Quando a empresa se torna um Agente: 5 reflexões sobre a organização na era da IA

“AI跃迁者调研” é uma série de entrevistas aprofundadas do Lente de AI. A transição não é uma evolução linear, mas sim uma derrubada de paradigmas, iteração e reconstrução. Em cada episódio, convidamos um AI跃迁者—empreendedores nativos de AI, líderes de transformação digital em empresas ou superindivíduos que usam AI para reinventar a si mesmos—para compartilhar suas conclusões, processos de desmontagem, lógica de construção, aprendizado de custos, e aquilo que conseguem manter em meio às mudanças contínuas, oferecendo referências reais para quem trilha esse caminho.

Na primeira edição, contamos com o fundador e CEO da Tezign, professor da Tongji University, orientador de doutorado e diretor do Laboratório de Inteligência Artificial para Design, Dr. Fan Ling. A Tezign é uma empresa de AI Agentic empresarial fundada há 10 anos, dedicada a construir um sistema de agentes inteligentes de nível empresarial baseado na arquitetura Generative Enterprise Agent (GEA), capaz de compreender o contexto de negócios, participar de decisões complexas e impulsionar resultados continuamente. Ajuda empresas a crescer, inovar e aumentar produtividade, atendendo a insights de usuários, inovação de produtos e crescimento de marketing a longo prazo. Mais importante, ela também está usando AI para reinventar sua organização: da transformação de pods, ao cultivo de comunidades, até a construção de Generative Enterprise Agents com skills, context e orchestration.

Conversamos com o Dr. Fan sobre como a AI está mudando a estrutura organizacional, a densidade de talentos, a entrega ao cliente e as barreiras de produto, além das questões não resolvidas por trás dessas mudanças.

【Insights marcantes】

1. “AI não é uma ferramenta para aumentar a eficiência de P&D, mas sim um Agent que fornece recursos de P&D para quem precisa deles.”

2. “AI fundamentalmente desafia a divisão de setores e profissões, nos trazendo de volta a um estado de versatilidade semelhante a uma Renascença.”

3. “Leadership, ownership, responsibility, resilience—essas coisas que parecem abstratas, na era da AI tornam-se extremamente concretas.”

4. “A maioria das empresas ainda está na fase de copiloto: adicionando AI às funções existentes. Mas a capacidade de AI já evoluiu a ponto de permitir redesenhar organizações com AI.”

5. “Organizações nativas de AI não são sobre inserir AI no fluxo de trabalho humano, mas sim inserir julgamento humano no fluxo de trabalho de AI. A empresa pode ser um Agent, e as pessoas são os papéis que fornecem julgamento dentro desses Agents.”

6. “Estamos em uma era de excesso de produtos e escassez de usuários. Crescer ficará cada vez mais difícil e mais importante. Na era da AI, o foco deve estar naquelas habilidades que o AI não consegue comprimir no tempo.”

Sobre os convidados da pesquisa:

Fan Ling, fundador e CEO da Tezign, professor da Tongji University, diretor do Laboratório de IA para Design. A Tezign, há 10 anos, usa tecnologia de IA para ajudar empresas a resolver problemas de insights de usuários, inovação de produtos e crescimento de marketing. Nesta entrevista, ele compartilhou as transformações internas de pods, o dogfooding de ferramentas de AI, sistemas de contexto empresarial, produtos como Atypica / GEA e suas explorações.

Yu Yi, pesquisador sênior do Tencent Research Institute, com foco em inovação de produtos nativos de AI e transformação empresarial, com anos de experiência em venture capital e ecossistemas de incubação. Reconhecido como especialista do LinkedIn China, destaque de AI na Tencent e mentor na comunidade de aprendizado de AI.

【Visão geral da pesquisa】Experimentos de organização nativa de AI na Tezign

Ponto de partida da transformação: Cursor não é o melhor para P&D

Fan Ling sempre observou quem na empresa usa melhor as ferramentas de AI. A resposta surpreendeu—não foi P&D, mas sim gerentes de produto e designers. Eles usaram Cursor para obter recursos que antes só poderiam ser acessados após agendamento com P&D. Isso fez Fan Ling perceber que AI não serve apenas para acelerar a divisão de tarefas, mas para permitir que uma pessoa desempenhe múltiplos papéis. Desde a Revolução Industrial, a hipótese de organização de “uma pessoa, uma função, promoção por níveis” está sendo questionada. Ele chama isso de “AI é contra a Revolução Industrial”.

