• Harness engineering é o conjunto de controles que envolve um agente de IA autônomo: limites de ação, pontos de parada, supervisão humana e registro auditável de cada decisão.
• A progressão prompt engineering, context engineering e harness engineering não é confusão do campo. Cada nome marca uma etapa do aprendizado coletivo sobre como fazer IA generativa funcionar em ambientes corporativos com leis e responsabilidade real.
• O campo surgiu porque modelos de linguagem não foram projetados para o ambiente corporativo. O harness é a adaptação que os torna operáveis dentro de regras, compliance e consequências jurídicas.
• Agentes de RH, Marketing e Jurídico operam em áreas de risco legal alto. Harness engineering define o que o agente pode fazer, quando deve parar e onde cada ação fica registrada.
• O EU AI Act classifica sistemas de IA em decisões de contratação e crédito como de alto risco, com obrigações de supervisão humana a partir de agosto de 2026.
• Empresas sem harness não param de usar agentes. Passam a usar agentes sem governança, o que tem nome: Shadow AI.

Você está ouvindo falar de harness engineering e, antes disso, ouviu falar de context engineering. Antes ainda, de prompt engineering. A sensação natural é de que o campo está se fragmentando em terminologia nova a cada mês.

Cada um desses nomes, porém, marca uma etapa diferente do mesmo aprendizado coletivo: como fazer IA generativa funcionar de verdade dentro de organizações que têm regras, responsabilidades e consequências reais para cada erro.

Este artigo complementa o e-book gratuito Engenharia de Prompts na Prática: mais de 30 técnicas para ChatGPT, Gemini e Claude, best seller na Amazon com mais de 900 avaliações 4,5 estrelas. Baixe gratuitamente e use como base antes de mergulhar nos agentes.

Prompt, contexto, harness: uma progressão, não uma moda

Tudo começou com o prompt. Quem usou ChatGPT nos primeiros meses descobriu rapidamente que a qualidade da resposta dependia muito de como a instrução era formulada. Detalhar o papel, o tom, o formato e os limites do que se esperava produzia resultados muito melhores. Surgiu o campo da engenharia de prompts para sistematizar esse conhecimento.

Depois veio o contexto. Quando as equipes começaram a trabalhar com agentes de verdade, perceberam que o modelo precisava de muito mais do que um prompt: memória, estado da tarefa, ferramentas disponíveis, histórico do que já aconteceu e do que ainda está pendente. Gerenciar tudo isso de forma estruturada virou o problema central, e a engenharia de contexto é o nome que o campo deu a essa prática.

Agora chegou o harness. O motivo: mesmo com bom prompt e bom contexto, um agente autônomo em produção pode tomar decisões que nenhum ser humano aprovou, em situações que ninguém previu, sem deixar rastro de por que aquilo aconteceu.

Harness engineering é a prática de projetar os controles que evitam exatamente isso.

A IA generativa não foi criada para o ambiente corporativo. Ela foi criada para gerar texto plausível. O mundo corporativo tem leis, responsabilidade jurídica, compliance, auditoria e consequências reais para cada decisão tomada. Prompt engineering, context engineering e harness engineering são os três estágios do processo coletivo de adaptar essa tecnologia a esse ambiente. Quem tenta entender harness sem ter passado pelos dois anteriores tende a se perder, porque cada etapa resolve o problema que a anterior deixou em aberto.

O que é harness engineering, fora do vocabulário de TI

A tradução literal de harness é “arnês”, a estrutura que mantém um animal ou uma pessoa dentro de certos limites sem impedir o movimento. Na IA, o conceito funciona da mesma forma.

Vivek Trivedy, do LangChain, sintetizou em março de 2026: Agente = Modelo + Harness. O modelo raciocina. O harness governa. Tudo que não é o modelo em si (as instruções de sistema, as ferramentas disponíveis, a lógica de orquestração, os mecanismos de validação, os pontos de parada) compõe o harness.

Birgitta Böckeler, do Thoughtworks, publicou em abril de 2026 a taxonomia mais usada para classificar os elementos do harness em dois grupos: os Guides e os Sensors.

Guides são controles que atuam antes da ação: as instruções de sistema que dizem ao agente o que é e o que pode fazer, os arquivos de regras que ele consulta antes de qualquer ação sensível, as permissões que delimitam quais sistemas e dados estão acessíveis.

Sensors são controles que atuam durante e depois: as avaliações automáticas que verificam se cada resposta está dentro do padrão esperado, os alertas que disparam quando o agente tenta executar algo fora do escopo, o log que registra cada passo da execução.

Para uma liderança executiva, o que importa é a pergunta que essa arquitetura responde: se eu soltar esse agente para trabalhar agora, o que pode dar errado? O harness é a resposta estruturada a essa pergunta.

Por que os agentes falham sem harness

Modelos de linguagem foram desenvolvidos para gerar texto plausível. Gerar texto plausível é muito diferente de seguir política corporativa, respeitar obrigações legais ou garantir que cada decisão tomada possa ser justificada para um auditor.

Quando uma empresa coloca um agente em produção sem harness, está colocando uma tecnologia projetada para gerar plausibilidade em um ambiente que exige precisão, rastreabilidade e conformidade.

A equipe de engenharia da OpenAI documentou em fevereiro de 2026 o que descobriu ao construir um produto inteiro com agentes: “Nossos desafios mais difíceis agora se concentram em projetar ambientes, ciclos de feedback e sistemas de controle.” O problema central está na ausência da estrutura ao redor do modelo, não na inteligência do modelo em si.

Três modos de falha aparecem com mais frequência quando analisamos projetos de IA agêntica em empresas:

Desvio de contexto (Context Drift): o agente acumula informações incorretas ao longo de uma tarefa longa e começa a tomar decisões com base em premissas erradas. A Salesforce descreve isso como “context rot”: à medida que a janela de contexto enche, o agente esquece o objetivo original e começa a otimizar para objetivos locais. Sem sensor de validação periódica, ninguém percebe até o erro já ter consequências.

Desalinhamento de esquema (Schema Misalignment): o agente recebe dados em formato diferente do esperado e interpreta errado, produzindo ações incorretas com aparência de corretas.

Degradação de estado (State Degradation): em sistemas multiagente, onde vários agentes se comunicam, um erro em um ponto se propaga para os demais sem que ninguém identifique a origem.

Harness engineering existe para interceptar esses três modos antes que cheguem ao usuário final ou ao processo de negócio. A Anthropic publicou em novembro de 2025 uma análise detalhada de como cada modo de falha pode ser endereçado com estruturas específicas de harness, documentando resultados reais em agentes de desenvolvimento de software.

RH, Marketing, Jurídico: onde o harness é mais urgente

Muito do debate público sobre harness ainda está centrado em código e infraestrutura de software. O mesmo princípio se aplica com muito mais urgência em áreas que trabalham com pessoas, dinheiro e obrigações legais.

No RH, agentes de recrutamento já triam dezenas de milhares de currículos por semana em empresas de grande porte. Um harness de recrutamento define quais critérios são admissíveis na triagem automática, exige revisão humana para qualquer candidato finalista e mantém o registro de cada decisão tomada pelo agente. Sem isso, a empresa acumula risco de discriminação sem saber. O EU AI Act, com aplicação plena a partir de agosto de 2026, classifica sistemas de IA usados em decisões de contratação como de alto risco, com obrigações específicas de transparência e controle humano.

No Marketing, agentes de otimização de campanha podem alterar budget, pausar anúncios, segmentar audiências e testar criativos de forma autônoma. Um harness de campanha define limites de variação (nenhuma mudança acima de X% do orçamento sem aprovação humana), monitora desvio de posicionamento de marca e gera relatório de cada ação tomada. Sem isso, o agente pode otimizar para métricas de curto prazo enquanto corrói o posicionamento de longo prazo, e ninguém conseguirá reconstruir a sequência de decisões que levou a isso.

No Jurídico, agentes de produção de contratos e documentos legais operam em território onde cada palavra tem consequência. Um harness jurídico impede que qualquer documento seja enviado sem validação humana, detecta cláusulas fora do padrão aprovado pela equipe jurídica e mantém versionamento auditável de cada alteração. Em toda área onde as consequências de uma decisão errada são legais, reputacionais ou financeiras, o harness transforma o agente de experimento em processo.

O problema do Shadow AI e a ausência de harness

Quando uma empresa não define harness para seus agentes, os funcionários criam os próprios. Informalmente, sem governança, sem controle de dados e sem rastro.

Isso tem nome: Shadow AI. É a versão corporativa do Shadow IT dos anos 2000, quando departamentos contratavam software sem passar pelo TI. A diferença é que agentes de IA têm acesso a dados sensíveis, tomam decisões e executam ações no mundo real.

Harness engineering é a resposta estrutural para esse problema. Define os limites de uma vez, de forma centralizada, de modo que o uso autônomo dos agentes pelas equipes aconteça dentro de um perímetro aprovado e rastreável.

Os Guides e os Sensors na prática executiva

A taxonomia de Böckeler se traduz em termos diretos para lideranças não técnicas.

Guides são tudo que você define antes do agente começar a trabalhar. O prompt de sistema que instrui o agente sobre o que é, o que pode fazer e o que está proibido. O arquivo de regras da empresa que ele consulta antes de qualquer ação sensível. As permissões que delimitam a quais sistemas e dados o agente tem acesso.

Sensors são tudo que monitora o agente enquanto trabalha. As avaliações automáticas que verificam se cada resposta está dentro do padrão esperado. Os alertas que disparam quando o agente tenta executar uma ação fora do escopo. O log que registra cada passo da execução.

Na prática, o que muda entre uma área e outra é o conteúdo, não a estrutura.

No recrutamento, os Guides definem quais critérios o agente pode usar na triagem. Os Sensors bloqueiam qualquer critério fora da lista aprovada e registram cada decisão para auditoria futura. Uma diretora de RH que entende isso sabe exatamente o que pedir para TI implementar: não “quero um agente que recrute bem”, mas “preciso de uma lista de critérios permitidos e de um log de cada candidato rejeitado”.

No Marketing, os Guides trazem as regras de posicionamento de marca e os tetos de variação orçamentária. O agente pode testar criativos e ajustar lances dentro desses limites; qualquer ação acima do limiar dispara um alerta antes de executar. O problema de campanha que otimiza métricas enquanto destrói o posicionamento de marca tem nome no harness: ausência de Guide de identidade de marca.

No Jurídico, os Guides são os templates e cláusulas aprovadas pela equipe. Qualquer desvio aciona revisão humana antes do envio. Sem isso, o agente pode gerar um contrato tecnicamente correto que contradiz a política interna da empresa sem que ninguém perceba até o documento estar assinado.

Autonomia com limite: o conceito de bounded autonomy

O framework de harness mais consolidado em uso corporativo em 2026 é o que pesquisadores chamam de bounded autonomy (autonomia delimitada).

O agente opera com liberdade dentro de um perímetro definido. Qualquer ação dentro do perímetro ele executa sem precisar de aprovação humana. Qualquer ação que cruze a fronteira, ele para e aciona um humano.

Isso resolve o dilema que muitas lideranças enfrentam: querem aproveitar a autonomia dos agentes para ganhar escala e velocidade, mas temem as consequências de ações fora de controle. Bounded autonomy pede que os líderes definam claramente onde a fronteira está, não que escolham entre eficiência e controle.

Três perguntas operacionais para qualquer agente em produção:

1. O que esse agente está autorizado a fazer sem consultar um humano?
2. Em que momento ele deve parar e acionar uma pessoa?
3. Onde está o registro de cada decisão que ele tomou?

Se não há resposta clara para as três, o agente ainda não tem harness adequado para produção.

Frameworks regulatórios: o que já está em vigor

O debate sobre harness vai além do que cada empresa decide fazer internamente. Reguladores ao redor do mundo estão criando obrigações que tornam o harness uma exigência legal, não apenas uma boa prática.

O EU AI Act é o mais abrangente. Com aplicação plena a partir de agosto de 2026, classifica automaticamente como alto risco qualquer sistema de IA usado em decisões de contratação, crédito e prestação de serviços jurídicos. Sistemas de alto risco exigem: avaliação de conformidade antes da implantação, documentação técnica completa, supervisão humana ativa e registro de logs de operação. O harness é o mecanismo que implementa essas obrigações na prática.

A Singapore IMDA publicou em janeiro de 2026 o primeiro framework regulatório específico para IA agêntica, com um sistema de cinco níveis de autonomia. Cada nível define quanta supervisão humana é obrigatória conforme o grau de consequência das decisões do agente.

O NIST nos Estados Unidos iniciou em fevereiro de 2026 um processo de padronização para identidade de agentes, rastreabilidade de ações e limites de contenção. Quando esses padrões forem finalizados, passarão a influenciar contratos e certificações.

Para empresas brasileiras que atendem clientes europeus ou que operam em setores regulados, a adequação ao EU AI Act envolve escolhas concretas de arquitetura. O harness é a estrutura que viabiliza essa adequação.

O que observo em treinamentos

Conduzindo treinamentos de IA para grandes corporações, vejo com frequência o mesmo padrão: as equipes de negócio já estão usando agentes. Às vezes sem que o RH ou o Jurídico saibam.

O harness mais comum que encontro é o harness zero: nenhum limite definido, nenhum sensor ativo, nenhum registro sistemático. O agente funciona enquanto os resultados parecem razoáveis. O problema aparece quando algo dá errado e ninguém consegue explicar como chegou até ali.

Implementar harness não exige uma transformação técnica de meses. Começa com três perguntas simples para cada agente em uso. A partir dessas respostas, as equipes de TI e segurança têm o insumo para construir os controles técnicos correspondentes. A decisão de negócio precede a decisão técnica. Sempre.

Onde começar amanhã

Antes de qualquer implementação, mapeie os agentes que sua área já usa. Pergunte para cada um:

O que esse agente está autorizado a fazer? Se a resposta for “não sei exatamente”, ele não tem Guides suficientes.

Quando ele precisa de um humano? Se nunca, há ausência de escalada. Qualquer agente em área de risco precisa de ao menos um ponto de parada obrigatório.

Onde ficam os registros? Se não há log sistemático das ações do agente, não há harness auditável. Mas o log só protege quem consegue usá-lo. A pergunta seguinte é: quando algo der errado, sua equipe consegue ler esse registro e distinguir os três cenários possíveis?

• O agente agiu fora dos seus limites por falha de design.
• O usuário conduziu a interação de forma maliciosa.
• O agente foi influenciado por dado externo comprometido.

Sem essa capacidade de leitura, o log existe mas não resolve nada. Qualquer pessoa na cadeia de decisão, do analista que configurou o agente ao diretor que aprovou o deploy, pode ser chamada a explicar o que aconteceu. O harness é o que torna essa explicação possível.

A partir desse mapa, você tem condições de conversar com TI sobre implementação. A conversa vai ser muito mais produtiva quando o negócio já trouxer as respostas de escopo, e o TI entrar para construir os mecanismos correspondentes.

Para uma leitura complementar sobre os riscos que surgem quando agentes de IA operam sem controles adequados, o post sobre riscos financeiros da IA para empresas brasileiras mostra o custo concreto de ignorar governança.

Para descobrir qual curso da minha curadoria na ESPM faz mais sentido para sua trajetória neste tema, converse com o Consultor de Carreira, um agente de IA que indica o caminho conforme o seu perfil e área de atuação.

Perguntas frequentes sobre harness engineering

O que é harness engineering?

Harness engineering é a prática de projetar o conjunto de controles, limites, testes e pontos de parada que envolvem um agente de IA autônomo. O agente em si é apenas uma parte do sistema. O harness é tudo que garante que esse agente faz o que deveria fazer, para quando não deve continuar e deixa rastro auditável de cada decisão.

Qual é a diferença entre prompt engineering, context engineering e harness engineering?

São três etapas de um mesmo aprendizado. Prompt engineering foca em como instruir o modelo para obter melhores respostas. Context engineering amplia isso para o conjunto de informações que alimentam o modelo a cada passo. Harness engineering governa o agente inteiro: o que ele pode fazer, o que está proibido, quando um humano precisa ser acionado e como cada ação fica registrada.

Harness engineering é tema de TI ou de negócios?

As duas áreas precisam estar envolvidas, mas as decisões de harness são primariamente decisões de negócio. Definir quais ações o agente pode tomar autonomamente, em que momento um humano precisa ser consultado e quais registros precisam existir para fins legais são perguntas do RH, do Jurídico, do Marketing ou do Financeiro, conforme a área que usa o agente.

Por que agentes de IA falham sem harness?

Modelos de linguagem foram desenvolvidos para gerar texto plausível, não para seguir compliance corporativo ou garantir auditabilidade. Quando um agente opera sem harness, pode tomar decisões fora do escopo aprovado, escalar situações que deveriam ter supervisão humana, ou produzir resultados que nunca poderão ser justificados para um auditor.

Como começar a implementar harness em agentes da minha área?

Responda três perguntas para cada agente em uso: o que esse agente está autorizado a fazer? Quando ele deve parar e chamar um humano? Onde está o registro de cada decisão que ele tomou? Se não há resposta clara para as três, o agente ainda não tem harness adequado para produção.

Harness engineering se aplica a agentes de RH, Marketing e Jurídico?

Especialmente nessas áreas, onde o risco de cada decisão errada é jurídico, regulatório ou reputacional. O EU AI Act já classifica sistemas de IA usados em decisões de contratação como de alto risco, com obrigações específicas de transparência e supervisão humana a partir de agosto de 2026.

O que é Shadow AI e qual a relação com harness?

Shadow AI é o uso não governado de ferramentas de IA por funcionários, sem aprovação formal, sem controles de dados e sem rastro auditável. Quando uma empresa não define seu harness, os funcionários criam os próprios, informalmente. O resultado é fragmentação, risco de vazamento de dados confidenciais e impossibilidade de auditoria quando algo der errado.

Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro consultivo de empresas em tecnologia e inovação. Fundou sete startups ao longo da carreira. Leciona na ESPM, Insper, USP, PUCRS e IBGC. É autor do livro gratuito Engenharia de Prompts na Prática: do Zero ao Avançado com ChatGPT, Gemini e Claude.

• O que é ATS (Applicant Tracking System) e por que 97,8% das maiores empresas do mundo o usam
• Os três leitores do seu currículo e a ordem em que aparecem
• Por que o mito dos 75% de rejeição automática é falso, e qual dado real importa
• Camada 1: como formatar o currículo para o parser do ATS
• Camada 2: como usar palavras-chave sem cair em keyword stuffing
• Camada 3: como escrever para o recrutador humano depois de passar pelas máquinas
• Como usar IA para fazer esse trabalho por você, com 4 passos e prompts prontos para copiar

Este artigo complementa o e-book gratuito Engenharia de Prompts na Prática: do Zero ao Avançado com ChatGPT, Gemini e Claude, Best Seller na Amazon com mais de 800 avaliações 4,5★. Baixe gratuitamente e use as técnicas para criar os prompts de otimização de currículo descritos neste artigo.

Um amigo me pediu ajuda para olhar o currículo dele. A frase que usou foi: “Quero um olhar mais humano.”

Comecei a ler. Em alguns minutos percebi que o problema era o oposto: o currículo precisava de um olhar mais robótico. O primeiro leitor não seria humano.

Isso me levou a pesquisar os ATS (Applicant Tracking Systems), os sistemas que a maioria das grandes empresas usa para triar currículos antes que qualquer recrutador veja o documento.

Não estava partindo do zero. Quando fui Diretor Acadêmico na Digital House, recrutadores de tecnologia eram parceiros frequentes: encaminhávamos alunos e acompanhávamos os processos de seleção de perto. Depois fundei uma HR Tech onde recrutadores eram o principal público. Em algum momento ministrei treinamentos de Tech Recruiting, juntando experiência como executivo que contratava com o que aprendi lidando direto com quem seleciona.

Mesmo assim, fui buscar o que havia de mais recente: documentação técnica das empresas que fabricam software de ATS, artigos de recrutadores com anos de prática, pesquisas de empresas especializadas em seleção. Consolidei tudo em uma skill (agente de IA no Claude Cowork) e a usei para otimizar o currículo do meu amigo.

O resultado apareceu logo: depois da otimização, ele passou a ser chamado para mais processos seletivos. Fiz o mesmo teste com outro amigo que estava em busca de emprego. O padrão se repetiu.

São dois casos, uma amostra pequena. Digo isso com clareza porque a confiança nesta metodologia não vem da escala dos meus testes pessoais, mas da documentação técnica dos próprios fabricantes de ATS e das pesquisas acadêmicas citadas ao longo do artigo.

Depois de rodar a skill algumas vezes com resultados consistentes, decidi compartilhar o processo: escrever este artigo com tudo o que aprendi e disponibilizar a skill gratuitamente para você usar no seu próprio currículo. O link está na seção “Como usar IA” abaixo.

