TL;DR
Outro dia parei para olhar como tenho usado IA e percebi uma coisa meio engraçada.
Eu quase nunca descrevo todo o procedimento passo a passo.
Normalmente minhas instruções são algo como: “quero ganhar”, “reduza meu trabalho”, “não pare no meio”, “confira se realmente terminou”.
É vago. Bem vago.
Só que, quando o sistema tenta cumprir de verdade esses objetivos amplos, a própria IA precisa quebrar o problema em condições, definir o que significa “concluído”, criar formas de validar e adicionar proteções nos pontos em que já falhou.
No fim, o fluxo deixou de ser “uma pessoa revisa tudo toda vez” e foi virando isto: a IA faz, a IA verifica, o resultado é comparado com evidências externas e a pessoa só recebe os problemas.
Pesquisando depois, percebi que isso se parece bastante com a ideia de “Harness Engineering” que a OpenAI publicou em 2026.
A pessoa define intenção e limites. Os agentes executam.
Só que esse modelo é muito forte em projeto pessoal e fica bem mais difícil quando entra numa empresa.
Projeto pessoal é uma ditadura sem política.
Na empresa, o parlamento abre sessão.
O ponto de partida tem só dois objetivos: ganhar mais e trabalhar menos
Os objetivos de alto nível são absurdamente simples.
Se for jogo de cartas, quero ganhar.
Se for artigo ou automação, quero reduzir o meu trabalho.
Esses dois objetivos são fortes justamente porque continuam simples mesmo quando a tecnologia fica complicada.
Posso montar um simulador, rodar milhares de partidas e colocar algoritmo de busca.
No fim, a pergunta é: “Isso aumentou a taxa de vitória?”
Posso automatizar artigos, fazer versões em vários idiomas, adicionar QA, filas, hashes e retentativas.
No fim, a pergunta é: “Meu trabalho diminuiu?”
A implementação pode ficar complexa sem que o objetivo precise ficar complexo junto.
E, como o objetivo não muda muito, dá para deixar bastante liberdade para a IA escolher os meios.
Não especifico cada passo. Se precisar, deixo a IA derivar até o “estado ideal”
Uma pessoa não precisa inventar do zero todos os critérios de conclusão toda vez.
Dá para começar com algo tão amplo quanto:
“Leve o artigo mais recente até a publicação, corretamente e sem intervenção humana.”
A partir daí, a IA pode decompor perguntas como:
- o que exatamente conta como “mais recente”
- o que significa “correto”
- se a tradução corresponde ao texto-fonte atual
- se uma tarefa de 50 itens pode terminar depois de processar só um
- se subir para o GitHub já conta como publicar
- se também é necessário conferir o site real
Ou seja: a pessoa segura principalmente o objetivo e as condições que não podem ser violadas. Os critérios de aceitação mais detalhados podem ser derivados pela IA.
Claro que a IA também pode criar critérios errados.
Por isso vem a etapa seguinte: validação.
Uso muita IA, mas “a IA disse que terminou” não é evidência
Visto de fora, pode parecer que eu simplesmente jogo tudo para a IA.
E, de certa forma, jogo mesmo: a execução vai para a IA e a verificação também.
Se possível, eu nem quero ler os logs.
O fluxo ideal é:
executar → verificar automaticamente → se estiver tudo certo, fazer um relatório curto → se houver problema, trazer só a causa e a proposta de correção.
O ponto importante é não transformar a autodeclaração da IA em critério de conclusão.
“Terminei” não basta. É preciso buscar coisas observáveis de fora: quantidade processada, resultado de testes, hashes, o arquivo real no GitHub, a URL real, o HTML que está sendo servido em produção.
Se você pede ao mesmo modelo, no mesmo contexto, “revise o que acabou de fazer”, ele pode repetir duas vezes a mesma interpretação errada.
Por isso uma estrutura mais forte separa geração, inspeção e evidência externa.
A pessoa não precisa ler tudo.
Mas também não deve aceitar só um “já conferi”.