Reorganização radical: pod + comunidade, sistema dual

Baseado nesse entendimento, Fan Ling fez duas mudanças na organização. Primeira: dividir toda a empresa em pods—pequenas equipes transfuncionais de 3 a 10 pessoas, com entrega fechada, sem depender de coordenação entre departamentos. Há três anos, a Tezign tentou um pod, mas fracassou, pois a equipe não estava preparada psicologicamente. Agora, com AI, a equipe espontaneamente reduziu a coordenação horizontal, e o ambiente de pods está maduro. Segunda: criar comunidades fora dos pods, para fortalecer habilidades de vendas, produto, código, etc., além de uma comunidade de liderança—pois, na era da AI, liderar 100 Agents é mais difícil do que liderar 10 pessoas; o líder de pod precisa de habilidades de P&L, intuição de negócios e paciência.

Um fenômeno paralelo à transformação organizacional é a dissolução das fronteiras de papéis. Pessoas de marketing usam Claude Code para automatizar scripts de contato no LinkedIn, tornando-se efetivamente engenheiros de marketing; gerentes de produto e designers usam Cursor para lançar funcionalidades diretamente, sem esperar por P&D. A proporção de P&D caiu de 50%, mas o número de pessoas que escrevem código aumentou.

Motor cultural: fundadores participam na construção

A estrutura organizacional é só o esqueleto; o que realmente faz AI rodar é a cultura. A Tezign também faz treinamentos sistemáticos (projeto ABC Plus), mas Fan Ling descobriu que o maior impulso vem dos fundadores participando pessoalmente. Com uma equipe pequena de CTO e responsáveis por produto, usando AI para novos produtos, eles viram crescimento de usuários muito superior às equipes maiores. Mostrar demos durante almoço ou café criou um hábito de orgulho em exibir o que construíram. Essa cultura de dogfooding é mais contagiosa do que campanhas de cima para baixo.

Infraestrutura: sistema de contexto em camadas

A Tezign é uma empresa com forte cultura de documentação, até gravações de reuniões se transformam em textos. Fan Ling está construindo um sistema de contexto em camadas: documentos de orientação no nível corporativo (schema.md), que funcionam como índices apontando para bilhões de documentos acumulados; no nível de pods, contextos específicos de cada equipe; e no nível individual, diálogos e preferências pessoais. Ele enfatiza que contexto não deve ser excessivamente detalhado—algumas situações requerem estrutura, não detalhes. Além disso, o sistema deve lidar com permissões e confidencialidade. Por exemplo, ao compartilhar uma tela, o AI pode buscar senhas Wi-Fi e revelar senhas confidenciais que só ele tem permissão para ver. Por isso, ele prefere não colocar certos dados sensíveis no sistema de contexto.

Compartilhamento de produto: GEA, Atypica

No nível de produto, a estratégia da Tezign gira em torno de acumular coisas que AI não consegue comprimir no tempo.

GEA (Generative Enterprise Agent) é uma arquitetura de agentes empresariais. Não se foca em um único agente, mas em contexto e orquestração—um Lead Agent com vários Sub-Agents, usando skills e contextos empresariais, formando times de agentes dedicados a insights, crescimento de conteúdo, inovação de produtos, funcionando 24/7 como uma empresa virtual.

Atypica trabalha com “AI que entende o humano”. Com cerca de 1 milhão de expressões, histórias, percepções e dados comportamentais de usuários reais, constrói modelos subjetivos para simular consumidores e profissionais. Um exemplo: um professor nos EUA usa 20 mil amostras de famílias reais para gerar 1000 perfis típicos, simulando discussões entre casais e pais sobre fertilidade, e injetando variáveis políticas para observar mudanças comportamentais—uma aplicação de AI em ciências sociais.

