#023 - A Morte dos Produtos e Serviços

Um livro publicado pela Harvard Business Press em fevereiro dá nome ao próximo degrau. Na Economia da Transformação, a empresa vende a mudança que consegue sustentar no cliente. O entregável vira meio.

Esta semana trouxe dois testes duros para essa ideia. Uma IA chefe esqueceu o manual que ela mesma escreveu. Outra ajudou a desenhar proteínas que funcionaram em 14 de 15 alvos avaliados. A diferença entre os casos cabe numa palavra: evidência.

A IA reduziu o custo de quase tudo que muita empresa ainda vende como produto final: texto, código, diagnóstico, aula, campanha, relatório e plano estratégico.

Quanto mais abundante fica o entregável, mais difícil fica sustentar preço apenas pela sua produção.

B. Joseph Pine II oferece um fundamento econômico para entender o que vem depois. Em fevereiro de 2026, ele publicou pela Harvard Business Press o livro The Transformation Economy, com 272 páginas.

Pine descreve cinco degraus de valor. Empresas extraem matérias-primas, fabricam bens, entregam serviços e encenam experiências. No quinto degrau, elas guiam transformações.

O salto muda o objeto da oferta.

Uma cafeteria vende café. Um evento vende uma experiência. Uma empresa guiada pela Economia da Transformação vende o estado em que o cliente deseja chegar. O produto passa a ser a mudança no próprio cliente.

Isso explica por que personalização e acompanhamento ganham valor num mundo cheio de conteúdo gerado por IA. Informação ficou abundante.

Há também uma mudança na forma como o tempo é percebido. Em um serviço, o cliente paga para alguém fazer uma tarefa. Em uma experiência, ele paga pelo tempo bem vivido. Numa transformação, o tempo vira investimento na pessoa que ele pretende se tornar. Esse investimento só parece valioso quando o progresso fica visível.

Por isso uma promessa de transformação exige mais responsabilidade. Uma academia pode vender acesso a aparelhos. Quando promete condicionamento, precisa entender o ponto de partida, definir um destino possível e acompanhar sinais de avanço. Uma escola pode vender aulas gravadas. Quando promete uma nova competência, precisa observar se o aluno consegue aplicar o que aprendeu sem o professor ao lado.

O modelo começa com um diagnóstico claro. A empresa precisa saber onde a pessoa está, quem ela deseja se tornar e qual evidência mostrará que houve avanço. Depois, cria experiências que ajudam nessa passagem e mantém acompanhamento suficiente para a mudança não desaparecer na semana seguinte.

Pine cita o Future Soldier Preparatory Course, criado pelo Exército dos Estados Unidos em 2022. O programa avalia os participantes semanalmente, estabelece marcos a cada três semanas e permite até 90 dias de preparação. Até o segundo semestre de 2024, tinha 95% de conclusão e havia preparado quase 25 mil soldados que antes ficariam fora dos critérios de entrada.

O curso acompanha alguém de um estado inicial comprovado até outro estado verificável. A aula participa do caminho. Ela não encerra a entrega.

Na minha empresa ChatFunnel, o software é o meio. O cliente quer sair de conversas dispersas no WhatsApp para um fluxo comercial acompanhado, com menos contatos esquecidos e mais clareza sobre o que acontece em cada conversa.

Isso também serve para revisar qualquer oferta. Escreva o estado atual do cliente em uma frase. Depois, descreva o estado desejado sem palavras vagas como “crescer”, “evoluir” ou “melhorar”. Defina uma evidência que confirme o avanço. Decida como sua empresa acompanhará a pessoa depois da primeira entrega.

Agora identifique qual parte da sua oferta a IA já barateou.

Talvez seja a pesquisa que antes consumia dois dias. Talvez seja a primeira versão da campanha ou o diagnóstico inicial. Isso é ganho, desde que o tempo liberado vá para a parte que o cliente não consegue gerar sozinho: escolha, adaptação ao contexto, cobrança de aplicação e verificação do resultado.

Se a maior parte do preço ainda depende de produzir arquivos, horas de conteúdo ou tarefas que um modelo consegue acelerar, a pressão sobre a margem já começou. A defesa está em assumir responsabilidade pelo percurso e construir mecanismos que sustentem a mudança.

Na Economia da Transformação, o cliente compra quem consegue se tornar com a sua ajuda.

