A primeira parte desse texto usa o argumento de Jaya Gupta sobre o que a IA não consegue copiar nas organizações, para entender por que competência individual não chega a ser vantagem competitiva. A segunda descreve o que o iFood está fazendo de concreto agora, com o Super Humanos. Quem quer ir direto ao concreto pode pular para a quarta seção. Mas recomendo a leitura completa porque o argumento que sustenta a decisão é mais importante do que a decisão em si.

O que a IA não consegue copiar

Jaya Gupta publicou em 8 de maio um ensaio com um título que por si só já é um argumento: “The next biggest moat in AI.” A abertura é direta: tudo na IA está convergindo. Empresas que ninguém imaginaria competindo entre si hoje competem. A camada de aplicação está colapsando na infraestrutura, empresas de infraestrutura estão subindo para workflows, e quase toda startup se rebatizou como alguma versão de empresa de transformação. Uma nova categoria é nomeada, cada website a absorve, e em semanas o mercado está cheio de empresas afirmando ser a plataforma inevitável para como o trabalho vai mudar.

O argumento que vem logo em seguida é o que importa para este texto: quando modelos melhoram rápido, interfaces convergem e velocidade de produto fica barata, as partes visíveis da construção de empresa ficam mais fáceis de imitar. O que é difícil de copiar é a instituição por baixo. A forma como uma empresa organiza a ambição das pessoas, concentra julgamento, distribui autoridade, e transforma trabalho num sistema que compõe ao longo do tempo de um jeito que nenhuma outra empresa consegue reproduzir.

A conclusão de Jaya: a forma da organização está se tornando o verdadeiro moat.

Aplique isso ao iFood. Temos nossa plataforma de IA e IA generativa. Agora estamos construindo uma nova versão da nossa plataforma de IA generativa para trabalhar com mais ferramentas externas e experimentar tudo, toda hora. Em breve, por exemplo, toda a liderança sênior vai ter Claude e Replit com acesso ao nosso data lake. Isso é uma vantagem técnica real. E vai durar o tempo que qualquer vantagem técnica dura hoje: meses, não anos. Outras empresas vão ter plataformas similares. Outras lideranças vão ter acesso a modelos poderosos com dados proprietários.

O que não se copia é a instituição por baixo. O que o iFood faz agora, antes de a plataforma estar pronta, para garantir que a liderança chegue preparada, é o que vai separar resultado de ruído.

A mudança de categoria

Nos últimos meses, saí de praticante individual para multiplicador. E descobri que são atividades radicalmente diferentes.

Como praticante, o padrão de sucesso é simples: executo, observo, aprendo, ajusto. O ciclo é rápido, o feedback é imediato e o risco é só meu. Fiz uma análise de logística sozinho em 90 minutos que teria exigido uma semana de trabalho e um time dedicado. Processei múltiplas fontes de dados em paralelo, cruzei variáveis de cobertura, custo e tempo de entrega por região, modelei cenários alternativos com seus respectivos trade-offs, e entreguei uma análise estruturada com recomendação de ação clara. Mandei à liderança sênior às 22h11 daquele mesmo dia. Não era rascunho. Era o produto final.

Mas o que mudou não foi só a velocidade de análise. Mudou o que eu consigo desenvolver e com quem consigo debater. Hoje eu desenvolvo hipóteses com o agente antes de levar para o time. Testo o argumento, identifico os buracos, recalibro a recomendação. O agente não substitui o julgamento humano. Ele o pressiona antes que o humano precise gastar energia pressionando. Chego às reuniões com o pensamento mais lapidado e as perguntas mais precisas. Isso não é recuperar 2 ou 3 horas de análise. É operar num nível de preparo que antes exigia dias e uma equipe inteira ao redor.

Mas competência individual numa empresa de 7.000 pessoas não é vantagem competitiva. É curiosidade isolada.

O dado que mudou minha perspectiva tem um número concreto: um empreendedor operando IA na capacidade máxima multiplica a própria entrega por um fator de 3 a 5. Feedback de milhares de usuários sintetizado em horas. Hipóteses desenvolvidas e testadas com o agente antes de qualquer reunião. Ciclos de calibração de performance com consistência que o método tradicional não viabiliza.

Agora multiplique por centenas de empreendedores operando simultaneamente nesse nível. O impacto individual vira estrutural. A competência pessoal começa a construir a forma da organização. Mas essa multiplicação não acontece por contágio passivo.

O que já existe e por que não basta

Publico artigos externamente e compartilho internamente. Mando mensagens para milhares de nossos empreendedores do iFood documentando o que estava aprendendo. Compartilhei experimentos e resultados. O grupo que leu se engajou. Alguns começaram a experimentar.

Não é suficiente.

Conhecimento passivo não vira hábito operacional. Ele vira conversa de corredor. As pessoas sabem que existe. Sabem que é importante. E continuam fazendo o que sempre fizeram, porque fazer diferente exige fricção real, e fricção exige incentivo estrutural, não apenas exemplo inspirador.

Jaya observa no mesmo texto: se a empresa diz que X importa mas o trabalho relacionado a X tem baixo status na prática, a promessa é falsa. Posso escrever sobre IA todos os meses. Mas se o comportamento que estou descrevendo não tiver estrutura real ao redor, se não houver tempo, formato e espaço protegido para aprender fazendo, a promessa do CEO não chega à operação.

Esse é o limitante real. Não é tecnológico. É de capacidade instalada.

O que estou fazendo. Amanhã.

Comecei a aprender de um jeito que parecia excêntrico: duas vezes por semana, às 6 da manhã, num bootcamp com os CEOs da Prosus. Era o horário que eu conseguia. O calendário durante o dia estava fechado. A opção era abrir mão do horário que ninguém ainda tinha disputado.

Aprendi mais nessas sessões do que em qualquer palestra ou artigo que consumi sobre o tema. Bootcamp ensina o que explicação não alcança.

Desenhei o Super Humanos com as próprias mãos a partir dessas sessões. Peguei o que funcionou comigo, o formato, a sequência, o nível de exigência, e transformei em estrutura para mais de 100 empreendedores.

Em 29 de abril, mandei uma mensagem no Slack para o canal que reúne 116 empreendedores sêniores do iFood. O título foi deliberado: “Voluntário. Mas você realmente pensa em dizer não???”

Não palestra. Não manhã de slides sobre o futuro da IA. Imersão real. E fui direto: não consigo imaginar um empreendedor do iFood que, tendo a oportunidade, escolha ficar de fora.

Dias depois, mais de 100 empreendedores confirmados para três turmas de 50.

O Super Humanos começa amanhã. São 8 horas presenciais na HQ do iFood, das 9 da manhã às 6 da tarde, seguidas de dois encontros online de 1h30 cada nas semanas seguintes, para iterar e evoluir o que foi construído no dia. Estou publicando este texto na véspera porque o que preciso dizer faz mais sentido dito antes do que depois de acontecer.

Não é experiência passiva. É trabalho. Você vai suar. Vai ter momento de desconforto, de tela travada, de resultado que não saiu como esperado na primeira tentativa. Isso é a parte mais importante. O que fica é o que foi conquistado com esforço, não o que foi entregue pronto. Não tem moleza. Não tem atalho. Tem construção.

Vou dar exemplos do que cada empreendedor constrói, porque o concreto é o que distingue esse bootcamp de qualquer coisa que você já fez antes.

