Passámos os últimos anos a tentar tornar a Inteligência Artificial mais inteligente.
Modelos maiores e mais rápidos.
Com mais contexto e com melhor raciocínio.
Mais ferramentas com mais autonomia.
GPT. Claude. Gemini. E todos os que ainda vão aparecer.
Só que começo a achar que, para as empresas, o problema já não está principalmente aí.
Já temos muita inteligência disponível.
Provavelmente bastante mais do que a maioria das organizações consegue realmente utilizar.
E os sinais do mercado começam a ser muito claros.
A OpenAI diz que aquilo que está a atrasar as empresas já não é propriamente a inteligência dos modelos, mas a forma como os agentes são construídos e operados dentro das organizações. OpenAI
A Deloitte encontrou uma coisa semelhante: a utilização de IA está a aumentar rapidamente, mas apenas 34% das organizações dizem estar realmente a reinventar o negócio à volta dela.
E, quando entramos em agentes autónomos, só cerca de uma em cada cinco empresas diz ter um modelo maduro de governance. Deloitte
E o CEO Outlook da KPMG publicado em outubro de 2026 mostra praticamente o mesmo problema por outro ângulo: apenas 9% dos CEOs dizem que os agentes já estão a transformar verdadeiramente a organização, apesar de 39% já reportarem melhorias significativas e outros 43% algum impacto em casos específicos. KPMG
Ou seja:
a tecnologia está a avançar mais depressa do que as empresas se estão a conseguir adaptar a ela.
E é aqui que começa a próxima grande fase da Inteligência Artificial empresarial.
Não será apenas uma corrida pelo melhor modelo.
Será uma corrida para perceber quem consegue transformar toda esta inteligência em trabalho real, dentro de uma organização real, com dados reais, processos reais e controlo real.
É isso que, para mim, significa começar a estar AI Ready.
De forma simples:
Uma empresa AI Ready é uma empresa preparada para integrar Inteligência Artificial nos seus processos de trabalho de forma útil, contextualizada, controlada e mensurável.
Não significa ter ChatGPT, Code ou Copilot.
Não significa ter meia dúzia de automações.
E também não significa substituir pessoas por agentes.
Significa que a empresa tem os dados, contexto, processos, sistemas, regras e responsabilidades necessários para que pessoas e sistemas de IA consigam trabalhar juntos.
Esta distinção vai ser cada vez mais importante.
Porque estamos a passar de uma IA que responde para uma IA que também age.
E isso muda praticamente tudo.
A primeira vaga de Inteligência Artificial generativa nas empresas foi relativamente simples.
Uma pessoa abria uma janela.
Fazia uma pergunta.
O modelo respondia.
Era essencialmente isto: Pessoa → Prompt → Modelo → Resposta
E isto, por si só, criou ganhos enormes.
Escrever mais depressa.
Analisar informação.
Preparar apresentações.
Programar.
Resumir reuniões.
Gerar ideias.
Pesquisar.
Produzir conteúdo.
Eu próprio uso IA todos os dias para várias destas coisas.
E durante esta fase fazia todo o sentido perguntarmos: qual é o melhor modelo?
Porque havia diferenças enormes (e ainda há).
Mas entretanto começámos a dar uma coisa nova aos modelos.
Ferramentas.
Um modelo deixou de estar limitado a responder com texto.
Passou a poder pesquisar. A ler ficheiros. A executar código.
A consultar uma base de dados. A conseguir aceder a um CRM e a enviar informação para uma aplicação.
Chamar APIs, utilizar servidores MCP e a interagir com muitas outras ferramentas.
E é aqui que começamos realmente a entrar na era dos AI Agents.
Um agente pode receber um objetivo, analisar a situação, utilizar ferramentas, observar o resultado e continuar a trabalhar até concluir uma tarefa.