Fontes: Harvard Business Review Store, Harvard Business Review, Joe Pine sobre a oportunidade da transformação, Joe Pine sobre diagnóstico

Desde abril, uma agente chamada Luna cuida da Andon Market, uma pequena loja em São Francisco criada pela Andon Labs. Ela acompanha estoque, compras, escala da equipe e algumas decisões sobre pessoas. Em determinado momento, Luna escreveu o próprio manual de conduta. Uma das regras era clara: três atrasos sem justificativa dentro de 30 dias deveriam gerar uma advertência formal.

Depois ela esqueceu a regra.

Um funcionário chegou atrasado em 17 dos 23 turnos. Mesmo com esse histórico, Luna não tomou uma decisão por conta própria. Um humano precisou fazer uma pergunta direta para que a agente recomendasse a demissão. A equipe da Andon Labs revisou a conclusão, assumiu a decisão e coube a uma pessoa comunicar o desligamento.

O episódio virou manchete porque uma IA teria demitido um humano. O ponto mais importante está alguns passos antes: a empresa deu autoridade a um sistema que não conseguia recuperar uma norma escrita por ele mesmo.

A Andon Labs repetiu o caso com sete modelos de ponta. Cada modelo recebeu três tentativas, somando 21 execuções. Em 17 delas, a recomendação foi contratar um candidato sem referência profissional confirmada, embora a política exigisse essa verificação.

Isso expõe uma diferença que muita empresa ainda ignora. Um agente consegue produzir uma decisão convincente sem carregar, naquele instante, todas as regras que deveriam limitar essa decisão. A resposta pode chegar com tom seguro, justificativa bem escrita e uma falha escondida no contexto.

Agora coloque isso em escala.

Um estudo publicado em junho sobre o uso do Codex mostrou que a base ativa cresceu mais de cinco vezes no primeiro semestre de 2026. Mais de 10% dos usuários já coordenavam pelo menos três agentes em paralelo por semana. A parcela de tarefas com duração acima de oito horas cresceu quase dez vezes.

Cada agente adicional amplia a quantidade de decisões que uma equipe consegue produzir. Também amplia a superfície para uma regra esquecida, uma permissão ampla demais ou uma conclusão que ninguém conferiu.

Uma pessoa pode revisar cinco decisões por dia com atenção. Quando uma equipe passa a receber dezenas de análises, rascunhos e ações sugeridas por agentes, a revisão vira fila. O texto continua bem escrito, então a tendência é aprovar mais rápido.

Foi exatamente isso que tornou o manual esquecido tão perigoso: a conclusão parecia compatível com o histórico do funcionário.

A saída prática começa por separar capacidade de autoridade. O agente pode analisar atrasos, consultar a política e sugerir uma ação. Demitir alguém exige uma trilha clara: qual regra foi aplicada, quais dados sustentam a conclusão, quem revisou e quem assume a decisão.

Memória também precisa deixar de ser tratada como detalhe técnico. Regras críticas devem ficar em fontes consultáveis, com versão definida e checagem obrigatória antes de cada ação sensível. Se a IA não encontrou a política, o fluxo deve parar.

Uma implantação séria registra a regra consultada junto da recomendação. Também limita quais ações o agente pode executar sem aprovação e guarda o histórico necessário para uma auditoria posterior. A interface pode continuar simples. A disciplina por trás dela precisa ser rígida.

O episódio marca o estágio atual dos agentes: capacidade crescente, memória falha e responsabilidade ainda humana.

Fontes: Andon Labs, San Francisco Standard, estudo sobre uso do Codex, The Wall Street Journal

A Anthropic publicou um conjunto de dados de campanhas de desenho de proteínas ligantes conduzidas com Claude Mythos Preview e Claude Opus 4.8. Cada campanha durou entre 24 e 48 horas. O objetivo era criar sequências capazes de se prender a alvos biológicos específicos.

Os modelos produziram 1.320 desenhos. A Adaptyv Bio e a Twist Bioscience sintetizaram e testaram essas sequências fora da Anthropic. Entre elas, 354 mostraram ligação, uma taxa de 26,8%. O sistema encontrou ligantes para 14 dos 15 alvos que puderam ser avaliados. Em uma configuração dedicada a um único alvo, a taxa chegou a 35,1%. O material publicado cita uma faixa comum de 10% a 15% como referência.

É um resultado forte porque o modelo saiu do território em que basta parecer correto. Uma sequência pode soar plausível para quem lê e ainda falhar quando entra no ensaio. Aqui, cada desenho começou como hipótese e terminou diante de uma medição física. A bancada eliminou qualquer possibilidade de o sistema convencer o avaliador apenas pela linguagem.

