👋🏼 Olá!! Essa é uma edição de free da Offload, a newsletter para profissionais e empresas prosperarem na era da inteligência artificial.

Algumas coisas importantes estão mudando por aqui:

Idioma

Os textos dessa news eram em inglês. Por que? Inglês é mais sucinto, a origem de muito conteúdo importante de IA é em inglês, bem como todas as siglas são em inglês. Por isso, a escolha inicial.

Mas agora, estou fazendo esse teste para o português por um motivo que considero muito importante: facilidade de leitura.

Formato

Nas últimas edições, percebi que o conteúdo começou a ficar longo e técnico demais. Não é o propósito destas edições. Eu quero fazer edições mais densas mas, estas daqui devem ser leves e rápidas.

Por isso, decidi quebrar em duas edições semanais. Me fala o que acha na seção de feedback? Não se acanhe …

Nessa daqui, você encontra👇🏼

-Offload This-

Nos últimos meses, a quantidade de pitches, notícias e decks que começam com “uma empresa movida por IA” atingiu níveis astronômicos (não confundir com “Astronomer” … esse é outro assunto pop da semana).

O entusiasmo é compreensível, afinal, estamos vivendo um momento de virada de uma tecnologia incrível. Mas também estamos vendo um velho erro se repetir com um novo disfarce.

Lembra da era do "big data"?

Lá por 2015, toda matéria de tech era assim: “Startup brasileira usa big data para revolucionar o setor de logística.” Agora, é só trocar “big data” por “inteligência artificial” e temos a manchete de 2025.

O problema? Assim como aconteceu com o big data, muita gente está tratando a IA como proposta de valor em si. E não é.

Este post abaixo do David Bland ajuda bastante a entender a ideia, por meio de um business model canvas (framework muito útil para entender qualquer negócio).

E ele está certo por um motivo simples: proposta de valor é sobre o que muda na vida do cliente, não sobre como essa mudança acontece nos bastidores.

Colocar IA no centro do canvas é como dizer que sua cafeteria é inovadora porque tem uma máquina de espresso. Legal, mas irrelevante; o que importa é se o café é bom, se chega quente e se faz alguém voltar.

A IA pode ser parte essencial do processo, mas não é o que convence alguém a comprar. O que convence é o ganho: mais tempo, menos erro, mais precisão, menos dor.

Seu cliente não quer "machine learning". Ele quer menos fraude no sistema de pagamento. Não está atrás de "NLP em tempo real". Ele só quer que o chatbot resolva o problema sem fazer ele repetir o CPF quatro vezes.

A IA só entra como ferramenta que viabiliza isso. O valor está na transformação percebida - não na arquitetura por trás.

Este slide da Sequoia que exemplifica bem a idea:

Colocar IA no centro do seu modelo de negócio é como colocar “internet” como diferencial. Todo mundo está usando.

O que conta é o que você entrega com ela.

Por exemplo: usar IA para prever rupturas no estoque com 95% de precisão? Isso é valor.

Dizer apenas “usamos IA para gerenciar estoque”? Isso é ruído.

Empresas que sabem articular bem o valor que geram com IA têm mais tração.

Em vez de "otimizamos processos com inteligência artificial", diga "automatizamos a revisão de contratos e reduzimos o tempo de análise de 3 dias para 3 minutos".

Simples. Clara. Medível.

Isso vale ainda mais no contexto B2B, onde métricas de eficiência costumam falar mais alto que qualquer buzzword (há exceções).

Empresas brasileiras, especialmente PMEs e players industriais, não compram hype.

Elas pode até ser seduzidas, mas o que compram mesmo é ganho de margem, meta batida, previsibilidade e redução de erro humano.

Se sua IA ajuda a reduzir perdas em supply chain, aumentar a conversão de leads ou cortar custos com atendimento, isso sim é diferencial.

IA é só o motor. O valor está no destino.

Se você não consegue responder isso sem mencionar a palavra “IA”, provavelmente está olhando do ângulo errado.

A pergunta certa não é “como minha empresa usa IA?”. É “como minha empresa melhora a vida do cliente - e como a IA me ajuda nisso?”.