A Microsoft, por exemplo, já estrutura o seu Agent Framework precisamente à volta destes componentes: agentes, workflows, ferramentas, contexto, memória, middleware, avaliação e aquilo a que chama Agent Harness. Microsoft Learn
E esta mudança é enorme!
Antes podíamos perguntar: Devo contactar este cliente?
Agora um sistema pode, potencialmente:
Isto já não é apenas geração de texto. É trabalho.
Escrevi recentemente sobre este conceito no LinkedIn porque acho que Agent Harness será uma expressão cada vez mais comum.
Nesse artigo uma metáfora simples: Um cavalo.
O cavalo é o modelo. Tem força, velocidade e potência.
O cavaleiro é a pessoa ou a organização. Sabe onde quer chegar.
E o harness - ou arreio - é aquilo que permite canalizar aquela potência e transformá-la em movimento controlado.
Tecnicamente, não é muito diferente:
A Microsoft define um Agent Harness como a infraestrutura de runtime que transforma um modelo de linguagem num agente capaz de executar trabalho: gere chamadas ao modelo e às ferramentas, estado, contexto, aprovações e tarefas com vários passos. Microsoft Learn
A Google descreve-o de forma semelhante: o ambiente de software à volta do modelo que lhe permite interagir com ferramentas externas, manter memória e executar tarefas multistep. Google Cloud
Mas há aqui uma coisa importante.
O harness não resolve tudo.
Porque podemos construir um agente tecnicamente perfeito...
...e ele continuar a não perceber absolutamente nada sobre a nossa empresa.
Acho que esta é uma das ideias mais importantes de toda esta mudança.
Um modelo pode saber muito (e sabe). Muito mais do que qualquer pessoa individual. Mas não sabe necessariamente:
Isto não é conhecimento geral.
Esse é contexto empresarial.
E começa a ser uma infraestrutura extremamente valiosa.
Não por acaso, a OpenAI colocou aquilo a que chama Business Context no centro da sua plataforma Frontier.
A ideia é ligar os agentes aos sistemas onde a empresa realmente trabalha — CRM, data warehouses e aplicações internas — para que a IA possa utilizar a mesma informação que as pessoas utilizam e acumular memória institucional ao longo do tempo. OpenAI
Esta é uma mudança importante.
Porque durante os últimos anos falámos muito sobre modelos que sabem mais.
Agora começamos a falar sobre:
como fazer o modelo saber mais sobre nós.
Há aqui uma diferença que acho importante.
Imaginemos estes três níveis.
Dado: Valor do negócio: 50.000 €.
Informação: A proposta de 50.000 € foi enviada há dez dias.
Contexto: O CEO participou na última reunião. Está a comparar-nos com outro fornecedor. A principal preocupação não é preço, é implementação. Ficou combinado não insistir antes de sexta-feira.
Dados, informação e contexto são muito diferentes.
Um agente pode ter acesso aos primeiros dois níveis e continuar a tomar uma péssima decisão.
Porque é o contexto que lhe permite perceber o significado daquela informação naquele momento.
E isto ajuda a explicar porque é que tantas iniciativas de IA ficam presas entre um piloto interessante e uma implementação verdadeiramente útil.
Porque não basta ligar o modelo aos dados.
Os dados têm de ser:
A Deloitte encontrou precisamente uma diferença entre a ambição estratégica e a preparação operacional das organizações: as empresas sentem-se mais preparadas em termos de estratégia do que em infraestrutura, dados, risco e talento. Deloitte
É um problema muito menos sexy do que lançar um agente.
Mas é provavelmente muito mais importante.
E é aqui que começo a olhar para o CRM de uma forma diferente. Durante anos dissemos às empresas: “Mantenham o CRM atualizado.”
Porque os comerciais precisam dos dados.
Porque precisamos de reporting.
Porque marketing precisa de segmentação.
Porque queremos forecast.
