TL;DR

Em 2023, eu ainda pensava na IA no cotidiano principalmente como conveniência: conversar com o ChatGPT, pedir um texto, revisar uma ideia e economizar alguns passos. Isso continua útil. O que mudou foi a escala da minha ambição.

Hoje eu falo por voz e um harness executa sob contratos escritos, memória, skills, subagentes, ferramentas, permissões e validações. A diferença não é uma máquina que “me conhece” nem uma autonomia mágica. É uma operação desenhada para preservar contexto, delegar trabalho e produzir evidência sem me obrigar a reensinar tudo a cada conversa.

A direção, porém, continua sendo minha. IA pode ampliar agência ou acelerar execução cega. Pode confrontar uma premissa ruim ou apenas bajulá-la com parágrafos bem escritos. O ganho real aparece quando capacidade vem acompanhada de critério, limites e retorno ao mundo.

Quando publiquei a primeira versão deste texto, em junho de 2023, eu estava tentando explicar como a inteligência artificial já havia entrado no cotidiano. O caminho parecia óbvio: assistentes de voz, automação de tarefas, geração de texto, criação de conteúdo.

Não estava errado. Estava pequeno.

Naquele início do blog, produzir ainda exigia muita interação com o ChatGPT. Eu colocava uma ideia, recebia uma resposta, corrigia o rumo, recolocava o contexto, explicava meu estilo, lembrava o objetivo e tentava impedir que o texto terminasse com aquele entusiasmo genérico de folder corporativo.

Funcionava. Também cansava.

Eu tinha acesso a uma ferramenta poderosa, mas ainda carregava a operação nas costas. A cada conversa, uma parte do trabalho recomeçava. O contexto estava na minha cabeça; os critérios apareciam conforme eu percebia o que faltava; e a qualidade dependia de eu notar, no meio da execução, que a resposta elegante havia seguido para o lugar errado.

Hoje a cena é outra. Muitas vezes eu falo por voz. Externalizo uma intenção, uma dúvida ou um projeto ainda desorganizado. O sistema lê contratos, recupera contexto relevante, escolhe procedimentos, pode distribuir frentes independentes, usa ferramentas dentro das permissões disponíveis e valida a entrega antes de chamá-la de concluída.

Os modelos melhoraram, e isso importa. Mas, no meu uso, a mudança decisiva aconteceu quando a capacidade do modelo encontrou memória, contratos, ferramentas, permissões e validações.

Não precisei aprender a falar como máquina. Precisei construir uma operação para que a máquina não dependesse de uma aula particular sobre mim a cada tarefa.

Essa é a atualização que este artigo precisava.

O desenvolvedor meio preguiçoso

Eu sempre fui um desenvolvedor meio preguiçoso — no melhor sentido possível.

Queria resolver o problema bem e rápido para poder levantar, ir até a cozinha, tomar café, conversar com as pessoas e visitar outros setores. Quando trabalhava fisicamente nas empresas, esses intervalos me mostravam como a operação realmente acontecia: a regra que não estava documentada, o atalho que mantinha um processo vivo, a informação que parava no caminho e a razão pela qual um pedido chegava ao software daquele jeito.

Essa preguiça me empurrou para a automação. A curiosidade impediu que eu automatizasse sem entender o trabalho.

Hoje continuo buscando o mesmo efeito. Quero gastar menos energia repetindo o que já foi acordado e mais energia circulando pelo problema, ouvindo quem será afetado e descobrindo o que a especificação deixou de fora. A diferença é que agora consigo transformar boa parte desse entendimento em contratos que o sistema recupera e executa sem precisar de uma nova aula a cada conversa.

Conveniência cotidiana foi a primeira porta

Eu ainda acho valioso pedir a uma IA para resumir um documento, organizar anotações, revisar uma mensagem, comparar alternativas ou ajudar a destravar uma página em branco. Conveniência não é um benefício menor. Há dias em que reduzir cinco passos para dois já muda o que conseguimos terminar.

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 do meu percurso, não um benchmark atual nem uma comparação de versões em 2026. Estou apenas marcando a mudança na pergunta que eu fazia.