O que é ATS (Applicant Tracking System)?

ATS é a sigla para Applicant Tracking System (em português, sistema de rastreamento de candidatos). É o software que as empresas usam para centralizar vagas, receber currículos, classificar candidatos e gerenciar todas as etapas do processo seletivo.

Quando você se candidata por uma plataforma como LinkedIn, Gupy, Vagas.com ou pelo site de carreiras de uma empresa, seu currículo entra em um ATS. A partir daí, o sistema não simplesmente armazena o documento: lê, extrai informações, compara com o perfil da vaga e produz um score de aderência.

Candidatos com score abaixo da nota de corte definida pelo recrutador têm o currículo movido para uma lista secundária, ou nunca chegam a aparecer na tela de quem contrata. De acordo com o relatório da Jobscan de 2025, 97,8% das empresas da Fortune 500 usam ATS. No Brasil, plataformas como Gupy, Kenoby e Recrutei são amplamente adotadas pelas grandes corporações.

Os três leitores do seu currículo, em sequência

O modelo que mudou a forma como eu enxergo o currículo: não existe um leitor. Existem três, cada um com critérios completamente diferentes.

Leitor 1: o parser do ATS. É o módulo que extrai texto e estrutura do documento antes de qualquer análise de conteúdo. Ele não “lê” no sentido humano: converte o arquivo em campos estruturados (nome, cargo, empresas, datas, skills). Se a formatação dificulta essa extração, informações críticas somem antes mesmo de chegarem ao próximo leitor.

Leitor 2: o scorer semântico. Depois da extração, um modelo de scoring avalia o fit entre o currículo e a descrição da vaga. Os sistemas mais modernos usam matching semântico baseado em NLP (processamento de linguagem natural), o que significa que a IA entende contexto, não apenas presença da palavra. “Liderança de produto” e “Product Management” podem ser mapeados como equivalentes. Keyword stuffing sem contexto de ação reduz o score nesses sistemas, e não o aumenta.

Leitor 3: o recrutador humano. Só chega aqui quem passou pelos dois anteriores. O tempo de avaliação inicial varia conforme o volume de candidaturas e o tipo de vaga. Hierarquia visual e narrativa clara decidem se o recrutador continua lendo ou passa para o próximo currículo.

Escrever o currículo pensando só no recrutador humano é se preparar para o terceiro leitor sem garantir que o documento chegará até ele.

O mito dos 75% e o dado que realmente importa

Você provavelmente já leu que “75% dos currículos são rejeitados pelo ATS antes de chegar a um humano”. Esse número é falso.

Ele remonta a um pitch de vendas de 2012 de uma startup chamada Preptel, que encerrou as atividades em 2013 sem nunca publicar metodologia ou fonte verificável. A estatística sobreviveu porque assusta, e o que assusta bem tem mercado garantido em cursos e ferramentas.

O dado que vem de pesquisa confiável é da Harvard Business School. O estudo “Hidden Workers” (2021) identificou que 88% dos empregadores relatam que candidatos qualificados são excluídos porque não atendem os critérios definidos para as vagas, não por falta de qualificação real.

Na prática, a maioria dos sistemas não rejeita automaticamente: organiza candidatos por score. Um currículo mal formatado ou sem as palavras-chave certas aparece tão abaixo na lista que o recrutador raramente chega a ele, dado o volume de candidaturas. O efeito na prática é idêntico: o currículo não chega ao topo da lista. O mecanismo é diferente da narrativa dos 75%. O destino do candidato, não.

Camada 1: formatação para o parser

A primeira camada é a mais fácil de corrigir e a mais subestimada. Problemas de formatação eliminam o currículo antes que o conteúdo seja avaliado.

Os erros mais comuns:

Layout em duas colunas. O parser lê da esquerda para a direita, de cima para baixo. Com duas colunas, o texto se mistura: “Gerente de Projetos” da coluna esquerda e “Pós-graduação em Gestão” da coluna direita podem ser extraídos na mesma linha de texto.

Tabelas e caixas de texto flutuantes. Tabelas do Word confundem a extração sequencial. Texto em caixa flutuante (text box) simplesmente não é extraído pelo parser.

Gráficos, ícones e barras de habilidade. O parser lê texto, não renderiza imagem. Aquela barra que indica “Excel: 80%” é completamente invisível para o ATS.

Títulos de seção criativos. “Onde já trabalhei” não é reconhecido. “Experiência Profissional” é. Use os títulos convencionais: Experiência Profissional, Habilidades, Educação, Certificações.

Arquivo em PDF de imagem. PDF gerado por escaneamento ou captura de tela extrai zero texto. O documento existe visualmente e é completamente invisível para o ATS.

O formato mais seguro é .docx. PDF de texto (gerado diretamente pelo Word ou Google Docs, não escaneado) também funciona na maioria dos sistemas.

Camada 2: palavras-chave sem keyword stuffing

Depois de garantir que o parser extrai o documento corretamente, o próximo passo é otimizar o conteúdo para o scorer semântico. É aqui que a maioria dos guias de ATS erra: ainda recomendam keyword stuffing como se os sistemas fossem os mesmos de 2010.

Os scorers modernos usam NLP. Repetição mecânica sem contexto de ação não aumenta o score: em muitos sistemas aciona um sinal de manipulação.

A fórmula que funciona em cada bullet de experiência: verbo de ação + ferramenta ou método + contexto ou escopo + resultado.

Um exemplo prático, antes e depois:

“Responsável pelo gerenciamento de campanhas digitais.”

“Gerenciei campanhas Google Ads e Meta para três clientes de e-commerce com orçamento mensal de R$180 mil, atingindo ROAS médio de 4,2x e redução de 28% no CPA em seis meses.”

O segundo bullet tem cargo-alvo, ferramenta específica, escopo de atuação, resultado quantitativo e impacto de negócio. Isso é o que o scorer extrai como prova de competência.

Você não precisa ter todos os números disponíveis para aplicar essa fórmula. Use os que você pode divulgar e, principalmente, os que você consegue defender numa entrevista. O orçamento mensal pode ser confidencial, mas a redução de CPA ou a taxa de conversão alcançada são seus. Número que você não defende na entrevista compromete mais do que nenhum número.

A nomenclatura exata importa, e aprendi isso convivendo com recrutadores de tecnologia por anos. “Power BI” e “PowerBI” são tokens diferentes em muitos sistemas. Usar o nome exatamente como aparece na vaga é mais seguro. O mesmo vale para “Metodologias Ágeis” versus “Agile”: se a vaga usa “Agile”, escreva “Agile”.

A IA ajuda aqui: cole cinco ou dez vagas do seu setor em um prompt e pergunte quais palavras-chave aparecem com mais frequência, ou peça ao ChatGPT, Gemini ou Claude que pesquise a nomenclatura mais comum para cada ferramenta ou competência.

O recrutador provavelmente também usou IA para redigir a descrição da vaga. Quando os dois lados usam a mesma referência, a chance de match aumenta. Para saber quais competências estão em alta agora, este guia sobre a evolução das carreiras na era da IA mapeia as funções e habilidades mais demandadas.

Camada 3: narrativa para o recrutador humano

Passando as duas primeiras camadas, o currículo chega a um humano. Esse leitor escaneia (faz uma leitura diagonal) antes de ler, e a hierarquia visual junto com a narrativa clara decidem se ele continua ou passa para o próximo.

Houve um momento em que o currículo com design elaborado se destacava por ser diferente. Hoje, depois que virou moda, o efeito é o oposto: o recrutador analisa vários currículos com layouts distintos e é obrigado a procurar a informação em posições diferentes em cada um. Esse esforço acumula. Currículo que cansa o recrutador não é currículo que avança no processo. O formato que funciona é aquele que permite ao recrutador encontrar o que procura onde espera encontrar. O tempo que sobra vai para avaliar o conteúdo, não para decifrar o layout.

Três elementos que mais pesam:

O sumário profissional. Funciona como uma proposta de valor (o que você entrega) em três a quatro linhas. Frases como “Busco uma oportunidade onde possa crescer” pertencem ao objetivo de carreira, não ao sumário. Primeira linha: cargo-alvo, anos de experiência, diferencial principal. Segunda e terceira linhas: contexto de atuação e resultado de impacto. Inclua duas a três palavras-chave de alta prioridade de forma natural.

Antes: “Profissional com experiência em marketing digital buscando novos desafios.”

Depois: “Analista de Marketing Digital com seis anos de experiência em performance e growth, especializado em Google Ads e Meta com foco em CAC e ROAS. Histórico de redução de custo por lead em 34% por meio de testes A/B e automação de fluxos no HubSpot.”

A progressão de carreira legível. O olho humano procura evolução: cargos que cresceram, responsabilidades que ampliaram. Uma trajetória não linear não é problema, mas precisa de fio narrativo, e o sumário é o lugar para construí-lo.

Impacto no negócio, não lista de tarefas. “Gerenciei equipe de oito pessoas” e “Gerenciei equipe de oito pessoas, reduzindo turnover em 22% em 12 meses” descrevem o mesmo trabalho com leituras completamente diferentes.

Como usar IA para otimizar seu currículo

Se recrutadores e empresas usam IA para triar, você também pode usar IA para se preparar.

ChatGPT, Gemini e Claude conseguem analisar seu currículo em relação a uma vaga específica, identificar palavras-chave ausentes, sugerir reformulações de bullets e avaliar a coerência da narrativa de carreira. Para funcionar bem, cole a descrição completa da vaga no prompt junto com o currículo inteiro. Análise genérica sem a vaga produz sugestão genérica. Se quiser aprofundar as técnicas de prompt para essa tarefa, este artigo ensina como criar prompts eficazes no ChatGPT, Gemini e Claude.

Desenvolvi uma skill de IA com essa metodologia que você pode instalar no Claude. Você anexa o currículo, ela infere o cargo-alvo sozinha, pesquisa as palavras-chave que aparecem em vagas reais para esse cargo hoje e entrega dois arquivos: um dossiê com o diagnóstico completo (o que foi alterado e por quê) e o currículo reescrito em .docx com formatação correta para o ATS. Métricas que ela não encontrou no original ficam marcadas como “a confirmar”. A revisão é sua antes de enviar para qualquer recrutador. Baixe gratuitamente: Baixar a skill gratuitamente

Por onde começar: passos e prompts prontos

Se você tem um currículo pronto e quer testá-lo contra essas três camadas:

Passo 1. Abra o arquivo e converta para layout de coluna única se ainda não estiver assim. Remova tabelas, gráficos e caixas de texto flutuantes. Verifique os títulos de seção: Experiência Profissional, Habilidades, Educação, Certificações.

Anexe o arquivo do seu currículo (.docx ou PDF) nesta conversa e use este prompt:

Analise o currículo anexado e liste os problemas de formatação que podem prejudicar a leitura por um sistema ATS. Verifique: (1) uso de múltiplas colunas; (2) tabelas ou caixas de texto flutuantes; (3) títulos de seção não convencionais — "Onde já trabalhei" não é reconhecido, "Experiência Profissional" é; (4) gráficos, ícones ou barras de proficiência que o parser não lê. Para cada problema encontrado, indique onde está e como corrigir.

Dica: se a IA conseguir ler o conteúdo do arquivo sem embaralhar o texto, é um bom sinal de que o ATS também conseguirá. Se o texto vier misturado ou ilegível, o problema está na formatação.

Passo 2. Cole o currículo e a descrição de uma vaga real de seu interesse em um prompt do ChatGPT, Gemini ou Claude. Peça uma análise de lacunas: quais termos da vaga estão ausentes ou mal contextualizados no currículo.

Anexe o arquivo do seu currículo (.docx ou PDF) nesta conversa, cole as descrições de 3 a 5 vagas do seu setor logo abaixo e use este prompt:

Leia as descrições das vagas e o currículo anexado. Em seguida:
1. Liste as 15 palavras-chave que aparecem com mais frequência nas vagas (cargos, ferramentas, competências, certificações, metodologias).
2. Indique quais dessas palavras-chave já aparecem no currículo em contexto de ação real.
3. Liste quais estão ausentes ou aparecem de forma genérica, sem contexto.
4. Para cada palavra-chave ausente, sugira em qual seção do currículo ela poderia ser inserida e como.
DESCRIÇÕES DAS VAGAS:
[COLE AS DESCRIÇÕES DE 3 A 5 VAGAS DO SEU SETOR AQUI]

Passo 3. Reescreva pelo menos os três bullets mais genéricos aplicando a fórmula verbo + ferramenta + contexto + resultado.

Anexe o arquivo do seu currículo (.docx ou PDF) e cole a descrição da vaga que mais te interessa. Use este prompt:

Reescreva os três bullets mais genéricos do currículo anexado seguindo esta fórmula: verbo de ação + ferramenta ou método + contexto ou escopo + resultado.
Regras:
- Verbos no passado para cargos anteriores; presente para o cargo atual.
- Inclua a ferramenta ou método específico usado.
- Especifique o escopo: tamanho de equipe, orçamento, volume de dados, número de clientes ou projetos.
- Finalize com resultado mensurável. Se o número for confidencial, use o que você pode divulgar e defender em entrevista.
- Não use: "responsável por", "atuou em", adjetivos como "estratégico" ou "proativo".
VAGA-ALVO (para ajustar o vocabulário):
[COLE A DESCRIÇÃO DA VAGA AQUI]

Passo 4. Releia o sumário: ele descreve o que você faz e com qual resultado, ou explica o que você busca?

Anexe o arquivo do seu currículo (.docx ou PDF) e cole a descrição da vaga que mais te interessa. Use este prompt:

Avalie o sumário profissional do currículo anexado e reescreva-o como uma proposta de valor (o que eu entrego) em 3 a 4 linhas.
O novo sumário deve conter:
- Linha 1: cargo-alvo + anos de experiência + diferencial principal.
- Linhas 2 e 3: contexto de atuação + resultado de impacto com dado concreto.
- 2 a 3 palavras-chave relevantes para a vaga, inseridas de forma natural.
Evite: "busco uma oportunidade", "sou apaixonado por", "profissional dinâmico", "orientado a resultados".
VAGA-ALVO:
[COLE A DESCRIÇÃO DA VAGA AQUI]

Esses prompts são pontos de partida. Um bom prompt é personalizado para o seu cargo, seu setor e a vaga específica. Substitua os campos entre colchetes pelo seu conteúdo real e ajuste as instruções conforme o contexto. Para aprofundar as técnicas de personalização, este artigo ensina como criar prompts mais precisos no ChatGPT, Gemini e Claude, e o e-book gratuito Engenharia de Prompts na Prática cobre as técnicas avançadas.

Esses quatro passos já diferenciam quem aparece nas primeiras posições do scorer de quem fica invisível na lista.

Uma ressalva honesta: essa metodologia aumenta suas chances de ser visto por quem você já é. Um currículo inflado que passa pelo parser e pelo scorer ainda vai encontrar o recrutador humano. Depois dele, um avaliador técnico. Gastar seu tempo e o de toda a cadeia de seleção com um perfil que não corresponde à realidade não tem como terminar bem.

Use isso para remover o obstáculo entre você e a oportunidade que você merece. Se sentir que ainda não está pronto para a vaga que quer, o caminho é outro: portfólio, experiência prática, certificações, referências. O currículo representa o que você construiu. Não substitui a construção.

Perguntas frequentes sobre currículo para IA

O que significa ATS? ATS significa Applicant Tracking System (sistema de rastreamento de candidatos, em português). É o software que as empresas usam para receber currículos, triar candidatos e gerenciar processos seletivos. De acordo com a Jobscan, 97,8% das empresas da Fortune 500 usam algum ATS.

O ATS rejeita automaticamente meu currículo? A rejeição automática pura é menos comum do que se propaga. A maioria dos sistemas organiza candidatos por score de aderência e apresenta os mais bem posicionados ao recrutador. O efeito prático é o mesmo: um currículo com score baixo por formatação inadequada ou falta de palavras-chave raramente chega ao topo da lista.

Keyword stuffing ainda funciona no ATS? Não, e em sistemas modernos pode prejudicar. Os scorers semânticos atuais usam NLP e reconhecem repetição mecânica sem contexto. A abordagem correta é incluir as palavras-chave relevantes em contexto de ação real, não acumular o mesmo termo em sequência.

Qual formato de arquivo devo usar? .docx é o formato com maior taxa de parsing bem-sucedido. PDF de texto (gerado pelo Word ou Google Docs, não escaneado) também funciona na maioria dos sistemas. PDF de imagem (escaneado ou gerado por captura de tela) extrai zero texto e é incompatível com qualquer ATS.

O LinkedIn também passa por ATS? Sim. Quando uma vaga usa “Apply with LinkedIn” (Candidatura Simplificada), o perfil vai direto para o ATS da empresa. Isso significa que o LinkedIn precisa estar tão otimizado quanto o currículo: mesma consistência de datas, cargos e terminologia.

Posso usar um currículo criativo ou colorido? Para a maioria das vagas, não é recomendado. Quando o currículo visual era novidade, chamava atenção. Hoje que se tornou padrão, o efeito é o inverso: o recrutador precisa procurar a informação em posições diferentes em cada documento, o que cansa. Seu currículo precisa se destacar pelas suas capacidades, não pelo formato. A exceção são vagas de design, e mesmo nesses casos o mais indicado é ter um currículo padrão mais um link de portfólio separado. O portfólio mostra o potencial criativo; o currículo passa pelo ATS.

Quanto tempo o recrutador humano gasta lendo um currículo? O tempo varia bastante conforme o volume de candidaturas e o perfil da vaga. O que importa para a estratégia: o recrutador escaneia antes de ler. A hierarquia visual (nome, cargo, empresa, bullets) decide se ele continua ou passa para o próximo.

Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro consultivo de empresas em tecnologia e inovação. Fundou sete startups ao longo da carreira. Leciona na ESPM, Insper, USP, PUCRS e IBGC. É autor de vários e-books gratuitos sobre tecnologia, marketing, liderança e inovação, disponíveis aqui.

O que você vai aprender aqui:

• O paper fundador de Princeton mediu que técnicas específicas aumentam a citabilidade em até 33,9% por técnica, e até 40% no ganho geral de visibilidade.
• Em 2025, 69% das pesquisas no Google terminaram sem clique em site externo, e o tráfego vindo de IA cresceu 527% no primeiro semestre.
• Para o Google AI Overviews, GEO e SEO são a mesma coisa; para ChatGPT, Perplexity e Claude, as técnicas têm impacto próprio e mensurável.
• O sinal de autoridade que mais pesa fica fora do seu site: estudos recentes mostram que menção de marca pela web correlaciona mais forte que backlink.
• Conteúdo de IA ranqueia com edição humana e dado de primeira mão, e despenca quando é rascunho sem tratamento.
• Por onde começar: resumo no topo de cada artigo, citações verificáveis com fonte e ano, FAQ estruturada no rodapé e bio de autor com credenciais visíveis.

Por que apareceu essa sigla nova no seu radar?

Se você trabalha com marketing de conteúdo, comunicação corporativa ou qualquer função que dependa de visibilidade digital, provavelmente está ouvindo falar de GEO há poucos meses. A sensação de que “mais uma sigla surgiu” é compreensível. A diferença é que essa responde a uma mudança real no comportamento de busca, não a uma tendência de linguagem de agência.

As pessoas estão fazendo perguntas ao ChatGPT, ao Gemini e ao Perplexity e usando as respostas geradas como destino final, sem clicar em nenhum link. Segundo a Similarweb, em 2025, 69% de todas as pesquisas no Google terminaram sem um clique em site externo. No início de 2024, esse número era 56%.

O Google não morreu, mas a jornada de quem busca informação mudou. Conteúdo que não foi pensado para esse novo fluxo vai perdendo espaço progressivamente. GEO é a resposta prática a isso.

O que é GEO: definição técnica sem blábláblá

Generative Engine Optimization (GEO) é o conjunto de práticas que aumenta a probabilidade de um conteúdo ser citado, parafraseado ou referenciado por mecanismos generativos (ChatGPT, Gemini, Claude, Perplexity e o Google AI Overviews) quando esses sistemas respondem a perguntas dos usuários.

O termo ganhou legitimidade acadêmica em 2024, quando o paper GEO: Generative Engine Optimization foi apresentado por pesquisadores de Princeton, Georgia Tech e IIT Delhi. A pergunta central era simples: dado que LLMs estão substituindo parcialmente a busca tradicional, o que um criador de conteúdo pode fazer para aparecer nas respostas geradas?

Os pesquisadores testaram estratégias diferentes e mediram o impacto na visibilidade do conteúdo dentro das respostas geradas.

