A discreta equipe da IA

São 7h13 de uma terça-feira, e o celular de Maria já vibrou seis vezes.

Ela ignora.

O café ainda não está pronto.

Maria é dona de uma pequena gráfica e estúdio de design no Queens, o que significa que, antes das oito da manhã, geralmente alguém está tentando imprimir alguma coisa que deveria ter ficado pronta ontem.

São seis funcionários, duas impressoras de grande formato, uma plastificadora que funciona maravilhosamente bem, exceto quando alguém está com pressa, e uma máquina de corte com a estabilidade emocional de um ator substituto da Broadway.

A caixa de entrada de Maria tem trinta e sete mensagens novas.

Um cliente quer 250 cardápios de restaurante até sexta-feira.

Outro enviou o projeto de um banner em um JPEG aparentemente fotografado da tela do computador de outra pessoa.

Um fornecedor mudou um preço.

Um cliente cujo pedido fica pronto amanhã ainda não enviou a arte final.

E alguém mandou uma mensagem com o título:

URGENTE!!!!!!

O que, pela experiência de Maria, pode significar qualquer coisa entre “o casamento é amanhã” e “dá para aumentar o logotipo em duas polegadas?”.

Inteligência artificial não é o hobby de Maria.

Sobreviver à terça-feira, sim.

Enquanto o café passa, uma das novas mensagens é processada discretamente.

Oi, vocês conseguem imprimir 250 destes até sexta? Igual à última vez, só que maior. Logotipo em anexo.

Há três arquivos.

Naturalmente, nenhum tem um nome útil.

Um se chama:

FINAL_USE_THIS_ONE_7_NEW.pdf

Um programa verifica os anexos.

Uma imagem é pequena demais.

Falta uma fonte.

As dimensões não correspondem ao trabalho anterior.

Então um modelo de IA lê a mensagem do cliente e percebe algo que o verificador de arquivos não consegue perceber.

A frase:

“Igual à última vez, só que maior”

é ambígua.

Da última vez, o cliente pediu dois tamanhos diferentes.

Então o sistema não adivinha. Não libera o trabalho para produção.

Ele acrescenta um item ao painel da manhã de Maria:

É preciso esclarecer: qual dos tamanhos anteriores deve ser ampliado?

Nenhum poema foi escrito.

Nenhum grande mestre de xadrez foi derrotado.

Nenhum robô anunciou a chegada da inteligência artificial geral.

Mas Maria evitou imprimir 250 cardápios errados antes do café da manhã.

Essa pode acabar sendo uma das maneiras mais importantes de a inteligência artificial mudar o trabalho comum.

Não uma máquina enorme fazendo truques espetaculares.

Muitas pequenas peças de inteligência eliminando discretamente os atritos de uma terça-feira qualquer.

A IA com quem você nunca conversa

Quando a maioria das pessoas imagina inteligência artificial, imagina uma conversa.

Há uma caixa na tela.

Você digita:

Explique minha apólice de seguro.

A máquina explica.

Você digita:

Corrija esta função em Python.

Ela corrige a função — ou, de vez em quando, transforma o problema em outro mais sofisticado.

Essa é a revolução visível da IA.

Ela fala.

Mas boa parte da IA útil dentro das empresas talvez nunca converse com ninguém.

Uma mensagem chega. Algo a classifica.

Um documento aparece. Algo extrai informações dele.

Uma arte é enviada. Algo a verifica.

Um fornecedor muda um preço. Algo percebe.

A tarefa aparece, é resolvida e desaparece.

Ninguém pergunta ao sistema qual é o sentido da vida.

Ninguém dá uma personalidade a ele.

Ele simplesmente faz um pequeno trabalho que, de outra forma, teria parado na mesa de alguém.

Maria não planejou construir um sistema assim.

Acabou chegando a ele quase sem querer.

Maria não planejava virar uma pessoa de IA

Maria tinha um namorado.

Ele não era pesquisador de inteligência artificial.

Era apenas uma daquelas pessoas que consideram uma noite de sábado perfeitamente boa uma excelente oportunidade para reinstalar o Linux.