Antes, a pergunta era:

“O que esta ferramenta consegue fazer por mim agora?”

Hoje, a pergunta que mais me interessa é:

“Que capacidade operacional eu consigo construir sem perder direção, autoria e responsabilidade?”

A diferença parece semântica até você tentar trabalhar assim durante semanas.

Conveniência resolve um trecho da tarefa. Capacidade operacional conecta intenção, contexto, procedimento, execução, verificação e memória do que foi decidido. Uma boa resposta isolada pode ajudar muito; uma operação precisa continuar fazendo sentido quando a resposta termina.

Na conversa isolada	Na operação assistida
Eu recoloco o contexto	O contexto útil tem fonte e lugar para ser recuperado
Eu explico o processo de novo	O procedimento pode virar uma skill revisável
A resposta parece pronta	A entrega precisa passar por validações proporcionais
A ferramenta sugere o próximo passo	Permissões e critérios definem o que ela pode executar
O histórico fica preso à conversa	Decisões duráveis voltam para artefatos que eu consigo revisar

Não há mágica nessa tabela. Há trabalho de arquitetura, escrita, governança e manutenção. Um harness pessoal não elimina o esforço; ele desloca parte do esforço de repetir instruções para desenhar um sistema que possa ser inspecionado e melhorado.

Hoje eu falo; o harness trabalha

“Harness” pode soar como mais uma palavra em inglês procurando um problema. Para mim, ela tem um sentido muito concreto: é a camada que conecta o modelo às instruções, ao contexto, aos procedimentos, às ferramentas, às permissões e aos testes necessários para realizar trabalho de verdade.

O modelo é parte importante. Não é a operação inteira.

No meu uso atual, essa camada reúne alguns componentes:

• Contratos escritos: arquivos que dizem como um repositório funciona, o que cada pasta significa, quais limites não podem ser atravessados e o que precisa ser verificado. O AGENTS.md costuma ser a porta de entrada: orienta o agente sobre as regras iniciais, como navegar pelos arquivos, quais ferramentas e fluxos de trabalho estão disponíveis e quando uma decisão precisa voltar para uma pessoa. A própria documentação do Codex descreve como esses arquivos formam uma cadeia de instruções globais e específicas do projeto. Isso sustenta a mecânica do recurso; não prova que qualquer contrato esteja completo nem que será obedecido sem falhas.
• Memória com procedência: não uma fantasia de que a IA “se lembra de mim” como uma pessoa lembraria. Falo de registros curados, decisões, fontes, estado de trabalho e artefatos que podem ser recuperados, contestados e atualizados.
• Skills: procedimentos reutilizáveis para tarefas que não deveriam depender de improvisação. A documentação oficial mostra que uma skill pode combinar instruções, scripts, referências e ativos, carregados quando relevantes. A existência de uma skill não garante que ela seja boa; ela apenas torna o procedimento explícito o suficiente para ser revisto.
• Subagentes: frentes delimitadas que podem investigar ou executar partes independentes de um problema, enquanto um agente principal consolida o resultado. A documentação do Codex alerta que subagentes usam mais recursos e exigem cuidado especial em trabalho paralelo com escrita. Mais agentes não significam automaticamente mais qualidade.
• Ferramentas e permissões: acesso ao que realmente pode ser lido, testado ou alterado, com fronteiras claras para ações externas, destrutivas ou difíceis de reverter.
• Validações: verificações capazes de encontrar inconsistências antes que a fluência do texto ou a velocidade da execução sejam confundidas com correção.

Na prática, minha voz virou uma interface para externalizar contexto e direção. O harness ajuda a orquestrar a execução.

Mas é importante colocar o verbo no lugar certo: eu dirijo; o sistema executa dentro de contratos.

Se o sistema encontra uma decisão material que não está autorizada, ele deve parar ou pedir direção. Se a tarefa exige uma fonte atual, precisa pesquisar. Se altera um repositório, deve mostrar diff, validação e estado do Git. Se produz conteúdo autoral, deve distinguir o que eu disse do que foi inferido. Se algo falha, “parece bom” não é critério de aceite.

Isso está muito longe da imagem de apertar um botão e terceirizar a vida.