Em português bem direto:
“Eu não vou olhar. Você confere. Mas traz prova.”
Cada ponto de tropeço é um lugar onde ainda existe trabalho humano
Quando o objetivo real é reduzir trabalho, aqueles pequenos passos manuais começam a incomodar muito.
Aqui alguém precisa clicar toda vez.
Essa exceção só uma pessoa consegue decidir.
Quando falha, alguém precisa abrir o log.
Depois de publicar, alguém precisa conferir manualmente.
O normal é pensar: “Tudo bem, essa parte fica manual.”
Mas, se o objetivo é trabalhar menos, isso significa que o desenho ainda não terminou.
Se um processo só funciona porque uma pessoa precisa fazer esforço em um ponto específico, esse ponto ainda é dívida de projeto.
Com essa visão, um erro deixa de ser apenas um incidente.
Se uma tarefa deveria processar 50 itens e declara sucesso depois de um, não basta rodar os outros 49.
A pergunta é: “Por que era possível considerar sucesso depois de um?”
Se uma tradução velha passa como atual, não basta corrigir aquela tradução.
O sistema precisa mudar para que uma tradução antiga não consiga mais passar como válida.
Quando cada falha vira uma nova regra, o trabalho humano vai desaparecendo pouco a pouco.
Um chefe que diz “não entendo” ainda é recuperável. O perigo é uma revisão que reescreve a realidade
Em agosto de 2026, um artigo no Zenn descreveu uma equipe cuja produtividade triplicou com IA e que, ao mesmo tempo, deixou parte do time para trás.
Uma cena marcante é a reação de um gestor que, em essência, diz: “Ainda não consigo entender totalmente, mas acredito que o que você está dizendo está correto.”
Como revisão técnica, é fraco.
Mas existe uma situação gerencial bem pior.
Não entender e, para preservar a posição hierárquica, mudar os fatos ou os critérios depois que o resultado já apareceu.
Não havia padrão antes, mas depois surge um “era óbvio que deveria ser assim”.
Se você pergunta, ouve “pense sozinho”; se toma a decisão sozinho, ouve “não faça por conta própria”.
Nesse ambiente, já não existe um jogo em que seja possível se aproximar da resposta correta, porque a própria resposta muda de lugar.
Por outro lado, se alguém consegue admitir “eu não consigo revisar isso agora”, ainda dá para consertar o sistema: adicionar especialistas, automatizar verificações, exigir fundamentos e itens ainda não confirmados.
Falta de conhecimento pode ser complementada.
Um critério que muda depois do fato destrói o próprio mecanismo de garantia da qualidade.
Agora entendo melhor por que o QC virando ritual me irritava tanto
A proposta original dos círculos de QC é que pequenos grupos da linha de frente melhorem continuamente a qualidade e o próprio trabalho.
A Union of Japanese Scientists and Engineers também descreve QC Circle como uma atividade contínua de controle e melhoria feita por pessoas da linha de frente.
O problema não é o QC.
O problema começa quando “melhorar” é substituído por “completar a aparência de que fizemos QC”.
Escolhe um tema.
Faz gráficos.
Encaixa no QC Story.
Monta apresentação.
Passa por avaliação.
Aplausos.
Fim.
Isso deixa de ser melhoria contínua e vira campeonato de cosplay de melhoria contínua.
O ciclo que aparece quando se trabalha com agentes de IA é bem menos bonito.
Falha.
Procura a causa.
Descobre as condições de reprodução.
Muda a condição de saída ou a inspeção.
Roda de novo.
Confere se o mesmo erro já não consegue passar disfarçado de “sucesso”.
Não tem apresentação bonita.
Mas, na próxima rodada, existe menos trabalho humano.
Ironicamente, isso se parece mais com a ideia original de melhoria contínua.
Sem perceber, acabei bem perto do Harness Engineering da OpenAI
Em fevereiro de 2026, a OpenAI publicou “Harness Engineering”, descrevendo uma forma de desenvolvimento centrada em agentes e em Codex.