No bloco da manhã, cada empreendedor configura um sistema GTD pessoal integrando Gmail e Google Calendar, orquestrado por uma skill criada na sua própria voz, com suas regras. Não uma skill genérica baixada de algum lugar. Uma que funciona para a sua realidade de liderança. Em seguida, constrói uma skill autoral do zero: pode ser o /daily_brief que puxa a agenda do dia, os emails não lidos e as menções, e entrega um briefing de 90 segundos toda manhã. Pode ser o /meeting_memo que gera memo executivo a partir de um tópico no seu formato. Pode ser o /follow_up_radar que lista threads sem resposta há mais de cinco dias. Você escolhe o que resolve um problema real do seu dia a dia e termina antes do almoço com isso funcionando.

Na parte da tarde, o nível sobe. Cada empreendedor constrói um app de finanças pessoais real: importa um extrato bancário, o Claude escreve o código que parseia as transações, categoriza cada uma, computa resumo mensal, projeta saldo e constrói um dashboard interativo. O app é deployado. Tem URL. Está acessível pelo celular antes do coffee break da tarde. Não é protótipo. Não é simulação. É um produto funcionando que você criou sem saber programar.

Antes de encerrar, cada mesa apresenta a demo para o grupo. A liderança do iFood conecta o que foi construído com as prioridades reais da operação. É o pico do dia.

Nos dois encontros online de 1h30 que seguem, cada empreendedor itera a skill criada e depois constrói um bot social autônomo que roda todo dia às 7 da manhã, gera cinco drafts em formatos diferentes a partir de uma fonte que você escolhe, e opera sem que ninguém precise estar presente. Você configura uma vez. Ele roda sozinho.

Tudo que descrevi, criar um app e deployar, configurar automações autônomas, construir um bot que age no mundo sem você estar presente, orquestrar ferramentas via linguagem natural, estava restrito ao mundo de quem sabe programar. Até pouco tempo atrás você precisava de um desenvolvedor para cada uma dessas coisas. Agora você faz você mesmo. Em 8 horas. Eu já faço isso. Não tem mistério. Mas tem suor.

Por que sábado ou domingo? Pelo mesmo motivo que eu escolhi as 6 da manhã com os CEOs da Prosus: o calendário da semana não tem espaço real para isso. Cada hora já tem um dono. O tempo que as pessoas entregam voluntariamente fora do expediente sinaliza, melhor do que qualquer palavra, o que elas consideram urgente. Não estou pedindo um webinar de 45 minutos. Estou pedindo um dia inteiro de trabalho pesado porque acredito que esse dia muda como cada um trabalha nas semanas seguintes.

O que o dia ainda não responde

Preciso ser honesto sobre o que está aberto.

Não sei se mais de 100 empreendedores saindo de uma imersão intensa vão mudar seus comportamentos de forma permanente. A literatura sobre aprendizado adulto é clara: exposição única, mesmo intensa, raramente produz mudança de hábito sem reforço estruturado. É por isso que o Super Humanos tem dois encontros de continuidade, comunidade ativa entre eles, e uma hora de mentoria individual que cada participante pode agendar dentro de 90 dias. Mas ainda não tenho evidência do que vai acontecer. Vou ter em junho.

Não sei se o multiplicador de 3 a 5 vai se materializar para todos. O que determina o resultado não é a ferramenta. É a profundidade de uso. E profundidade de uso é função de prática repetida, não de um dia de imersão.

Mas a pergunta que me preocupa mais é outra.

Jaya observa no mesmo texto: a IA vai facilitar copiar muita coisa, superfícies de produto, workflows, protótipos, velocidade inicial. O que ela não vai facilitar é construir uma nova instituição. Não vai facilitar criar uma forma que concentra as pessoas certas, dá a elas a autoridade certa, coloca elas perto dos problemas certos, e compõe o julgamento delas ao longo do tempo.

Se o multiplicador for real para 100 empreendedores simultaneamente, como isso remodela as estruturas de time? O que muda no que cada pessoa faz, em qual escala, com qual autonomia? Quem desenvolve o quê, e com quem debate antes de chegar numa reunião?

Essa conversa vai acontecer. O Super Humanos não a resolve. Mas cria a condição para que ela seja feita com honestidade. Um empreendedor que nunca usou IA com profundidade não consegue dimensionar o que muda na estrutura dos times ao redor dele. Um empreendedor que passou 8 horas construindo coisas reais começa a ter a intuição necessária para fazer as perguntas certas.

O dia é a condição de possibilidade para a conversa mais difícil. Não é a conversa em si.

A parte mais difícil

Chamamos as pessoas do iFood de empreendedores por um motivo. Não é vocabulário de cultura corporativa. É uma aposta sobre comportamento. Um empreendedor não espera a estrutura estar pronta para agir. Não espera o manual para começar. Identifica a mudança antes dela ser óbvia, entra no desconforto antes de ser obrigado, e constrói capacidade antes de a demanda aparecer.

O que estou pedindo no Super Humanos não é diferente do que sempre esperamos de quem lidera aqui. É a mesma mentalidade aplicada a um contexto novo.

Quando aprendo sozinho, o único ego em jogo é o meu. Quando organizo as condições para que outros aprendam, entro num território diferente. Minha forma de aprender não é a forma certa para todos. Meu ciclo foi iterativo, autodirigido e com alta tolerância à ambiguidade. Para muitas pessoas, esse processo é paralisante. O formato presencial, com estrutura clara e entregáveis concretos, existe justamente para criar o que o aprendizado autodirigido deixa sem âncora.

A velocidade do meu aprendizado criou uma distância que precisa ser reconhecida. Falar com naturalidade sobre skills, prompts e agentes para alguém que nunca abriu o Claude é como descrever culinária molecular para quem está aprendendo a fritar um ovo. Não é arrogância. É um problema real de calibração que exige cuidado ativo.

E a mensagem que mandei não era inocente. “Voluntário. Mas você realmente pensa em dizer não???” é uma aposta de que a urgência que sinto precisa ser sentida pelo time também. Posso estar certo sobre a urgência e errado sobre o método. Vou descobrir com o tempo.

O que sei: esperar a plataforma estar pronta para começar não é prudência. É negligência. O nosso ExcelêncIA é explícito: IA é um dever de todos, todos mesmo. E o comportamento esperado de quem lidera no iFood é direto: redesenhe seu time com IA no centro, remova fricção. Escrever isso num manifesto é simples. Criar as condições para que mais de 100 empreendedores o encarnem na prática exige mais do que texto. Exige um sábado ou um domingo de trabalho de verdade.

Acredito que a grande maioria das pessoas que estão no iFood hoje vão estar aqui em 10 anos. Não porque não terão escolhas. Mas porque acredito na nossa capacidade de transformação constante. Quem aprende a se reinventar dentro de uma empresa que também se reinventa não precisa sair para se encontrar. E o que estamos fazendo agora, em maio de 2026, é exatamente isso: criar as condições para que a próxima reinvenção aconteça antes de ser tarde.

Jaya termina o texto com uma observação que ficou comigo: as grandes organizações não são apenas lugares onde empreendedores talentosos vão. São estruturas que permitem que um certo tipo de talento finalmente se expresse. A pergunta que todo CEO precisa responder é qual tipo de pessoa só pode se tornar ela mesma aqui.

Para o iFood, a forma que estou tentando construir tem um empreendedor no centro que opera com velocidade e julgamento que não existia antes da IA. Que desenvolve hipóteses com o agente antes de levar para o time. Que chega nas reuniões com o pensamento mais lapidado e as perguntas mais precisas. Que reformata os times ao redor dessas novas capacidades. Não por instrução. Por experiência direta. Por ter ralado num sábado ou domingo quando podia estar descansando.