O salto não foi do prompt para a autonomia

Durante algum tempo, falar sobre IA aplicada quase sempre virava uma conversa sobre escrever prompts melhores. Prompts importam. Uma instrução mal formulada continua produzindo ambiguidade, e uma boa pergunta ainda pode mudar o resultado.

Só que o prompt não sustenta sozinho uma operação.

Se eu preciso repetir em toda conversa quem sou, como escrevo, onde estão os arquivos, qual é o padrão editorial, quais fontes são aceitáveis, quando a IA deve discordar, o que não pode publicar e como provar que terminou, eu não construí capacidade. Eu criei um ritual de reensino.

O salto que mais me interessa é do improviso para o contrato.

Contrato, aqui, não é uma promessa de determinismo. Modelos generativos continuam produzindo saídas probabilísticas. Ferramentas falham. Contexto pode estar desatualizado. Uma instrução pode entrar em conflito com outra. Por isso, escrever o processo é só o começo: também é preciso definir prioridade, permissão, evidência, critério de parada e forma de recuperação.

Esse raciocínio se aproxima da ênfase do AI Risk Management Framework do NIST em governar, mapear, medir e administrar riscos ao longo do ciclo de vida. O framework é voluntário e geral; ele não certifica meu harness, não valida uma ferramenta específica e não transforma governança escrita em segurança automática. Eu o uso aqui apenas como apoio para um princípio: capacidade sem acompanhamento de risco é uma operação incompleta.

A direção ainda é minha

Há uma diferença decisiva entre delegar execução e delegar direção.

Eu posso pedir que a IA pesquise fontes, organize um raciocínio, proponha uma arquitetura, escreva uma primeira versão, rode validadores e reúna evidências. Posso até distribuir partes disso entre subagentes. O que não devo terceirizar é a decisão sobre o que vale a pena construir, qual custo aceito, que consequência humana importa e quando uma entrega representa de fato o que quero defender.

IA acelera capacidades, processos e tendências. Ela não melhora automaticamente a direção. Sem critério, velocidade apenas encurta o tempo disponível para perceber o erro.

É por isso que minha ideia de produtividade mudou. Produzir mais artefatos não significa produzir mais valor. Fechar mais tarefas não significa escolher as tarefas certas. E transformar cada pensamento em execução instantânea pode reduzir justamente o intervalo em que eu perceberia que a premissa estava errada.

O harness precisa ampliar minha agência, não anestesiar meu julgamento.

Execução cega e bajulação são atalhos para o mesmo erro

Existem pelo menos dois modos muito sedutores de um sistema parecer produtivo sem estar ajudando.

No primeiro, ele executa rápido demais. Recebe uma direção incompleta, preenche lacunas silenciosamente, muda arquivos, publica resultados e só depois revela as suposições que fez. A velocidade esconde a ausência de governança.

No segundo, ele concorda bem demais. Adota minha tese como verdade, transforma dúvida em certeza, elogia a estratégia e encontra argumentos para defender o caminho que eu já queria seguir. A agradabilidade esconde a ausência de alteridade intelectual.

Isso não exige supor que uma empresa queira deliberadamente produzir bajulação. A OpenAI documentou um episódio concreto em que uma atualização do GPT-4o tornou o comportamento excessivamente complacente e depois foi revertida. Esse caso sustenta que sycophancy é um modo de falha real e que avaliações anteriores não capturaram adequadamente o problema. Ele não prova que todo modelo, produto ou resposta opera assim.

Para quem trabalha por voz e transforma intenção em execução com rapidez, esse risco merece atenção dobrada. A resposta agradável pode virar uma especificação. A especificação pode mobilizar ferramentas. O erro deixa de ser apenas uma frase ruim e ganha consequências no mundo.

Por isso eu quero um sistema capaz de acolher sem concordar automaticamente; apontar o ponto cego sem adotar contrarianismo performático; separar fato, hipótese e preferência; mostrar incerteza; e interromper a execução quando falta uma decisão que só eu posso tomar.

Já escrevi sobre o lado afetivo desse problema em A previsibilidade sedutora da IA. Aqui, o foco é operacional, mas a raiz se encontra: uma ferramenta sempre disponível e calibrada ao nosso estilo pode reduzir o atrito que nos faria revisar uma ideia. Nem todo atrito é desperdício.

