Codificar é o caso de uso inquestionável de PMF para IA, mas a maioria dos trabalhos de conhecimento ainda tem um longo caminho a percorrer.

Codificar funciona porque todo o contexto vive em um repositório git que é versionado, estruturado, em um só lugar e geralmente com um conjunto de testes que informa o que está correto.
O trabalho de conhecimento, por outro lado, é baseado em informações que residem em vários lugares diferentes - Slack, e-mail, vários sistemas e, muitas vezes, na cabeça das pessoas.
Então, se você quer automatizar o trabalho de conhecimento como código, precisa de um "repositório de contexto" ou, como é frequentemente chamado, um "cérebro da empresa".
Mas um cérebro da empresa que apenas pega arquivos, coloca-os em algum lugar e aplica RAG por cima não é a resposta certa.
O que você precisa é de um sistema baseado em ontologia - configurar isso é difícil, e mantê-lo é ainda mais difícil.
Há uma razão pela qual estamos vendo muitos pilotos de IA empresarial falharem ou não gerarem o ROI: é porque o "repositório de contexto" não está sendo feito corretamente.
No entanto, aqui está o ponto crucial - se feito corretamente, a camada de contexto pode deixar de ser um custo que as empresas pagam por uma nova ferramenta para se tornar um ATIVO que elas constroem e que acumula valor.
Ela se torna um ativo quando fluxos de trabalho agentivos são construídos sobre a camada de contexto e os dados de telemetria desses agentes alimentam ambientes de RL que permitem à empresa pós-treinar modelos que codificam como a empresa trabalha, e esses modelos são de propriedade da empresa.
Possuir um modelo com seus dados sobre como a empresa realmente funciona é o movimento final de chefe.