, empiricamente observável: empresa familiar, capital fechado e estatal com mandato de longo prazo costumam fazer o capex com menos atrito. Empresa listada com investidor ativista no cap table tem dificuldade. É tendência, não regra — mas é tendência consistente. O ciclo deve recompensar quem tem governança que aceita pagar duas vezes — e punir quem decide por trimestre. É um dos motivos pelos quais capital privado e family office estão capturando essa transição mais eficientemente que o índice listado.

Implicação para board de tijolo

Três decisões que precisam estar no orçamento de 2027:

1. Capex tem duas frentes — pra frente e pra trás. Pra frente: o ativo que vai comprar em 2027 aceita sensor adicional, integração externa, camada analítica e automação, ou já nasce legado? Pra trás: o ativo legado que está rodando hoje precisa de retrofit, e vai custar duas vezes — uma pra mantê-lo operando enquanto a transição não termina, outra pra modernizá-lo. Quem ignora a frente cria dívida estrutural; quem ignora o legado paga juro de obsolescência todo trimestre.

2. Formação como decisão estratégica. Não delegar pra RH. Não terceirizar pra consultoria. Construir quadro próprio com fluência operacional + tecnológica. Esse quadro é vantagem competitiva composta.

3. Célula dedicada, não business as usual. Edge organization com mandato de board e método próprio. Quem tenta empurrar pelo business as usual mata o projeto. Quem cria célula captura.

O tijolo voltou. Mas voltou plugado.

↗ Auditoria de fontes — Tijolo de volta ao palco

O Elefante na Sala × sistemas × integração × governança de dados × decisão corporativa

---

Você já recebeu aquele e-mail: "o sistema está lento hoje, o relatório sai amanhã."

Você suspirou, encaminhou pro seu chefe com "aguardando TI", e seguiu sua vida. Porque você tem coisas mais importantes para fazer do que se preocupar com o sistema de TI. Isso é problema de quem gosta de computador.

Esse texto é pra você.

---

A empresa que integrou dois mundos em nenhum

Em fevereiro de 2011, Cosan e Shell anunciaram a criação da Raízen. A joint venture nasceu sendo a quinta maior empresa de energia do Brasil, com faturamento estimado em R$ 50 bilhões e avaliação em torno de US$ 12 bilhões.

O CEO Ricardo Mussa descreveu assim, no podcast Insights do Bradesco: "a cultura de eficiência operacional da ExxonMobil, o empreendedorismo da Cosan e uma cultura comercial muito forte da Shell. A Raízen conseguiu juntar o melhor desses três mundos."

Dois mundos societários, na prática — Cosan e Shell eram os únicos sócios. Mas a Cosan carregava não só suas usinas, mas também a rede de postos Esso, comprada da ExxonMobil em 2008. A marca Esso foi devolvida; os sistemas, os processos e a operação ficaram. Eram duas histórias societárias e pelo menos três histórias operacionais distintas, agora sob um único nome.

Juntar o melhor de três mundos é um objetivo de RH. Integrar arquiteturas de sistemas com histórias e lógicas distintas num único conjunto coerente que produza dados confiáveis para gestão — isso é um projeto de anos, custoso, chato e completamente ausente de qualquer press release.

Dez anos depois, em 2021, a Raízen comprou a Biosev — nove usinas, 10 mil funcionários, mais uma história de aquisições com mais sistemas herdados. Em abril de 2022: "integração concluída em menos de nove meses." 270 treinamentos. 8.000 horas de capacitação. Nenhuma palavra sobre como os sistemas industriais das nove usinas foram integrados — porque integração formal de deal e integração plena de ERP são coisas diferentes. A primeira cabe em nove meses. A segunda raramente.

O que estava acontecendo nas usinas em 2023

Em 2023 — dois anos depois de absorver a Biosev e doze depois de juntar os dois mundos — a Raízen implementou o PI System em seus 30 parques de bioenergia para automatizar a medição do Rendimento Industrial Total.