Ele montava computadores para jogos, fazia experiências com servidores e, recentemente, havia adquirido o hábito de baixar modelos de IA para ver o que sua placa de vídeo conseguia rodar.

Certa noite, Maria estava reclamando da gráfica.

Ela tinha passado meia hora procurando um pedido antigo porque o cliente não lembrava qual tamanho havia pedido.

Depois, outro cliente enviou uma arte com a resolução errada.

Depois, alguém pediu um orçamento usando a expressão:

“mais ou menos deste tamanho”

sem fornecer medida alguma.

Às cinco horas, Maria já tinha respondido mensagens, verificado arquivos, aprovado uma prova, ligado para um fornecedor, encontrado uma fatura perdida, resolvido um problema de produção e, de alguma forma, ainda não tinha feito o que realmente planejava fazer naquele dia.

O namorado ouviu.

“Você poderia automatizar parte disso.”

Maria olhou para ele.

“Com o quê?”

“IA.”

Um olhar mais demorado.

“Não vou pagar vinte assinaturas de IA.”

“Não precisa.”

Isso chamou a atenção dela.

Porque muitos modelos de IA já podem ser baixados gratuitamente e executados no próprio computador, sem pagar pelo modelo nem pelos tokens.

Outra pessoa já fez a parte cara: treinar o modelo.

Maria não precisa criar uma rede neural do zero nem sequer entender como ela funciona por dentro.

Ela pode baixar o modelo pronto.

É uma frase estranha, se você parar para pensar.

Um modelo com bilhões de parâmetros aprendidos pode chegar a um computador comum na forma de arquivos.

Há alguns anos, isso pareceria assunto de laboratório de pesquisa.

Hoje as pessoas fazem isso em casa.

Muitas vezes em placas de vídeo compradas originalmente para deixar as explosões dos jogos mais convincentes.

Comprando um cérebro

O namorado de Maria abriu um catálogo de modelos.

Na tela havia nomes como:

Qwen 8B Instruct Q4_K_M

Qwen 8B Instruct Q5_K_M

Llama 8B Instruct Q8_0

Mistral 7B Q4_K_M

Maria ficou olhando.

“Qual deles?”

O namorado, que até aquele exato momento estava muito confiante, olhou para o teto.

“Bom…”

Essa é a cerimônia tradicional de iniciação na IA local.

Você começa com:

Vou baixar uma IA.

Cinco minutos depois, está comparando Q5_K_M com Q6_K e se perguntando em que momento se matriculou em uma faculdade de engenharia.

Felizmente, os nomes são menos misteriosos do que parecem.

Veja:

Qwen 8B Instruct Q5_K_M

A primeira parte é a família do modelo.

8B significa aproximadamente oito bilhões de parâmetros.

Parâmetros são valores numéricos aprendidos dentro da rede neural. Muitos deles são o que chamamos de pesos.

Não precisamos nos aprofundar nos pesos aqui. Isso merece uma história própria.

Para Maria, a ideia importante é simples: o modelo contém bilhões de relações numéricas aprendidas que moldam suas respostas.

Nenhum parâmetro isolado sabe o que é um cardápio de restaurante.

Nenhum número específico contém um parágrafo armazenado sobre impressão.

A capacidade surge da rede como um todo.

Oito bilhões parece enorme.

É enorme.

E, na IA moderna, oito bilhões de parâmetros ainda podem descrever um modelo relativamente compacto.

Maior não é automaticamente melhor

No catálogo, Maria também vê modelos muito maiores.

Isso significa que são melhores?

Às vezes.

Mas primeiro vale perguntar:

Melhores para quê?

Suponha que Maria precise entregar uma pequena caixa de folhetos impressos a um cliente a seis quarteirões de distância.

Ela pode enviar um entregador de bicicleta.

Ou pode enviar um caminhão.

O caminhão é mais potente.

Pode transportar muito mais.

Mas, agora, há apenas uma pequena caixa para entregar.

Então a pergunta não é:

Qual veículo é mais potente?