Nada disso é para menosprezar a importância da inteligência artificial.

Pelo contrário: acredito que estamos diante de uma mudança de paradigma real, daquelas que reconfiguram mercados, carreiras e categorias inteiras.

Existem, sim, empresas cuja proposta de valor gira diretamente em torno da IA, especialmente em infraestrutura, modelos base e ferramentas para desenvolvedores (e mesmo para usuários finais).

Mas essas são exceções, não a regra.

Para a maioria dos negócios, as dores continuam sendo as mesmas de sempre: vender mais, gastar menos, errar menos, entregar melhor.

-Build-

Há umas semanas atrás comecei a explorar o mundo de agentes de desenvolvimento de software acabei criando uma extensão do chrome para resolver um problema meu.

Ela se chama Prompastic e funciona como uma biblioteca de prompts para você salvar seus prompts e resgatá-los sem ficar vasculhando seus arquivos.

Você pode baixar aqui se quiser.

Ela é super simples, mas agora pensei num experimento legal:

Permitir que os leitores da news decidam o futuro dessa aplicação!

Começando hoje, você pode decidir entre os caminhos para essa extensão.

E claro, toda a evolução será registrada aqui, e você vai acompanhar em primeira mão o que dá para fazer hoje em desenvolvimento de software com IA.

Escolha uma das opções abaixo:

-Aprenda IA-

Suponho que a essa altura, você já usou o ChatGPT ou Claude ou qualquer outro desses modelos que respondem com uma fluência preocupante, certo?

Pois bem, por trás dessa desenvoltura toda está uma rede neural, o conceito que será explicado hoje e é super conectado com todos os demais que já vimos.

Redes neurais são modelos computacionais inspirados no funcionamento do cérebro humano.

Elas são compostas por pequenos blocos de cálculo chamados neurônios artificiais, que recebem dados, fazem contas simples e repassam os resultados.

Para isso, contam com quatro ingredientes principais:

Em geral, ela tende a ser visualizada com essa carinha aqui:

Aqui vai o ponto-chave: essa estrutura não nasce sabendo nada.

Todos os pesos começam com valores aleatórios. O que transforma essa rede em algo útil é o treinamento.

Para prever corretamente uma palavra, uma imagem ou qualquer outro padrão, a rede precisa aprender com dados. Esse aprendizado acontece por meio de um processo intensivo chamado treinamento não-supervisionado (ou auto-supervisionado … tema de outra edição).

Como funciona:

1. Pré-processamento

Tudo começa com dados. No caso de LLMs, são bilhões de palavras transformadas em tokens - pequenos pedaços de texto que o modelo consegue interpretar numericamente.

2. Inicialização aleatória

Todos os pesos começam chutados. A rede ainda não entende nada, mas já está pronta para tentar prever o próximo token a partir dos anteriores.

3. Forward pass

O modelo multiplica os tokens de entrada por seus pesos, soma os resultados, aplica a função de ativação e repassa o sinal à próxima camada. Isso acontece camada por camada até gerar uma saída.

4. Erro e função de perda

A saída do modelo é comparada com a resposta correta. A diferença entre elas gera um valor chamado função de perda. Esse valor informa o quão errado o modelo foi.

5. Backpropagation

Aqui entra a mágica: o erro é propagado de volta pela rede, ajustando os pesos de cada conexão para reduzir o erro nas próximas tentativas. Esse processo se repete bilhões de vezes.

Com o tempo, os pesos passam a representar os padrões do idioma, as nuances semânticas e até os vícios de linguagem das redes sociais.

Este video abaixo tem uma explicação muito amigável sobre como funciona um modelo de IA. Para o tema de hoje, bastam os 5 primeiros minutos.

Agora que os pesos estão ajustados, o que acontece quando você digita “Hoje o céu está” para o modelo?

Esse processo de entrada, cálculo e decisão ocorre simultaneamente em milhares de neurônios e camadas.

Montei este pequeno app abaixo para você ver como funciona uma rede neural.

-Me fala o que achou-