Antes: uma equipe se deslocava fisicamente. 40 minutos de coleta. 25 minutos de input manual no SAP. Todo dia. Em cada usina. O PI System automatizou. A Raízen celebrou "87% de otimização."

O RIT é o indicador que diz quanto de açúcar e etanol a usina extrai de cada tonelada de cana. É o número que fundamenta a projeção de produção, as estimativas de EBITDA, os modelos do IPO de 2021. Esse número estava sendo medido na raça, 65 minutos por usina, por dia, manualmente.

O que o CEO via no dashboard

O dado chegava ao topo com o atraso de quem precisava coletar, digitar, compilar e consolidar. Num parque de 30 usinas, isso é trabalho de analista — sujeito a férias, a sistema lento, e à variação humana de quem resolve uma ambiguidade arredondando para o número que evita a pergunta difícil na reunião de segunda.

O CEO via o número consolidado. Tomava decisão baseado no número. Decisão de preço, de volume, de capacidade, de dívida, de dividendo. Decisão boa, baseada em premissas boas, em dado que era uma aproximação de uma aproximação.

"Ninguém sobe ao CEO dizendo 'esses números são uma estimativa compilada na raça.'" Isso é problema de TI.

A aritmética das micro-decisões

Uma usina reporta rendimento 0,1% acima do real porque o analista arredondou para cima — prática comum quando o dado está no limite entre dois patamares e o gerente vai perguntar se caiu. O gerente de área usa esse número para projetar produção. O comercial vende com base nessa projeção. O financeiro projeta receita. O CFO apresenta guidance ao mercado.

0,1% numa usina é ruído. Mas a Raízen processava 105 milhões de toneladas de cana por safra. 0,1% sistemático em 30 usinas, composto ao longo de quatro safras, é da ordem de centenas de milhões de reais em produção que o modelo projeta e o campo não entrega.

O analista não estava cometendo fraude. Estava resolvendo uma ambiguidade de dado num sistema que não foi desenhado para eliminá-las. Isso é o que o "sistema está lento" produz em escala corporativa: não um evento. Uma deriva silenciosa. Milímetro por milímetro, decisão por decisão, trimestre por trimestre.

Por que ninguém arruma

Porque arrumar é caro, lento, chato e não aparece em nenhum resultado de curto prazo. Porque o executivo que propõe gastar R$ 80 milhões para integrar sistemas compete com o executivo que propõe gastar R$ 80 milhões em novos postos — e com o executivo que propõe R$ 80 milhões no projeto de IA que vai aparecer na próxima apresentação ao board. Os dois têm projeção de receita, de eficiência, de futuro. O primeiro tem projeção de "dados mais confiáveis."

Dados mais confiáveis não aparecem no EBITDA do trimestre que vem.

Porque o gerente que sabe onde estão os problemas aprendeu que falar sobre isso atrasa projeto, gera reunião, e raramente resulta em orçamento. A estratégia racional é resolver o urgente, conviver com o crônico, e torcer para que a próxima gestão herde o problema. E assim o caos se acumula. Não por burrice. Por incentivo.

O fim da opacidade

O caos funciona enquanto é opaco. Essa condição está sendo destruída por três frentes.

A primeira é tecnológica. O que está chegando é a capacidade de cruzar notas fiscais com registro de estoque, fluxo de caixa e declaração fiscal em escala. O dado inconsistente que antes ficava enterrado em planilha interna vai aparecer na análise de fora. Não porque alguém investigou — porque o algoritmo cruzou.

A segunda é regulatória. A Reforma Tributária cria, até 2033, um sistema em que IBS e CBS são apurados operação a operação, transmitidos ao Comitê Gestor em tempo real via documento fiscal eletrônico. O fisco vai ter uma visão granular do fluxo transacional real que nenhum auditor externo tem hoje.

A terceira é competitiva. Numa empresa com dados que ninguém confia totalmente, com integração declarada e não concluída, com EBITDA que é estimativa de estimativa — ninguém consegue precificar os ativos com precisão suficiente para fechar um deal em momento de crise. Foi o que aconteceu quando o BTG tentou comprar os postos Shell separados do passivo. A Shell bloqueou. Os credores ficaram no meio. R$ 65,1 bilhões em recuperação extrajudicial.

