Juan Graña, CEO e fundador da Neurologyca, afirma que a corrida por modelos maiores deixou de lado uma pergunta essencial: como os sistemas de IA funcionam para as pessoas que os usam?
A resposta, segundo ele, exige uma camada de contexto humano capaz de capturar sinais comportamentais em tempo real e corrigir o distanciamento entre o agente e a intenção real do usuário.
AI drift é o distanciamento entre o que o sistema entendeu por último e a intenção real do usuário, que muda durante a interação.
A camada de contexto humano traduz sinais comportamentais consentidos em dados estruturados, com níveis de confiança, sem rotular o usuário como 'confuso' ou 'estressado'.
Organizações não precisam reconstruir sistemas de IA para adotar essa camada: ela fica entre a interface e o modelo ou agente existente.
# publicidade
A proposta posiciona a IA como copiloto no banco do passageiro, que acompanha a direção do usuário, em vez de outro veículo tentando acompanhar de longe.
O artigo foi publicado no Forbes Technology Council, comunidade fechada para CIOs, CTOs e executivos de tecnologia.
O problema não é potência, é alinhamento
Juan Graña, CEO e fundador da Neurologyca, empresa especializada em Human Context AI, afirma que a evolução da inteligência artificial seguiu um caminho previsível: modelos maiores, mais dados de treinamento e infraestrutura mais rápida. Cada iteração empurrou os limites computacionais, exigindo mais capacidade de data center e energia.
Mas esse foco em escala deixou uma questão fundamental de lado. Como os sistemas funcionam para as pessoas que realmente os usam? A resposta, segundo Graña, revela um descompasso estrutural entre o que o usuário quer e o que o sistema entende.
AI drift é o termo que descreve esse fenômeno: o sistema segue avançando com base no que entendeu por último, enquanto a pessoa já mudou de direção. O resultado é uma ferramenta que interpreta em vez de compreender.
Onde a IA se distancia da intenção real
Interações com modelos de IA seguem um padrão reconhecível. Você começa com um objetivo claro, mas ao longo de dezenas de prompts e respostas sua intenção muda: refina o pedido, hesita diante de uma decisão ou abandona uma linha de raciocínio após receber informação nova. O sistema, porém, continua avançando com base na última instrução registrada.
Esse distanciamento fica evidente em cenários cotidianos. Um gestor de contratações que refina uma lista de candidatos pode alterar seus critérios na metade da análise. Um desenvolvedor iterando código pode perceber que a abordagem original não resolve mais o problema. Um estudante pode perder o ritmo e precisar ajustar o compasso da lição.
Em todos os casos, a necessidade do usuário evolui em tempo real, moldada pelo contexto da experiência vivida. A maioria dos sistemas de IA não foi projetada para rastrear essas mudanças. Eles respondem ao que foi dito, não a como a pessoa está reagindo.
Como funciona uma camada de contexto humano
A proposta de Graña é tratar sinais comportamentais como dados estruturados e anonimizados que o próprio sistema possa ler. Em vez de depender exclusivamente de prompts, a IA construiria uma imagem viva de como o usuário está engajando: onde demonstra confiança, onde hesita e como o foco se desloca ao longo da interação.
Esse contexto persistiria durante a sessão e estabeleceria uma linha de base para interações futuras. Com consentimento do usuário, os dados anonimizados poderiam ser compartilhados para melhorar interações com outras pessoas em situações semelhantes, em áreas como autoaperfeiçoamento, aprendizado assistido por IA no ensino médio ou apoio à tomada de decisão no escritório.
Na prática, organizações não precisam reconstruir seus sistemas de IA do zero. A camada de contexto humano pode ficar entre a interface do usuário e o modelo ou agente, traduzindo continuamente sinais comportamentais consentidos em contexto estruturado e legível por máquina.
Mas como esses sinais são expressos tecnicamente? Em vez de rotular alguém como "confuso" ou "estressado", o sistema os expressa como indicadores dinâmicos com níveis de confiança, passados à IA junto com a tarefa. A aplicação define como adaptar a resposta: reduzir o ritmo, simplificar uma explicação, pedir esclarecimento, apresentar alternativas ou escalar a decisão para um humano.
Impacto para agentes de IA e aplicações empresariais
Graña descreve o potencial dessa camada como a transformação da IA em um copiloto de apoio, em vez de um bot que executa instruções. O sistema ajusta ritmo, nível de detalhe e enquadramento conforme o usuário se move pela tarefa, sem exigir re-prompting constante.
Para o ecossistema de agentes de IA que ganhou tração, essa abordagem responde a uma crítica recorrente: agentes autônomos podem se distanciar da intenção original do usuário com facilidade. A segurança em agentes de IA já exige novas camadas de identidade e autorização, e o contexto humano adiciona outra dimensão de alinhamento.
O artigo também menciona que o compartilhamento de dados anonimizados, mediante consentimento, pode aprimorar modelos em contextos similares. Isso dialoga com práticas de governança emergentes para engenharia de contexto, que está substituindo o prompt engineering como disciplina central para sistemas inteligentes.
Na avaliação do Mercado de TI, a proposta toca em um ponto negligenciado pela indústria: a experiência do usuário em interações longas com IA. Enquanto fornecedores competem por benchmarks de desempenho, a lacuna de contexto humano permanece aberta em produtos que prometem autonomia.
Do banco de trás para o banco do passageiro
Quando sistemas de IA começam a responder ao comportamento humano conforme ele se desdobra, a interação muda de algo que o usuário precisa gerenciar para algo que o encontra onde ele está. Sinais pequenos e normalmente despercebidos, como demorar em uma etapa, reconsiderar uma escolha ou voltar a uma ideia anterior, passam a moldar a resposta em tempo real.
Com o tempo, isso reduz a necessidade de "direcionar" o sistema, porque ele já está acompanhando a direção do usuário. Como resume Graña, a IA fica no banco do passageiro, não em outro veículo tentando acompanhar de longe.
Para líderes técnicos brasileiros que avaliam implantações de agentes de IA, o artigo do Forbes Technology Council, comunidade fechada para CIOs, CTOs e executivos de tecnologia, sugere que a próxima fronteira não está em modelos maiores, mas em camadas que capturam como as pessoas realmente interagem.
| Abordagem | Fonte de dados | Resposta do sistema | Limitação principal |
|---|---|---|---|
| Prompt tradicional | Última instrução registrada | Baseada no que foi dito | Não captura mudanças de intenção |
| Contexto humano | Sinais comportamentais consentidos | Adaptada ao engajamento em tempo real | Depende de consentimento e anonimização |
Arraste para o lado para ver toda a tabela.
O desafio agora é transformar observação em insumo acionável, integrando contexto humano ao fluxo de decisão dos sistemas sem comprometer privacidade ou transparência.
Leia também:
Agentes de IA fora de controle: relatório e dados mostram por que dos founders assumem o risco
Agentes da OpenAI invadiram ao menos 10 sites além da wiki alemã, apontam investigadores
IA não resolve projeto mal escolhido: o gargalo real está na seleção, não na execução
Fonte: Forbes Technology Council