Tudo certo. Mas agora aparece outra razão e talvez seja maior do que todas as anteriores:
O CRM está a tornar-se uma das principais fontes de contexto para a Inteligência Artificial.
Pensa no que já existe lá dentro.
Tudo isto ajuda um sistema de IA a perceber: quem é esta pessoa, o que aconteceu antes e o que deve acontecer a seguir.
E vemos esta direção muito claramente na HubSpot.
Em julho de 2026 a HubSpot lançou o Agent Hub e o Agent Builder precisamente com a ideia de gerir e criar agentes que partilham contexto e utilizam os dados que já existem no CRM. HubSpot
O Data Agent já utiliza dados do CRM, chamadas, emails, histórico de negócios, documentos e informação externa para pesquisar clientes, preencher propriedades e alimentar workflows. Base de Conhecimento HubSpot
E no Fall Spotlight em setembro de 2026 a HubSpot foi ainda mais longe, introduzindo conceitos como Growth Context, Context Home e um CRM que se atualiza de forma cada vez mais automática. HubSpot
A direção parece-me bastante clara:
O CRM já não serve apenas para guardar informação para pessoas.
Também está a tornar-se uma camada de contexto para agentes.
E isto altera bastante a importância da qualidade dos dados.
Durante anos podíamos dizer: Se o CRM estiver errado, o relatório fica errado.
Agora podemos acrescentar: Se o CRM estiver errado, a IA também pode agir com base em contexto errado.
É um problema completamente diferente.
Também não devemos cair no extremo contrário.
CRM não é tudo, nem deve ser.
Uma empresa tem contexto em muitos sítios:
É por isso que uma das grandes mudanças que estamos a ver é a criação de uma camada cada vez maior de integração entre IA e sistemas empresariais.
A própria HubSpot, por exemplo, permite sincronização bidirecional com Snowflake, Google BigQuery e AWS S3 para aproximar dados que vivem em diferentes partes do stack. HubSpot
E o movimento não é “meter tudo dentro do CRM”.
É outro.
Isto vai obrigar muitas empresas a repensar aquilo que durante anos trataram como assuntos separados.
CRM | RevOps | Data | Integrações | Automação | Knowledge management | Governance.
De repente, tudo isto começa a convergir, porque tudo isto alimenta a mesma coisa: contexto.
Há ainda outra mudança importante.
Quando um modelo apenas escreve texto, o risco é relativamente contido.
Até pode escrever uma coisa errada, mas nós corrigimos.
Agora imagina um sistema que consegue enviar um email, alterar uma oportunidade no CRM, dar uma resposta a um cliente, criar uma ordem, mexer em dados, iniciar um workflow, executar código ou tomar uma decisão automaticamente.
O problema já muda e para pior.
Porque aí já não estamos apenas a discutir inteligência, já estamos a discutir autoridade.
O que pode este agente fazer?
Com que dados?
Até onde?
Quando precisa de aprovação?
Quem é responsável?
Como sabemos o que aconteceu?
Conseguimos auditar?
Conseguimos parar?
Conseguimos corrigir?
É por isso que conceitos como permissões, guardrails, approvals, observability e human-in-the-loop estão a passar do lado técnico para uma discussão de gestão.
A Microsoft já inclui aprovação de ferramentas e observabilidade diretamente na arquitetura do Agent Harness. Microsoft Learn
A OpenAI coloca explicitamente permissões, auditoria e governance na arquitetura empresarial do Frontier. OpenAI
E a Deloitte encontrou um gap bastante claro: quase três quartos das organizações planeiam implementar agentic AI nos próximos dois anos, mas apenas 21% dizem ter um modelo maduro para governar agentes autónomos. Deloitte
Há uma frase que resume bem isto:
Autonomia sem governance não é transformação. É um risco automatizado.
Também não acredito na ideia de que a solução seja uma empresa onde tudo funciona autonomamente e os humanos ficam a olhar.
Pelo menos não é esse o caminho que nos interessa seguir na SmartLinks.