É:

Qual é mais adequado para esta entrega?

Com IA acontece a mesma coisa.

Maria não precisa de um modelo gigantesco para entender o que chegou à sua caixa de entrada: uma fatura, um novo pedido ou uma pergunta sobre entrega.

A pergunta útil é:

Qual modelo consegue realizar essa tarefa e funcionar bem no computador dela?

A segunda parte da pergunta importa.

Porque Maria pretende executar o modelo no próprio computador.

Instruct, quantização e o sofá

A palavra Instruct informa a Maria que o modelo recebeu treinamento adicional para seguir instruções.

Um modelo base pode saber muito sobre linguagem sem se comportar como um assistente útil.

De maneira bem simplificada:

O modelo base foi para a universidade.

O modelo Instruct foi para a universidade e depois fez um treinamento de atendimento ao cliente.

Maria queria o segundo.

Então veio:

Q5_K_M

O namorado apresentou outro alegre termo de IA:

“Quantização.”

A ideia assusta menos do que a palavra.

Os pesos do modelo são números, e números podem ser armazenados com diferentes níveis de precisão.

Se eu perguntar a distância aproximada entre Nova York e Filadélfia, “cerca de noventa e cinco milhas” pode ser perfeitamente suficiente.

Você provavelmente não precisa de nove casas decimais.

A quantização usa técnicas matemáticas para representar os pesos do modelo com menos precisão, consumindo menos memória.

É por isso que o mesmo modelo pode aparecer como Q8, Q6, Q5, Q4 e outras variações.

Maior precisão geralmente usa mais memória.

Menor precisão geralmente usa menos.

Os detalhes dessas escolhas podem ficar técnicos muito rapidamente.

Maria não precisava conhecer todos.

Precisava saber qual versão funcionaria na máquina dela.

Sua placa de vídeo tinha uma quantidade fixa de Video Random Access Memory, ou VRAM.

Suponha que o arquivo de um modelo quase preencha toda essa memória.

Tecnicamente, o modelo cabe.

Na prática, isso pode ser um desastre.

O modelo também precisa de espaço para trabalhar: contexto, buffers temporários e um Key-Value Cache, geralmente chamado de cache KV, que guarda informações úteis dos tokens já processados.

Imagine se mudar para um apartamento pequeno e comprar um sofá enorme.

Depois de muito esforço e de algumas palavras impróprias para publicação, o sofá passa pela porta.

Sucesso.

Então você descobre que ele ocupa a cozinha, o banheiro e quase todo o corredor.

Tecnicamente, o sofá cabe.

Na prática, o apartamento deixou de funcionar.

A IA local tem o mesmo problema.

A verdadeira pergunta não é:

O modelo cabe?

É:

O modelo cabe e ainda sobra espaço suficiente para trabalhar?

Maria entendeu imediatamente.

Não porque conhecesse a arquitetura de memória dos Transformers.

Porque entendia de sofás.

Às vezes, a IA mais inteligente não é IA

Assim que Maria colocou um modelo para funcionar, surgiu outra tentação.

Se a IA consegue fazer tudo isso, por que não deixá-la fazer tudo?

Porque, às vezes, um modelo muito inteligente é a ferramenta mais burra que se pode escolher.

Um arquivo de impressão precisa ter exatamente 4.500 por 5.100 pixels.

Maria não precisa de um modelo de linguagem que examine a imagem e reflita filosoficamente sobre se ela parece aproximadamente correta.

Um pequeno programa em Python consegue ler as dimensões exatas.

Ou correspondem ou não correspondem.

O mesmo vale para muitas tarefas empresariais.

Se Maria precisa de uma porcentagem exata, use código.

Se precisa recuperar um registro exato de cliente, use uma base de dados.

Se precisa entender:

“Use o logotipo antigo, mas deixe o azul mais parecido com o da placa lá fora”,

aí a IA se torna útil.

Os melhores sistemas não substituem cada programa comum por uma rede neural.

Eles combinam ferramentas exatas com IA onde a interpretação é realmente necessária.

Esse princípio se tornaria importante muito rapidamente.