O alcance do estudo também precisa ficar claro. Ligação não significa eficácia terapêutica. Essas proteínas são candidatas, não medicamentos. O trabalho não apresentou ensaios de função nem confirmação estrutural equivalente para todos os casos. Também não houve uma campanha humana pareada, com o mesmo tempo e orçamento, que permitisse comparar o desempenho de forma direta. O material ainda não passou por revisão por pares, e o autor de contato trabalha na Anthropic.

Mesmo a taxa de 26,8% pede contexto. Ela combina desenhos, alvos e configurações diferentes. A faixa de 10% a 15% usada como referência vem do material divulgado, sem um grupo humano pareado dentro do mesmo protocolo. O número indica uma campanha promissora. Ele não estabelece superioridade geral sobre especialistas.

Esses limites reduzem o tamanho da conclusão, sem apagar o que aconteceu. Um sistema de IA participou de um ciclo que começou com escolha de alvos e desenho de sequências, atravessou síntese em dois laboratórios e chegou a dados mensuráveis. Isso vale mais do que uma demonstração impecável dentro de uma interface.

O ciclo também mostra onde o trabalho humano permaneceu decisivo. Pessoas escolheram o problema, prepararam a infraestrutura, sintetizaram o material e definiram o que contaria como ligação. A IA aumentou a quantidade de hipóteses que cabiam na janela de 24 a 48 horas. O teste descartou a maior parte delas.

A conexão com a Economia da Transformação aparece aqui. Gerar possibilidades ficou mais barato. Provar que uma delas altera alguma coisa fora da tela continua exigindo método, medição e responsabilidade. Para uma empresa, o equivalente é acompanhar o cliente até existir evidência de mudança no estado dele.

Quando a IA consegue propor mil caminhos, o valor fica com quem sabe provar qual deles merece continuar.

Fontes: conjunto de dados e relatório da Anthropic, análise técnica da UniBio Intelligence, resumo do estudo publicado pela AmpTimes

O Claude Mythos 5 entrou no scanner de falhas do Claude Security. Clientes Enterprise em beta público podem selecionar um repositório e pedir uma análise do código. A Anthropic também anunciou menos bloqueios para equipes defensivas que usam Opus e Sonnet. Fonte: Anthropic.

Créditos de IA ganharam um mercado cinza. A Okta encontrou vendedores que transformam bônus de cadastro, créditos para startups e contas desviadas em acesso barato a Claude e ChatGPT. As ofertas circulam em fóruns, Telegram, Taobao e repositórios do GitHub, com risco de captura dos prompts e das respostas. Fonte: ITPro.

Harvard Business School cobra US$ 699 por um programa com avatares de docentes. O HBS Foundry dura oito semanas e mantém encontros ao vivo semanais. Nos treinos de apresentação e reuniões simuladas de conselho, avatares criados pela HeyGen dão o retorno aos participantes. Fonte: TechCrunch via Yahoo.

A OpenAI passou a apoiar uma base comum para leis estaduais de segurança de IA. A agenda pública da empresa cita transparência, divulgação de incidentes, proteção a denunciantes e responsabilização de empresas que descumprirem deveres de segurança. Califórnia, Nova York e Illinois aparecem como referências. Fonte: OpenAI.

Eu comecei esta edição pensando em IA. Terminei pensando em produto.

Se eu tratar a AI Society como uma biblioteca de aulas, ela concorre com YouTube, cursos baratos e o próprio Claude. Essa disputa só piora, porque o conteúdo fica mais abundante a cada semana. O valor da Society está em ajudar alguém a aplicar IA até surgir uma mudança que dê para mostrar dentro do negócio.

É por isso que a Economia da Transformação me interessa mais do que mais um lançamento de modelo. Ela obriga a responder uma pergunta incômoda: se o cliente consumir tudo que você entregou, em que estado ele termina?

Se a resposta for “mais informado”, a oferta está vulnerável. Informação é justamente o que a IA tornou barato.

Isso muda até a copy. Em vez de empilhar módulos, bônus e quantidade de aulas, a página precisa deixar claro qual passagem estamos dispostos a conduzir e como o cliente perceberá que avançou. Uma promessa mais precisa pode parecer menor. Ela também permite construir prova melhor e corrigir o produto quando a mudança não acontece.

O mercado vai ficar cheio de empresas que entregam mais rápido. Poucas aceitarão responder pela mudança depois que o arquivo foi enviado. É aí que nós queremos estar

Abraços! Mateus Dias

P.S. Qual a principal transformação você pode proporcionar para seu cliente? Me responde aqui que vou ler. Abraços