Human-in-the-loop não significa uma pessoa carregar em “aprovar” a cada três segundos.
Isso também não faria sentido.
Significa criar níveis de autonomia. Porque:
Há coisas que um agente pode fazer sozinho.
Há coisas que pode preparar, mas não executar.
Há coisas que requerem aprovação.
E há coisas a que simplesmente não deve ter acesso.
E estes níveis de autonomia são exatamente o que já fazemos com pessoas!
Um comercial júnior não pode fazer exatamente as mesmas coisas que um diretor comercial.
Uma pessoa de marketing não tem necessariamente acesso às contas bancárias.
Nem toda a gente pode aprovar um desconto.
Nem toda a gente pode assinar um contrato.
Porque haveria de ser diferente com um agente?
O desafio passa a ser construir sistemas onde a autonomia aumenta à medida que aumentam também:
a confiança;
a observabilidade;
a qualidade dos dados;
a previsibilidade;
e a capacidade de recuperação quando alguma coisa corre mal.
Este é talvez o erro que mais vejo neste momento!
Comprar ChatGPT, Copilot, Claude ou HubSpot para toda a empresa não torna a empresa AI Ready.
Criar três agentes também não.
Tudo isso pode ajudar, sim. Mas são ferramentas.
Se por baixo delas continuarmos a ter:
um CRM desatualizado;
dados espalhados;
processos que ninguém consegue explicar;
equipas em silos;
informação contraditória;
seis versões do mesmo documento;
responsabilidades mal definidas;
e decisões que vivem apenas na cabeça de duas ou três pessoas...
...a IA não vai resolver magicamente a organização.
Em alguns casos pode simplesmente acelerar a desorganização.
E é por isso que acho que a pergunta está a mudar.
Durante algum tempo foi: “Como é que implementamos IA?”
Cada vez mais deveria ser: “Como é que preparamos a empresa para que a IA consiga trabalhar nela?”
Esta é uma pergunta muito diferente.
Tenho vindo a pensar nisto como um conjunto de sete camadas.
Não são sete produtos, nem sete ferramentas.
São sete condições que precisam de existir - em diferentes níveis de maturidade - para conseguirmos passar de experiências de IA para sistemas que produzem valor de forma consistente.
A pior forma de começar uma transformação com IA é: Onde podemos meter IA?
Isto é começar pela tecnologia em vez de começar pelo problema.
Prefiro outra pergunta: Que resultado queremos produzir melhor?
Mais oportunidades?
Menos trabalho administrativo?
Respostas mais rápidas?
Melhor suporte?
Melhor qualidade de conteúdo?
Menos erros?
Maior capacidade comercial?
Melhor previsão?
O agente só vem depois.
Primeiro precisamos de saber onde queremos chegar.
Depois precisamos de perceber o processo.
Quem faz?
Quando?
Que informação utiliza?
Que decisões toma?
Que exceções existem?
Onde espera?
Onde falha?
Onde existe trabalho repetitivo?
Esta parte é fundamental porque muitas empresas tentam automatizar processos que, na verdade, nem sequer estão bem definidos.
Se não conseguimos explicar a uma pessoa como o processo funciona, provavelmente também não estamos preparados para o entregar a um agente.
Depois vêm os dados.
Onde estão?
Quem é responsável por eles?
Estão completos?
Atualizados?
Duplicados?
Estruturados?
Conseguimos relacioná-los?
Um agente que trabalha sobre dados errados não se torna mais inteligente.
Torna-se apenas mais rápido a tomar decisões erradas.
Esta é a camada que acho mais interessante, porque contexto é mais do que informação.
É perceber:
o cliente;
a relação;
o histórico;
as prioridades;
as exceções;
o objetivo;
as regras;
a linguagem da empresa;
e aquilo que já aconteceu antes.