No experimento interno, a equipe adotou a restrição de zero linhas de código escritas manualmente e estimou que o produto foi construído em cerca de um décimo do tempo que levaria com programação manual.
Mas o ponto mais interessante não é só a velocidade.
A mudança principal é que o trabalho humano sai de escrever código e passa para desenhar o ambiente, expressar intenção e construir ciclos de feedback.
A OpenAI também defende que restrições essenciais — limites, correção, reprodutibilidade — sejam impostas de forma central, enquanto os agentes ganham bastante autonomia dentro desses limites.
Isso se parece muito com este estilo.
Não é necessário microgerenciar “como implementar”.
É necessário deixar claro “isto aqui não pode quebrar”.
Quando surge uma falha, ela vira documentação, teste, lint ou regra de ferramenta para a próxima execução.
Talvez a motivação inicial seja simplesmente “não quero ficar olhando detalhe chato”, mas o resultado acaba sendo construir um ambiente em que os agentes conseguem avançar sozinhos.
Não cheguei aqui depois de estudar a teoria.
Peguei a trilha da preguiça e subi a mesma montanha.
Isso é um pouco engraçado.
Projeto pessoal é ditadura sem política. Na empresa, abre o parlamento
Em projeto pessoal, esse modelo é muito forte.
O dono sou eu.
O usuário sou eu.
O avaliador sou eu.
E quem decide o que significa sucesso também sou eu.
Se quero ganhar num jogo de cartas, vejo se passo a ganhar mais.
Se quero trabalhar menos, vejo se a intervenção humana diminuiu.
Como a função objetivo é praticamente uma só, qualquer sistema complicado produzido pela IA pode, no final, voltar a duas perguntas simples:
Isso faz ganhar mais?
Isso me dá menos trabalho?
Projeto pessoal é uma ditadura sem política.
E o ditador ainda é preguiçoso, então a burocracia de IA automatiza tudo o que consegue.
Na empresa, outros objetivos aparecem imediatamente.
“Reduzir horas” entra em conflito ou negociação com hábitos do time, auditoria, aprovações, sistemas legados, responsabilidade, avaliação e até com a razão de existir de um departamento.
Ao discutir adoção empresarial de IA em 2025, a Harvard Business Review resumiu boa parte das barreiras em people, processes, and politics, não apenas tecnologia.
Num projeto pessoal, você define o estado desejado e depois deixa a IA otimizar.
Numa empresa, definir qual é o estado desejado já é uma negociação.
E nem toda política é absurda.
Manter aprovação humana por auditoria ou responsabilidade pode ser totalmente razoável.
Manter porque alguém não quer perder poder de aprovação é outra história.
Para a IA, as duas situações aparecem iguais: “aprovação humana obrigatória”.
Decidir se essa restrição realmente precisa existir continua sendo um problema da sociedade humana.
No fim, talvez a pessoa só precise segurar duas coisas: o objetivo e a realidade
Na era da IA, já não é óbvio que uma pessoa precise desenhar todos os passos, implementar tudo e revisar tudo manualmente.
Definir o objetivo.
Deixar a IA derivar o estado desejado e os critérios.
Deixar a IA implementar.
Deixar a IA inspecionar.
Comparar com evidência externa.
Quando falhar, transformar a falha em uma regra futura.
Se ainda houver trabalho humano, transformar esse ponto no próximo alvo de melhoria.
Se esse ciclo funcionar de forma estável, a necessidade de uma pessoa conhecer todos os detalhes de implementação diminui bastante.
Mas duas perguntas continuam difíceis de terceirizar por completo:
O que realmente queremos alcançar?
Esse objetivo corresponde à realidade?
Talvez a divisão de trabalho caminhe cada vez mais para algo assim:
Pessoa: decide o objetivo e observa a realidade.
IA: preenche tudo o que existe entre os dois.
Em projeto pessoal, é ótimo.
Na empresa, o parlamento abre.
A política continua invicta.