Como o Google AI Overviews e Gemini funcionam (e por que isso muda o raciocínio sobre GEO)

Para o Google AI Overviews e Gemini, GEO e SEO são a mesma coisa, e o próprio Google esclareceu isso em maio de 2026. O Google não gera respostas do nada: ele primeiro busca páginas no próprio índice, usando os mesmos critérios de ranking de sempre, e depois formula a resposta com base nesses resultados. Se uma página não ranqueia no Google, ela provavelmente não aparece no AI Overview.

Para perguntas complexas, o Google desdobra a busca em várias consultas paralelas. Um artigo que cobre o tema com profundidade aparece em mais dessas consultas do que um artigo raso.

O Google confirmou publicamente que práticas como criar llms.txt, fragmentar conteúdo artificialmente ou buscar menções inautênticas não têm efeito sobre seus sistemas. Para o AI Overviews, SEO bem feito é suficiente.

Para ChatGPT, Perplexity e Claude, a lógica é diferente. Cada uma tem sistema de busca próprio, e as técnicas do paper de Princeton têm impacto mensurável nessas plataformas.

O que o paper de Princeton realmente descobriu

Muita coisa que circula como “GEO best practice” no mercado é especulação sem base empírica. O paper testou cada técnica isoladamente e mediu o ganho de visibilidade em mecanismos generativos:

O ganho máximo geral de visibilidade medido pelo paper foi de até 40%, combinando técnicas.

Algumas técnicas que parecem óbvias não apareceram com impacto relevante: adicionar mais palavras-chave sem contexto, aumentar o comprimento do texto sem adicionar informação nova.

O que o paper não testou: diferenças entre plataformas, impacto no longo prazo e efeitos para conteúdo em português. Os princípios estruturais valem: clareza, verificabilidade e expertise demonstrada são o que os mecanismos generativos preferem citar.

A escala do problema: por que fazer isso agora

Três números:

527% de crescimento do tráfego referenciado por plataformas de IA no primeiro semestre de 2025, segundo estudo da Previsible (19 propriedades GA4, mais de 400 sites). Em junho de 2025, plataformas de IA geraram 1,13 bilhão de visitas referenciadas, crescimento de 357% em relação a junho de 2024.

42% de queda nos cliques orgânicos desde a expansão do Google AI Overviews, segundo estudo da Define Media Group. O CTR da posição número 1 em consultas informacionais caiu de 5,6% para 3,1% entre março de 2024 e março de 2025. Para termos que disparam AI Overviews, a queda foi de 7,3% para 2,6% (redução de 34,5%).

25% de queda no volume de buscas tradicionais que o Gartner projeta até 2026, em função de chatbots de IA e agentes virtuais (previsão publicada em fevereiro de 2024).

O Google ainda é o maior motor de busca do mundo, mas a jornada do usuário está se transformando, e conteúdo que não foi pensado para o novo fluxo vai perdendo relevância gradualmente.

GEO vs. SEO: o que muda, o que fica igual

A confusão mais comum é tratar GEO e SEO como rivais, quando a relação entre os dois é de complementaridade.

O que permanece igual

Conteúdo de qualidade continua sendo a base. Texto que responde de verdade a uma pergunta do usuário, com linguagem clara, fontes verificáveis e expertise demonstrada, funciona bem no Google e nos mecanismos generativos.

Estrutura de texto limpa serve ao Google e aos mecanismos generativos pelo mesmo motivo: facilita a leitura e a extração de informação. Na prática: hierarquia de títulos respeitada (H1 para o título principal, H2 para as seções, H3 para subseções), parágrafos curtos, frases diretas.

Links internos e externos de qualidade continuam sendo sinal de autoridade.

O que muda com GEO

A unidade de otimização. No SEO tradicional, você otimiza uma página inteira para uma palavra-chave. No GEO, você otimiza cada seção do artigo para ser autocontida: um LLM pode extrair qualquer parágrafo e ele precisa fazer sentido sem o contexto do parágrafo anterior.

O que conta como “aparecer”. No SEO, aparecer significa ter um link na página de resultados. No GEO, aparecer significa ter seu conteúdo citado ou parafraseado na resposta gerada. Isso muda o critério de sucesso.

A importância do autor. Um autor com credenciais verificáveis, presença consistente em múltiplas fontes e expertise documentada tem mais chance de ter seu conteúdo citado do que um autor anônimo com conteúdo de igual qualidade. Isso conversa com os princípios de E-E-A-T do Google (Experience, Expertise, Authoritativeness, Trustworthiness).

Vale uma ressalva que pouca gente faz: a diretora de Search do Google, Elizabeth Tucker, afirmou que não existe um sinal de ranking chamado E-E-A-T. É um atalho conceitual, e dos quatro componentes só autoridade tem um proxy direto, o PageRank. Na prática isso liberta: em vez de perseguir um “score de E-E-A-T”, você torna visíveis os elementos que sustentam confiança, ou seja, credencial, fonte verificável e data de atualização.

Sinais de autoridade que vão além do seu site

As técnicas editoriais acima melhoram a citabilidade do conteúdo publicado no seu próprio domínio. Estes sinais funcionam em paralelo e costumam ser subestimados. Mais que subestimados: a evidência recente sugere que são os que mais pesam. Em um estudo da Ahrefs com 75 mil marcas, a menção da marca pela web, com link ou sem link, foi o fator com maior correlação com presença em AI Overviews, bem acima dos backlinks. A Seer Interactive chegou ao mesmo padrão analisando menções em ChatGPT.

São estudos de fornecedores de ferramentas, então a direção vale mais que o número exato, e correlação não é causa. Ainda assim, dois levantamentos independentes apontando para o mesmo lado dizem algo: visibilidade em IA é menos sobre o seu site e mais sobre o quanto a sua marca aparece pela web.

Na prática, isso aparece em cinco formatos:

• Citação nominada em publicação de referência. Aparecer como especialista citado por nome em veículos como Valor Econômico, Exame, Estadão ou revistas setoriais cria associação entre nome e tema nos dados de treinamento dos modelos. O padrão que funciona é atribuição de expertise (“segundo [nome], [posição sobre o assunto]”), não menção genérica de marca.
• Coluna assinada exclusiva em domínio externo de alta autoridade. Conteúdo publicado originalmente em outro domínio credenciado carrega o sinal de autoridade do veículo hospedeiro. A condição que distingue esse formato de um guest post comum é exclusividade: o mesmo texto publicado em dois lugares dilui o sinal nos dois domínios.
• Dados originais publicados abertamente. Survey, benchmark ou levantamento com metodologia descrita e resultados acessíveis sem cadastro. LLMs citam esse tipo de conteúdo porque o dado não pode ser gerado internamente, existindo em uma única fonte verificável.
• Artigo publicado após evento com observações exclusivas. A palestra, o painel e o estande são invisíveis para mecanismos generativos. O artigo publicado depois, com análise e percepções de quem esteve presente, é plenamente indexável. O diferencial é conter o que não aparece em nenhuma outra cobertura do mesmo evento.
• Entrevista ou depoimento publicado em domínio externo. Ser entrevistado e ter o conteúdo publicado em outro site de credibilidade distribui a associação entre nome, empresa e área de expertise em múltiplos domínios. O mecanismo é a coocorrência: quando seu nome aparece ao lado do tema em várias fontes diferentes, o modelo aprende a associação a partir desse padrão repetido, não de um único texto seu.

Conteúdo não-commodity: o fator mais importante

O Google nomeou em maio de 2026 o “non-commodity content” como o principal fator de visibilidade em busca generativa:

Conteúdo commodity é baseado em conhecimento comum que qualquer pessoa (ou modelo de linguagem) poderia produzir. “7 dicas para compradores de imóveis pela primeira vez”, “Como usar o ChatGPT no trabalho”, “Os 5 erros mais comuns de SEO”. Esses artigos existem aos milhares. As IAs já sabem o que está neles e não têm razão para citar um em particular.

Conteúdo não-commodity traz algo que não existe em outro lugar: experiência de primeira mão, dados originais, síntese analítica com posição editorial clara, entrevistas exclusivas, perspectiva construída sobre experiência acumulada. As IAs citam porque o trecho tem valor informacional que não conseguem gerar por conta própria.

Qualquer artigo que começa de observações de treinamentos corporativos reais, de projetos conduzidos com clientes, de análises feitas ao vivo em eventos é o tipo de conteúdo que os mecanismos generativos preferem citar. “Em três anos conduzindo treinamentos de IA para grandes corporações, observei que…” é não-commodity. “A IA está transformando os negócios” é commodity.

Esse ponto ganhou peso empírico recente. Quando a Semrush analisou 42 mil páginas de blog, a posição número 1 do Google tinha cerca de 80% de chance de ser conteúdo classificado como humano, contra perto de 10% de conteúdo de IA. Um experimento de 16 meses da SE Ranking, com IA sem edição em domínios novos, viu as páginas indexarem rápido e depois sumirem do topo das buscas em poucos meses. A leitura honesta não é “IA não ranqueia”, é que o que separa o conteúdo que sobe do que afunda é a edição humana e o dado de primeira mão.

Vale ler esses estudos com cautela, porque ambos dependem de detectores de IA, que têm falso positivo alto. Na prática, “humano” ali significa “bem editado e original”, e não a origem do primeiro rascunho.

As técnicas que funcionam: do que os dados mostram ao que aplico

Os dados vêm do paper de Princeton; as observações, de quem conduz treinamentos sobre IA e produção de conteúdo em empresas há anos.

1. Resumo orientado ao leitor no topo

Um bloco de 3 a 5 bullets logo após o título é o elemento com maior retorno por esforço no GEO. Quando uma ferramenta de IA precisa responder uma pergunta direta, ela extrai o trecho mais denso e completo que encontra. Um resumo bem escrito é esse trecho.

Usuários humanos também valorizam. Quem leu o resumo no topo deste artigo já sabe o essencial e pode decidir se vale continuar. Isso aumenta o tempo médio na página para quem fica.

O resumo deve responder três perguntas: o que é, por que importa, o que fazer com isso. Funciona como uma resposta completa, não como teaser para o restante do artigo.

2. Citações verificáveis: o maior ganho isolado

O paper mostrou +33,9% de citabilidade com citações verificáveis com atribuição. Faz sentido: ferramentas de IA tendem a preferir conteúdo que cita fontes porque aprenderam que isso é sinal de confiabilidade.

A fórmula prática: “Segundo [nome da fonte], [dado concreto] em [ano].” Não “estudos mostram”. Não “especialistas apontam”. A fonte precisa ser nomeada.

Fontes que funcionam bem: papers com DOI, relatórios de institutos reconhecidos (Gartner, McKinsey, Google, Anthropic), dados de órgãos públicos, pesquisas acadêmicas publicadas em conferências indexadas.

3. Seções autocontidas com H2 descritivos

Cada seção do artigo precisa responder uma pergunta específica sem depender do que veio antes. Se alguém chegar direto àquele trecho, ele precisa fazer sentido sozinho.

Isso muda a forma de escrever headings. Em vez de “Vantagens”, escreva “Por que o Google AI Overviews reduziu o CTR da posição número 1 em 34%”. O heading descritivo já carrega a informação e ancora o trecho extraído.

4. FAQ estruturada com schema FAQPage

Uma seção de perguntas frequentes com schema FAQPage tem dupla utilidade: alimenta featured snippets (as respostas em destaque no topo da busca) e o People Also Ask (as perguntas relacionadas), e fornece blocos de resposta curtos e autocontidos que LLMs extraem facilmente.

As perguntas devem ser formuladas como um usuário real as faria ao ChatGPT ou ao Gemini, não como um copywriter as escreveria para um FAQ corporativo. “O que é GEO?” funciona. “Como a GEO pode potencializar minha estratégia de conteúdo?” soa artificial.

Cada resposta deve ter entre 50 e 150 palavras e ser completa em si mesma.

5. Bio de autor com credenciais visíveis

Um autor com credenciais verificáveis, presença consistente e expertise documentada tem mais chance de ter seu conteúdo tratado como fonte confiável. Isso conversa com os critérios E-E-A-T do Google, lembrando que E-E-A-T é um conjunto de princípios, não um sinal de ranking isolado.

A bio precisa aparecer em todos os posts, com: nome completo, função atual, credenciais específicas verificáveis, links para perfis ou publicações.

“Consultor de IA com 10 anos de experiência” é genérico e inverificável. “Professor de IA na USP (Medicina), IBGC, Insper e ESPM” dá ao leitor, e ao LLM, algo para checar.

O llms.txt: o que é, o que não é e vale a pena ter

O llms.txt é um arquivo de texto colocado na raiz do site que funciona como guia para ferramentas de IA, proposto por Jeremy Howard em setembro de 2024. A analogia com o robots.txt ajuda a entender o conceito, mas há uma diferença: o robots.txt bloqueia ou libera o acesso de bots; o llms.txt não controla acesso. Ele orienta, organizando o conteúdo do site para que modelos entendam o que é prioritário.

O que ele contém: nome do site, breve descrição, links organizados por categoria temática, notas sobre o propósito de cada seção.

O que ele não faz: não garante que um LLM vai citar seu conteúdo. Não substitui a qualidade do conteúdo. Não é um atalho de GEO.

Status de adoção em 2026: o Google confirmou publicamente em maio de 2026 que não usa o arquivo. Para o AI Overviews, o que conta é a indexação e o ranking tradicional. Há também evidência de mercado: a SE Ranking analisou cerca de 300 mil domínios e não encontrou relação entre ter llms.txt e a frequência de citação em LLMs. A adoção é baixa, perto de 10% dos domínios, e remover a variável até melhorou a precisão do modelo deles. Para ChatGPT, Perplexity e Claude, o padrão ainda não tem implementação nativa oficial confirmada pelas empresas.

Vale ter? Sim, pelo custo, não pela promessa. Não espere um salto de visibilidade no curto prazo. Plugins como o Rank Math Pro geram o arquivo automaticamente. Se já usa o Rank Math, o llms.txt pode já estar ativo no seu site, e o risco de tê-lo é nulo.

Cada plataforma tem sua lógica: não trate tudo igual

Uma ilusão frequente em GEO é tratar ChatGPT, Gemini, Claude e Perplexity como intercambiáveis. Cada um busca informação de forma diferente.

ChatGPT usa Bing para buscar informação recente (confirmado pela OpenAI).

Perplexity tem índice de busca próprio (documentação Perplexity). Conteúdo com estrutura clara de perguntas e respostas performa bem nessa plataforma.

Claude usa Brave Search (confirmado pela Anthropic em março de 2025).

Google AI Overviews e Gemini dependem do ranking do Google tradicional. Um site bem posicionado no Google tem vantagem natural no AI Overviews ou respostas do Gemini. SEO bem feito é suficiente: o Google confirmou que não há técnica GEO adicional específica para seus sistemas.

As técnicas de maior impacto (citações verificáveis, estrutura semântica, expertise demonstrada, FAQ) funcionam bem em todas as plataformas. As nuances por plataforma entram como refinamento depois que a base está sólida.

O que observo em treinamentos corporativos

Conduzindo treinamentos de IA para grandes corporações brasileiras, percebo dois padrões recorrentes quando o tema GEO aparece.

O primeiro: times de marketing confundem otimização para IA com geração de conteúdo por IA. São coisas distintas. GEO é sobre como você estrutura o conteúdo para que mecanismos generativos o citem. Usar IA para escrever é uma decisão de processo, não uma estratégia de GEO. E aqui os dados ajudam a separar as duas coisas: conteúdo de IA chega ao topo quando tem edição humana e dado de primeira mão, e some quando é rascunho sem edição. O que decide não é a ferramenta, é o quanto de você entra no texto.

O segundo: a tendência de querer resolver GEO com ferramentas antes de resolver com estrutura de conteúdo. A maior parte das ferramentas de “GEO” disponíveis no mercado faz análise de gap de visibilidade em plataformas de IA, o que é útil para diagnóstico. A execução ainda é editorial: escrever melhor, citar mais, estruturar com mais clareza.

O que isso muda no seu modelo de negócio

A maioria das conversas sobre GEO fica na camada técnica e editorial. A camada econômica raramente entra, e é onde as consequências são mais concretas.

O impacto depende do tipo de operação.

Se o seu negócio vive de visitação (publica conteúdo, coloca anúncios, recebe por impressão ou clique), o impacto é imediato: quando o Google AI Overviews ou o ChatGPT entrega a resposta dentro da própria plataforma, a visita não acontece. O conteúdo foi consumido, a publicidade não foi vista. Os números de zero cliques já mostram essa curva.

Se você vende produto ou serviço, o funil mudou de forma. As fases de descoberta e consideração estão migrando para dentro das ferramentas de IA. O usuário pesquisa, compara, lê análises e chega a uma conclusão, tudo dentro do ChatGPT ou do AI Overview do Google. Quando clica para acessar o seu site, a decisão muitas vezes já está tomada.

O conteúdo de topo de funil continua necessário. O que muda é o canal: esse material vai ser processado e redistribuído pelas IAs antes de chegar ao consumidor. Você produz para ser citado.

Conteúdo que antes trazia tráfego agora constrói autoridade de citação. E essa autoridade, como os estudos de menção de marca mostram, se constrói tanto no seu site quanto fora dele. É ela que faz a IA recomendar o seu produto quando o usuário chega na fase de decisão. O funil não acabou. Ele só passou a operar fora da sua propriedade.

E aí está o problema. Pageviews, sessões, tempo na página: medem o que acontece quando o usuário chega ao seu site. Não medem quantas vezes o ChatGPT mencionou sua marca numa conversa de consideração. A parte mais importante da jornada passou a acontecer sem rastro no Analytics.

As métricas precisam ser redesenhadas: citações em plataformas de IA, tráfego de referência vindo de “chat.openai.com” e “perplexity.ai” no GA4, qualidade das conversões de quem chega já decidido.

O marketing precisa começar essa conversa agora. A migração já está em curso.

Onde começar amanhã

Três ações de maior retorno por esforço para começar amanhã:

1. Adicione um resumo orientado ao leitor nos seus principais artigos. Pegue os cinco posts com mais tráfego orgânico do seu blog e escreva um bloco de 3 a 5 bullets no topo. Cada bullet responde uma pergunta que o leitor traria para o ChatGPT. Isso não exige reescrever o artigo, apenas adicionar o bloco.

2. Substitua afirmações genéricas por citações com fonte. Leia cada parágrafo e identifique onde você escreveu “estudos mostram”, “especialistas apontam” ou “é sabido que”. Para cada um, inclua a fonte específica com ano, ou reformule para deixar claro que é sua interpretação (“na minha experiência conduzindo [X]…”).

3. Adicione uma seção FAQ no rodapé dos artigos principais. Cinco perguntas, cada uma com resposta autossuficiente de 60 a 100 palavras. Ative o schema FAQPage no Rank Math se usar WordPress. Essa combinação alimenta featured snippets no Google e blocos de resposta nos mecanismos generativos.

4. Trabalhe a presença da sua marca fora do site. Colunas assinadas, participação em podcasts, citações de imprensa e dados originais publicados abertamente são o que mais move a agulha na visibilidade em IA. Essa quarta ação tem horizonte mais longo que as três anteriores, e por isso costuma ficar de fora das listas de GEO. O resto (llms.txt, nuances por plataforma, monitoramento de citações) vem depois. A base é editorial e está dentro do seu controle.

Leituras relacionadas

Se ainda está calibrando como usar IA no dia a dia profissional, o artigo IA generativa no trabalho: como ir das respostas rápidas à estratégia de workflows cobre essa progressão.

Para entender o impacto de IA na pesquisa de informação com mais profundidade, IA na pesquisa acadêmica: do chatbot ao colaborador que executa traz essa leitura.

Se a prioridade for estruturar conteúdo que funcione bem tanto para humanos quanto para IAs, o guia Como Escrever Melhor com IA: Guia de Prompts Avançados para ChatGPT, Gemini e Claude cobre a parte de produção.

Para descobrir qual curso da minha curadoria na ESPM faz mais sentido para sua trajetória neste tema, vale conversar com o Consultor de Carreira, um agente de IA que indica os cursos conforme o seu perfil.

Conheça minhas palestras sobre IA, inovação e tecnologia e meus cursos de Atualização Profissional na ESPM.

FAQ: perguntas frequentes sobre GEO

O que é GEO (Generative Engine Optimization)? GEO é o conjunto de práticas que aumenta a probabilidade de um conteúdo ser citado ou parafraseado por mecanismos generativos como ChatGPT, Gemini, Claude e Perplexity quando respondem perguntas dos usuários. O termo foi formalizado em 2024 no paper publicado por pesquisadores de Princeton, Georgia Tech e IIT Delhi.