Um modelo ainda não é um trabalhador

O modelo local de Maria conseguia responder perguntas.

Conseguia ler um e-mail.

Conseguia resumir um documento.

Mas logo Maria descobriu uma limitação óbvia.

Ela ainda precisava dizer o que ele deveria fazer.

Se a cada vinte minutos ela tivesse que se sentar e digitar:

Leia estas mensagens.

depois:

Verifique estes arquivos.

depois:

Procure este pedido antigo.

depois:

Consulte este fornecedor.

ela não teria realmente automatizado a gráfica.

Teria apenas adquirido um programa brilhante que exigia supervisão contínua.

O namorado apresentou a próxima peça.

Programas como OpenClaw e Hermes Agent pertencem a uma categoria geralmente chamada de frameworks de agentes.

Um modelo de linguagem fornece o raciocínio.

O framework de agentes dá a esse raciocínio acesso controlado a coisas externas: arquivos, navegadores, bases de dados, código, memória e outras ferramentas.

Também pode dividir uma tarefa maior em outras menores e criar subagentes temporários para executá-las.

Foi aí que o modelo de Maria parou de parecer um chatbot.

Começou a parecer um sistema.

Segunda-feira de manhã: 37 mensagens

Eles começaram pela caixa de entrada de Maria.

A instrução para o agente principal era simples:

Revise as mensagens dos clientes desta manhã. Separe novos pedidos, perguntas sobre o andamento dos pedidos, solicitações de orçamento, problemas com artes, faturas e qualquer coisa incomum. Mostre apenas o que precisa da minha atenção.

O agente poderia executar toda a tarefa sozinho.

Mas também poderia delegar uma parte específica:

Classifique estas mensagens. Retorne o número da mensagem, a categoria e uma justificativa de uma frase. Não responda aos clientes.

Um subagente recebe esse trabalho em um contexto novo.

Ele não precisa das informações sobre os fornecedores de Maria.

Não precisa da conversa de ontem sobre a produção.

Não precisa saber qual impressora está dando problema.

Tem uma tarefa.

Quando termina, o agente principal recebe um resultado curto:

14 perguntas comuns sobre o andamento de pedidos
8 solicitações de orçamento
6 revisões de artes
3 faturas
4 mensagens que precisam de análise
2 prováveis mensagens de spam

A sessão temporária pode agora desaparecer.

A parte importante não é a palavra subagente.

A parte importante é que o sistema principal de Maria não precisa engolir cada detalhe de cada pequeno trabalho.

Pode enviar uma tarefa limitada e receber de volta o resultado útil.

O mesmo modelo por baixo, se necessário.

Outra mesa.

Outra pasta.

Outro trabalho.

Chega um pedido de verdade

Alguns dias depois, aparece uma solicitação mais interessante.

A Rivera Events precisa de 500 cartazes até sexta-feira.

O cliente diz que a prova já foi aprovada.

A produção precisa de material fosco suficiente.

A arte deve corresponder à versão aprovada.

Maria pede:

Verifique o pedido da Rivera. Diga se há algo impedindo a produção.

Agora o agente tem um trabalho real com várias etapas.

Ele o divide.

Um subagente verifica o histórico do pedido e encontra a aprovação mais recente do cliente.

Outro examina a arte e usa código comum para confirmar as dimensões e a resolução.

Outro verifica o estoque.

Faltam dois rolos.

Essa tarefa continua nos sites dos fornecedores.

O navegador encontra quatro rolos disponíveis na Atlantic Paper.

O Python calcula a quantidade necessária e a diferença de preço.

Os resultados voltam ao agente principal:

Arte: APROVADA
Última prova: APROVADA
Estoque: faltam 2 rolos
Atlantic Paper: 4 rolos disponíveis
Ação necessária: aprovação da compra de material

Maria não recebe três transcrições de subagentes e vinte páginas de texto de sites.

Ela recebe:

O pedido da Rivera está pronto, faltando apenas aprovar a compra do material.

Isso é orquestração.

Não uma força de trabalho mística de IA.