O Super Humanos começa no iFood. Mas não fica no iFood.

Vamos levar o formato para a Gerando Falcões e para a Endeavor. A nossa plataforma de conhecimento e o que aprendemos montando esse bootcamp vão para o ecossistema de tecnologia brasileiro e para quem constrói dentro das favelas. Capacidade de IA não pode ser privilégio de grandes empresas. Se o multiplicador de 3 a 5 é real, ele precisa chegar também a quem mais precisa de alavancagem.

Estou escrevendo este texto de Chicago, onde estou a trabalho. Amanhã às 7h da manhã horário local estarei presente no Super Humanos, quando a turma abre as portas em Osasco às 9h. No domingo também. Estou pedindo ao meu time um sábado ou um domingo. O mínimo que posso fazer é estar lá, de onde quer que eu esteja.

Dezenas de empreendedores vão passar um dia inteiro construindo coisas reais num fim de semana que poderiam estar descansando. Vão ralar. Vão errar. Vão construir.

É a primeira peça da forma que estamos tentando construir.

Para quem quiser saber mais sobre como montamos esse bootcamp e quer replicar algo parecido na sua organização, me responda nos comentários. Indico o caminho.

“Voluntário. Mas você realmente pensa em dizer não?”

Deixe um comentário

Compartilhar

Assine agora

Este texto tem três autores com perspectivas distintas e complementares. Diego Barreto, Pedro Pereira e Guilherme Ramirez. Cada um trazendo diferentes perspectivas: um com o argumento do por que essa transformação é uma decisão de sobrevivência corporativa e não uma atualização tecnológica, outro trazendo a perspectiva de quem lidera a área financeira e enfrenta diariamente a tensão entre o modelo atual e o modelo que estamos construindo e outro trazendo a visão de quem está construindo a arquitetura que torna tudo isso viável na prática. Escrevemos juntos porque o argumento só funciona completo: a visão, sem liderança e sem a operação é retórica, e a operação sem a visão e liderança é otimização incremental.

Este artigo tem dois movimentos. O primeiro é conceitual: vou mostrar por que o padrão de visibilidade financeira que qualquer pessoa já tem no bolso é o mesmo padrão que a contabilidade corporativa precisa atingir, e por que não existe mais argumento técnico contra isso. O segundo é operacional: vou descrever o que fizemos no iFood para caminhar nessa direção, incluindo o que foi difícil e o que ainda não está resolvido. Se você já está convencido da premissa e quer só o concreto, vá direto para a quarta seção. Mas recomendo a leitura completa, porque o argumento conceitual determina a escala da decisão que a liderança precisa tomar.

O padrão já existe. Você usa todo dia.

Abra o aplicativo da sua conta digital agora. Você vai ver seu saldo atualizado, as últimas transações registradas em tempo real e uma visão consolidada da sua situação econômica. Se você fez uma compra há dez segundos, ela já está lá. Se recebeu um pagamento, já aparece. A visão é completa, instantânea e sempre precisa. No iFood Pago, a conta digital do iFood funciona exatamente assim para milhões de usuários e parceiros.

Agora pense na sua área financeira. Quanto tempo leva para fechar o mês? Quantos dias até você ter uma visão consolidada da situação econômica real da empresa? Segundo benchmarks do APQC publicados em 2024, o tempo médio de fechamento financeiro em empresas de médio e grande porte ainda é de 6 a 10 dias úteis. Em empresas com operações em múltiplas jurisdições, esse número pode passar de 15 dias.

O app de conta digital que você usa hoje foi construído com a mesma tecnologia que a sua área financeira tem acesso. A diferença não é tecnológica. É de arquitetura de decisão e de prioridade de liderança.

Não existe mais argumento técnico para que a visão financeira de uma empresa não funcione como o extrato de uma conta digital: você faz uma transação e ela é automaticamente registrada. Você abre o sistema e tem a visão completa e precisa da sua situação econômica. Sem fechamento de mês. Sem conciliação posterior. Sem atraso entre o evento e o registro.

Esse é o padrão. E ele precisa ser a realidade de finanças e contabilidade até o ano que vem.

Por que isso é uma mudança de natureza, não de grau

Para entender a escala do que está sendo proposto, vale um atalho histórico.

Em 1494, um frade franciscano chamado Luca Pacioli publicou o primeiro tratado sistemático sobre partidas dobradas. Antes dele, finanças era um registro de transações: o que entrou, o que saiu, o saldo. Depois dele, finanças se tornou um sistema de relações: cada débito pressupõe um crédito, cada transação existe em três perspectivas simultâneas. Pacioli não inventou um método contábil melhor. Ele mudou o que finanças era capaz de responder. A pergunta deixou de ser “o que aconteceu?” e passou a ser “qual é a situação real?”

Nos cinco séculos seguintes, a estrutura conceitual de Pacioli não mudou. O que mudou foram as ferramentas: do livro-caixa ao Excel, do Excel ao ERP, do ERP ao BI. Mais velocidade, mais volume, mais granularidade. Mas a natureza da pergunta que finanças respondia continuou sendo retrospectiva. O que já aconteceu.

O app de conta digital fez algo diferente. Ele não acelerou o processo contábil tradicional. Ele eliminou o processo. A transação não precisa mais ser conciliada depois porque ela nasce registrada. A visão não precisa ser consolidada porque ela existe em tempo real. A pergunta não é mais “o que aconteceu no mês?” É “qual é minha situação agora?”

Essa é a segunda mudança de natureza em finanças desde Pacioli. E ela já aconteceu no sistema bancário de varejo. O que falta é acontecer na contabilidade corporativa.

A distinção entre melhoria e mudança de categoria importa porque determina a escala da resposta necessária. Se o que está sendo proposto é uma melhoria, a resposta é atualizar sistemas e ajustar processos. Se é uma mudança de categoria, a resposta é redesenhar a arquitetura da área do zero. Confundir as duas é o erro mais comum que a liderança comete nesse tema.

O que já existe e por que ainda não basta

Existe hoje uma camada sofisticada de tecnologia nas áreas financeiras das grandes empresas. ERPs robustos, data lakes, dashboards de BI, automação de processos via RPA, primeiras experiências com IA generativa. No iFood, chegamos a um nível de maturidade relevante nessa camada: dados governados por domínio, fonte única de verdade operacional, primeiros experimentos com agentes em processos específicos. Esse progresso é real.

Mas há um limitante estrutural que essa camada não resolve: ela foi desenhada para otimizar o trabalho humano, não para substituir a lógica do processo. O dado está disponível mais rápido, mas a arquitetura ainda pressupõe um analista consumindo esse dado, rodando conciliações, consolidando perspectivas e produzindo uma visão. O processo ficou mais eficiente. A natureza do processo não mudou.

A diferença entre automação tradicional e agentes de IA é exatamente essa. A automação tradicional, conhecida no mercado como RPA, executa tarefas repetitivas seguindo um roteiro fixo: ela repete, mas não raciocina. Um agente de IA com RAG, que significa Geração Aumentada por Recuperação em tradução livre, é diferente. RAG é a tecnologia que permite ao agente consultar, em tempo real, os documentos e regras internas da empresa como se tivesse acesso a uma biblioteca particular atualizada. Ele lê o contrato, entende a regra tributária aplicável, e registra a obrigação decorrente de forma autônoma no momento em que o evento acontece. Não depois. No momento.

É o mesmo princípio da conta digital: a transação não espera um processo de conciliação. Ela nasce registrada. A visão não é produzida por um analista no final do mês. Ela existe o tempo inteiro.