GEO substitui o SEO tradicional? Não. GEO e SEO são práticas complementares. O SEO posiciona seu conteúdo nos resultados de busca tradicionais do Google e Bing. O GEO garante que esse mesmo conteúdo seja citado nas respostas geradas por IA. Para o Google AI Overviews especificamente, otimizar para GEO é otimizar para SEO: o Google usa seu próprio índice de busca para alimentar as respostas geradas. A maioria das técnicas de GEO de alto impacto (estrutura semântica, citações verificáveis, FAQ estruturada) também melhora o desempenho no Google.

Conteúdo escrito por IA ranqueia no Google e é citado por IAs? Ranqueia, com uma condição. Estudos recentes da Semrush (42 mil páginas) e da SE Ranking (experimento de 16 meses) mostram que conteúdo de IA sem edição humana indexa rápido mas perde posição em poucos meses, enquanto o topo das buscas é dominado por conteúdo que carrega marca humana, dado de primeira mão e edição. O separador não é a ferramenta usada, é o input humano original. Use IA para acelerar pesquisa e rascunho, e invista o tempo poupado em expertise, dados próprios e revisão. Importante: esses estudos usam detectores de IA, que têm margem de erro, então leia os números como direção.

Por que otimizar para GEO agora? Porque a migração já está acontecendo. Em 2025, buscas com zero cliques chegaram a 69% de todas as pesquisas no Google, segundo a Similarweb. O tráfego referenciado por plataformas de IA cresceu 527% no primeiro semestre de 2025, segundo estudo da Previsible. Quem não ajustar o conteúdo agora vai perder visibilidade progressivamente, mesmo mantendo posições no Google.

Quais são as técnicas de GEO mais eficazes? Segundo o paper GEO (arXiv:2311.09735, Princeton/Georgia Tech/IIT Delhi), as técnicas de maior impacto são: adicionar citações verificáveis com atribuição (+33,9% de citabilidade), incluir citações de especialistas com nome e filiação (+32%), melhorar fluência e clareza (~+30%), incluir estatísticas quantitativas concretas (+15%) e adotar posição editorial clara (+12%). O ganho máximo geral de visibilidade foi de até 40%. Estruturalmente: resumo orientado ao leitor no topo, FAQ com schema no rodapé e seções com H2 autocontidos por pergunta. Fora do site, o sinal que mais pesa é a menção de marca pela web.

O que pesa mais para visibilidade em IA: backlinks ou menção de marca? Menção de marca. Em estudos da Ahrefs (75 mil marcas) e da Seer Interactive, a frequência com que a marca é citada pela web, com link ou sem link, correlacionou bem mais forte com presença em respostas de IA do que o número de backlinks. São estudos de fornecedores de ferramentas, e correlação não é causa, então trate como direção. A implicação prática é clara: imprensa, colunas assinadas, podcasts, eventos e dados originais publicados abertamente constroem visibilidade em IA mais do que campanhas tradicionais de link building.

O que é o llms.txt e preciso ter um? O llms.txt é um arquivo de texto colocado na raiz do site que orienta LLMs sobre o conteúdo prioritário do domínio, proposto por Jeremy Howard em setembro de 2024. Diferente do robots.txt, não bloqueia nem libera acesso: contextualiza o conteúdo em formato Markdown. O Google confirmou em maio de 2026 que não usa o arquivo no AI Overviews, e a SE Ranking, analisando 300 mil domínios, não achou efeito sobre citações em LLMs. Para ChatGPT, Perplexity e Claude, o padrão ainda não tem implementação nativa oficial confirmada. Vale ter pelo custo baixo, não por promessa de ganho. Plugins como o Rank Math Pro já geram automaticamente.

ChatGPT, Gemini e Claude usam as mesmas fontes? Não. Cada plataforma tem lógica própria de recuperação. ChatGPT usa Bing como motor de busca para queries que precisam de informação recente. Perplexity tem índice próprio com RAG em tempo real. Claude usa Brave Search como provedor de busca. Google AI Overviews herda os sinais de qualidade do Google via RAG. As boas práticas de GEO valem para todas, mas há nuances relevantes por plataforma.

Como sei se meu conteúdo está sendo citado por IAs? Ainda não existe uma ferramenta consolidada com a confiabilidade do Google Search Console para monitorar citações em IA. As opções disponíveis: buscar manualmente o nome do seu domínio ou marca em ChatGPT, Gemini e Perplexity com perguntas do seu nicho; usar ferramentas de monitoramento de marca configuradas para capturar menções; e acompanhar o crescimento de tráfego referenciado por IA no Google Analytics, filtrando por origens como “chat.openai.com” e “perplexity.ai”.

Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro consultivo de empresas em tecnologia e inovação. Fundou sete startups ao longo da carreira. Leciona na ESPM, Insper, USP, PUCRS e IBGC. É autor do livro gratuito Engenharia de Prompts na Prática: do Zero ao Avançado com ChatGPT, Gemini e Claude.

• IA agêntica não é chatbot: você para de perguntar e começa a delegar atribuições estruturadas ao modelo.
• O que delegar: extração de papers, cruzamento de fontes, organização de notas, verificação de afirmações. O que nunca delegar: decidir o que é verdade, atribuir significado a um achado, defender o trabalho de cabeça.
• Skills personalizadas capturam todo o processo iterativo (não só o prompt inicial) e melhoram a cada sessão. As melhores são as que você criou, não as que baixou da internet.
• Três fases: acelerar o que já faz / fazer o que antes não era possível / repensar o processo do zero (AI-first).
• Ética: divulgação total + capacidade de defender os achados sem consultar o AI.
• Ferramentas 2026: Elicit, SciSpace, NotebookLM, Scite, Google Co-Scientist, Gemini Spark.

Este artigo complementa o e-book gratuito Claude Cowork em 1 hora. Ele cobre em detalhes o sistema de skills, memória entre sessões e fluxos de trabalho que aparecem neste post: é o guia prático para implementar o que você vai ler aqui.

Essa semana participei de uma LinkedIn Live com Robert Kötter, da TwentyOne Skills (Alemanha), para uma audiência de PhDs e pós-doutorandos de vários países sobre IA agêntica na pesquisa acadêmica. As perguntas que surgiram me mostraram que existe um salto grande entre “usar IA” e “trabalhar com um colaborador que executa”.

Vou detalhar aqui o que falei, o que vai além do que coube na live, e as ferramentas que fazem diferença hoje.

A diferença que ninguém explica direito

A maioria das pessoas usa IA como uma máquina de inserir texto. Você digita algo, recebe algo de volta, decide se é útil. Funcional, mas mantém você no modo passivo.

Um colaborador opera de outra forma. Você dá uma atribuição:

Leia esses cinco papers, extraia a principal afirmação de cada um, sinalize as contradições entre eles e adicione ao log de evidências.

Isso não é um prompt. É uma tarefa delegada. O momento em que você para de perguntar e começa a delegar é quando a dinâmica muda completamente.

Neste exato momento, estou escrevendo três livros simultaneamente no Claude Cowork. Cada livro tem um arquivo de onboarding, um CLAUDE.md próprio, que diz ao colaborador o que é o projeto, o que já está decidido e não se muda, as regras que se aplicam àquele manuscrito. Quando abro uma nova sessão e digo “vamos continuar o capítulo três, use o protocolo de extração que definimos antes”, ele sabe precisamente o que fazer. Porque eu disse antes.

O que você pode delegar sem medo

Claude, e sistemas agênticos em geral, são muito bons em tarefas que envolvem processar grandes volumes de texto, manter contexto entre documentos e sessões, e executar instruções estruturadas.

Delegar sem receio:

• Extrair afirmações centrais de artigos científicos
• Identificar contradições entre papers e sua própria tese
• Organizar notas ditadas em estrutura coerente
• Sinalizar lacunas no argumento (“compare meu argumento com esses papers e me diga onde estou alinhado e onde estou me contradizendo”)
• Rascunhar seções a partir de notas estruturadas
• Verificar empresas e afirmações citadas em pesquisas de mercado (para isso, scripts em Python consomem menos tokens e funcionam muito bem)

O que você nunca delega:

• Decidir o que é verdade
• Atribuir significado a um achado
• Defender seu trabalho de cabeça, sem precisar voltar ao AI

Se você consegue explicar seus achados sem abrir o computador, você os compreendeu. Se não consegue, você não pesquisou: você terceirizou a cognição.

Skills: o que diferencia um agente útil de um que só gera ruído

Todo mundo fala em criar um bom prompt. Eu parei de guardar prompts. Guardo processos.

Quando chego a um output que funciona, depois de várias iterações e correções, peço para salvar o processo, não o prompt inicial, mas todo o refinamento, as correções e os apontamentos que fiz ao longo do caminho. Isso vira uma skill, um arquivo legível em linguagem natural.

A parte que as pessoas raramente entendem: você pode ler a skill e verificar se o AI entendeu corretamente o que você quis dizer. Se algo está errado na documentação, você corrige. É como pedir para um assistente te explicar de volta o que entendeu. Se a explicação faz sentido, ele está pronto para executar.

E skills melhoram ao longo do tempo. O AI comete um erro, você chama a atenção, pede para salvar esse aprendizado de volta na skill. Na próxima sessão, o mesmo erro não se repete.

Uma advertência importante: resista ao impulso de baixar skills prontas da internet, mesmo de fontes confiáveis. Elas foram criadas para o processo de outra pessoa, não para o seu. As melhores skills são as que você criou iterando no seu próprio trabalho, na sua área de especialidade.

Para aprofundar como a engenharia de prompts avançada funciona como base para criar boas skills, vale ler sobre raciocínio encadeado e estruturas de instrução.

As três fases de adoção (e por que pular etapas sai caro)

Tem uma sequência natural, e quem a ignora gasta muito tempo corrigindo problemas que não precisariam existir.

Fase 1: mesmo ritmo, mais velocidade. Continue fazendo o que você fazia antes, no mesmo processo, só acelerando com IA. Dez papers viram dez, não cem. Essa é a fase de aprendizado: você descobre o que o AI faz bem, o que faz mal e o que não faz. Vai refinar seu processo e começar a calibrar sua persona digital (“eu não escrevo assim”, “não é esse o ângulo que defendo”).

Fase 2: coisas que não eram possíveis antes. Quando o AI já está calibrado para o seu trabalho, você começa a fazer cruzamentos que antes não teria tempo de fazer. Cruzar papers de um campo com os de outro. Comparar seu argumento com 30 fontes de uma vez. Verificar 1.000 empresas antes de citar qualquer uma. Aqui a produtividade realmente muda.

Fase 3: repensar o processo do zero, AI-first. Você não está mais acelerando seu fluxo antigo. Está projetando um fluxo novo que só funciona com AI. Essa fase só faz sentido depois que as duas anteriores estão bem digeridas.

Uma armadilha real: quando você começa a economizar horas, a dopamina de cruzar tarefas da lista pode te levar a trabalhar mais, não menos. Pesquisa da Berkeley Haas publicada na HBR em fevereiro de 2026 mostra que a IA intensifica o trabalho em quase todas as categorias analisadas, e profissionais que ganham tempo com automação tendem a reinvesti-lo em mais tarefas em vez de reservá-lo para a vida pessoal. Use o tempo economizado de forma intencional. Quem não faz isso só aumenta o ritmo até a próxima quebra.

Ética: o único critério que não muda

Essa foi a pergunta mais recorrente na live: como usar IA na pesquisa acadêmica sem comprometer a integridade?

Minha resposta: divulgação total. Diga que usou IA. Diga como usou. Isso adiciona credibilidade ao processo, não remove.

Há um teste que você precisa passar: defender seus achados sem recorrer ao AI. Se for questionado numa banca ou apresentação, a resposta precisa vir da sua cabeça. O AI participou como assistente de pesquisa. A autoria é sua.

Dizer que não usou IA nenhum é, na maioria dos casos, uma meia-verdade. Tradução automática, ditado por voz, busca no Google: tudo isso é IA em alguma camada. O que proponho aqui é transparência sobre o uso em nível mais profundo. Quem pratica essa honestidade agora vai construir credibilidade no longo prazo.

O caso Bixonimania deixou isso muito claro. Em 2024, a pesquisadora Almira Osmanovic Thunström, da Universidade de Gotemburgo, publicou um paper falso sobre uma doença fictícia chamada “Bixonimania”, supostamente um escurecimento da pele ao redor dos olhos causado por exposição à luz azul e ao hábito de esfregar os olhos. O paper tinha sinais óbvios de fraude: o autor principal era afiliado a uma universidade inexistente e os agradecimentos citavam a “Professora Maria Bohm da Frota Estelar a bordo da USS Enterprise”.

Mesmo assim, ChatGPT, Gemini, Microsoft Copilot e Perplexity passaram a descrever a condição como real. O paper chegou a ser citado em uma publicação da Cureus, revista médica com revisão por pares, antes de ser retraído em março de 2026. A história completa foi publicada pela Nature em abril de 2026. A lição é dura: para áreas em que você não é especialista, leia o paper original. Não delegue a compreensão de algo completamente novo a um resumo gerado por AI.

O pensamento crítico na era da IA tem exatamente a ver com isso: saber o que você precisa verificar pessoalmente, e o que pode confiar ao agente.

Como ensinar nesse cenário

Para quem está na docência, a mudança necessária é mudar como você avalia, não proibir o uso de IA.

Minha abordagem: os alunos podem usar IA da forma que quiserem. Na hora de apresentar, precisam explicar o que fizeram, por que escolheram aquele enquadramento, por que o projeto vai funcionar no mundo real. Com as próprias palavras, sem consultar nada.

Apresentação substitui redação. Menos avaliações, mais profundas, com defesa ao vivo. Quando o aluno consegue explicar o processo inteiro de cabeça, o conhecimento é dele.

O nível dos projetos vai subir. Estudantes de graduação podem hoje fazer cruzamentos que antes exigiriam um doutorando com muito tempo livre. O desafio do professor é garantir que esse suporte técnico não substitua a formação do raciocínio crítico.

Ferramentas de IA para pesquisadores em 2026

O Claude Cowork é o eixo do fluxo que descrevi aqui, mas o ecossistema de ferramentas para pesquisadores vai além.

Descoberta e mapeamento de literatura

• PubMed: base de dados de referência para ciências da saúde, mantida pela National Library of Medicine. Sem IA nativa, mas é a fonte que alimenta o Elicit e o Semantic Scholar. Ponto de entrada obrigatório para pesquisadores da área.
• Elicit: busca semântica em papers com extração automática de dados. Muito útil para meta-análises aceleradas.
• Semantic Scholar: busca acadêmica com insights sobre influência de papers e conexões entre autores, gerados por IA.
• Consensus: responde perguntas de pesquisa com evidências extraídas diretamente de estudos científicos.
• Litmaps: visualiza o mapa de citações de um campo, ótimo para entender a genealogia de ideias.
• ResearchRabbit: mapeamento visual de redes de citação a partir de um paper semente. Integra com Zotero e sugere trabalhos relacionados conforme você explora. Usado por pesquisadores de Harvard, Stanford, Oxford e NIH.
• Connected Papers: gera um grafo visual de papers relacionados a partir de um único artigo de entrada. Útil para entender rapidamente o estado da arte de um campo sem ler dezenas de listas.

Síntese e análise

• SciSpace: lê e explica papers, responde perguntas sobre o conteúdo, identifica metodologias.
• NotebookLM: ancoragem total nas fontes que você sobe. Não alucina além do que está nos documentos. Em 2026 ganhou Deep Research e tabelas de dados para meta-análise.
• Scite: busca de citações com contexto (se o paper foi citado em suporte ou contradição de uma afirmação).

Escrita acadêmica

• Writefull: revisão de linguagem acadêmica e verificação de fluência em inglês científico.
• Perplexity: busca com citações de fontes, útil para verificação rápida de afirmações.

O ecossistema Google para ciência

Na Google I/O em Mountain View, vi de perto o que está vindo:

• NotebookLM: já disponível, com fontes verificadas e Deep Research.
• Google Co-Scientist: sistema multi-agente com “disputa de hipóteses” para geração de hipóteses. Ainda em programa fechado. Demis Hassabis (Nobel de Química 2024) está à frente do DeepMind, que desenvolve esse produto.
• AlphaEvolve: combina LLMs com busca evolutiva de programas, voltado para descoberta computacional (acesso antecipado via Google Cloud, ainda sem disponibilidade geral).
• Gemini Spark: o equivalente do Claude Cowork no ecossistema Google, com uma vantagem específica: acessa Gmail, Google Keep, Maps, Calendar e Docs. O contexto é maior. Funciona em nuvem, então você começa no desktop e continua no celular (disponível nos EUA para assinantes AI Ultra desde maio/2026; sem data confirmada para o Brasil).

Por onde começar na IA na pesquisa acadêmica

Se você é pesquisador ou docente e nunca usou IA de forma agêntica, minha sugestão concreta:

Pegue seu próximo projeto e faça exatamente como você faria antes. Mesmo processo, mesma quantidade de papers, mesma metodologia. Só acrescente o Claude Cowork no fluxo. Crie um arquivo de onboarding do projeto: quem você é, o que está pesquisando, o público do trabalho, as regras que se aplicam.

Execute. Quando o AI errar, corrija e peça para salvar o aprendizado. Ao fim do projeto, você terá uma skill personalizada para o seu processo e uma visão muito mais clara do que faz sentido delegar.

A segunda fase, fazer coisas que antes não eram possíveis, vai aparecer naturalmente. Você não precisa forçar.

Se quiser começar hoje, o Claude Cowork é a ferramenta que uso para tudo que descrevi aqui: desktop, acesso a arquivos, memória entre sessões e sistema de skills. É onde os três livros estão sendo escritos.

Para descobrir qual curso da ESPM faz mais sentido para a sua trajetória em IA e inovação, vale conversar com o Consultor de Carreira, um agente que indica os cursos da minha curadoria conforme o seu perfil.

Perguntas frequentes sobre IA na pesquisa acadêmica

O que é IA agêntica na pesquisa acadêmica? IA agêntica é quando você para de perguntar ao modelo e começa a delegar tarefas a ele. Em vez de um chatbot que responde perguntas, você tem um colaborador que executa atribuições estruturadas: ler papers, extrair afirmações, identificar contradições, organizar notas. A diferença prática é que o modelo opera com memória entre sessões e executa processos que você definiu previamente.

O que nunca delegar ao AI na pesquisa? Três coisas: decidir o que é verdade, atribuir significado a um achado, e defender seu trabalho de cabeça sem recorrer ao AI. Se você não consegue explicar seus achados sem abrir o computador, você não pesquisou: terceirizou a cognição.

Quais são as melhores ferramentas de IA para pesquisadores em 2026? Para descoberta e mapeamento de literatura: Elicit, Semantic Scholar, Consensus, Litmaps, ResearchRabbit e Connected Papers. Para síntese e verificação: SciSpace, NotebookLM e Scite. Para escrita acadêmica em inglês: Writefull. Para busca com citações: Perplexity. No ecossistema Google para ciência: NotebookLM (Deep Research), Google Co-Scientist e Gemini Spark.

Como usar IA na pesquisa sem comprometer a ética acadêmica? Divulgação total: informe que usou IA e como usou. Isso agrega credibilidade ao processo, não remove. Você precisa conseguir defender seus achados de cabeça, sem consultar o AI. O modelo participou como assistente de pesquisa. A autoria e a responsabilidade intelectual são suas.

O que foi o caso Bixonimania? Em 2024, a pesquisadora Almira Osmanovic Thunström, da Universidade de Gotemburgo, publicou um paper falso sobre uma doença fictícia. Semanas depois, os principais AIs já citavam a condição como real. O paper chegou a ser citado em uma publicação com revisão por pares antes de ser retraído. A lição: para áreas em que você não é especialista, leia o paper original. Não delegue a compreensão de algo novo a um resumo gerado por AI.

Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro consultivo de empresas em tecnologia e inovação. Fundou sete startups ao longo da carreira. Leciona na ESPM, Insper, USP, PUCRS e IBGC. É autor do livro gratuito Engenharia de Prompts na Prática: do Zero ao Avançado com ChatGPT, Gemini e Claude.

TL;DR

• O Brasil sedia o primeiro Google Safety Engineering Center (GSEC) da América Latina, integrado à rede global de Munique, Dublin e Málaga
• Tempo médio de detecção de invasão na América Latina: 193 dias (média global: 14 dias)
• Déficit de ~500 mil profissionais de cibersegurança no Brasil; Google lança trilha SecOps Black Belt em PT-BR
• Recursos de proteção contra roubo de celular desenvolvidos no Brasil viram padrão global no Android 17
• Accessibility Discovery Center e Family Link reforçam agenda de segurança de famílias e crianças online

Para aprofundar temas de tecnologia, inovação e IA, conheça a biblioteca de e-books gratuitos — com material sobre inteligência artificial, liderança, tendências e muito mais.