É aquilo que transforma:
“50.000 €”
em:
“Esta é uma oportunidade estratégica de 50.000 €, com decisão do CEO, em que implementação é mais importante do que preço.”
A diferença é enorme.
Depois temos aquilo que transforma inteligência em ação.
CRM.
ERP.
Email.
Calendar.
Documentos.
APIs.
MCP.
Data warehouses.
Aplicações internas.
Outros agentes.
É aqui que saímos do copiloto que nos dá sugestões e entramos num sistema que consegue realmente participar no processo.
Depois vem o harness e a governance.
Instruções.
Permissões.
Guardrails.
Aprovações.
Logs.
Observabilidade.
Avaliação.
Rollback.
Human-in-the-loop.
A pergunta aqui é simples: até onde confiamos neste sistema?
E a parte interessante é que a resposta não precisa de ser igual para todas as tarefas.
Uma empresa pode dar autonomia total a um agente para classificar contactos e, ao mesmo tempo, exigir aprovação humana para enviar uma proposta comercial.
É perfeitamente normal.
E finalmente chegamos à camada que provavelmente será mais difícil.
As pessoas:
Nenhum sistema empresarial sério pode funcionar sem ownership de um ser humano.
A IA não muda isso.
Também é importante dizer isto.
Não acredito que exista um dia em que alguém diga: Pronto. Terminámos. Agora somos AI Ready.
Modelos mudam. Ferramentas mudam. Processos mudam. O negócio muda. A legislação também muda. Até a capacidade dos agentes muda.
Portanto, AI readiness é uma capacidade contínua.
É a capacidade de incorporar progressivamente IA na organização sem termos de começar tudo outra vez cada vez que aparece um modelo novo.
Esta talvez seja uma das maiores diferenças entre experimentar IA e construir vantagem competitiva com IA.
Uma experiência depende da tecnologia daquele momento.
Uma organização AI Ready consegue absorver tecnologias novas à medida que aparecem.
É também por isso que tenho cada vez menos interesse numa visão da IA centrada apenas em ferramentas.
Não me interessa particularmente instalar um agente porque é novo, ou sequer automatizar tudo aquilo que tecnicamente conseguimos automatizar.
O que me interessa é outra coisa: onde é que a IA consegue aumentar brutalmente a capacidade das pessoas sem perdermos controlo, qualidade ou ownership?
Essa pergunta leva inevitavelmente para:
Ou seja:
transformação empresarial.
Não simplesmente implementação tecnológica.
Na SmartLinks começámos a chamar a isto AI Ready Transformation.
Não porque achemos que encontrámos um nome mágico e menos ainda porque queremos inventar mais uma categoria.
Apenas porque precisávamos de uma forma de descrever um problema que começávamos a ver repetidamente.
As empresas querem agentes.
Querem automação.
Querem IA.
Mas muitas vezes aquilo que bloqueia o valor está antes disso.
É o processo. É o CRM. É o dado. É a integração. O contexto. É a definição de responsabilidades. É o controlo.
Por isso, a abordagem que estamos a construir não começa necessariamente por:
“Que agente vamos criar?”
Começa por:
“O que precisa esta empresa de conseguir fazer?”
E depois:
Não é tão vistoso como mostrar um agente numa demo mas acreditamos que é muito mais importante.
Há aqui uma pequena ironia!
Quanto mais avançada fica a Inteligência Artificial, mais importantes se tornam algumas das coisas mais básicas de uma empresa.
Durante anos isto pareceu burocracia para muita gente. Agora começa a ser infraestrutura de IA.
Porque um processo claro e bem definido pode ser ensinado a um agente.
Uma regra clara pode transformar-se num guardrail.
Um CRM corretamente estruturado pode dar contexto.
Uma reunião gravada pode tornar-se memória.
Uma definição explícita de ownership pode determinar quando o agente deve escalar para uma pessoa.
Isto muda bastante a forma como devemos olhar para operações.
