É razoável perguntar, antes de confiar em qualquer afirmação de “IA que aprende o seu negócio”: aprende-o como, exatamente, e como é que alguém saberia se de facto funcionou? Na maior parte das vezes, a resposta honesta é que não funciona. O modelo é o mesmo modelo no primeiro dia e no trecentésimo dia, e qualquer sensação de melhoria é, na realidade, apenas o facto de se ter tornado melhor a formular pedidos.
Queríamos uma resposta real para o nosso próprio produto, não uma confortável. Por isso testámo-lo de duas formas diferentes.
O caminho lento: uma empresa simulada, doze meses
A AlphaForge é um estúdio de marca que usamos como simulação: um arco realista de doze meses executado sobre o produto ao vivo, com documentos reais e padrões de uso reais, apesar de não ser um cliente pagante. No início, a mesma pergunta, “quanto devemos cobrar por um projeto como este”, obtinha uma resposta genérica, porque ainda não havia nada no Vault em que a basear.
Seis semanas depois, sempre que a fundadora efetivamente se sentava para o fazer, não segundo um calendário fixo, chegou o primeiro Alignment mensal estruturado. Nessa altura, o Vault na verdade não partia do zero: notas em bruto e a atividade que já se estava a acumular do trabalho real com clientes tinham vindo a acumular-se silenciosamente todo esse tempo. O Alignment deu forma a isso. Da próxima vez que a questão dos preços surgiu, a resposta foi diferente: fazia referência a uma filosofia de preços efetivamente documentada, mencionava um cliente recente específico pelo nome, recuperava uma metodologia registada uma vez, numa nota em bruto de cinquenta palavras, semanas antes. No sexto mês, citava padrões de quatro projetos passados e uma observação específica da equipa sobre como se comporta um determinado tipo de cliente. No décimo segundo mês, redigir uma proposta que costumava demorar seis horas passou a demorar quarenta e cinco minutos, não porque alguém escrevesse mais depressa, mas porque o sistema já conhecia o âmbito, as objeções e a linguagem que costuma funcionar.
Esse é o mecanismo, dito com simplicidade: cada Alignment mensal, cada observação da equipa, cada padrão de proposta, e a atividade diária comum pelo meio, é escrito no Vault, e cada resposta futura é montada com esse histórico como contexto de base. Mais acumulação também não significa respostas mais ruidosas. A Curatoria, o próprio agente de manutenção do Vault, cura e resume à medida que cresce, arquivando em vez de eliminar, sempre com aprovação humana primeiro. Não é um modelo maior. É o mesmo modelo com um lugar real, e cada vez melhor cuidado, onde consultar as coisas.
O caminho rápido: um mês controlado, verificado com uma conta real
A história de doze meses é convincente, mas lenta de verificar de forma independente. Por isso também executámos algo mais rápido e mais frio: uma simulação de um mês totalmente controlada. Quatro pessoas, uma fundadora, três membros da equipa, pedidos reais, conversas reais com clientes, propostas reais, cada interação de IA, sem exceção, uma chamada genuína a um modelo ao vivo, não um guião a recitar respostas pré-escritas.
Saíram daí duas coisas.
O custo foi negligenciável. Verificámos a conta de IA antes e depois. O mês simulado inteiro, equipa de quatro pessoas, custou menos de um dólar, no total, não por utilizador. O receio de que as funcionalidades de IA se tornem silenciosamente uma segunda subscrição cara não se sustenta a esta escala, mesmo multiplicado generosamente para uma equipa muito mais ocupada.
A honestidade aguentou-se sob pressão, e é essa a parte que realmente nos importa. No fim desse mês, pedimos à camada de revisão estratégica do sistema que olhasse para trás, para o que tinha acontecido. Tinham sido redigidas e aprovadas sete propostas, um mês que no papel parecia ocupado. Uma ferramenta construída para o manter envolvido teria chamado a isso um mês excelente. A nossa não:
“Seis meses depois, a empresa ainda só está a escrever propostas… Ilusão de pipeline: um alto volume de rascunhos aprovados cria um sinal falso de progresso enquanto não se materializa nem receita nem trabalho com clientes.”
Ninguém lhe pediu para encontrar um problema. Olhou para o padrão real, rascunhos a aumentar, nada a converter-se em trabalho pago, e disse-o, com simplicidade, numa linguagem que deixaria qualquer pessoa ligeiramente desconfortável ao ler isso sobre o seu próprio mês. Esse desconforto é o objetivo. Um sistema que só diz boas notícias na verdade não está a prestar atenção.
Porque é que isto importa mais do que o número de destaque
Seria fácil começar com “a nossa IA fica mais inteligente ao longo do tempo” e ficar por aí, porque essa é a versão confortável. A versão menos confortável, mais útil, é: um sistema de memória só merece confiança se também estiver disposto a ser aquele que lhe diz algo que não queria ouvir. Construímos a acumulação especificamente para que o sistema tivesse histórico real suficiente para notar padrões como “isto continua a não converter”, não apenas para soar mais impressionante numa chamada de vendas.
A aposta por trás da acumulação
Há uma questão maior por baixo de tudo isto, que vale a pena dizer com clareza: o que acontece quando cada negócio começa a funcionar sobre uma IA treinada para dar a todos, mais ou menos, a mesma resposta? Uma IA genérica por defeito não arrisca apenas estar errada às vezes. Arrisca fazer com que todo o negócio que dependa dela comece a parecer igual, a soar igual, a tomar as mesmas decisões, porque o modelo não tem memória do que realmente torna esta empresa diferente da do lado.
A aposta por trás da acumulação da Craft11 vai no sentido contrário. Não um modelo maior a dar respostas genéricas mais inteligentes, mas o mesmo modelo com um lugar real, específico e privado onde consultar as coisas, que aprende com um negócio em vez de aprender apenas sobre negócios em geral, suficientemente barato para que o seu funcionamento nunca seja um compromisso. Menos de um dólar por um mês de uso real não é só um número bonito. É o que torna possível dar a uma equipa pequena o tipo de memória institucional estruturada que antes só as grandes empresas conseguiam pagar, sem as sobrecarregar por esse privilégio.
É também por isso que a IA aqui nunca foi pensada como o ponto final. É o ponto de partida. Imagine cinquenta empresas diferentes a usar a Craft11 em cinquenta setores diferentes, daqui a três ou cinco anos. A interface vai parecer quase idêntica nos cinquenta ecrãs. O que está realmente dentro de cada uma, a filosofia de preços, os padrões de clientes, as centenas de pequenas decisões de critério acumuladas um Alignment mensal de cada vez, não terão nada em comum. É esse o objetivo, não um efeito secundário. A IA aqui destina-se a apoiar a diversidade de como cinquenta líderes diferentes escolhem gerir os seus negócios, não a achatá-la numa única “melhor prática” para a qual todos são empurrados. A acumulação é o produto. A IA é apenas o que torna a acumulação possível.
Doze meses da história da AlphaForge mostram como é essa acumulação vista de dentro. Um mês real de simulação verificada com uma conta mostra quanto custa e se se mantém honesta sob pressão. Preferimos mostrar-lhe as duas coisas do que pedir-lhe que aceite qualquer uma delas apenas pela fé.