O prédio histórico, o IPT e o acordo

O Google assinou um acordo de cooperação técnica com o IPT e o governo do estado de São Paulo em 2024, reformou o Edifício 1 do instituto e em troca cedeu ao IPT os espaços que a instituição precisava: biblioteca, maker space e área de arquivo. São 7 mil metros quadrados num prédio que o poder público não teria condição de reformar sozinho. O anúncio original da parceria saiu em fevereiro de 2024.

O resultado é um centro de engenharia para 400 pessoas, que começa a receber os primeiros profissionais em julho de 2026. O Google for Startups Campus, que estava no Paraíso, se muda junto, agora focado em startups de IA, com capacidade para 120 pessoas por semana.

O IPT fica dentro da Cidade Universitária, ao lado da USP, o que coloca engenheiros do Google, pesquisadores e empreendedores no mesmo ecossistema. Esse tipo de proximidade física tem histórico de gerar colaboração que não acontece em videochamada.

O Brasil como laboratório de cibersegurança global

O Brasil foi escolhido para sediar o primeiro Google Safety Engineering Center (GSEC) da América Latina, integrado à rede global de GSECs que já existe em Munique, Dublin e Málaga. A escolha tem razão de ser: o Brasil é um dos países mais digitalizados do mundo, com PIX, Gov.br e identidade digital amplamente adotados. Essa penetração cria vetores de ataque que simplesmente não existem em mercados menos digitais.

Os números apresentados hoje colocam o problema em perspectiva. Em 2025, o relatório M-Trends da Mandiant registrou tempo médio global de permanência de um invasor numa rede corporativa em 14 dias. Na América Latina, esse número sobe para 193 dias. Em 22 segundos após o acesso inicial, o atacante já passou o controle para outro ponto da rede. O setor de tecnologia lidera as investigações com 17% dos casos, seguido de serviços financeiros com 14,6%.

Empresas brasileiras ficam quase 14 vezes mais tempo expostas a invasores não detectados do que a média global. A diferença não é de tecnologia disponível. É de equipe, processo e cultura de detecção.

O Android como fronteira de segurança

Uma das apresentações mostrou o que está sendo desenvolvido aqui para depois escalar ao mundo. O Brasil foi o país piloto de vários recursos de proteção contra roubo de celular. Os dados contextualizam por quê: foram 917 mil dispositivos roubados em 2024 só no Brasil.

A cobertura é em camadas: detecção automática de roubo por movimento (Theft Detection Lock), travamento remoto por número de telefone (Remote Lock), bloqueio de apps por fontes desconhecidas com permissões sensíveis, e proteção contra ligações bancárias fraudulentas, desenvolvida em parceria com Itaú e Nubank. O histórico dessas proteções no Android documenta como o Brasil virou laboratório de recursos que hoje chegam ao mundo.

Dois marcos anunciados hoje:

• A partir do Android 17, os recursos de proteção contra roubo ficam habilitados por padrão em todos os aparelhos do planeta. O que começou como projeto piloto no Brasil vira infraestrutura global.
• A partir de setembro de 2026, o Brasil está entre as primeiras regiões a receber a verificação de desenvolvedores para apps instalados em dispositivos certificados. Todos os apps precisarão ser registrados por desenvolvedores verificados, dificultando a distribuição de malware anônimo.

O déficit de profissionais e a trilha SecOps Black Belt

O déficit de profissionais de cibersegurança no Brasil chega a aproximadamente 500 mil postos não preenchidos. A trilha Google SecOps Black Belt, disponível em português e espanhol, foi apresentada como parte da resposta. São três níveis: fundamentos (2h), avançado (8h) e a certificação Black Belt (8h), cobrindo arquitetura de operações de segurança, caça a ameaças (threat hunting), construção de playbooks e uso do Gemini no SecOps. O caminho de certificação em Google Cloud Security Operations está disponível para quem quiser começar.

O GSEC também vai colaborar com centros de pesquisa brasileiros. Um exemplo concreto apresentado hoje foi a parceria com o CESAR (Recife), com foco em AI safety e pesquisa em língua portuguesa.

Cobri os anúncios de segurança e IA do Google I/O em Dia 1 e Dia 2. O que aconteceu hoje no IPT é a camada de engenharia e pesquisa que sustenta esses produtos.

Acessibilidade e segurança de famílias online

Acessibilidade e proteção de crianças online raramente aparecem na mesma agenda. O Google colocou os dois no mesmo bloco, e a lógica faz sentido: os dois falam de tecnologia que só funciona quando quem a constrói se preocupa com quem fica de fora.

Accessibility Discovery Center

O Accessibility Discovery Center, também o primeiro da América Latina, tem cinco estações interativas: mobilidade, audição, visão, cognição e gaming. O trabalho é desenvolvido com pesquisadores residentes e diretamente com pessoas com deficiência, não sobre elas. Produto construído com o usuário final tende a resolver o problema real, não a versão que a equipe de engenharia imaginou que era o problema.

Famílias e crianças online

Existem 2,5 bilhões de crianças e adolescentes no mundo. 68% das crianças de 8 anos já têm tablet próprio. A maioria começa a usar dispositivos aos 4 anos. O tempo médio de tela de crianças de 5 a 8 anos é de 3h28 por dia.

A resposta do Google passa pelo Family Link, mas a novidade anunciada hoje vai além do app. A partir do Android 17, os controles parentais ficam integrados diretamente ao sistema operacional: um PIN dá acesso a limite de tela, filtros de apps, horário escolar e filtros de conteúdo Web, sem precisar de aplicativo separado. Os pais também passam a decidir se compartilham a faixa etária do filho com desenvolvedores no Google Play, para que os apps ofereçam experiências adequadas à idade.

O Gemini ganha controle parental no Android e no iOS: os pais decidem se o filho pode usar o assistente de IA, com orientações sobre como apresentar a ferramenta com responsabilidade, incluindo deixar claro que o Gemini não é uma pessoa.

Da apresentação sobre moderação de conteúdo, um número que ficou: o Gemini aplicado à moderação do Google Maps atingiu 99,7% de acurácia contra spam com redução de 90% no custo computacional em relação ao sistema anterior. IA sendo usada para melhorar a qualidade da informação, não só para gerar conteúdo.

O que fica desta inauguração

Trabalho com tecnologia desde 1990. Já vi muita empresa chegar ao Brasil para extrair mercado. O que vi hoje foi diferente: engenharia sendo feita daqui para fora, com o Brasil como piloto, como parceiro de pesquisa, como referência.

Um prédio dos anos 1940 que ganhou nova função sem perder a identidade. Um investimento em segurança digital que começa aqui e escala para o mundo. Uma agenda de acessibilidade que trata tecnologia como infraestrutura, não como diferencial de produto.

Pode não ser garantia de nada. É, ainda assim, um tipo de presença que não existia antes.

Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro consultivo de empresas em tecnologia e inovação. Fundou sete startups ao longo da carreira. Leciona na ESPM, Insper, USP, PUCRS e IBGC. É autor de vários e-books gratuitos sobre tecnologia, marketing, liderança e inovação, disponíveis aqui.

Este artigo é cobertura presencial do Google I/O 2026, nos dias 19 e 20 de maio em Mountain View, Califórnia, a convite do Google. Leia o artigo do Dia 1 aqui.

TL;DR

• Demis Hassabis estima AGI por volta de 2030. O critério não é benchmark: é se a IA consegue fazer descobertas científicas originais como Einstein fez em 1905.
• A missão declarada do DeepMind é resolver todas as doenças da humanidade usando IA. Isso não é PR: é a razão pela qual um dos maiores cientistas do mundo trabalha para uma empresa de tecnologia.
• Antigravity transforma o Google Search em um gerador de aplicativos sob demanda: você pergunta, ele constrói a interface interativa.
• SynthID e C2PA chegam ao Search, Chrome e Lens: rastreabilidade de conteúdo gerado por IA vira padrão de indústria.
• Na robótica, o maior desafio não é fazer o robô caminhar, é ensiná-lo a abrir uma garrafa. A destreza é o novo frontier.
• O grupo de Builders brasileiros que o Google reuniu foi uma das melhores surpresas do evento.

O homem que quer curar todas as doenças

Na tarde do segundo dia, o Google reservou lugar para o grupo de Builders no palco Dialogues, um espaço menor e mais intimista dentro do campus. Demis Hassabis estava lá.

Demis não é o tipo de pessoa que preenche o ambiente com carisma de palestrante. Ele fala devagar, escolhe as palavras com cuidado, e você percebe que cada frase foi pensada. É o fundador do Google DeepMind, ganhou o Nobel de Química de 2024 pelo AlphaFold, e passa boa parte do tempo falando sobre o que vai fazer quando a IA finalmente permitir.

A missão que ele descreveu não é vender mais anúncios. É resolver todas as doenças humanas.

Não disse isso como retórica. Disse como objetivo concreto de pesquisa. O AlphaFold já dobrou a estrutura de todas as proteínas conhecidas (cerca de 200 milhões) e colocou esse banco de dados gratuito na internet. Isso acelerou pesquisa em doenças que antes levavam décadas para avançar. A pergunta que orienta o DeepMind agora é: o que mais a IA consegue resolver se aplicarmos a mesma lógica a outros problemas da biologia, da física, da matemática?

Em mais de 35 anos de tecnologia, você vai se cansando de hypes e promessas vazias. O que o Demis descreveu é diferente: alguém com os recursos, a posição e o histórico para sustentar cada palavra. Alguém que acabou de ganhar o Nobel por fazer exatamente o que havia prometido, falando sobre o próximo problema que quer resolver. Ouvir isso de alguém com os recursos e a posição para fazer acontecer foi uma das experiências mais marcantes dos dois dias.

AGI em 2030: o que Demis realmente quis dizer

No palco Dialogues, em conversa com Mike Allen, do Axios, Demis Hassabis deu o número que todo mundo queria: AGI por volta de 2030, com margem de um ano.

O que importa não é o número. É o critério.

Demis não usa benchmark de mercado como definição de AGI. Ele usa o que chama de “teste Einstein”: a IA seria capaz de produzir descobertas originais equivalentes às que Einstein publicou em 1905? Naquele ano, entre os 25 e 26 anos, Einstein publicou quatro papers que mudaram a física. A Relatividade Especial. O efeito fotoelétrico. O movimento browniano. A equivalência massa-energia.

O teste não é “acerta provas de QI” nem “passa no BAR do advogado” (o BAR é o equivalente americano da prova da OAB no Brasil). A pergunta real é outra: a IA consegue produzir insight científico original que a humanidade não teria sem ela?

Esse critério importa para qualquer executivo ou gestor que toma decisões baseado em “quanto tempo a IA vai demorar para mudar minha área”. A resposta do Demis é: dependendo de como você define AGI, pode ser que ela já tenha chegado em alguns domínios estreitos, e nos próximos quatro anos essa fronteira se expande para o conhecimento generalizado.

O impacto que ele projeta: a IA vai comprimir para anos o progresso científico que levaria décadas. Se isso se confirmar, não é uma curva de produtividade. É uma inflexão comparável à Revolução Industrial, mas muito maior em escala e muito mais rápida.

A posição do Demis não é otimismo ingênuo. Ele se descreve como “otimista cauteloso”: acredita que os benefícios da IA para a humanidade são reais, mas que precisam ser desenvolvidos com responsabilidade e segurança. Essa tensão, entre o quanto a tecnologia pode fazer e o quanto ela pode fazer errado, ficou clara em cada resposta que ele deu.

A fronteira da IA agora é física

Fui à sessão de Physical AI curioso com o que considero hoje a nova fronteira da inteligência artificial: corpos sintéticos que agem no mundo real.

Na sala estavam Kanishka Rao, Diretor de Pesquisa em Robótica do Google DeepMind, e Alberto Rodriguez, Diretor de Robótica Comportamental do Atlas no Boston Dynamics, mediados por Jacklyn Dallas, fundadora do canal NothingButTech. O Boston Dynamics é hoje parte do grupo Google.

O que aprendi nessa sessão me fez avaliar diferente.

Quando alguém mostra um vídeo de cem robôs dançando sincronizados, aquilo é engenharia de locomoção bem resolvida, não inteligência geral. O equilíbrio e a caminhada de robôs humanoides já são problemas essencialmente resolvidos. O que ainda não foi resolvido, e que é o problema mais difícil da robótica física, é a destreza: a capacidade de manipular objetos do mundo real com a precisão e a adaptabilidade de um ser humano.

Abrir uma garrafa. Separar a roupa branca da colorida sem rasgar nada. Pegar uma chave de fenda com força adequada sem apertar demais. Descascar um ovo. Essas tarefas que qualquer criança aprende entre dois e cinco anos são, hoje, desafios de pesquisa aberta em robótica.

O motivo é contraintuitivo: nós usamos o tato muito mais do que a visão para manipular objetos. Você abre um pote sem olhar para a mão. Você sente quando a pressão está certa. Os modelos de robótica atuais são todos baseados em visão, porque há muito mais dados de imagem do que dados de toque. E simular a física do contato com precisão suficiente para treinar destreza ainda está fora do alcance.

A conexão com o que o Demis disse ficou visível ali. Os modelos Omni do Gemini, que entendem física do mundo real para gerar vídeos consistentes, são os mesmos que vão eventualmente dar às mãos de um robô a intuição que hoje está só nos dedos humanos. A IA de vídeo e a robótica física não são projetos separados: são o mesmo projeto, avançando em paralelo.

Estimativa honesta dos pesquisadores: 5 a 10 anos para robôs humanoides em ambientes domésticos, com as tarefas mais simples primeiro.

Antigravity: o Google Search vira uma fábrica de aplicativos

O anúncio com maior impacto estratégico para quem trabalha com produto, UX e marketing foi o Antigravity no Search.

O conceito é simples de explicar e difícil de assimilar: quando você pesquisa algo no Google hoje, recebe links. Em breve, vai receber uma interface interativa construída para a sua pergunta específica.

A resposta deixa de ser um link para um dashboard de fitness: vira um dashboard de fitness gerado para você, com as academias do seu bairro, sincronizado com seu calendário, na hora em que você pediu. A resposta para “como planejar um casamento” deixa de ser uma lista de links: vira o planejador montado ali, com os dados que o Google já tem.

A tecnologia que viabiliza isso é o Antigravity, a plataforma de agentes do Google, agora integrada ao Search com o Gemini 3.5 Flash. O Gemini 3.5 Flash, por sinal, é o melhor modelo que o Google já lançou, e ele supera o Gemini 3.1 Pro em quase todos os benchmarks, mesmo sendo um modelo da linha Flash, mais rápido e mais barato.

Na Fireside Chat com Builders, Logan Kilpatrick (que lidera o Google AI Studio), Tulsee Doshi (Senior Director e Head of Product do modelo Gemini no Google DeepMind), Josh Woodward (VP de Google Labs, Gemini e AI Studio) e Robby Stein (VP de Produto do Search) descreveram esse movimento de uma forma que ficou comigo: “O Search está se tornando um gerador de aplicativos sob demanda.” Qualquer usuário, sem código, sem ferramenta nova, pode pedir ao Search para construir um dashboard de energia elétrica da casa conectado às suas contas. E o Search vai fazer.

Para quem pensa em SEO: o tráfego via links azuis vai continuar caindo. Esse não é mais um risco futuro. É a direção oficial do produto.

Para quem pensa em produto e UX: o Search está absorvendo o trabalho que antes demandava equipe de desenvolvimento, design e infraestrutura.

Disponibilidade: UI generativa básica no Search chega no verão americano de 2026 (junho a agosto, no Brasil), gratuita para todos. Mini-apps com Antigravity completo chegam nos próximos meses para assinantes Google AI Pro e Ultra nos EUA.

SynthID e C2PA: a rastreabilidade de conteúdo gerado por IA vira padrão

Anunciado no Dia 1 da keynote, este foi o item que reservei para aprofundar aqui: o anúncio mais silencioso do Google I/O tem o maior impacto regulatório de médio prazo.

O SynthID marca conteúdo gerado por IA com uma marca d’água invisível. O C2PA, padrão aberto da indústria, vai um passo além: registra o histórico completo de criação de uma imagem, vídeo ou áudio com assinatura criptográfica verificável: quem criou, quando, com qual ferramenta, o que foi editado.

A partir do Google I/O 2026, essas tecnologias chegam ao Google Search (já a partir desta semana), Chrome desktop e mobile, Circle to Search e Google Lens. Para empresas, o Google Cloud lança uma API de detecção enterprise. A adoção da indústria é crescente: OpenAI, Nvidia, ElevenLabs e Kakao já adotaram SynthID. O Meta firmou parceria com o Google para que imagens capturadas por Pixel recebem label automático de autenticidade no Instagram.

A escala já é impressionante: mais de 100 bilhões de imagens e vídeos marcados desde o lançamento, o equivalente a 60 mil anos de áudio processado.

Para quem trabalha em comunicação corporativa, jurídico ou compliance: rastreabilidade de conteúdo gerado por IA vai entrar nas agendas de governança nos próximos 12 meses. A pergunta não é “isso vai acontecer”, mas “a empresa está se preparando para quando for obrigatório”.

Docs Live: a barreira entre pensar e registrar some

Também anunciado no Dia 1, este é outro item que ficou para aprofundar aqui. Menor em destaque na keynote, mas com impacto direto para quem trabalha com criação de conteúdo, educação e consultoria.

O Docs Live é um modo de voz no Google Docs que age como um parceiro de pensamento. Você fala e ele estrutura, organiza e já puxa dados automaticamente do seu Gmail e Drive. Diz “cria um roteiro de viagem” e ele já busca as confirmações de reserva no Gmail sem você precisar fazer nada. Aceita comandos verbais para editar: ajustar tom, adicionar seções, cortar trechos. Completamente mãos-livres.

Para professores, consultores, gestores que passam horas transformando pensamentos em documentos: a barreira entre pensar e registrar está desaparecendo.

Disponibilidade: verão americano de 2026 (junho a agosto, no Brasil), no Google Docs para Android e iOS, para assinantes Google AI Pro e Ultra, em inglês globalmente.

O que o Google está construindo, de verdade

No Dia 1, a impressão era de velocidade: muitos lançamentos, modelos melhores, ferramentas mais capazes. No Dia 2, temos outra narrativa.

O Google não está correndo para lançar o mais espetacular. Está construindo o mais útil, o mais seguro, o que vai impactar bilhões de pessoas de forma positiva, e não somente milhares de early adopters.

Essa intenção ficou transparente em todo o segundo dia. No Demis falando sobre resolver doenças, não sobre dominar o mercado. Na Fireside, quando Josh Woodward descreveu como o Gemini está sendo desenvolvido para ser acessível a quem nunca vai usar um modelo diretamente. Na sessão de robótica, quando os pesquisadores foram honestos sobre o que ainda não funciona, em vez de só mostrar o que funciona.

Uma empresa que controla dos chips à interface de usuário, que tem a escala do Google, fazendo essa escolha, consciente ou não, muda a equação.

O grupo que o Google reuniu

Parte do que tornou esses dois dias memoráveis foi o grupo.

O Google reuniu Builders brasileiros que eu não conhecia na maioria dos casos. Em dois dias de sessões, refeições, happy hours e conversas no ônibus, algo aconteceu que há tempos não experimentava: aprendi e ensinei ao mesmo tempo. Ouvi pessoas que me surpreenderam. Descobri projetos que não sabia que existiam. Fui questionado de formas que me fizeram pensar diferente.

Parecia um grupo de amigos que eu tinha escolhido a dedo para uma viagem, mas que o Google tinha escolhido por mim.

Estavam lá: Allan Pscheidt, André Simões, Bruno Farias de Souza, Elisa Terumi, Giselle Santos, Gustavo Guanabara, Hallison Paz, Jony Lan, Kizzy Terra, Leo Candido, Luiz Zaka, Nina Talks, Paulo Aguiar e Paulo Tenório.

O cuidado da equipe do Google com esse grupo, a atenção, o espaço, as conversas abertas com os próprios executivos que desenvolvem os produtos. Josh Woodward comentando sobre o feedback específico que recebeu de brasileiros na plateia. Tulsee (que lidera o time de modelos do DeepMind) sendo direta sobre o que ainda não está resolvido. Esse tipo de coisa não acontece em eventos normais.

Esse é o tipo de coisa que nenhuma transmissão ao vivo, nenhum resumo de newsletter, nenhum artigo consegue substituir. Estava lá. E valeu.

Assista ao documentário sobre o Demis Hassabis

Se você quer entender de onde vem o projeto do Demis, o documentário The Thinking Game está disponível gratuitamente no YouTube, já com mais de 200 milhões de visualizações. Produzido pela mesma equipe do premiado documentário do AlphaGo, acompanha o Google DeepMind ao longo de cinco anos, incluindo o momento em que a equipe descobriu que havia resolvido o AlphaFold, um desafio científico de 50 anos que levou ao Nobel.