Nem todos lhe chamam a mesma coisa.
A OpenAI fala em Business Context, Agent Execution, evaluation e governance. OpenAI
A Microsoft fala em Agent Harnesses, workflows, tools, memory, context providers e approvals. Microsoft Learn
A Google fala em Agent Harnesses que ligam modelos a ferramentas, memória e sistemas externos. Google Cloud
A HubSpot está a juntar CRM, Growth Context, Agent Hub, Agent Builder, Data Agent e integrações de dados numa plataforma cada vez mais agentic. HubSpot
A Deloitte está a alertar que a utilização de agentes está a avançar mais depressa do que a governance. Deloitte
E a KPMG mostra CEOs a investir, mas ainda com uma diferença enorme entre impacto pontual e transformação real. KPMG
Os nomes também ainda estão a estabilizar.
Mas a direção é esta.
Continuaremos a ter modelos melhores. Muito melhores.
Mais rápidos e mais baratos. Até mais autónomos.
E vamos continuar a discutir benchmarks.
Ainda bem.
Mas começo a achar que, para a maioria das empresas, a pergunta decisiva vai deixar de ser:
“Qual é o modelo que devemos usar?”
E passar a ser:
“A nossa empresa está preparada para que estes modelos trabalhem dentro dela?”
Porque todos já temos acesso a inteligência extraordinária.
O nosso concorrente também. O nosso cliente também.
E o nosso fornecedor também.
A diferença vai estar cada vez mais naquilo que conseguimos construir à volta dessa inteligência.
Contexto.
Dados.
Processos.
Ferramentas.
Integrações.
Controlo.
Governance.
Pessoas.
O modelo continua a importar. Como o cavalo continua a importar.
Mas a vantagem começa a estar na capacidade de saber para onde queremos ir e construir tudo aquilo que permite chegar lá.
Para nós, é isso que significa estar AI Ready.
O que significa AI Ready?
Uma empresa AI Ready tem processos, dados, contexto, sistemas, governance e equipas preparados para integrar Inteligência Artificial no trabalho de forma segura, útil e mensurável. Não se resume à aquisição de ferramentas de IA.
Qual é a diferença entre um LLM e um AI Agent?
Um LLM gera respostas a partir de uma entrada. Um agente adiciona capacidades como utilização de ferramentas, memória, execução de tarefas e interação com sistemas externos, podendo trabalhar em vários passos para atingir um objetivo.
O que é um Agent Harness?
Um Agent Harness é a infraestrutura de runtime que envolve um modelo e gere elementos como contexto, memória, chamadas a ferramentas, estado, aprovações, loops e observabilidade, transformando o modelo num sistema capaz de executar trabalho. Microsoft Learn
Porque é que o CRM é importante para agentes de IA?
O CRM contém contexto essencial sobre clientes: contactos, empresas, negócios, atividades, reuniões, emails, tickets e histórico. Quando ligado à IA, pode funcionar como uma das principais fontes de contexto que permite aos agentes perceber quem é o cliente e o que aconteceu anteriormente.
Ter ChatGPT ou Copilot significa que uma empresa está AI Ready?
Não. Essas ferramentas podem aumentar muito a produtividade individual, mas AI readiness implica também dados fiáveis, processos claros, integrações, contexto, governance, permissões e responsabilidades.
O que é human-in-the-loop?
Human-in-the-loop significa desenhar sistemas em que pessoas continuam envolvidas nos pontos em que julgamento, aprovação ou supervisão humana são necessários. Isso não significa aprovar todas as ações; diferentes tarefas podem ter diferentes níveis de autonomia.
O que deve uma empresa fazer primeiro para se tornar AI Ready?
O primeiro passo não deve ser escolher uma ferramenta ou agente. Deve ser identificar que resultados pretende melhorar, perceber os processos atuais, avaliar os dados e contexto disponíveis e só depois decidir onde a IA pode criar valor.