Esse e-mail que você encaminhou com "aguardando TI" — quantas decisões ele atrasou? Quantas foram tomadas com o dado de ontem, que era uma estimativa do dado de anteontem, que era uma aproximação de algo que ninguém mediu direito desde a última aquisição?

Não é problema de TI. Nunca foi.

O ticket vai ser encerrado dentro do prazo. Isso é o que vai matar vocês.

Fontes e índice de confiabilidade

N1 — Primária (legislação, dado oficial, fato relevante CVM)  ·  N2 — Secundária verificável (reportagem com apuração, análise assinada)  ·  N3 — Relato / estimativa (dado sem metodologia rastreável)
CI-0 — Sem conflito  ·  CI-1 — Conflito potencial  ·  ✅ Validado  ·  ⚠️ Parcial  ·  ❌ Não validado

ID	Fonte	Claim	Nível	CI	Status
F01	Exame, "Cosan e Shell criam a Raízen" (2 mar 2011) · G1/Globo (14 fev 2011)	Data de criação da JV, avaliação US$ 12 bilhões, 5ª maior empresa de energia do Brasil, faturamento R$ 50 bilhões	N2	CI-0	✅
F02	Podcast Insights Bradesco / G4 Educação — Ricardo Mussa, CEO Raízen	Citação "o melhor de três mundos" — ExxonMobil, Cosan, Shell. Fonte secundária (transcrição/reportagem); citação direta não verificada em vídeo original	N2	CI-1	⚠️
F03	Raízen, comunicado oficial — "Raízen finaliza integração com a Biosev" (abr 2022)	"Integração concluída em menos de nove meses", 270 treinamentos, 8.000 horas de capacitação, 9 usinas, 10 mil funcionários	N1	CI-1	✅
F04	RPAnews, "Raízen usa tecnologia na integração de dados da indústria" (1 fev 2023)	PI System em 30 parques, medição manual RIT (40 min coleta + 25 min SAP), "87% de otimização" após automação	N2	CI-0	✅
F05	Fato Relevante Raízen / Reuters (mar 2026)	Recuperação extrajudicial de R$ 65,1 bilhões — dado do fato relevante CVM, confirmado por Reuters	N1	CI-0	✅
F06	Brazil Journal (mar 2026) · Bloomberg Línea (24 fev 2026)	Contexto da recuperação: tentativa de venda de postos separados do passivo, posição da Shell, estrutura dos credores	N2	CI-0	✅
F07	LC 214/2025 — cria IBS, CBS, IS	Apuração de IBS/CBS operação a operação, transmissão em tempo real ao Comitê Gestor via documento fiscal eletrônico	N1	CI-0	✅
F08	LC 227/2026 — cria CGIBS, regime de penalidades IBS/CBS	Visão granular do fisco sobre fluxo transacional real; referência ao regime regulatório em vigor	N1	CI-0	✅

⚠️ F02 — Citação do CEO Mussa verificada em reportagem secundária (G4 Educação / Podcast Insights). Episódio original não acessado diretamente. Conteúdo consistente com declarações públicas do executivo no período.

↗ 14 fontes auditadas por confiabilidade e interesse

E daí?

Auditar o passado tem custo e janela limitados. A questão prática não é descobrir o que estava errado nos últimos cinco anos — é não reproduzir o mesmo padrão daqui pra frente. A reforma cria o forcing event para construir uma camada de dado fiscal que seja útil por design: granular por item, rastreável por destino, reutilizável para as análises que o novo regime vai exigir.

Empresas que tratarem isso como "limpar a sujeira" vão limpar e continuar sujando. Empresas que tratarem como problema de arquitetura — como construir o sistema que gera o dado certo desde a origem — vão resolver uma vez. Como seria essa arquitetura é o que a próxima peça do dossiê endereça.