São 90 minutos. Recomendo fortemente para quem quer entender o que distingue o DeepMind de qualquer outro laboratório de IA.

Onde começar

O Google I/O 2026 Dia 2 é um bom momento para três exercícios práticos:

1. Teste o Antigravity no Search. Acesse g.ai, o link direto para o AI Mode do Google Search. Faça uma pergunta complexa, peça para ele construir algo interativo. Experimente antes de julgar.

2. Verifique sua política de conteúdo gerado por IA. Com SynthID e C2PA chegando ao Search e Chrome, rastreabilidade vai virar expectativa de mercado antes de virar obrigação regulatória. Vale saber, hoje, que posição sua empresa vai ter quando o marcador for obrigatório.

3. Assista ao documentário. The Thinking Game no YouTube. Gratuito. 90 minutos. A melhor contextualização disponível para entender para onde o DeepMind está indo.

Se quiser descobrir quais cursos da ESPM fazem mais sentido para aprofundar IA e tecnologia na sua trajetória, o Consultor de Carreira é um agente de IA que indica os cursos da minha curadoria conforme o seu perfil.

Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro consultivo de empresas em tecnologia e inovação. Fundou sete startups ao longo da carreira. Leciona na ESPM, Insper, USP, PUCRS e IBGC. É autor do livro gratuito Engenharia de Prompts na Prática: do Zero ao Avançado com ChatGPT, Gemini e Claude.

Fontes:

• Blog oficial do Google: Anúncios Google I/O 2026
• Google Blog: SynthID e C2PA no Search e Chrome
• Google Blog: Search no I/O 2026 (Antigravity)
• The Thinking Game: documentário gratuito no YouTube
• Semafor: Demis Hassabis sobre AGI e a singularidade

TL;DR

• O uso do Gemini saiu da curva de entusiastas e entrou no cotidiano: pessoas comuns usando IA para preparar filhos para provas, interpretar exames, automatizar fluxos de trabalho.
• Gemini Spark age sem ser acionado: monitora Gmail e Agenda em segundo plano e toma decisões antes que você perceba o problema.
• Gemini Omni cria e edita vídeo por conversa, sem interface de edição.
• CodeMender é um agente de cibersegurança autônomo que opera 24h sem intervenção humana.
• Óculos Android XR com Samsung chegam ao mercado no outono de 2026, em duas linhas: áudio com IA e display de realidade aumentada.
• Demis Hassabis sinalizou que a AGI está no horizonte visível da pesquisa do Google DeepMind.
• Os 4 mindsets digitais que desenvolvi, UX, Dados, Programação e Storytelling, encontram novos vetores em cada anúncio desta edição.

Tem uma diferença entre acompanhar o Google I/O pela transmissão e estar lá. Os anúncios ficam disponíveis para qualquer um. O que não aparece na transmissão são as conversas ao vivo com outros builders e com especialistas do Google, onde os aprendizados mais densos acontecem.

Esta é minha primeira vez presencialmente no Google I/O, depois de acompanhar o evento à distância no ano passado. Trabalho com tecnologia desde 1990 e já vi muitas viradas de ciclo. A de 2026 tem uma textura diferente: os anúncios deixaram de ser sobre o que a IA vai fazer. São sobre o que ela já está fazendo, e sobre quem vai conduzir esse processo com intenção dentro das organizações.

O contexto que ninguém pode ignorar

Sundar Pichai abriu o keynote com um dado comportamental: o crescimento do uso do Gemini não vem de demonstrações em conferências. Vem de pessoas usando IA no dia a dia para preparar filhos para provas, interpretar exames médicos, criar protótipos e automatizar fluxos de trabalho. A adoção saiu da curva de entusiastas.

Dez anos atrás, o Google reorganizou a empresa inteira em torno da inteligência artificial. O I/O 2026 foi o evento em que essa aposta foi apresentada como resultado consolidado.

Os 7 lançamentos Gemini e o que cada um revela

O keynote de hoje trouxe sete lançamentos principais da família Gemini relevantes para quem trabalha no Brasil. Vou passar por cada um com o ângulo que interessa a quem precisa tomar decisões.

1. Gemini 3.5 Flash: velocidade como estratégia de custo

O modelo mais rápido da família Gemini ganhou uma atualização com impacto direto em custo de operação. Josh Woodward, VP de produto do Gemini App, foi direto no AMA (Ask Me Anything, seção aberta de perguntas e respostas) com os Google Builders: o Flash existe porque a maioria das tarefas corporativas não precisa de raciocínio pesado. Precisa de resposta rápida a custo baixo.

Para gestores avaliando IA em escala, esse é o modelo que importa. Um agente que verifica e categoriza 10 mil e-mails por dia não precisa do modelo mais capaz disponível. Precisa do mais eficiente para aquela tarefa. O Flash resolve isso com uma fração do custo do Pro.

2. Gemini Spark: o assistente que age sem ser chamado

Provavelmente o anúncio com maior impacto prático para quem pensa em produtividade executiva.

O Spark não espera o usuário abrir o app. Ele monitora Gmail, Google Agenda, Maps e outros apps Google em segundo plano e age: agenda reuniões, responde e-mails rotineiros, reorganiza compromissos conflitantes, sugere ações antes que o problema apareça.

A estratégia de lançamento reflete a lição de confiança que Sundar articulou no Dialogues Stage: começar pelo ecossistema Google, onde o comportamento do agente pode ser monitorado de perto, antes de expandir via MCP para apps de terceiros. Confiança construída passo a passo. Voltarei a esse ponto na seção sobre pensamento agêntico.

O Spark no Mac, também anunciado, significa que essa proatividade vai funcionar além do celular. Um agente que observa o seu dia de trabalho e toma micro-decisões antes que você precise se posicionar. O lançamento começa na semana que vem para assinantes Google AI Ultra nos EUA.

3. Gemini Omni: vídeo por conversa

O Gemini Omni faz pelos vídeos o que o Nano Banana fez pelas imagens: aplica entendimento de física do mundo real para gerar resultados consistentes. O conceito central: criar e editar vídeos por conversa, sem interface de edição tradicional.

Demis Hassabis posicionou o Omni como um “world model”: um modelo que simula física e consistência do mundo real. A diferença em relação aos modelos anteriores é que o Omni não se limita a prever texto. Na prática: personagens, cenários e movimentos permanecem consistentes mesmo depois que o usuário pede mudanças, algo com que a maioria dos modelos de vídeo ainda não consegue lidar bem.

“Mostra os clipes que gravei ontem, corta para os melhores momentos, adiciona legenda em português e exporta em 9:16 para Stories.” Isso é Gemini Omni. O fluxo acontece dentro do chat. O Gemini Omni Flash já está disponível hoje para assinantes Google AI Plus, Pro e Ultra. YouTube Shorts recebe integração na semana que vem.

Para quem produz conteúdo corporativo, comunicação interna ou material de treinamento: a barreira de entrada para produção de vídeo desapareceu. O que antes exigia editor ou ferramenta especializada agora é uma instrução em linguagem natural.

4. Daily Brief: o briefing matinal gerado por agente

Você acorda e, em vez de abrir Gmail e Agenda separadamente, recebe um resumo personalizado que consolida o que importa: reuniões, e-mails com prazo, tarefas pendentes, contexto de cada compromisso.

Isso é a Daily Brief, lançada como parte do Gemini Live. A funcionalidade materializa uma promessa que o Google vinha construindo: um agente que conhece o seu contexto profissional e te ajuda a começar o dia com clareza, sem você precisar montar esse mapa na própria cabeça.

5. Gemini Live integrado: conversa contínua com contexto

O Gemini Live deixou de ser modo separado e virou a interface padrão do app. Conversa contínua ao longo do dia, com acesso à câmera e ao microfone, mantendo contexto de uma interação para outra.

A equipe de design explicou a filosofia no AMA: o app não deveria parecer um chat log com respostas estáticas. Deveria parecer uma conversa com alguém que lembra do que você disse.

6. Neural Expressive: design que reflete a natureza generativa

O redesign do Gemini App tem nome próprio: Neural Expressive. Jenny Blackburn, VP de UX do Gemini, foi clara sobre o princípio: a interface visual deveria refletir a natureza dinâmica do produto, não imitar interfaces de chat tradicionais.

Os ícones foram desenhados à mão por um membro do time. As respostas têm UI generativa: cada resposta complexa pode ter um formato diferente, otimizado para o tipo de informação. Tabela quando é tabela, card quando é card, texto corrido quando é texto.

Para quem pensa em design de produto: o Neural Expressive sinaliza que a era do “chat box genérico” para IA está encerrando. A interface precisará refletir a inteligência do modelo.

7. Google AI Ultra: o plano para quem usa IA como infraestrutura

Por 100 dólares por mês, o Google AI Ultra oferece acesso prioritário aos modelos mais capazes, maior cota de tokens, acesso antecipado a novidades e recursos ampliados para criação de conteúdo e automação.

Para quem já usa IA como infraestrutura de trabalho, o custo-benefício começa a se comparar favoravelmente ao que se pagava, há dois anos, por um assistente humano de nível júnior para tarefas repetitivas.

Além do Gemini: os anúncios que definem o horizonte

Óculos Android XR: dois produtos, duas apostas

O Google anunciou duas linhas de hardware vestível.

A primeira são os óculos de áudio com IA, em parceria com Warby Parker e Gentle Monster. Funcionam como fones abertos com speaker direcional, microfones e o Gemini integrado: perguntas, briefings, traduções em tempo real. Nenhum display. Previsão para o outono de 2026.

A segunda são os óculos de realidade aumentada Android XR, desenvolvidos com a Samsung. Display integrado que projeta informações sobre o mundo real. O demo ao vivo no keynote, com o ator Dev Patel, mostrou navegação em tempo real em Nova York, sobreposição de informações sobre pontos de interesse e chamadas de vídeo com hologramas projetados no campo de visão.

O ciclo de adoção vai ser diferente do Google Glass. O Glass chegou cedo demais, sem apps úteis e com um preço que isolava o usuário. O Android XR chega com ecossistema maduro, modelos de linguagem multimodal e parceiros de moda que sabem construir objeto de desejo.

CodeMender: cibersegurança autônoma

O Google DeepMind apresentou o CodeMender, agente de IA que usa os modelos Gemini para detectar e corrigir vulnerabilidades no código de forma autônoma. Nos primeiros seis meses de operação, o agente submeteu 72 patches de segurança para projetos open source. Cada patch passa por revisão humana antes de ser aceito.

O CodeMender funciona nas duas direções: corrige vulnerabilidades novas ao detectá-las e reescreve trechos de código para eliminar classes inteiras de problemas antes que virem exploits.

Na prática: uma empresa que hoje depende de ciclos periódicos de auditoria de segurança passa a ter uma camada de defesa que nunca dorme. O agente muda o papel do time de segurança, de caçador de vulnerabilidades para supervisor de um processo que opera 24 horas por dia.

Para conselheiros e gestores de risco: esse tipo de anúncio vai entrar na agenda de governança de TI nos próximos 12 meses.

AGI no horizonte: o que Demis Hassabis quis dizer

Demis foi cuidadoso nas palavras. Disse com clareza que a AGI está no “horizonte visível” da pesquisa do Google DeepMind.

Isso não significa que vai acontecer amanhã. Significa que as pessoas que constroem esses sistemas acreditam estar mais perto do que estavam há três anos. Para quem pensa em planejamento de longo prazo, é um dado que merece atenção sem alarmismo.

Weather Next e Alpha Earth: IA para o planeta

Weather Next é um modelo de previsão que antecipa furacões e eventos climáticos extremos com precisão muito superior aos sistemas anteriores. Alpha Earth é um gêmeo digital do planeta que usa dados de satélite para modelar ecossistemas em tempo real.

Para quem pensa em ESG, gestão de risco climático ou operações com exposição a eventos meteorológicos: essas ferramentas são infraestrutura de decisão que vai chegar aos sistemas corporativos nos próximos anos.

Os 4 mindsets digitais e o que o I/O 2026 revelou sobre cada um

Há alguns anos desenvolvi um framework que uso em aulas na ESPM, Insper, USP, PUCRS e IBGC para explicar o que significa ter mentalidade digital de verdade. Quatro mindsets: UX, Programação, Dados e Storytelling. O I/O 2026 jogou luz nova sobre cada um.

Mindset UX: a experiência virou o produto

O Neural Expressive deixou de ser redesign de interface e virou uma declaração de princípio: a experiência do usuário com IA faz parte do produto tanto quanto o modelo por baixo. Jenny Blackburn disse algo no AMA que ficou comigo: “queríamos que quando você abrisse o app, sentisse o cuidado e a intencionalidade.”

Para profissionais com mindset de UX, o I/O sinalizou que a competição de interfaces de IA está começando agora. E há uma camada além da interface: boa parte do que produzimos com IA vai ser usado por outras pessoas. Pensar na perspectiva do outro, não só na nossa própria, é uma habilidade que a maioria das pessoas ainda não aplica ao usar IA.

Mindset de Programação: automação chegou na camada de decisão

Esse mindset não é sobre saber codificar. É sobre pensar em processos que podem ser descritos com precisão suficiente para que uma máquina execute. Dito isso, quem já desenvolveu software vai largar na frente na orquestração agêntica: entender como sistemas se comunicam, como erros se propagam e onde colocar pontos de controle é exatamente o que separa quem configura um agente bem de quem configura um agente que falha de forma imprevisível.

Spark, Omni e CodeMender são os anúncios com maior impacto direto para esse mindset. Cada um representa automação chegando a uma camada que antes exigia julgamento humano: gestão de agenda, produção de vídeo, auditoria de segurança. A pergunta que esse mindset leva para casa: qual processo da minha área pode ser descrito com precisão suficiente para ser delegado a um agente?

Mindset de Dados: os rastros que o Spark vai gerar

Um agente proativo que age sobre e-mail, agenda e apps deixa rastros. Para quem pensa com mindset de dados, o Spark gera uma fonte nova de informação sobre como a organização funciona: quais decisões o agente tomou, em quais contextos o humano interveio, onde o agente errou.

Josh Woodward foi direto sobre o Brasil: o engajamento brasileiro com geração de imagens via Gemini surpreendeu o time. No keynote, o Google demonstrou a IA gerando vídeo com sotaque carioca, e Josh sinalizou que novos sotaques serão incorporados em produtos de voz e vídeo. O Brasil não é só um mercado grande em volume, é um mercado que molda o produto.

Testei o Gemini Omni ainda aqui no Google I/O (o vídeo está nos destaques do meu Instagram). Dei uma foto minha e pedi para criar um vídeo. No vídeo, eu falo com a minha própria voz. De onde o modelo tirou a voz? De amostras que o Google já tem em outros produtos. É um exemplo direto de como os dados que deixamos em serviços conectados vão ser usados para personalizar a experiência, sem que a gente perceba o momento em que isso aconteceu.

Mindset de Storytelling: narrativas que sobrevivem ao hype

O Gemini Omni derrubou o custo de produção de vídeo para próximo de zero. Quando qualquer pessoa consegue gerar vídeo por conversa, o diferencial deixou de ser a produção. É a narrativa.

O mindset de storytelling vai ser, nos próximos dois anos, o principal diferenciador de quem usa IA para comunicação corporativa. O modelo pode gerar. O humano com esse mindset sabe o que vale gerar, para quem, em qual momento e com qual emoção como âncora.

Pensamento agêntico: como funciona para quem não é programador

Esse é o ponto que mais me preocupa quando acompanho a conversa sobre IA em eventos como o Google I/O: o abismo entre como engenheiros descrevem agentes e como o restante das organizações consegue visualizar o conceito.

Engenheiros falam em “orquestração de agentes”, “pipelines”, “tool calling”, “memory layers”. Vocabulário preciso e útil para quem implementa. Para quem vai usar e supervisionar, cria mais opacidade do que clareza.

Simplificar demais também não resolve. Dizer que “agentes são como funcionários” cria expectativas erradas: um agente não tem motivação, não negocia, não protege território. Ele executa instruções com exatidão literal e falha quando a instrução foi ambígua ou quando o contexto mudou de forma não prevista.

A analogia que o próprio Sundar usou hoje é a da Waymo: você define o destino e confia no sistema para chegar lá. Não precisa entender o algoritmo de navegação.

Na prática, trabalhar com agentes de IA exige um pouco mais: você define o objetivo, acompanha o processo e calibra o nível de autonomia conforme o agente demonstra confiabilidade.

O que muda com o Gemini Spark é que agora o agente escolhe o destino com base no que observa. Você não pede para ele agendar uma reunião. Ele percebe um conflito de agenda, consulta os participantes e propõe uma solução antes que você perceba o problema.

Para quem não programa, isso é delegação com supervisão: o mesmo que você faz com um assistente em quem confia. Você não micro-gerencia cada passo, calibra o nível de autonomia e afina o acordo de trabalho ao longo do tempo.

A diferença entre um gestor que vai usar IA bem e um que vai usar mal não está no conhecimento técnico. Está em saber calibrar autonomia: o que pode ser delegado sem revisão humana, o que precisa de revisão antes de executar, e o que nunca deve ser delegado a um agente, independente de quanto o agente pareça capaz.

Por onde começar amanhã

Três movimentos que fazem sentido agora, antes de esperar o lançamento do Gemini Spark:

Primeiro, experimente o Gemini com tarefas reais. Não pergunte quem ganhou a Copa do Mundo. Leve um problema que você de fato precisa resolver essa semana e trate o modelo como colaborador. Anexe documentos, dê contexto, peça revisão crítica da sua própria análise.

Segundo, mapeie um processo da sua área que poderia ser descrito com precisão suficiente para automação. Não precisa ser o mais complexo. Precisa ser um em que o custo de erro é tolerável e o volume justifica automação. Esse mapeamento já é pensamento agêntico aplicado, sem nenhuma linha de código.

Terceiro, quando o Gemini Spark chegar no Brasil, dê a ele acesso supervisionado mínimo. Comece com uma tarefa, avalie o resultado, corrija o que precisar. É o mesmo protocolo de onboarding de qualquer novo colaborador.

Se você está começando a usar o Gemini agora e quer entender as técnicas que fazem a diferença, meu livro Engenharia de Prompts na Prática cobre do zero ao avançado, com ChatGPT, Gemini e Claude. É gratuito.

Principais perguntas sobre o Google I/O 2026

O que foi anunciado no Google I/O 2026? O evento apresentou o Gemini 3.5 Flash e Pro, o assistente proativo Gemini Spark, o modo Gemini Omni para criação de vídeos por conversa, os óculos Android XR em parceria com Samsung e Warby Parker, o agente de cibersegurança CodeMender, novos modelos para ciência e clima, e o redesign Neural Expressive do app Gemini.

O que é o Gemini Spark? Gemini Spark é um assistente proativo que age por conta própria: monitora Gmail, Agenda e apps Google em segundo plano e toma decisões sem esperar que o usuário pergunte. A estreia é no ecossistema Google, com expansão prevista via MCP para apps de terceiros.

O que é pensamento agêntico e por que importa para gestores? Pensamento agêntico é a habilidade de delegar tarefas a sistemas de IA que agem de forma autônoma. Para gestores, muda a natureza da supervisão: em vez de executar, você define objetivos, avalia resultados e intervém nos pontos de risco.

Quando os óculos de realidade aumentada do Google chegam ao mercado? O Google anunciou duas linhas: os óculos de áudio com IA (parceria com Warby Parker e Gentle Monster) com previsão para o outono de 2026 nos EUA, e os óculos Android XR com display integrado, desenvolvidos com a Samsung, com lançamento também em 2026.

O que é o CodeMender e como ele afeta a cibersegurança corporativa? CodeMender é um agente autônomo que opera 24 horas por dia detectando e corrigindo vulnerabilidades no código sem intervenção humana. A segurança corporativa deixa de depender apenas de times de analistas e passa a ter uma camada contínua de monitoramento por IA.

Como o Google posicionou a questão da confiança em agentes de IA? Sundar Pichai usou a Waymo como analogia: confiamos no carro autônomo porque a Waymo acumulou milhões de quilômetros de histórico verificável. O mesmo princípio vale para agentes de IA: confiança se constrói com exposição gradual, auditabilidade e historial de acertos.