O limitante estrutural do modelo atual é que ele trata a IA como uma camada adicional sobre uma arquitetura desenhada para humanos. Atingir o padrão da conta digital exige redesenhar a arquitetura a partir do evento, não a partir do processo de registro. Enquanto a área financeira for desenhada para otimizar o trabalho humano, ela vai continuar entregando uma visão com 10 dias de atraso quando o padrão possível é zero.

O que estamos fazendo no iFood

Vou ser direto sobre o que está acontecendo na prática, incluindo o que foi difícil.

O primeiro movimento foi de governança de dados. Antes de qualquer agente poder operar com precisão, o dado financeiro precisa ser confiável desde a origem. Isso exigiu a construção de ambientes de dados segregados por domínio, chamados de Data Marts, que funcionam como cofres especializados onde cada área é dona da sua informação e responsável pela sua qualidade.

Aqui tivemos uma complexidade que não estava no roteiro. No iFood, treinamos o time de finanças para ter autonomia total sobre dados. Incentivamos, de forma intencional, que cada área construísse suas próprias soluções analíticas. Isso foi fundamental para o crescimento da empresa: velocidade, proximidade com o negócio e capacidade de execução aumentaram. Mas esse modelo tem um efeito colateral inevitável: ele fragmenta o dado. Ao longo do tempo, surgem múltiplas interpretações, lógicas paralelas e métricas que deixam de ser comparáveis entre si. O que era autonomia vira inconsistência estrutural.

A transição para uma arquitetura AI-first exige inverter essa lógica. O mesmo sistema que antes premiava liberdade passa a exigir padronização, governança e responsabilidade clara sobre o dado. Esse foi o ponto mais difícil da transformação: não técnico, mas cultural. Porque não se trata de construir algo novo. Se trata de reorganizar algo que já funcionava.

Revelar problemas de qualidade de dados que existiam há anos, e que ninguém tinha incentivo para nomear, é politicamente difícil. Esse foi o primeiro aprendizado real: a transformação técnica é mais simples do que a transformação organizacional que precede ela.

O segundo movimento foi a construção de sistemas Finance-By-Design: arquiteturas que traduzem cada evento operacional simultaneamente nas três perspectivas financeiras relevantes, a contábil, a gerencial e a de fluxo de caixa. Isso elimina a necessidade de conciliação posterior porque a integridade está embarcada no design do sistema, não auditada depois. É o mesmo princípio da conta digital: o sistema não concilia transações no final do dia. Ele registra cada transação na perspectiva correta no momento em que ela acontece.

O terceiro movimento, ainda em curso, é a integração de agentes com RAG. Estamos testando um agente que, ao identificar uma nova transação, consulta automaticamente a base de contratos, as regras de governança e a legislação tributária aplicável, e parametriza as obrigações decorrentes sem intervenção humana. O resultado concreto nos testes: o que levava entre três e cinco dias de trabalho analítico passou a acontecer em minutos.

O que ainda não está resolvido é a auditabilidade. Quando um agente toma uma decisão baseada em documentos consultados via RAG e esses documentos mudam, o rastro de raciocínio precisa ser auditável. Para uma empresa com obrigações regulatórias perante auditores independentes e operações em múltiplas jurisdições tributárias, esse é um requisito não-negociável. Não temos a solução perfeita ainda.

Temos protocolos de revisão humana sobre as decisões dos agentes enquanto desenvolvemos a camada de auditabilidade nativa. Isso não é elegante. É honesto.

Vale nomear a objeção que qualquer CFO operando no Brasil vai levantar: a complexidade regulatória. Obrigações acessórias em múltiplas camadas, operações em diferentes estados, necessidade de rastreabilidade completa de cada lançamento. Esse é o argumento usado para explicar por que o padrão da conta digital não se aplicaria à contabilidade corporativa brasileira. Na nossa visão, o argumento está invertido. Quanto mais complexa a obrigação acessória, mais caro se torna manter humanos como camada de conciliação entre o evento e o registro. A complexidade não é razão para preservar a arquitetura atual. É a principal razão para redesenhá-la.

A parte mais difícil não é tecnológica

O maior obstáculo que encontrei não foi de arquitetura de dados nem de capacidade dos modelos. Foi de identidade profissional.

Uma área financeira que construiu sua relevância sobre o controle granular dos números percebe a automação como ameaça, não como alavanca. O profissional que passou dez anos desenvolvendo a habilidade de fechar o balanço com precisão cirúrgica não tem, naturalmente, incentivo para abraçar um sistema que elimina esse processo. Esse conflito precisa ser nomeado, não contornado. Ignorá-lo produz dois resultados igualmente ruins: resistência passiva que sabota a implementação, ou adoção superficial que usa ferramentas novas para fazer as mesmas perguntas antigas.

O que estou trabalhando internamente é a transição do perfil do profissional de finanças de especialista em execução para curador de contexto. No modelo tradicional, grande parte da energia da área está concentrada em produzir, validar e reconciliar números. No modelo AI-first, o número está disponível continuamente, e o papel do profissional deixa de ser produzir informação para ser responsável por interpretá-la, questioná-la e direcionar decisões a partir dela.

Na prática, a rotina muda. Em vez de iniciar a semana reconciliando dados do período anterior, o foco passa a ser revisar decisões tomadas pelos agentes, validar exceções e entender desvios em tempo quase real. Um exemplo concreto: na apuração de resultados de um produto, se ocorre uma venda sem a contrapartida esperada, o próprio agente identifica a inconsistência, classifica o impacto e aciona o time de finanças apenas para decidir o próximo passo. O que antes era um fluxo manual e sequencial passa a ser um processo contínuo, com intervenção humana apenas quando necessário.

No iFood, não encaro essa transformação como uma equação de redução de pessoas. Encaramos como uma equação de produtividade e crescimento. Somos uma empresa em expansão constante de negócios e produtos, e o que os agentes liberam não é uma vaga a cortar, é capacidade analítica que hoje não existe. O profissional que deixa de gastar dez dias fechando o mês passa a ter dez dias para pensar em alocação de capital, análise de cenários e decisões que o negócio em crescimento exige. O resultado operacional melhor se reinveste em mais crescimento, não em menos gente. O que muda é o job description, não o headcount.

Três mudanças comportamentais concretas definem esse novo perfil:

• Migrar do controle da execução para a auditoria da lógica: revisar não o número final, mas o raciocínio que produziu o número.

• Desenvolver domínio holístico do P&L: entender a interdependência entre cada linha de receita, custo e margem, não apenas a linha de responsabilidade direta.

• Aprender a formular perguntas estratégicas: o valor do profissional migra para a qualidade do que pergunta aos dados, não para a habilidade de processar os dados.

IA, nesse novo modelo, é alavancagem operacional, não otimização de custo. E o sucesso do líder depende da disposição de perder controle sobre o processo para manter controle sobre o resultado.

O CFO que abre a conta digital do iFood Pago toda manhã e vê o saldo atualizado em tempo real já sabe o que é possível. Ele experimenta esse padrão todos os dias na sua vida profissional. A pergunta que precisa responder é por que aceita um padrão inferior na contabilidade da própria empresa.

A tecnologia que tornou a conta digital possível é a mesma que está disponível para a área financeira hoje. A barreira não é técnica. É de arquitetura de decisão, de disposição para redesenhar processos que sempre funcionaram de um jeito, e de coragem para nomear o conflito cultural que a transformação vai criar.