Um objetivo maior é dividido em trabalhos menores. Ferramentas diferentes executam as partes para as quais são adequadas. Os resultados voltam a se reunir.

O modelo de linguagem cuida da ambiguidade e do planejamento.

O Python cuida dos cálculos exatos.

A base de dados lembra.

O navegador busca.

Maria toma a decisão que importa.

Então o site começou a responder

Quando o fluxo interno funcionou, Maria experimentou algo visível.

O site da gráfica já tinha uma caixa de bate-papo.

A maioria das perguntas era maravilhosamente pouco original:

Quais formatos de arquivo vocês aceitam?

Vocês imprimem cartazes de 24 × 36 polegadas?

Vocês imprimem em placas de espuma?

Onde está meu pedido?

Um agente de atendimento ao cliente poderia responder usando as informações do negócio aprovadas por Maria.

Ele poderia consultar o andamento de um pedido depois de verificar seu número e confirmar que o cliente tinha autorização para visualizar aquele pedido.

Mas tinha limites.

Podia explicar os prazos normais.

Não podia inventar uma garantia de entrega.

Podia descrever a política de reembolso.

Não podia inventar uma nova.

Podia responder perguntas comuns às onze e meia da noite.

Se o cliente perguntasse algo fora de sua autoridade, a conversa passaria para Maria.

Essa foi uma lição importante.

Dar mais ferramentas a uma IA a torna mais útil.

Também torna as permissões mais importantes.

A pergunta deixa de ser apenas:

O que o modelo consegue fazer?

Passa a ser:

O que o modelo tem permissão para fazer?

Maria não via problema algum em deixar um programa informar a um cliente quais formatos de arquivo a gráfica aceita.

Tinha bem menos interesse em permitir que ele negociasse uma disputa sobre um pedido de 4.000 dólares enquanto ela dormia.

O trabalho de quinta-feira de que ninguém sentiu falta

Maria também tinha um ritual de que não gostava.

Toda quinta-feira, verificava os principais fornecedores.

Papel.

Vinil.

Placas de espuma.

Preços.

Disponibilidade.

Não era um trabalho difícil.

Esse era o problema.

Trabalho difícil pode ao menos ser interessante.

Aquilo era abrir sites, encontrar os mesmos produtos, ler números e fazer tudo de novo.

O agente recebeu uma tarefa delimitada:

Verifique estas páginas de fornecedores aprovados. Compare nossos cinco materiais padrão com os valores da base de dados de fornecedores. Não compre nada. Informe apenas mudanças de preço ou disponibilidade.

O navegador coletou as informações atuais.

O Python comparou os preços.

O agente retornou:

Atlantic Paper: rolo fosco de 36 polegadas, +6,34%
Metro Supply: material brilhante indisponível
Nenhuma outra mudança.

Maria não precisava mais verificar quinze páginas para descobrir que treze não haviam mudado.

Lia duas linhas.

Ninguém na gráfica sentiu falta do processo antigo.

O que Maria realmente comprou

A essa altura, o sistema de Maria parece bastante elaborado.

Há um modelo local, um ambiente de execução de inferência, um framework de agentes como OpenClaw ou Hermes, Python, uma base de dados, ferramentas de navegador e alguns pequenos scripts.

Mas boa parte do software básico pode ser baixada e usada gratuitamente.

E há outra diferença em relação a como um projeto desses seria há não muito tempo.

Maria não precisa saber montar o sistema inteiro antes de começar.

Ela pode abrir o ChatGPT, o Claude ou outro assistente de IA capaz e descrever o que está tentando fazer:

“Tenho este computador e este modelo local. Quero que o OpenClaw permita que ele trabalhe com arquivos de clientes, guarde algumas informações em uma base de dados e crie subagentes para certas tarefas. Como devo configurar isso?”

A IA pode orientá-la durante o processo.

Pode explicar o que precisa ser instalado, fornecer comandos de terminal, mostrar onde colocar as configurações e ajudar a diagnosticar erros.

E se Maria precisar de um pequeno programa personalizado, não precisa começar aprendendo Python.