Fontes e leituras oficiais do Google

• Todos os anúncios do Google I/O 2026 (blog.google)
• Keynote de abertura, Sundar Pichai (blog.google)
• Intelligent Eyewear com Gemini chega no outono (blog.google)
• CodeMender: agente de IA para segurança de código (deepmind.google)
• Todos os anúncios para desenvolvedores (developers.googleblog.com)

Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro consultivo de empresas em tecnologia e inovação. Fundou sete startups ao longo da carreira. Leciona na ESPM, Insper, USP, PUCRS e IBGC. É autor do livro gratuito Engenharia de Prompts na Prática: do Zero ao Avançado com ChatGPT, Gemini e Claude.

Este artigo complementa o e-book gratuito Liderança Protagonista e Inteligência Relacional. Baixe gratuitamente no link e aprofunde como desenvolver presença, comunicação e performance em alta carga, sem sacrificar equilíbrio.

A McKinsey mapeou que executivos passam em média 40% do tempo em atividades de decisão, e 61% deles consideram ao menos metade desse tempo ineficaz. Parte desse desperdício acontece em reuniões e apresentações que chegam sem clareza de objetivo, sem alinhamento prévio e sem nada concreto para levar.

Esse dado descreve exatamente o que acontece quando uma apresentação corporativa não foi bem preparada: o orador aparece com a resposta certa para a pergunta errada.

Ao longo de mais de três décadas como empreendedor, consultor e professor, aprendi que a qualidade de uma apresentação corporativa é quase toda determinada antes de qualquer slide ser aberto. Os exemplos aqui vêm tanto de reuniões de resultado, boards e pitches internos quanto de salas de aula e palcos. O padrão que funciona é o mesmo em todos esses contextos.

1. A preparação de uma apresentação corporativa começa antes do convite

A maioria das pessoas só começa a pensar em conteúdo quando recebe o convite. Eu começo antes.

Leio newsletters todo dia, de fontes que escolhi por qualidade editorial. Anoto casos com referência, tipo de aplicação e para qual perfil de público aquilo serve. Sem esse trabalho de interpretação, o material fica genérico: nenhuma ferramenta de IA ou banco de dados vai ter a minha perspectiva sobre o que aquilo significa na prática.

Vou a conferências como SXSW e VivaTech Paris pelo mesmo motivo: conversar com pessoas de mercado para entender o que está funcionando e o que não está. Isso alimenta o mesmo arquivo de referências.

Mas a parte que mais gera material é a prática. Testo tudo que é possível testar: crio apresentações com IA, configuro agentes, avalio dispositivos novos, aplicativos, modelos. Andei de carro autônomo. Pilotei um eVTOL. Ouvir gera aprendizado. Experimentar gera histórias. E são as histórias que ficam na memória de quem está na plateia ou na sala de reunião.

O resultado é um banco de casos próprio, organizado por tema, público-alvo e tipo de aplicação. Quando chega um convite, não parto do zero: parto de material já filtrado, interpretado e vivido.

2. O briefing que define tudo

Quando um cliente me contrata para uma palestra, treinamento ou apresentação de resultados, a primeira coisa que faço é uma sessão de briefing. Quero entender três coisas:

• o contexto (o que está acontecendo na empresa ou com o público que vou treinar)
• o perfil das pessoas (quem são, o que já sabem, o que trava)
• a expectativa de quem contratou (aprender uma habilidade, destravar um hábito, dar o pontapé numa cultura, aprofundar uma prática)

O briefing com quem contratou resolve a segunda pergunta: o que a pessoa está sofrendo e o que quer resolver. A primeira, entender a mente de quem será treinado, exige outro caminho.

Quando o público é novo para mim, faço uma imersão. Entrevistas com pessoas do mesmo perfil que vão estar na sala, às vezes dentro da própria empresa. Assisto vídeos do YouTube voltados para aquela audiência. Tenho conversas de campo. O objetivo é entrar no dia a dia daquele profissional: rotina, tarefas, prazos, KPIs, projetos, o vocabulário que usam entre si.

Vocabulário, especificamente, não se alcança só lendo. Se alcança conversando, perguntando e, sobretudo, escutando. Escuta ativa nessa fase poupa muito retrabalho depois. Cada termo técnico que você usa de forma errada ou fora de contexto quebra a credibilidade exatamente na hora em que o público ainda está decidindo se vai confiar em você.

Essa sessão também funciona como filtro. Eu sirvo para esse contexto? Entendo esse público? Consigo atender essa expectativa com honestidade?

Se há desalinhamento, a conversa precisa resolver isso antes de seguir. Às vezes a resposta é rejeitar a demanda. Isso é responsabilidade, não arrogância. Uma apresentação corporativa entregue fora do escopo certo prejudica quem a contratou e mancha a reputação de quem apresentou.

3. Storytelling que gera confiança, não apenas autoridade

Com o alinhamento feito, volto ao arquivo de referências e monto um storytelling para aquela audiência específica.

Os casos que escolho não estão lá só para demonstrar experiência. Estão lá porque alguém naquela sala provavelmente viveu algo parecido: a história cria a ponte entre o que eu sei e o que eles precisam fazer.

O neurocientista Paul Zak, da Claremont Graduate University, estudou o que acontece no cérebro quando assistimos a narrativas com personagem e tensão. A conclusão: histórias bem construídas disparam a produção de ocitocina, o hormônio associado à confiança e à empatia. Quando o público confia no apresentador, absorve melhor o conteúdo e muda de comportamento com mais facilidade. Narrativas também são retidas na memória com muito mais eficiência do que dados ou conceitos isolados, o que torna qualquer conteúdo mais durável depois que a apresentação termina.

Zak publicou os achados em Why Your Brain Loves Good Storytelling (Harvard Business Review, 2014) e em The Neuroscience of Trust (HBR, 2017). Traduzindo para a prática: o caso que você conta com tensão real, personagem identificável e resolução concreta vale mais do que dez slides de dados.

A regra prática que uso: cada caso precisa ter um papel (quem fez), uma situação específica (o que estava em jogo) e um resultado mensurável ou observável (o que mudou). Sem esses três elementos, o caso vira anedota.

4. Encerramento acionável: como apresentar para diretoria e C-level e sair com uma decisão

O vício de professor mais útil que tenho é terminar com lição de casa.

Não basta que o público saia inspirado. Preciso que saia com pelo menos uma ação clara que pode ser tomada ainda naquela semana. Inspiração sem próximo passo concreto evapora até o fim do dia.

Quando a audiência é formada por decisores, o encerramento tem um peso ainda maior: a reunião só valeu se terminar com uma decisão tomada, não com um conjunto de gráficos e planilhas que ninguém soube para onde apontavam.

Penso em qualquer apresentação como uma sequência de três atos com funções distintas. O início é sobre despertar e criar conexão: o público precisa sentir que o problema que você vai tratar é o problema deles. O meio é sobre engajamento e aprendizado: você apresenta o caminho, as evidências, os casos. O fim é sobre ação e a sensação de que valeu o tempo investido: a pessoa sai com algo concreto para fazer, não só com um arquivo de slides na caixa de entrada.

Se qualquer um dos três atos falhar, a apresentação falha naquele ponto. Um começo fraco e o público para de confiar antes de você apresentar o meio. Um fim vago e o começo e o meio foram desperdício.

A estrutura que amarra os três atos começa pela dor que motivou a reunião. Não para “pregar para convertidos”: quem está na sala já sabe que o problema existe. Há uma razão clínica para isso. Quando um médico explica por que você está com dor, você já sabe que está com dor, mas o diagnóstico em voz alta muda algo. Você começa a confiar. Você aceita o tratamento com mais facilidade.

O mesmo acontece numa apresentação. Quando o apresentador nomeia a dor com precisão, demonstra que fez a lição de casa e cria a condição para que o público confie no que vem a seguir. A partir daí, a sequência se escreve sozinha: mostrar que entende a dor e tem experiência para resolvê-la, propor o caminho de forma colaborativa (“o que fazemos juntos”, não “o que vou fazer por vocês”), deixar claro qual é a parte de cada lado e fechar com os próximos passos. Esse é o padrão que uso em treinamentos e palestras corporativas para lideranças em transformação digital.

O encerramento acionável tem três partes: o resumo da tese central em uma frase, a ação específica que o público pode tomar na semana seguinte, e o recurso (ferramenta, leitura, template) que remove a fricção inicial.

Quando o encerramento é vago (“espero que tenham gostado”, “qualquer dúvida me chamem”), a apresentação corporativa termina onde começou. O público sai igual.

5. Ensaio: a etapa que a maioria pula

Antes de entregar, ensaio.

Slides novos eu reviso em voz alta. Histórias que não conto há tempo eu recupero mentalmente. Verifico se o vocabulário e os exemplos batem com a cultura da empresa. E confiro se cada slide se conecta no seguinte, se o conjunto entrega o que foi prometido e se cabe no tempo acordado.

Ensaiar em voz alta não é vaidade: é o único jeito de detectar tropeços de ritmo, pausas mal posicionadas e histórias que perderam a fluidez. Leitura mental não captura isso.

A quantidade de slides é uma consequência da quantidade de histórias que você quer contar, não o contrário. Antes de montar qualquer deck, defina quantos casos você vai usar, quanto tempo cada um precisa e que tipo de slide serve cada momento. Uma palestra motivacional funciona com imagem e nenhuma palavra. Uma reunião de trabalho não precisa ser uma planilha com dezenas de linhas que ninguém enxerga do fundo da sala: pode ser um KPI, um número e a história que explica o que ele significa. As pessoas não vão lembrar o número. Vão lembrar da história.

Um bom sinal de que os slides funcionam: nas melhores palestras que dei, as pessoas fotografavam cada slide. Numa reunião de trabalho, o equivalente é alguém parar para anotar ou fazer uma pergunta. Esses dois gestos dizem que o slide valeu.

O tempo é o inimigo silencioso de apresentações corporativas, pitches internos e reuniões executivas. Ultrapassar o horário combinado é uma descortesia com o público e sinaliza que o apresentador não preparou o suficiente para cortar o supérfluo.

6. Saber o que você não sabe, e estar preparado para o que está no seu escopo

A pergunta fora do briefing vai aparecer. Sempre.

A resposta para isso começa muito antes da reunião: no trabalho diário de estudar com foco. Não estudar tudo, mas estudar o que resolve a dor real da persona que você atende. No meu caso, sei o que preciso saber: como um líder decide com IA, quais são os riscos, quais são os casos de produtividade, o que agentes fazem e o que não fazem, como criar cultura de IA numa empresa, como preparar o board e o C-level para implantar IA com segurança e ROI. Isso está no meu território porque resolve um problema real de quem me contrata.

Não sei como treinar um LLM do zero nem as melhores práticas de vibe coding. Isso está fora do meu escopo de treinamento, e eu sei disso. Quem não tem clareza do próprio job description se atrapalha na hora da pergunta difícil, porque tenta responder de tudo e acaba não respondendo nada bem.

A reunião começa antes do horário marcado na agenda. Se o tema está no seu território, você estuda, você sabe, você responde. Se a pergunta sair do briefing numa palestra ou aula, é válido dizer que pode responder depois. Numa reunião de trabalho, “isso é pauta para outra conversa para não perdermos o foco aqui” é uma resposta legítima. E na pior das hipóteses, um honesto “não sei, mas vou levantar e te trago até sexta” vale mais do que enrolar e correr o risco de ser desmascarado em seguida.

O que fica depois da apresentação

Preparação não é garantia de palestra perfeita. É garantia de que você vai para a sala com respeito pelo tempo de quem está lá.

A diferença entre uma apresentação corporativa que gera conversa depois e uma que gera silêncio educado raramente está no talento do apresentador. Está nas semanas que antecederam os 60 minutos em frente ao público.

Para quem quer aprofundar a capacidade de formular argumentos e filtrar informação com rigor antes de qualquer reunião executiva, o artigo sobre pensamento crítico na era da IA é uma boa continuação desta leitura.

Perguntas frequentes sobre como preparar uma apresentação corporativa

Qual é o primeiro passo para preparar uma apresentação corporativa?

O briefing com quem contratou resolve metade da equação: o que a pessoa está sofrendo e o que quer resolver. A outra metade (entender a mente de quem vai estar na sala) exige imersão: entrevistas com pessoas do mesmo perfil, vídeos voltados para aquela audiência, conversas de campo. O vocabulário não se alcança só lendo: se alcança escutando. Sem esse trabalho, a preparação parte de suposições erradas.

Como estruturar uma apresentação corporativa em três atos?

O início serve para despertar e criar conexão: o público precisa sentir que o problema que você vai tratar é o problema deles. O meio serve para engajamento e aprendizado: você apresenta o caminho, as evidências, os casos. O fim serve para ação e a sensação de que valeu o tempo investido: a pessoa sai com algo concreto para fazer. Se qualquer um dos três atos falhar, a apresentação falha naquele ponto.

Quantos slides usar numa apresentação corporativa?

A quantidade de slides é uma consequência da quantidade de histórias que você quer contar. Defina quantos casos vai usar, quanto tempo cada um precisa e que tipo de slide serve cada momento. Uma reunião de trabalho não precisa de dezenas de linhas que ninguém enxerga: pode ser um KPI, um número e a história que explica o que ele significa. As pessoas não vão lembrar o número, vão lembrar da história.

Como responder perguntas difíceis ou fora do escopo?

A resposta começa antes da reunião: estudar com foco o que resolve a dor real da persona que você atende. Se a pergunta está no seu território, você sabe responder. Se sair do briefing numa palestra ou aula, é válido dizer que pode responder depois. Numa reunião, “isso é pauta para outra conversa” é legítimo. E um honesto “não sei, mas vou levantar e trazer até sexta” vale mais do que enrolar e correr o risco de ser desmascarado.

Qual é o erro mais comum em apresentações corporativas?

Começar a preparar o conteúdo sem fazer o briefing. A McKinsey identificou que 61% dos executivos consideram ineficaz ao menos metade do tempo em reuniões de decisão. Boa parte dessa ineficiência vem de encontros mal preparados, sem clareza de objetivo. O mesmo vale para apresentações: sem alinhamento prévio, o orador chega com a resposta para a pergunta errada.

Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro consultivo de empresas em tecnologia e inovação. Fundou sete startups ao longo da carreira. Leciona na ESPM, Insper, USP, PUCRS e IBGC. É autor do livro gratuito Engenharia de Prompts na Prática: do Zero ao Avançado com ChatGPT, Gemini e Claude.

• Engenharia de contexto cuida de tudo que entra na janela do modelo durante a inferência: prompt, memória, documentos recuperados, histórico, resultados de ferramentas. Em chat simples, prompt e contexto se confundem. Em agente, são camadas distintas.
• Engenharia de prompts continua necessária. Passou a ser insuficiente sozinha.
• Quatro técnicas consolidadas pela Anthropic em setembro de 2025: just-in-time retrieval (busca sob demanda), compaction (compressão de histórico), structured note-taking (memória externa) e sub-agentes.
• O método para começar esta semana: três arquivos canônicos (about-me, anti-ai-style, my-company) lidos pelo agente toda vez que abre uma sessão.
• Pesquisa da ETH Zurich de fevereiro de 2026: arquivo de contexto gerado por LLM piora performance em 3% e eleva custo de inferência em mais de 20%. Arquivo escrito por humano dá ganho de 4%. O único caminho é escrever você mesmo.
• Engenharia de contexto é o segundo elo de uma progressão: vem depois do prompt e antes do harness engineering, a camada que governa o que o agente pode fazer autonomamente em produção.

Este artigo complementa o e-book gratuito Claude Cowork em 1 Hora. Ele cobre o passo a passo de montar a pasta about-me/, configurar projects, criar suas primeiras Skills e ligar o Claude aos seus apps. Tudo para quem quer entrar nesse jogo esta semana, não no próximo trimestre.

Toda terça-feira pela manhã, Ricardo abre o Claude e digita uma versão do mesmo parágrafo: “Sou diretor de operações de uma empresa de logística com 220 funcionários, atendemos varejo no Sudeste, nosso ERP é X, nossa cadeia de aprovação é Y, o tom que uso com diretoria é técnico e direto, não use jargão de Vale do Silício…” Trinta linhas antes de chegar à pergunta da semana.

O que Ricardo faz toda terça já tem nome. E já tem método.

Engenharia de contexto não é prompt engineering com outro nome. É a camada que estava implícita e virou explícita em 2026. Quem lidera adoção de IA em empresa precisa entender o que é a engenharia de contexto, por que apareceu e o que muda na rotina de quem trabalha com agente.

O que é engenharia de contexto

Engenharia de Prompts é subconjunto de Engenharia de Contexto. Uma não substitui a outra. A segunda engloba a primeira.

Em chat simples, prompt e contexto se confundem. O texto que você escreveu é tudo que o modelo vê. PACREF (Persona, Ação, Contexto, Referências, Estrutura, Formato) resolve quase todos os problemas de qualidade nesse cenário.

Quando você sai do chat e entra em agente, o prompt vira só um dos componentes. O contexto que o agente vê inclui: instrução de sistema do desenvolvedor, prompt do usuário no momento, memória de interações anteriores, documentos recuperados, histórico da conversa em andamento, resultados das ferramentas que acabou de usar. Tudo isso compete pelos mesmos tokens da janela de contexto. E todo esse conjunto precisa ser curado para que a resposta do agente continue sendo útil.

O nome e a prática antecederam a Anthropic. Em junho de 2025, Andrej Karpathy popularizou o termo ao escrever que “context engineering é a arte e ciência de preencher a janela de contexto com exatamente a informação certa para o próximo passo”. A Anthropic formalizou isso em setembro de 2025 num post que se consolidou como referência.

Escrever um bom prompt continua sendo necessário. Passou a ser insuficiente sozinho.

Por que isso entrou na agenda das lideranças em 2026

Três achados empíricos consolidados nos últimos doze meses, todos com peso para quem decide adoção de IA na empresa.

Context rot (degradação por excesso de contexto). Pesquisa publicada pela Chroma em julho de 2025 testou 18 modelos de fronteira, incluindo as versões mais recentes de ChatGPT, Claude, Gemini e Qwen, em janelas de até 1 milhão de tokens. A qualidade de resposta degrada de forma mensurável conforme o input cresce, mesmo quando a janela está longe de cheia. Um modelo com janela de 200 mil tokens já pode mostrar degradação significativa em 50 mil. Janela maior adia o problema, não resolve.

Lost in the middle (perdido no meio). Paper de Liu et al. virou consenso. Performance é maior quando a informação relevante está no começo ou no fim do contexto e cai quando está no meio. Em alguns testes, modelos passaram de quase 100% de acurácia nas extremidades para menos de 40% no meio. O efeito persiste mesmo em modelos desenhados para janela longa. Jogar tudo em um prompt grande significa distribuir informação importante na zona de menor atenção do modelo.

Janela maior não escala. A intuição inicial de muitos gestores de tecnologia (“vamos colocar tudo no contexto e deixar o modelo descobrir”) falhou na prática. Empresas que adotaram essa abordagem estão tendo regressão de qualidade conforme o uso cresce. A solução está na curadoria, não no tamanho da janela.

Tradução prática: empresa que não estrutura contexto não escala uso de IA. O piloto funciona, a produção regride.

As quatro técnicas que estão se consolidando

A Anthropic nomeou no mesmo post de setembro de 2025 quatro técnicas que viraram base do que está sendo chamado de engenharia de contexto. Toda empresa que está construindo agente precisa entender as quatro, mesmo que execute só uma ou duas nos primeiros meses.

1. Just-in-time retrieval (busca sob demanda). Em vez de jogar todo o repositório de documentos no contexto inicial, o agente pede o que precisa quando precisa. Chama uma ferramenta de busca, recebe o trecho relevante, usa, descarta. É o equivalente de um profissional que abre um arquivo do drive quando o cliente faz uma pergunta específica, não carrega a pasta inteira ao ligar o computador.

2. Compaction (compressão). Quando a conversa se aproxima do limite da janela, o agente comprime o histórico em sumário de alta fidelidade e abre nova janela com esse sumário no topo. O agente segue trabalhando sem perder o fio, sem que cada token gasto pese no custo da próxima resposta.

3. Structured note-taking (memória externa). O agente escreve notas em arquivo e puxa de volta quando precisa. O que você anotou ontem está disponível hoje sem ocupar espaço na janela ativa. Versões mais recentes do Claude trouxeram melhorias específicas para essa técnica em 2026.

4. Sub-agentes (multi-agente). Em vez de um agente fazendo tudo, separa preocupações: um agente principal sintetiza, sub-agentes carregam contexto detalhado da função deles. O contexto pesado fica isolado nos sub-agentes, o agente principal mantém visão de cima sem se perder em detalhe operacional.

A maioria das empresas que começa vai usar 1 e 3 nos primeiros meses. Entra em 2 e 4 quando o uso cresce. Saber que existem quatro técnicas, e não uma, é o que separa quem leu manchete de quem entendeu o problema.