Luca Pacioli mudou o que finanças era capaz de perguntar em 1494. O sistema de pagamentos digitais já fez a próxima mudança de natureza. O que resta é a contabilidade corporativa aceitar que o padrão mudou.

Você faz uma transação. Ela é registrada. Você tem a visão. Isso já existe. Agora é uma decisão de gestão.​​​​​​​​​​​​​​​​

Deixe um comentário

Compartilhar

24 de abril de 2026

Subscribe now

Este texto é diferente dos dois anteriores. Nos textos anteriores escrevi sobre o que o iFood está fazendo como empresa. Neste, escrevo sobre o que estou fazendo como CEO. Sobre como estou mudando a forma como trabalho, o que estou aprendendo no processo, e por que acredito que a transformação de uma empresa AI-first começa pela transformação de quem a lidera.

Se você quiser ir direto ao que estou rodando na prática, pode pular para a seção “O que estou fazendo”. Mas recomendo a leitura completa, porque o argumento conceitual muda o que o exemplo significa.

A terceira vez que estou aprendendo tudo de novo

Trabalho com IA desde 2018. O livro “O Cientista e o Executivo” conta a jornada do iFood entre 2018 e 2022, quando atravessamos toda a fase de machine learning aplicado a negócio e o começo da IA generativa. Construímos modelos preditivos, sistemas de recomendação, otimização logística, personalização. Aprendemos na prática o que significa operar uma empresa onde modelos estatísticos decidem o que aparece na tela de milhões de pessoas todos os dias.

Essa foi a primeira vez.

A segunda veio entre 2022 e 2024, quando os modelos de linguagem grandes chegaram. Tive que aprender de novo. O que era modelo treinado sob medida virou modelo fundacional generalista. O que era feature engineering virou prompt engineering. O tempo entre ter uma ideia e testá-la com usuários reais caiu de meses para horas.

Agora estou aprendendo pela terceira vez. O mundo agêntico muda o problema outra vez. Não é mais sobre gerar texto ou imagem sob demanda. É sobre delegar trabalho completo a um sistema que decide sozinho quais ferramentas usar, quando parar, quando reescrever o próprio código para fazer algo melhor. E o ciclo de aprendizado precisa ser refeito do zero.

Aprender três vezes o mesmo domínio em sete anos ensina uma coisa: a velocidade de mudança não está desacelerando. O líder que aprendeu uma vez e achou que o trabalho acabou vai ficar para trás. Não porque é ruim. Porque parou.

A frase que não sai da minha cabeça

O gargalo não é mais a IA. Somos nós, nossa disposição, nossa documentação, nossa capacidade de abrir mão do controle manual.

Marco Aurélio escreveu nas Meditações que o impedimento à ação avança a ação. O obstáculo no caminho se torna o caminho. Não como consolo, mas como instrução: a dificuldade não é algo a ser contornado. É o material com o qual o trabalho é feito.

Essa ideia ressoa diretamente com o que estou aprendendo nesta terceira passagem. A maior parte dos líderes busca o atalho: adotar a tecnologia sem mudar o comportamento, ganhar a eficiência sem fazer o trabalho de explicitar o que nunca foi explicitado. Mas o estoicismo ensina que a jornada não é opcional. Você não chega ao destino sem percorrer o caminho. E o caminho, nesse caso, passa obrigatoriamente por mudar como você pensa, como documenta, como delega e como tolera perder o controle sobre o processo para manter o controle sobre o resultado.

Passei semanas pensando nessa frase. Ela captura algo que ficou implícito nos dois textos anteriores e que precisa ser dito de forma direta: a maioria dos líderes ainda age como se o problema fosse tecnológico. As organizações não travam porque a IA falha. Travam porque os humanos que as lideram ainda não fizeram o trabalho de se tornar o tipo de organização que IA consegue servir.

• Disposição: você entende o suficiente sobre o que agentes conseguem fazer para saber o que delegar a eles?

• Documentação: o trabalho que você faz está explicitado o suficiente para que um agente possa executá-lo sem precisar ler a sua mente?

• Capacidade de abrir mão do controle: você consegue resistir ao instinto de querer revisar cada saída, validar cada decisão, manter a mão em cada processo?

Essas três perguntas não são sobre tecnologia. São sobre comportamento de liderança. E a resposta honesta, para a maioria dos CEOs, é não, não e não.

Incluindo eu, até pouco tempo atrás.

O que Andrej Karpathy descobriu

Em 2025, Andrej Karpathy, cofundador da OpenAI e um dos pesquisadores de IA mais respeitados do mundo, publicou um sistema chamado AutoResearch. A ideia central é simples e radical ao mesmo tempo.

Em vez de um humano conduzindo experimentos um a um, um agente de IA roda um loop contínuo: gera hipóteses, implementa mudanças, avalia resultados, descarta o que não funciona, retém o que funciona, e recomeça o ciclo sem precisar que ninguém aperte um botão. O agente não pergunta se pode continuar. Ele simplesmente continua.

A arquitetura é construída em torno de três componentes. Um arquivo de definição de objetivos e restrições, que serve como blueprint do que o sistema deve otimizar. Um arquivo editável onde o agente implementa mudanças. Um script de avaliação que mede os resultados e impede que o sistema explore atalhos que não correspondem ao objetivo real.

O que o AutoResearch demonstra não é apenas uma técnica de otimização. É uma mudança de paradigma sobre quem faz o trabalho de pesquisa e aprendizado dentro de uma organização. Num mundo de AutoResearch, o humano define o objetivo e as restrições. A máquina conduz os experimentos. O humano interpreta os resultados e ajusta o objetivo se necessário. A máquina continua.

Isso só funciona se o objetivo está bem definido. Se as restrições estão documentadas. Se o humano tem disposição de soltar o controle sobre como o trabalho é feito e manter o controle apenas sobre o que o trabalho deve produzir.

O que eu fiz

Eu comecei a fazer.

Vale um contexto importante: sou formado em Direito. Não venho de uma posição técnica confortável. Não há background de engenharia ou ciência de dados que justifique o que vou descrever a seguir. O que há é disposição para aprender, tempo deliberadamente reservado para isso, e a consciência de que um CEO que delega inteiramente o entendimento técnico está delegando também a capacidade de fazer as perguntas certas.

Montei um repositório próprio no GitHub para organizar meus experimentos. Instalei Claude Code localmente. Aprendi a configurar comandos personalizados em arquivos markdown que vivem no diretório .claude da minha máquina, cada um documentando explicitamente o que o agente deve fazer quando aquele comando é chamado. Configurei permissões para que o agente possa executar bash, git e deploy sem precisar pedir autorização a cada passo. Conectei ao Vercel para ter um ciclo real de deploy em produção em cada iteração.

Experimentei com GPUs para rodar loops mais pesados quando precisei entender o custo e a latência de diferentes modelos rodando em paralelo. Criei pequenos jogos e aplicações descartáveis não pelo produto em si, mas pelo exercício de viver o ciclo inteiro: ideia, documentação, agente implementa, deploy, observar, ajustar o prompt mestre, rodar de novo. Cada experimento pequeno me ensinou algo que nenhum relatório de time jamais me ensinou. Fiz tudo sozinho a partir da curisoidade de aprender.

O que descobri foi desconfortável. A maior parte do meu trabalho não está documentada de forma que possa ser delegada. Não porque o trabalho seja inexplicável, mas porque nunca precisei explicá-lo. Eu simplesmente o faço. E quando chega a hora de delegar para um agente, percebo que o agente não tem como fazer o trabalho porque eu nunca escrevi o que o trabalho realmente é.