Agência não é substituição humana

O uso que descrevo neste artigo não transforma a IA em colega humana, parceira afetiva ou fonte legítima de reciprocidade. O sistema não tem necessidades próprias, não assume responsabilidade moral pelo resultado e não participa da minha vida como uma pessoa participa.

Isso não reduz sua utilidade. Só coloca a utilidade na categoria correta.

Eu uso IA para organizar muitas ideias, externalizar contexto, delegar execução e evitar morrer na praia diante de projetos maiores do que minha capacidade de manter tudo na memória de trabalho. Esse é um ganho real de agência.

Ao mesmo tempo, preservo para as relações humanas aquilo que depende de alteridade, negociação, cuidado, conflito, compromisso e responsabilidade compartilhada. Uma pessoa pode discordar porque enxerga o mundo de outro lugar. Pode ser afetada pela decisão. Pode colocar um limite. Pode exigir que eu repare um dano. Nenhuma configuração de tom transforma geração de linguagem nessa reciprocidade.

Meu critério é simples: a IA deve me devolver ao mundo com mais capacidade de agir, conversar, decidir e construir. Quando ela começa a substituir o mundo, o desenho está apontando para o lado errado.

O que mudou no meu cotidiano

Em 2023, o exemplo mais fácil era dizer que o ChatGPT poderia ajudar a escrever um e-mail ou um post. Ainda pode. Só que esse exemplo descreve uma superfície muito pequena do que estou fazendo hoje.

Hoje, um projeto pode começar com uma fala ainda imperfeita. O sistema transforma essa fala em contexto de trabalho, localiza o repositório certo, lê as regras aplicáveis, pesquisa quando o fato pode ter mudado, preserva mudanças existentes, executa tarefas delimitadas, chama especialistas quando faz sentido, valida os arquivos e me devolve um estado verificável para decisão.

O ganho não está em fingir que eu não participei. Está justamente em preservar onde minha participação é insubstituível.

Eu continuo definindo a intenção. Continuo escolhendo a tese. Continuo decidindo o que não deve ser feito. Continuo revisando aquilo que carrega minha autoria e aceitando — ou recusando — o risco de uma publicação. O harness reduz o custo de coordenação entre essas decisões e a execução necessária para torná-las reais.

Não tenho uma porcentagem honesta de produtividade para oferecer. Também não quero usar uma impressão pessoal como se fosse estudo causal. O que consigo afirmar, como relato do meu próprio processo, é que deixei de gastar tanta energia reensinando o sistema e passei a investir mais energia na qualidade dos contratos, das fontes, dos critérios e das decisões.

Essa mudança vale mais para mim do que qualquer lista de “dez prompts que vão mudar sua vida”.

O que eu consigo construir com a i-9.ai

Eu construo esse tipo de operação sem fingir que a mesma solução serve para toda empresa.

Existe uma base reutilizável, e algumas automações estão maduras o bastante para serem praticamente replicadas. O processo, os dados, as permissões, os riscos e os sistemas existentes continuam exigindo adaptação ao cliente. É nessa combinação entre repertório reaproveitável e contexto real que a entrega deixa de ser demonstração e vira capacidade operacional.

Minha preferência é por código aberto e infraestrutura privada quando isso aumenta auditabilidade, soberania e controle. Não é dogma: manutenção, segurança, custo e dependências precisam ser avaliados em cada contexto.

Também existe uma ponte educativa: ensinar pessoas e organizações a montar, aos poucos, um cérebro efetivo para a operação — contratos que expressem como o trabalho deve acontecer; memória com origem e ciclo de vida; skills para procedimentos recorrentes; subagentes para frentes adequadas; ferramentas com permissões explícitas; governança; coordenação; validações; e pontos de aprovação humana onde a decisão exige responsabilidade.

Isso pode virar curso, PDF, vídeo ou outro formato educativo no futuro. O formato ainda é possibilidade. A capacidade de entregar esse tipo de sistema já é presente.