Pode dizer:

“Escreva um script que verifique todas as imagens desta pasta e sinalize qualquer uma menor que 4.500 por 5.100 pixels.”

A IA pode escrever a primeira versão.

Maria a executa.

Se der errado, ela cola o erro de volta na conversa.

“O que aconteceu?”

A IA explica e revisa o código.

Se Maria não entender o que está prestes a executar, pode perguntar:

“Explique isso linha por linha em linguagem comum.”

Código gerado ainda precisa ser testado. Qualquer coisa que mexa com arquivos importantes, dinheiro, dados de clientes ou sistemas de produção merece permissões sensatas e atenção humana.

Mas a porta de entrada mudou.

Maria não precisa mais começar com:

Preciso aprender Linux, Python, bases de dados, APIs e frameworks de agentes.

Pode começar com:

É isto que eu quero que o computador faça.

É um ponto de partida radicalmente diferente.

A IA não é apenas parte do sistema que Maria está construindo.

Pode ajudá-la a construí-lo.

Experimentos baratos se somam

É aqui que a economia fica interessante.

Maria não precisa de um grande “projeto de transformação com IA”.

Pode começar com uma coisa que incomoda.

Depois outra.

O sistema consegue classificar estas mensagens?

Experimente.

Consegue detectar a falta de arquivos de arte?

Experimente.

Consegue comparar preços de fornecedores?

Experimente.

Consegue preparar um relatório matinal?

Experimente.

Alguns experimentos serão inúteis.

Apague-os.

Outros economizam trinta segundos.

Trinta segundos não parecem revolucionários.

Mas o negócio de Maria contém centenas de tarefas repetitivas.

Suponha que uma pequena tarefa leve três minutos e que a automação reduza a parte humana a trinta segundos.

A economia é de dois minutos e meio.

Faça isso quatrocentas vezes e terá economizado mil minutos — mais de dezesseis horas.

A tarefa individual nunca se tornou impressionante.

Tornou-se frequente.

É assim que o software muda as empresas.

Nem sempre eliminando um problema gigantesco.

Às vezes tornando mil pequenos problemas um pouco menores.

A questão é a escala

Maria acabou deixando de se importar com a expressão “inteligência artificial”.

O que importava era a capacidade.

Mais pedidos recebidos podiam ser organizados.

Mais artes podiam ser verificadas.

Mais informações de fornecedores podiam ser acompanhadas.

Mais perguntas de clientes podiam ser respondidas.

Mais informações podiam circular pela gráfica sem Maria participar pessoalmente de cada etapa.

É isso que escala significa aqui.

Não significa que a empresa fique enorme por mágica.

Significa que a quantidade de trabalho que a empresa consegue atender não precisa crescer exatamente no mesmo ritmo do esforço administrativo.

A impressão física ainda leva tempo.

Alguém ainda precisa carregar o material.

As máquinas ainda têm velocidades máximas.

As caixas ainda precisam sair do prédio.

A IA não abole a física.

Mas uma quantidade surpreendente do trabalho em torno desses processos físicos é informação.

Leia isto.

Verifique aquilo.

Encontre este pedido.

Compare estes números.

Pergunte ao cliente.

Consulte o fornecedor.

Resuma o resultado.

Essa camada de informação pode se tornar muito mais flexível.

E, para uma empresa pequena, isso pode mudar a velocidade com que o restante do negócio consegue crescer.

Quando a IA se torna a IA de Maria

O modelo Qwen no computador de Maria não é único.

Milhares de outras pessoas podem baixar o mesmo modelo.

O que torna o sistema de Maria pessoal é tudo o que ela vai construindo ao redor dele.

Seus cadastros de clientes.

Sua lista de fornecedores.

Seus pedidos anteriores.

Suas regras de negócio.

Seus documentos.

Suas ferramentas.

Suas permissões.

Seus processos de trabalho.

Sua memória acumulada.

A inteligência geral vem do modelo.

A utilidade específica vem do ambiente.

Essa é a ideia mais profunda por trás da IA pessoal.