Essa é a versão pessoal do problema de codificação que Karine Allouche descreve nas organizações. As decisões não estão documentadas. Os critérios não estão explicitados. Os trade-offs não foram nomeados. E quando você tenta delegar para IA, a ambiguidade fica exposta de uma vez.

Com esse aprendizado em mão, decidi aplicar o AutoResearch a um problema real de negócio.

Tudo começou com um número que me incomodava nos dados. Em uma área operacional crítica do iFood, havia uma lacuna expressiva entre o que o sistema classificava e o que a operação realmente entregava. O valor estava sendo gerado, mas o modelo de classificação não conseguia enxergá-lo. A causa era uma regra binária simples, conservadora por design, que preferia errar para mais do que para menos para evitar reclamações. O resultado: 98,4% das oportunidades reais eram desperdiçadas. Isso significa milhões de pedidos por mês no iFood.

A solução evidente seria ajustar a regra. Mas ajustar uma regra binária manualmente é o tipo de trabalho que depende inteiramente da intuição de quem está na frente do teclado, testa uma hipótese por vez, e está limitado pelo que uma pessoa consegue imaginar testar num dia produtivo. Lento, dependente e raso.

Foi aqui que apliquei o AutoResearch de forma consistente pela primeira vez.

Extraí 200.000 registros operacionais reais dos últimos 90 dias. Configurei um agente para treinar um modelo de machine learning usando esses dados históricos, testando autonomamente diferentes arquiteturas e diferentes pontos de corte de classificação, medindo em cada caso o equilíbrio entre capturar o máximo de oportunidades reais e evitar falsas promessas ao consumidor. Enquanto eu dormia, o agente rodou dezenas de configurações, avaliou cada uma contra critérios objetivos pré-definidos, descartou o que não funcionava e preservou o que funcionava.

O contraste com o jeito tradicional é brutal. Um pesquisador humano testa 8 a 10 experimentos por dia produtivo. O agente testou dezenas de variações em paralelo, cada experimento rodando em minutos.

O resultado foi um modelo que identifica corretamente 98,4% das oportunidades reais, contra 1,6% da regra anterior. Em termos práticos: o sistema antigo deixava passar 98 em cada 100 entregas rápidas sem sinalizar ao consumidor. O novo captura quase todas, com uma taxa de erro controlada. Esse experimento agora vai para um teste A/B real.

Para deixar claro o que isso representa em termos práticos: o trabalho inteiro levou 90 minutos. Fiz sozinho, formado em Direito, sem um data scientist ao lado. Numa situação normal, esse mesmo trabalho envolveria uma semana de esforço, pelo menos um executivo de negócio e um data scientist. Não porque o trabalho fosse impossível antes. Porque o ciclo de coordenação, de comunicação, de espera entre etapas, é o que consumia o tempo. O AutoResearch não eliminou a inteligência necessária para fazer as perguntas certas. Eliminou tudo o que não era isso.

Mas o que me importa aqui não é o resultado técnico. É o que o processo me ensinou sobre mim mesmo.

A primeira lição foi sobre documentação. Para configurar o agente, tive que escrever com precisão o que queria otimizar, quais métricas definiam sucesso, quais trade-offs eram aceitáveis, quais restrições operacionais o modelo precisava respeitar. Esse trabalho de escrever foi o mais difícil. Não o trabalho técnico de rodar o agente. O trabalho de explicitar o que estava na minha cabeça de forma que um sistema autônomo conseguisse executar sem me perguntar a cada passo.

A segunda lição foi sobre controle. Em vários momentos do processo tive o impulso de intervir. De ajustar o threshold manualmente. De direcionar o agente para testar algo específico que a minha intuição dizia que funcionaria melhor. Resistir a esse impulso, deixar o loop rodar, confiar nas métricas definidas em vez de na minha intuição, foi genuinamente difícil. E genuinamente revelador.

A terceira lição foi sobre o que significa ser CEO numa empresa AI-first. Você não pode pedir aos seus times para soltar o controle manual se você mesmo não consegue fazer isso. Você não pode cobrar documentação de processo se o seu próprio processo de pensamento não está documentado. Você não pode liderar uma transformação que você mesmo não está atravessando.

Por que o CEO precisa fazer isso pessoalmente

O CEO é o teto da organização. Escrevi isso anteriormente e continua sendo verdade. Mas o que não fica claro quando essa frase é dita de forma abstrata é o mecanismo específico pelo qual isso acontece numa transformação AI-first.

O CEO que não roda seus próprios experimentos de IA não consegue fazer as perguntas certas sobre o que os times estão construindo. Não porque não seja inteligente, mas porque não tem a experiência de sentar do lado de um agente e descobrir onde o processo quebra. Onde a documentação é insuficiente. Onde o critério de avaliação estava implícito e precisou ser explicitado. Onde o instinto de controle aparece e precisa ser conscientemente resistido.

Essas descobertas não chegam por relatório. Chegam por prática. E um CEO que não pratica não tem como liderar uma organização que pratica. Ele não sonha com o “impossível”.

A cultura de uma empresa AI-first não é estabelecida por decreto. É estabelecida por comportamento visível de quem está no topo. Se os times percebem que o CEO fala sobre IA mas não usa IA, o sinal que recebem é que IA é prioridade declarada, não real. Se percebem que o CEO está rodando seus próprios experimentos, aprendendo em público, errando e ajustando, o sinal é completamente diferente.

A mudança comportamental do CEO é a mudança cultural mais alavancada que uma empresa pode fazer. Não porque o CEO seja o mais importante, mas porque o CEO é o sinal mais visível de onde a empresa realmente vai.

O que isso muda no dia a dia

Ser um CEO que opera com mentalidade de AutoResearch tem consequências concretas no comportamento cotidiano.

A primeira é a obsessão por métricas mensuráveis. AutoResearch só funciona se você consegue definir o que quer otimizar de forma quantificável. Isso força uma disciplina que a maioria dos processos de gestão não exige: antes de iniciar qualquer trabalho relevante, nomear qual métrica vai indicar que o trabalho foi bem feito. Não de forma vaga. De forma que um script de avaliação consiga verificar.

A segunda é a documentação como hábito, não como tarefa. Num loop autônomo, a documentação não é o que você faz depois que o trabalho termina. É o que torna o trabalho possível. Mudar esse hábito, de documentar depois para documentar antes, é uma das mudanças mais difíceis e mais poderosas que um líder pode fazer.

A terceira é a disposição de soltar o controle sobre o processo e manter o controle sobre o objetivo. Isso é contraintuitivo para líderes que foram treinados a ter domínio sobre o como. AutoResearch exige que você se torne especialista no o quê e no por quê, e delegue o como com confiança, não com ansiedade.

A quarta é a tolerância a ciclos de falha como fonte de aprendizado. Um loop que descarta hipóteses fracas não está falhando. Está aprendendo. A diferença entre uma organização que aprende rápido e uma que aprende devagar está na capacidade de rodar muitos ciclos de falha com baixo custo e alta velocidade de extração de insight.

O que ainda não sei

Estou no início desse processo. O experimento que estou rodando é o primeiro. O modelo vai para um teste A/B real. Os resultados vão gerar aprendizados que vão mudar como estruturo o segundo experimento.

O que sei com clareza é que esta é a terceira vez que estou aprendendo tudo de novo sobre IA, e provavelmente não será a última. O próximo nível de vantagem competitiva no iFood não vai vir de comprar mais capacidade de IA. Vai vir de construir a capacidade organizacional de usar IA com a profundidade que os modelos já permitem. E essa capacidade começa pela liderança.

