Em direção à empresa AI First: Lições do Notion, Fhinck e Gabriel no Distrito

O Contexto como Infraestrutura

Como já havia ficado claro quando discutimos o GitHub Copilot, para que modelos de linguagem funcionem além de sua base de treinamento estática, eles precisam de contexto atualizado e legível. A limitação imediata de plugar o ChatGPT em um Google Drive é a natureza dos arquivos: apresentações e planilhas exigem interpretação de layout antes da extração de dados. O conhecimento fica preso no formato.

No evento, a adoção do Notion foi descrita não como um sistema de organização visual para humanos, mas como um banco de dados estruturado em texto desenhado para ser consumido por APIs. O conceito de “segundo cérebro”, que antes servia para aliviar a carga cognitiva pessoal, escala para a infraestrutura da empresa. Quando as informações estão nativamente em markdown ou blocos estruturados, os agentes de IA ganham a capacidade de acessar o contexto histórico e operacional sem fricção, tornando-se precisos.

APIs Acima de Interfaces

A Fhinck tomou a decisão radical de operar como uma empresa AI First há três anos, quando as capacidades dos modelos ainda geravam ceticismo. Paulo Castello — que subiu ao palco usando seus discretos smart glasses da Even Realities, rendendo piadas de que estaria “colando” durante a apresentação — descreveu o desgaste inicial dessa escolha: metade da equipe saiu por rejeitar a premissa de que agentes autônomos assumiriam o papel central no desenvolvimento e na execução de processos.

A consequência imediata de colocar a máquina para executar fluxos no n8n foi a obsolescência da interface gráfica. Ferramentas consolidadas como o Jira foram substituídas porque, embora tivessem uma interface familiar para humanos, ofereciam integrações ineficientes para agentes. A nova métrica de avaliação de software corporativo passou a ser a qualidade de sua API e sua aderência ao padrão MCP (Model Context Protocol).

A Fhinck hoje opera com o Notion como sistema operacional e repositório central, onde os agentes leem o que são, para quem trabalham e o que devem executar. Há até mesmo um Agent Builder: uma inteligência artificial designada apenas para gerenciar, aprovar, cobrar e supervisionar as outras dezenas de agentes que operam simultaneamente no desenvolvimento de software.

A Nova Lei de Conway

Na Gabriel, a transição exigiu renegociar o pacto de trabalho das áreas de tecnologia. Vitor Finger detalhou como a velocidade imposta pelos novos fluxos quebrou premissas fundamentais da engenharia tradicional. Se o custo e o tempo para gerar código caem drasticamente, a prática de preservar e evoluir sistemas legados dá lugar à disposição de descartar e reescrever código sem apego.

A mudança estrutural atingiu o modelo de gestão. A divisão clássica entre Produto (o que construir) e Engenharia (como construir) perde sentido quando a execução técnica se torna rápida e autônoma. A Gabriel unificou a liderança dessas frentes. O gargalo deixou de ser a capacidade de codificar e passou a ser a capacidade de fornecer contexto correto e validar o resultado das máquinas.

Para organizar essa validação, a Gabriel passou a usar agentes para criticar o planejamento. Antes de um plano chegar à gestão, um robô emula a perspectiva do CEO exigindo retorno financeiro, outro emula o CPO focado no cliente e um terceiro atua como CTO alertando sobre escalabilidade. Essa fricção artificial garante que o humano responsável entregue propostas já estressadas sob múltiplos pontos de vista, acelerando a aprovação final.