Duas pessoas podem ter exatamente o mesmo modelo e terminar com sistemas que se comportam de maneiras completamente diferentes porque vivem em mundos diferentes.

Um pode organizar uma gráfica.

Outro pode ajudar a administrar um laboratório.

Outro pode pesquisar investimentos.

Outro pode cuidar de um servidor doméstico.

O modelo é o ponto de partida.

O ambiente dá vida a ele.

De volta à manhã de Maria

Agora são 8h04.

Maria finalmente se senta.

Seu café sobreviveu.

Enquanto ela se preparava, o sistema da gráfica processou a caixa de entrada da manhã, verificou as artes recebidas, associou vários pedidos a registros anteriores, percebeu uma mudança de preço de fornecedor, respondeu perguntas comuns no site e interrompeu um trabalho de produção porque a compra do material ainda precisava de aprovação.

O cliente do restaurante ainda não explicou o que significa “igual à última vez”.

Alguns problemas continuam teimosamente humanos.

Maria abre o painel.

Não vê cada mensagem, cada verificação de arquivo, cada página do navegador, cada consulta à base de dados nem cada sessão temporária de subagente.

Vê quatro coisas que precisam de uma decisão.

Esse é o produto.

Não o modelo.

Não o OpenClaw.

Não o Python.

Não o navegador.

Não a base de dados.

O resultado útil é que Maria começa a manhã com quatro decisões em vez de quarenta e sete tarefas.

A maquinaria por baixo pode continuar invisível.

Do computador pessoal à inteligência pessoal

Houve um tempo em que a expressão computador pessoal parecia estranha.

Computadores pertenciam a governos, universidades e grandes empresas.

Então a computação ficou barata e pequena o suficiente para caber em uma mesa comum.

Quando isso aconteceu, as pessoas descobriram usos antes difíceis de imaginar: escrita, publicação, fotografia, música, jogos, comunicação, programação e negócios inteiros.

A inteligência artificial talvez esteja fazendo um movimento parecido agora.

Hoje, a maioria das pessoas ainda vive a IA como um lugar que visita.

Abra um navegador.

Entre no ChatGPT, no Claude ou em outro serviço.

Pergunte alguma coisa.

Feche a aba.

A IA local oferece outra maneira de usar a inteligência artificial.

O modelo pode morar na sua própria máquina. Um programa de agentes pode conectá-lo aos seus arquivos, ferramentas, bases de dados, navegador, memória e processos de trabalho. Quando surgir uma tarefa maior, o sistema pode dividi-la em tarefas menores, executar as ferramentas necessárias, reunir os resultados e devolver o que importa.

E esse sistema não precisa permanecer para sempre como era no primeiro dia.

No início, organizar os e-mails da manhã já bastava para Maria.

Depois, ela acrescentou a verificação de artes, a busca de pedidos e o acompanhamento dos fornecedores.

Se as tarefas ficarem mais complexas, ela pode adicionar ferramentas, conectar um modelo mais capaz, se o computador permitir, ou escolher um programa de agentes com mais recursos.

Isso não significa necessariamente começar do zero.

Os documentos de Maria, a base de pedidos e as regras da gráfica continuam necessários. Um novo assistente pode trabalhar com eles no mesmo ambiente, depois de configurar as conexões e as permissões de acesso.

O sistema pode crescer junto com o negócio dela.

E Maria não precisa acompanhar cada ação que acontece dentro dele.

Talvez essa seja a questão.

Durante a maior parte da história da computação, um computador pessoal deu a uma pessoa acesso a programas.

O próximo passo pode ser um computador que também dê a essa pessoa inteligência sob demanda.

Não uma sala cheia de robôs de desenho animado sentados em mesinhas.

Algo mais discreto.

Modelos, agentes, ferramentas, navegadores, bases de dados e código comum trabalhando juntos quando necessário.

Na maior parte do tempo, talvez você nem perceba nenhum deles.

Você simplesmente chegará de manhã, tomará um gole de café, olhará para a tela —

e descobrirá que a parte chata já está pronta.