O obstáculo no caminho se torna o caminho. A dificuldade de documentar, de abrir mão do controle, de aprender uma nova forma de trabalhar, não é um desvio da transformação. É a transformação.

O gargalo não é mais a IA.

Somos nós. Eu incluído. E esse reconhecimento é o começo de algo diferente.

Leave a comment

Share

Subscribe now

Este texto tem duas partes. A primeira explica por que a mudança é inevitável e por que postergá-la é a aposta errada. A segunda descreve o que faremos na prática: como os times serão organizados, quais agentes já operam dentro do iFood hoje, o que cada um entrega e o que muda nos papéis de liderança a partir desse ano. Se você quiser ir direto ao concreto, pode pular para a seção “O que o iFood já construiu”. Mas recomendo a leitura completa, porque o “o quê” só faz sentido pleno com o “por quê”.

Em 2022, as pessoas mais avançadas no uso de IA faziam o seguinte: pediam para a ferramenta resumir um documento, redigir um email, sugerir um trecho de código. A IA respondia, o humano revisava, o humano decidia, o humano executava. A IA era um assistente sofisticado. Útil. Periférico. O trabalho real ainda dependia inteiramente de pessoas.

Hoje, um agente de IA recebe a instrução de conduzir uma análise competitiva completa de um mercado, define sozinho quais fontes consultar, executa as buscas, sintetiza os dados, identifica as inconsistências, produz o relatório e sinaliza as conclusões que merecem atenção humana. Tudo isso enquanto você dorme. Sem supervisão a cada passo. Sem precisar ser lembrado de continuar.

Um exemplo concreto: o projeto AutoResearcher rodou 50 experimentos científicos em 12 horas, numa única GPU, sem nenhuma intervenção humana. Uma noite. Zero pessoas. Cinquenta experimentos. A OpenAI está construindo internamente um sistema capaz de receber tarefas que levariam dias para uma pessoa completar e executá-las de forma autônoma. A Tesla e a SpaceX operam com a premissa de que desenhar o sistema de produção é mais difícil e mais valioso do que desenhar o produto. A fábrica é o produto.

Não é uma diferença de grau. É uma diferença de natureza.

Em 2022 vivíamos o mundo da assistência. Hoje vivemos o mundo dos agentes. E essa transição, que aconteceu em menos de três anos, muda a lógica de como empresas devem se organizar de forma tão fundamental quanto a invenção da eletricidade mudou a lógica de como fábricas devem ser construídas. As fábricas que simplesmente substituíram vapor por motores elétricos nos mesmos layouts antigos ganharam alguma eficiência e perderam a transformação. As que redesenharam tudo a partir do que a eletricidade tornava possível criaram outro tipo de empresa.

O iFood está escolhendo ser o segundo tipo.

Dois mil anos de hierarquia resolvendo o mesmo problema

Para entender por que essa escolha é estrutural e não cosmética, é preciso entender o que a hierarquia sempre foi.

Jack Dorsey e Roelof Botha, da Sequoia, publicaram em março deste ano um texto que começa dois milênios antes do primeiro organograma corporativo. O exército romano criou a estrutura hierárquica que toda organização grande ainda usa hoje. Oito soldados por líder de grupo. Dez grupos por centurião. Dez centúrias por legião. Cinco mil pessoas coordenadas por camadas de autoridade definida.

Não foi uma escolha filosófica. Foi um protocolo de roteamento de informação construído em torno de uma limitação humana básica: um líder consegue gerenciar entre três e oito pessoas de forma eficaz. A Prússia refinou esse modelo após a derrota para Napoleão em 1806, criando uma classe dedicada de profissionais cuja função não era combater, mas planejar operações, processar informação e coordenar entre unidades. Era a gestão intermediária antes de o termo existir. Os Estados Unidos transportaram essa lógica para as ferrovias nos anos 1840. As ferrovias a transportaram para a corporação moderna.

O economista Ronald Coase explicou a lógica subjacente em 1937, num ensaio que lhe renderia o Nobel 54 anos depois. Mercados são caros de usar. A firma existe porque internalizar transações é mais barato do que fazê-las pelo mercado. A hierarquia existe pelo mesmo motivo: coordenar informação dentro da firma era mais barato do que deixá-la circular livremente. Quando agentes de IA conseguem negociar termos, monitorar qualidade, interpretar documentos e reconciliar outputs, os custos de coordenação que justificavam camadas inteiras de gestão colapsam.

A hierarquia não é um legado cultural. É uma solução de engenharia para um problema de comunicação. Por dois mil anos, a pergunta nunca foi se você precisava de camadas. A questão era se humanos eram a única opção para o que essas camadas fazem.

Eles não são mais.

A mudança que já aconteceu

Os dados de capacidade dos modelos não mostram progresso linear. Mostram aceleração exponencial.

Em julho de 2024, os melhores modelos conseguiam completar tarefas de forma autônoma por cerca de quatro minutos com 50% de taxa de sucesso. Em janeiro de 2026, esse horizonte chegou a dezesseis horas. A trajetória medida pelo METR aponta para dias, depois semanas de autonomia contínua. O GDPval, métrica que mede a porcentagem do trabalho onde a IA performa no nível de um especialista humano, saltou de 12% em 2024 para 83% nos modelos mais recentes. O tempo de duplicação dessa capacidade é de aproximadamente 237 dias.

Quando um agente consegue completar de forma confiável tarefas que duram dias ou semanas, você para de pensar nele como software. Você começa a pensar nele como um trabalhador que pode ser contratado por assento, escalado instantaneamente, sem onboarding, sem férias, sem limite geográfico, sem limite de horas.

Agentes não são chatbots. São mão de obra.

E isso tem uma consequência direta para modelos de negócio baseados em intermediação. Quando agentes executam tarefas continuamente, o atrito desaparece. E quando o atrito desaparece, taxas e margens passam a ser arbitradas por máquinas que não ficam frustradas com menus, formulários ou processos de onboarding. Elas simplesmente executam. O iFood opera em um mercado de plataforma. Entender essa dinâmica não é exercício acadêmico. É análise de risco competitivo.

Por que não dá para esperar

Em fevereiro deste ano, um único texto publicado num Substack de análise financeira derrubou as ações de empresas como DoorDash, Blackstone e ServiceNow em horas. O Wall Street Journal cobriu no dia seguinte. O mercado não estava reagindo a resultados trimestrais. Estava precificando uma pergunta: quais modelos de negócio sobrevivem quando a fricção vai a zero?

Para quem ainda debate se é o momento certo de agir, há uma lógica assimétrica que clareia a decisão.

Se você trabalha duro em IA e os modelos atingem um platô, o pior cenário é um upgrade significativo de produtividade. Você fica dez vezes mais eficiente. Sua equipe fica mais capaz. Seus produtos ficam melhores. Se você trabalha duro em IA e os modelos transformam tudo, você tem vantagem massiva. Está anos à frente dos competidores que esperaram confirmação.

Agora o outro lado. Se você não trabalha em IA e os modelos atingem um platô, nada muda de forma dramática. Mas se você não trabalha em IA e os modelos transformam tudo, você estará correndo para recuperar o atraso em um mundo que já reorganizou suas posições competitivas. Em uma curva exponencial, o atraso de dois anos não se recupera em dois anos.

A aposta assimétrica é clara. O pior cenário do comprometimento total é um upgrade. O pior cenário da espera é ficar estruturalmente para trás.