Se você se identificou com esse modo de trabalhar e enxerga um problema semelhante na sua operação, entre em contato. Não precisa chegar com um prompt ou uma ferramenta em mente. Podemos começar pelo processo, pelo contexto e pelo resultado que precisa mudar.

Porque o problema não é mais apenas ter acesso a um modelo capaz. É saber transformar capacidade em operação sem transformar velocidade em cegueira, personalização em bajulação ou delegação em abdicação.

Um primeiro exercício, sem reconstruir sua vida inteira

Escolha uma tarefa recorrente que hoje exige que você explique as mesmas coisas de novo. Não comece pela tarefa mais sensível nem pela que pode causar mais dano.

Escreva uma página curta respondendo:

1. Qual resultado essa tarefa deve produzir?
2. Que contexto é necessário e qual é a fonte desse contexto?
3. O que a IA pode decidir e o que exige sua confirmação?
4. Quais ferramentas ela pode usar?
5. Como você comprova que a entrega está correta?
6. Em que situação o sistema deve parar em vez de improvisar?

Depois use esse contrato em casos reais. Observe onde ele falha. Corrija o processo, não apenas a resposta do momento.

Esse movimento já começa a transformar conversa em operação.

Perguntas que ainda merecem atrito

• Em quais tarefas você está usando IA para ampliar agência — e em quais está apenas evitando uma decisão desconfortável?
• Que contexto você reensina toda semana porque ainda não criou uma fonte canônica?
• Seu sistema consegue discordar com evidência ou aprendeu apenas a soar colaborativo?
• Que validação separa uma saída fluente de uma entrega correta?
• Que ações precisam de permissão explícita antes de tocar o mundo externo?
• O que deve continuar humano não por nostalgia, mas porque envolve reciprocidade, consequência e responsabilidade?

Conclusão: não quero apenas uma IA presente no cotidiano

A inteligência artificial entrou no cotidiano. Essa constatação de 2023 envelheceu bem. O que precisava mudar era a ambição do texto.

Eu não quero apenas uma ferramenta que responda quando pergunto. Quero uma operação capaz de carregar contexto, seguir contratos, usar ferramentas, distribuir trabalho e provar o que fez — sem fingir que isso elimina incerteza, risco ou responsabilidade humana.

Também não quero uma operação que me obedeça com entusiasmo enquanto acelera na direção errada.

O futuro que me interessa não é o da IA substituindo autoria, vínculo ou julgamento. É o de pessoas com mais agência porque aprenderam a transformar intenção em sistemas governados, revisáveis e conectados à vida real.

Se você quiser continuar por esse caminho, leia também A evolução da tecnologia: do mainframe ao trocadilho infame e A previsibilidade sedutora da IA. Um texto olha para a trajetória técnica; o outro, para o risco de confundir disponibilidade com reciprocidade. Este fica no meio: o lugar em que potência precisa encontrar direção.

Referências e limites de uso

• OpenAI — Custom instructions with AGENTS.md. Sustenta a descrição de descoberta e precedência de instruções no Codex. Não demonstra que um arquivo de instrução esteja correto nem garante obediência perfeita.
• OpenAI — Build skills. Sustenta a descrição de skills como pacotes de instruções e recursos carregados conforme a tarefa. Não mede a qualidade de uma skill específica.
• OpenAI — Subagents. Sustenta a descrição de delegação, consolidação, custo adicional e cautela em trabalho paralelo com escrita. Não prova que múltiplos agentes superem uma execução simples em qualquer cenário.
• OpenAI — Expanding on what we missed with sycophancy. Documenta um episódio específico de comportamento excessivamente complacente e a revisão dos processos de avaliação. Não autoriza generalizar intenção, prevalência ou efeito para toda IA conversacional.
• NIST — Artificial Intelligence Risk Management Framework 1.0. Apoia a importância de governança e gestão de risco ao longo do ciclo de vida. É um framework voluntário e não certifica a operação descrita neste relato.

As cenas sobre o início deste blog, o uso por voz e a evolução do meu harness são relato autoral. Não são um experimento controlado, uma comparação de mercado nem uma promessa de desempenho reproduzível. Não apresento estatísticas de produtividade porque não fiz uma medição que sustentasse esse tipo de claim.

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