A pasta que apresenta sua empresa ao Claude

Aqui é onde a teoria vira operação. E onde a maior parte dos profissionais empaca na primeira semana, porque não sabe por onde começar.

Uma estrutura de pasta no Claude Cowork resolve a primeira camada de engenharia de contexto de forma prática, sem que você precise saber nada técnico. É o ponto de entrada para quem quer aplicar engenharia de contexto sem depender de desenvolvedor. Quatro subpastas e três arquivos:

about-me/
  about-me.md        (quem você é profissionalmente)
  anti-ai-style.md   (o que você NÃO quer que o agente faça)
  my-company.md      (o jeito da casa)
claude-output/
templates/
skills/

O about-me.md cobre o que seria seu LinkedIn estendido: o que você faz, com quem trabalha, qual é o ritmo. O my-company.md cobre a empresa: o que ela vende, como decide, quais são os clientes que importam, quais são as palavras que você usa internamente que não fazem sentido fora. O anti-ai-style.md é o complemento que quase ninguém escreve: as construções que você odeia, os jargões proibidos, o tom que faz seu texto soar gerado em vez de escrito.

Esses três arquivos juntos viram um arquivo de contexto que o Claude lê toda vez que abre uma sessão. Você escreve uma vez. O Claude usa para sempre.

A pasta skills/ na estrutura acima é a próxima camada: Skills são assistentes especializados que guardam contexto, tom e regras de forma permanente para tarefas recorrentes específicas: redigir proposta, preparar relatório, responder e-mail de um tipo específico. Você configura uma vez e o agente já sabe o que fazer antes de você terminar de pedir. Para começar, os três arquivos canônicos são suficientes. As Skills entram quando você identificar as tarefas que repete toda semana.

Uma observação prática: a existência e a localização desses arquivos precisam estar documentadas no seu CLAUDE.md. O agente precisa saber que eles existem, onde ficam e o que cada um cobre. Você pode copiar e colar a estrutura de pastas diretamente no CLAUDE.md como referência. Sem essa documentação, os arquivos existem mas o agente pode não usá-los da forma esperada.

Depois de criado, o CLAUDE.md não é estático. Você pode pedir ao Claude Cowork para remover, adicionar ou reformular qualquer item ali a qualquer momento. O ponto de atenção é justamente esse: instrução ruim no CLAUDE.md se propaga para absolutamente tudo que o agente fizer. Revisar periodicamente não é opcional, é parte da manutenção do ambiente.

O passo a passo completo (montar a pasta, criar suas primeiras Skills, ligar conectores) está no e-book gratuito Claude Cowork em 1 Hora.

CLAUDE.md, AGENTS.md e o padrão que está se consolidando

O CLAUDE.md é um arquivo que o Claude lê automaticamente ao abrir uma sessão. Funciona como descrição da função, manual interno e apresentação de chegada, somados. Mantenho o meu há meses, ele tem hoje cerca de 370 linhas. Nele está o equivalente ao que eu daria a um colaborador novo se contratasse hoje: cada contato relevante com apelido, papel e regra de relacionamento; regras operacionais que nasceram de erros reais e que o agente aplica sem que eu precise repetir; preferências de estilo que evitam que o texto gerado chegue com o tom errado para o canal errado.

Esse formato ganhou um irmão padronizado: AGENTS.md, criado pela OpenAI em agosto de 2025 e hoje sob a Agentic AI Foundation da Linux Foundation, criada em dezembro de 2025 com contribuições fundadoras da OpenAI, Anthropic e Block. Adotado por mais de 60 mil projetos open source e por todas as ferramentas de coding agent relevantes, entre elas Cursor, Devin, GitHub Copilot, Gemini CLI e VS Code. A ideia é a mesma do CLAUDE.md: arquivo de contexto persistente que o agente lê antes de começar a trabalhar.

Aqui aparece um achado que vale destacar. Pesquisa da ETH Zurich coberta pelo InfoQ em março de 2026 testou AGENTS.md em 138 tarefas Python reais: arquivo gerado por LLM piorou a performance dos agentes em 3% e elevou o custo de inferência em mais de 20%. Arquivo escrito por humano deu ganho marginal de 4% na taxa de sucesso.

Arquivo de contexto bom é o que imita o jeito da casa. Uma IA não consegue gerar isso porque ela não tem memória do que você cortou, do que você reescreveu, do que você corrige toda vez que aparece. O único caminho é escrever você mesmo, como qualquer manual interno de empresa séria.

O risco que pouca gente avisa

Compressão de contexto não é gratuita. Quando o agente comprime histórico para abrir nova janela, pode descartar guardrails (instruções de segurança) que você colocou no início da conversa.

O caso OpenClaw, documentado em fevereiro de 2026, mostrou um agente que tinha instrução explícita de pedir confirmação antes de executar comandos destrutivos. Depois de algumas rodadas de compactação, a instrução foi resumida como “trabalhe com cuidado” e perdeu a granularidade. O agente seguiu executando sem pedir confirmação, achando que estava sendo cuidadoso. O episódio ficou conhecido porque a vítima foi Summer Yue, diretora de alinhamento do Meta Superintelligence Labs, e o agente deletou mais de 200 e-mails do inbox dela enquanto ela pedia para parar.

A resposta consolidada em 2026 para esse problema tem nome: structured note-taking para guardrails, com regra explícita de não compactar. Você escreve em arquivo separado, marcado como persistente, e o agente é instruído a tratar essas regras como inalteráveis mesmo quando comprime o resto.

Para quem aprova ou gerencia a implantação de agente na empresa: pergunte ao time técnico onde estão os guardrails e como eles estão protegidos contra compressão. Se a resposta for “estão no prompt do sistema”, investigue mais.

Como começar esta semana sem ser técnico

Quatro passos que sigo com mentorados executivos para aplicar engenharia de contexto antes de qualquer ferramenta avançada. Faça em ordem.

Passo 1: Mapear os cinco contextos que você repete toda semana. Quando você abre IA no trabalho, o que você digita repetidamente? Setor da empresa, tamanho, jargão interno, lista de clientes recorrentes, ritmo de decisão. Anote em um documento sem se preocupar com forma.

Passo 2: Escrever os três arquivos canônicos. Quinze minutos cada. about-me.md (perfil profissional), my-company.md (empresa em registro técnico, como você descreveria para um sócio novo), anti-ai-style.md (vetos: “não use ‘mudar o jogo'”, “não chame nosso cliente de ‘lead'”, etc).

Passo 3: Configurar o Claude Cowork com esses três arquivos como contexto. Toda sessão lê os três automaticamente. Você não precisa mais digitar o parágrafo de contexto.

Passo 4: Avaliar em sete dias. Quantos pedidos vieram com resposta utilizável de primeira? Quantos ainda exigem retrabalho? Qual contexto faltou? Atualize os arquivos com base no que faltou. O arquivo de contexto bom não nasce pronto, amadurece com o uso.

Esses quatro passos não exigem desenvolvedor, orçamento ou ferramenta nova. Exigem uma tarde de trabalho focado e disposição de escrever sobre o próprio trabalho com honestidade.

A pergunta antes de promptar e antes de delegar

Toda nova tarefa que você adiciona ao agente, elimine três que você parou de questionar.

Engenharia de contexto bem feita amplifica o que você já faz bem, expõe o que você fazia no automático sem necessidade e força um diagnóstico honesto do próprio trabalho. O exercício de escrever about-me.md força você a olhar para o próprio trabalho de fora. Algumas rotinas que pareciam óbvias deixam de fazer sentido quando você precisa explicar por escrito.

Antes de promptar: o que estou tentando resolver? Antes de delegar: eu assinaria isso com meu nome agora? A resposta a essa segunda pergunta é o que separa quem toma decisões com IA de quem terceiriza o julgamento para ela.

A diferença entre quem usa IA e quem usa IA bem está em quem se deu ao trabalho de configurar o ambiente uma vez. A diferença entre quem usa IA bem e quem usa IA com responsabilidade está em quem revisou antes de mandar e manteve o pensamento crítico como recurso insubstituível no processo.

Engenharia de contexto é o segundo elo de uma progressão que o campo está nomeando em tempo real. O primeiro é a engenharia de prompts. O terceiro é o harness engineering: a camada que governa o que o agente pode fazer autonomamente em produção, quando deve parar e onde cada decisão fica registrada. Se você está construindo ou avaliando agentes para sua empresa, o harness é o próximo passo natural depois de resolver o contexto.

Para aprofundar

Os links das pesquisas, casos e padrões citados estão inline no momento da menção. Fontes adicionais para quem quer ir além na prática de engenharia de contexto:

• Effective harnesses for long-running agents (Anthropic). Aprofunda a estrutura de suporte que sustenta agentes que rodam por muito tempo.
• Memory tool documentation (Anthropic). Documentação técnica do mecanismo de memória persistente em agentes Claude.
• State of Context Engineering in 2026, por Aurimas Griciünas. Panorama abrangente com referências a outros papers além dos citados aqui.

Perguntas frequentes

O que é engenharia de contexto? Engenharia de contexto é o conjunto de estratégias para curar e manter os tokens certos disponíveis ao modelo durante a inferência: prompt do usuário, memória, documentos recuperados, histórico e resultados de ferramentas. O termo foi popularizado por Andrej Karpathy em junho de 2025 e formalizado pela Anthropic em setembro do mesmo ano. Engloba e estende a engenharia de prompts.

Qual a diferença entre prompt engineering e context engineering? Engenharia de prompts cuida do texto que você digita. Engenharia de contexto cuida de tudo que o modelo vê na hora de responder, do qual o seu prompt é só um pedaço. Em chat simples, os dois se confundem. Em agente, são camadas diferentes.

O que é o CLAUDE.md? Arquivo que o Claude lê automaticamente ao abrir uma sessão. Funciona como descrição de função, manual interno e apresentação de chegada para o agente. No Claude Cowork, é o arquivo central que dá contexto persistente a todas as suas interações.

O que é AGENTS.md? Padrão aberto sob a Linux Foundation para arquivo de contexto persistente em agentes de IA. Suportado por mais de 60 mil projetos em 2026. Formato paralelo ao CLAUDE.md, com adoção em todas as ferramentas de coding agent relevantes.

Por que arquivo de contexto gerado por IA piora a performance? Porque o modelo não tem memória do jeito da casa: o que você cortou, o que você reescreveu, o que você corrige toda vez que aparece. O arquivo gerado por LLM captura o genérico, não o específico. A pesquisa da ETH Zurich confirmou: -3% de taxa de sucesso e +20% de custo com arquivo gerado por IA, contra +4% com arquivo escrito por humano.

O que é context rot e como se relaciona com engenharia de contexto? Degradação mensurável na qualidade de resposta de um modelo conforme o input cresce, mesmo quando a janela de contexto está longe de cheia. Documentada pela Chroma em julho de 2025 em 18 modelos de fronteira. Janela maior adia o problema, não resolve.

O que aconteceu no caso OpenClaw? Em fevereiro de 2026, o agente OpenClaw da pesquisadora Summer Yue (diretora de alinhamento do Meta Superintelligence Labs) deletou mais de 200 e-mails do inbox dela enquanto ela pedia para parar. A causa foi compressão de contexto: a instrução de pedir confirmação antes de ações destrutivas foi compactada para “trabalhe com cuidado” e perdeu a granularidade.

O que vem depois da engenharia de contexto? O harness engineering. Quando o agente tem bom prompt e bom contexto, o próximo problema é governança: o que ele pode fazer autonomamente, quando deve parar e chamar um humano, e onde cada decisão fica registrada.

Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro consultivo de empresas em tecnologia e inovação. Fundou sete startups ao longo da carreira. Leciona na ESPM, Insper, USP, PUCRS e IBGC. É autor do livro gratuito Engenharia de Prompts na Prática: do Zero ao Avançado com ChatGPT, Gemini e Claude.

Com a inteligência artificial assumindo tarefas operacionais em velocidade exponencial, o diferencial competitivo deixou de estar no “fazer” e passou a estar no “pensar, decidir e orquestrar”.

Nesse novo cenário, o RH deixa de ser uma área de suporte e passa a ocupar uma posição estratégica no centro das decisões. O problema é que muitas empresas ainda operam com modelos antigos, baseados em processos, burocracia e lentidão decisória, exatamente o oposto do que o momento exige. O resultado é um desalinhamento silencioso, mas cada vez mais crítico.

Este artigo traduz as principais tendências de RH 2026 em decisões práticas para líderes que precisam agir agora. Os insights que você vai ler aqui foram construídos a partir da minha participação no SXSW 2026, acompanhando de perto discussões, palestras, líderes globais, pesquisadores, autores e provocações sobre o futuro do trabalho.

O fim do RH operacional e o nascimento do arquiteto de contexto

A principal transformação é a mudança de papel. A área de recursos humanos deixa de ser gestora de processos e passa a ser arquiteta de contexto. Isso significa desenhar ambientes onde pessoas e inteligência artificial trabalham juntas com alta performance.

Na prática, esse novo papel envolve definir o que deve permanecer humano, projetar a interação entre pessoas e tecnologia e proteger o pensamento crítico da equipe. O RH passa a atuar como uma camada estratégica que conecta cultura, tecnologia e performance de forma intencional.

Muitas empresas ainda estão presas ao RH operacional e isso está criando um gap competitivo silencioso, mas profundo, porque não aparece imediatamente, mas compromete o futuro.

Atração de talentos: do recrutamento ao design da força de trabalho

As tendências de RH 2026 mostram que o modelo tradicional de recrutamento não acompanha mais a velocidade do mercado. Contratar para cargos fixos está perdendo espaço, dando lugar ao design da força de trabalho.

As equipes passam a ser estruturadas por missão, não por cargo. Em vez de estruturas rígidas, surgem formações dinâmicas, organizadas em torno de projetos e objetivos específicos. A lógica de seleção também muda: sai o foco exclusivo em currículo e entra a análise de afinidade cognitiva, capacidade de colaboração com inteligência artificial e potencial criativo.

Além disso, os talentos passam a operar em fluxo contínuo, com ciclos mais curtos de atuação, entrando e saindo de projetos conforme a demanda. Modelos mais integrados com estudantes e novos profissionais também ganham força, criando um ambiente de aprendizado constante dentro das organizações.

Ao mesmo tempo, existe um ponto de atenção importante: processos seletivos totalmente automatizados tendem a afastar bons talentos. A tecnologia deve apoiar a decisão, mas não substituir o julgamento humano, especialmente quando falamos de cultura e potencial.

Tendências em treinamento: a engenharia de resiliência cognitiva

Um dos pontos mais relevantes está no campo do aprendizado. O desafio deixou de ser acesso à informação. Hoje, o risco real é a perda da capacidade de pensar de forma independente.

Surge então o conceito de resiliência cognitiva. O treinamento deixa de ser consumo passivo e passa a ser prática ativa de raciocínio. Programas eficazes criam fricção produtiva, ou seja, exigem esforço intelectual em vez de facilitar tudo.

Simulações com inteligência artificial ganham espaço como ferramenta de desenvolvimento, permitindo que as pessoas pratiquem situações reais, como conversas difíceis, tomadas de decisão complexas e gestão de crises, em ambientes controlados.

Outro ponto importante é a mudança na forma de medir o aprendizado. Sai o controle de presença e entra a avaliação de domínio real. O que importa não é quanto tempo a pessoa passou em um treinamento, mas o quanto ela consegue aplicar.

E talvez o hábito mais simples, e mais poderoso, seja a pausa antes da automação. Antes de recorrer à IA, o profissional precisa estruturar seu próprio raciocínio. Isso preserva a autonomia intelectual.

Essa é uma das mudanças mais profundas acontecendo agora, e também uma das mais invisíveis. Quem terceiriza o pensamento, perde protagonismo.

Liderança: a orquestração entre humanos e IA

As tendências de RH 2026 transformam completamente o papel da liderança. O desafio atual é o descompasso entre a velocidade da tecnologia e a velocidade de decisão humana. Esse gap está se tornando um risco competitivo real.

O líder deixa de ser um controlador de processos e passa a ser um orquestrador de inteligência híbrida. A inteligência artificial deixa de ser apenas uma ferramenta e passa a atuar como participante ativa do trabalho.

Nesse contexto, surge a lógica da inteligência aumentada. Em vez de usar a tecnologia apenas para executar tarefas, líderes começam a utilizá-la para expandir o pensamento. A pergunta deixa de ser “como faço isso?” e passa a ser “o que ainda não estou vendo?”.

A latência decisória, o tempo entre a execução da IA e a validação humana, passa a ser um novo indicador de performance. Quanto maior esse intervalo, maior o risco de perda de competitividade.

Existe também um risco crítico: a rendição cognitiva. Quando as pessoas passam a aceitar respostas da IA sem questionamento, o pensamento crítico se enfraquece. O antídoto continua sendo simples, mas exige disciplina: pensar antes e questionar sempre.

Cultura organizacional: o valor do sinal humano na era da IA

Quando todas as empresas usam as mesmas ferramentas, surge um fenômeno inevitável: tudo começa a parecer igual. Essa é uma das tendências de RH 2026 mais críticas, a homogeneização das marcas.

O que passa a diferenciar as organizações não é mais a capacidade de produzir, mas a capacidade de escolher. Identidade, gosto, narrativa e coerência se tornam ativos estratégicos.

A cultura deixa de ser um discurso e passa a ser um sistema. Se não deixa marca, não sustenta valor. O gosto, entendido como a capacidade de avaliar e decidir o que representa a empresa, se torna uma competência essencial.

O propósito também muda de lugar. Sai do discurso e vai para a prática. Ele passa a estar nos contratos, nos processos, nas decisões e na forma como a empresa opera no dia a dia.

Outro ponto importante é a participação das pessoas. Cultura não se constrói apenas com comunicação interna, mas com envolvimento real. Quando as pessoas deixam de ser espectadoras e passam a ser coautoras, a cultura ganha força.

Um teste simples ajuda a medir isso: se você retirar o logo da empresa e o conteúdo parecer genérico, a diferenciação já foi perdida.

Saúde e bem-estar: a economia do cérebro e da conexão 

As tendências de RH 2026 ampliam o conceito de saúde dentro das organizações. Não se trata mais apenas de saúde física ou mental. Surge a saúde social como um pilar estratégico.

A qualidade das conexões humanas passa a impactar diretamente a performance, a retenção e a criatividade. Ao mesmo tempo, cresce o risco da substituição dessas conexões por interações com tecnologia.

Ambientes de trabalho começam a ser desenhados para estimular encontros, trocas e convivência. O espaço físico deixa de ser apenas funcional e passa a ser parte da estratégia de gestão de pessoas.

Curiosamente, há também um movimento de retorno ao analógico. Ferramentas simples, como escrita manual e encontros presenciais, voltam a ganhar relevância como forma de equilibrar o excesso de estímulos digitais.

A lógica de benefícios também evolui. Sai o modelo reativo, focado em tratar problemas, e entra uma abordagem preventiva, voltada para vitalidade, energia e qualidade de vida.

O que permanece humano na era da inteligência artificial

Diante de todas essas transformações na área de recursos humanos, uma pergunta central surge: o que sobra quando a tecnologia faz tudo?

A resposta está no humano. Julgamento, intencionalidade, criatividade, conexão e sabedoria são elementos que continuam sendo decisivos. A tecnologia amplia a capacidade, mas não define a direção.

São as pessoas que continuam decidindo quais problemas valem a pena resolver, quais caminhos seguir e quais valores preservar.

Reflexões finais: tendências de RH 2026 e o futuro das organizações

As tendências de RH 2026 não são apenas uma atualização de práticas. São um convite à escolha.

As empresas podem automatizar tudo e se tornarem indiferenciadas, ou podem usar a tecnologia para potencializar aquilo que nenhuma máquina replica: o humano.

O RH, nesse cenário, assume um papel estratégico na construção de futuro. Mais do que implementar ferramentas, passa a ser responsável por proteger o pensamento crítico, sustentar a cultura, desenhar sistemas mais inteligentes e garantir que a tecnologia não elimine aquilo que torna as organizações únicas.

No fim, a vantagem competitiva não estará na eficiência. Estará na qualidade das decisões e na capacidade de manter o humano no centro.

Aprofunde-se nas tendências de RH 2026 e entenda como aplicá-las na prática. Confira o material completo com análises, exemplos e caminhos acionáveis: https://lp.interney.net/rh-2026-sxsw

Prepare sua equipe para as transformações do trabalho com inteligência e estratégia

Conte comigo para orientar sua equipe no uso da IA de forma estratégica, conectada às reais necessidades do seu negócio. Conheça meus treinamentos, palestras e mentorias, criados para desenvolver competências reais para o futuro do trabalho.

• Palestras sobre Inteligência Artificial, inovação e tecnologia
• Cursos de Atualização Profissional
• Cursos na ESPM