É possível que as coisas se estabilizem. Que a evolução dos modelos encontre um limite técnico. Que as disrupções se tornem mais administráveis à medida que as organizações absorvam o ritmo. A história está cheia de tecnologias que prometeram mudar tudo e levaram décadas.

Mas os dados de capacidade dos agentes não mostram estabilização. Mostram aceleração. E uma empresa que espera confirmação antes de se mover em uma curva exponencial não está sendo prudente. Está chegando tarde para uma conversa que já começou.

O iFood começa a mudar exponencialmente no FY27. Não como exercício de modernização. Como decisão estratégica sobre que tipo de empresa queremos ser.

O que o iFood já construiu, e por que não basta

O iFood não está começando essa conversa do zero. A jornada de IA começou em 2018 e os impactos passaram a ganhar escala em 2021. São centenas de milhões de Reais por ano de impacto incremental. A curva é real e foi construída com disciplina: primeiro alinhamentos óbvios, depois reformulando processos, depois introduzindo IA em processos, baseados em modelos de machine learning proprietários.

Mas a lógica muda agora. Não porque os resultados anteriores foram insuficientes. Porque o que é possível fazer mudou de categoria.

Já temos hoje 12.171 agentes ativos operando dentro da empresa, superando a meta de 7.643. Foram criados 27.407 agentes desde o início do programa. Durante os feriados recentes, enquanto os times descansavam, agentes de IA mantiveram operações de back-office e growth em velocidade plena: processando campanhas, gerenciando controles de acesso, operando rotas de entrega. Sem intervenção humana.

Os resultados concretos já aparecem em três casos que mostram o potencial:

O agente Cris substituiu o processo de chat onboarding de restaurantes que antes envolvia 27 pessoas respondendo FAQs manualmente. O resultado foi o dobro de impacto no primeiro pedido dos restaurantes recém-integrados. As 27 pessoas foram se dedicar a um trabalho mais intelectual que utiliza muito mais o discerninmento do que a execução. O agente Diana assinou mais de 8 mil contratos no último semestre de forma autônoma. O agente Virginia retém 42% dos tickets de atendimento sem precisar de intervenção humana. O Agilito responde 40 mil consultas por mês para executivos de vendas.

Na Brandhouse, a plataforma de criação de campanhas, 50% dos mais de 4.300 criativos produzidos por mês já são gerados via IA, com taxa de retrabalho 26% menor do que a produção manual. No Promito, agente de otimização de promoções para entregadores, foram outros R$30 milhões de impacto que logo mais atinge R$50 milhões, operando em cidades ilimitadas simultaneamente contra o máximo de 15 que o processo manual permitia.

Isso é real. É significativo. E não é suficiente.

O problema não é a quantidade de agentes. É a fragmentação. Processo manual tem teto de performance. Um dado do nosso time de growth ilustra isso com precisão: 190 pessoas criando campanhas nos últimos 60 dias, R$450 milhões investidos em campanhas em janeiro e fevereiro, 258 mil tags criadas no mesmo período. O volume é enorme. Mas o processo manual impede a escala que o negócio demanda. Como disse um dos líderes do time: com hiperpersonalização, consigo destravar growth que hoje está represado. Outro completou: se esse processo escala, acho que consigo fazer mais 10% de vendas com 5% menos investimento.

Isso não é um problema de pessoas. É um sinal. Processo manual é teto de performance.

IA sem processo vira pastelaria. O próximo passo não é criar mais agentes sobre processos ambíguos. É redesenhar os processos e então construir os agentes sobre essa nova fundação.

O que estamos fazendo

Numa empresa convencional, a inteligência está distribuída pelas pessoas e a hierarquia a roteia. No modelo que estamos construindo, seguindo a lógica que o Block de Jack Dorsey está implementando publicamente, a inteligência vive no sistema. As pessoas ficam na borda, onde o julgamento humano é insubstituível precisamente porque vai a lugares que o modelo ainda não consegue alcançar: intuição, direção opinativa, contexto cultural, as decisões éticas que não podem ser terceirizadas.

A lógica muda de acelerar agentes para redesenhar o jogo inteiro com super agentes. O método é preciso: priorizar jornadas end-to-end, mapear cada uma, desenhar o fluxo humano-IA e implementar como se estivéssemos começando do zero. A ideia é mudar a física do jogo. Não todos. Não de uma vez. Os certos, com profundidade real.

A unidade organizadora deixa de ser a função e passa a ser o fluxo. Ciclo do cliente, geração de receita, experiência do restaurante, retenção de entregadores não são responsabilidades de um departamento. São fluxos contínuos que cruzam equipes, sistemas e fusos horários. Em um mundo onde IA opera transversalmente, a pergunta não é mais quem possui cada pedaço. É quem responde pelo resultado do fluxo inteiro.

Os times ficam menores e mais poderosos. Times de produto de três pessoas com acesso a tokens ilimitados e agentes bem orquestrados entregam mais do que times de dez pessoas operando sem IA. A velocidade de entrega deixa de ser função do tamanho do time e passa a ser função da qualidade da orquestração. O objetivo não é ter menos gente. É ter as pessoas certas operando com alavancagem real, liberadas do trabalho operacional que agentes executam melhor e mais rápido.

Os papéis de liderança mudam de forma consequente. O gerente cujo trabalho primário era roteamento de informação e alinhamento entre silos perde a razão de existir na forma como o conhecemos. O que permanece, e se torna muito mais importante, é o líder que constrói times melhores do que ele mesmo, que não negocia cultura, que assume o front com profundidade técnica real e que é paranóico o suficiente para questionar cada processo, cada camada, cada fricção. Todo processo pode ser melhorado. Vários podem ser eliminados. Redesenhar times com IA no centro, remover fricção, reduzir camadas: não são instruções para o RH. São comportamentos de liderança praticados todo dia.

Decisões precisam ser explicitadas com a mesma seriedade com que sempre explicitamos processos. Quem decide o quê. Em que condições a IA age de forma autônoma. Quando um humano precisa intervir e qual humano. Essa clareza não é burocracia. É a diferença entre IA que amplifica julgamento e IA que amplifica confusão.

A parte mais difícil

Há uma verdade sobre transformação organizacional que raramente aparece em anúncios públicos: o maior limitante não é a tecnologia. É a liderança.

O líder que não aprende, não experimenta e não usa IA se torna o teto da sua equipe e dos seus usuários. Não por má vontade. Por limitação de perspectiva. Você não consegue fazer as perguntas certas sobre um mundo que você ainda não habita. Você não consegue cobrar de uma equipe o que você mesmo não pratica. E não consegue desenhar sistemas para um futuro que parece abstrato porque você não teve a experiência concreta de trabalhar com as ferramentas que o definem.

Isso vale para mim. Vale para cada pessoa em posição de liderança no iFood.

A mudança que estamos anunciando não é uma iniciativa de transformação digital com sponsor e cronograma. Não é um programa de IA com métricas de adoção. É uma decisão sobre que tipo de empresa o iFood quer ser quando a próxima dobra da curva chegar, porque ela vai chegar, e vai chegar mais rápido do que a maioria das previsões conservadoras sugere.

Por dois mil anos, do exército romano às corporações globais de hoje, a pergunta nunca foi se precisávamos de camadas hierárquicas. A pergunta era se humanos eram a única opção para o que essas camadas fazem.

Não são mais. E o iFood vai ser construído para esse mundo.

A questão não é mais se a curva vai dobrar. É se vamos estar na frente dela quando dobrar.

Leave a comment

Share