Game Lab (game.atypica.ai) resolve o problema de precisão na simulação de humanos por AI. Faz humanos e AI jogarem o mesmo jogo econômico (como dilema do bonde, ultimato), usando dados reais para ajustar continuamente o AI até que suas decisões se aproximem infinitamente das humanas. Essa é a principal métrica de avaliação da Tezign.

Ciclo de negócios: descoberta de cenários para diálogo com clientes

Depois que o pod roda internamente, a abordagem externa também muda. O líder de pod vira um “oficial de descoberta de cenários”: usando AI para extrair cerca de 100 cenários comuns de mais de 600 demandas de clientes, estruturados com SPIS (Situação, Dor, Impacto, Solução). Levar “dor de outros” para conversar com clientes é mais fácil do que apresentar demo de produto—faz o cliente sentir que “você me entende”. O líder de pod dedica cerca de 30-40% do tempo à coleta de cenários.

Custos e tensões não resolvidas

Quem usa AI melhor acaba ficando mais cansado—pois, ao expandir suas capacidades, os talentos assumem mais tarefas, e o cansaço aumenta. Fan Ling admite que esse é o maior problema atual. Quando todos podem construir, há mais construções repetidas, com vários pods criando versões do mesmo cenário. Ele prefere tolerar do que controlar. Há um abismo entre demos de AI e sua produção real; sem conectar a cenários físicos reais e dados exclusivos, a barreira fica frágil.

A tensão mais profunda é que AI reduz custos de exploração, mas aumenta a ansiedade. Com excesso de produtos e escassez de usuários, crescimento se torna cada vez mais difícil e mais vital. Fan Ling responde construindo abertamente—fazendo o desenvolvimento ao vivo, recebendo feedback, e transformando a exploração em parte do resultado.

Entrevista completa

Reestruturação organizacional: de Copilot para pods de alta coesão

Yu Yi: Vamos começar pelo que mais me interessa, que é a “transformação organizacional com AI”. Pelo que sei, a Tezign começou cedo a experimentar várias mudanças na organização. Há cerca de um ano, o Tencent Research Institute fez uma entrevista e estudo de caso sobre a Tezign, falando das suas tentativas internas. Um ano se passou, e quero saber as novidades. O que mais me impressiona é que você mencionou que reativaram a transformação em pods—e que essa é a segunda tentativa. Muitos talvez não entendam bem o que é um pod. Na minha visão, é uma mudança de arquitetura, originada pelo Meta. Parece uma espécie de “força especial” dentro da empresa, para rapidamente entender novos ambientes ou tecnologias. Minha compreensão está correta? Lembro que você disse que a primeira tentativa de pod falhou, mas na era da AI, ela parece viável, então decidiram tentar de novo. Gostaria de entender por que escolheram essa estrutura? Como está o progresso? Estou muito curioso.

Fan Ling: Eu já usava várias ferramentas de AI há bastante tempo, pois nossa empresa trabalha com AI. Durante esse uso, sempre me questionei: até que ponto o AI realmente traz valor? Antes, se uma ferramenta aumentasse a eficiência em 20-30%, achávamos ótimo. Mas, para AI, esse aumento é suficiente? Ainda não tinha um padrão claro.

Depois, tive um momento de insight. Pode parecer simples agora, mas na época foi um impacto enorme. Como me interessava por eficiência, perguntei ao time sobre Cursor, uma ferramenta de programação AI. Descobri que quem usava Cursor de forma mais criativa não era o time de P&D, mas gerentes de produto e designers. Eles usaram Cursor para conseguir recursos que antes só com agendamento com P&D. Para eles, Cursor virou um recurso de P&D.

Percebi então que AI não é só uma ferramenta para acelerar P&D, mas um Agent que ajuda quem não tem recursos de P&D a resolver problemas. AI faz a gente ficar mais versátil, não mais competitivo na divisão de especializações.

Isso me levou a refletir sobre a organização. Nosso modelo, e até a educação, foi criado na lógica da Revolução Industrial: profissões bem definidas, progressão por níveis. Mas AI, na essência, é “contra” essa lógica. Ela derruba a divisão setorial e profissional, nos trazendo de volta a um estado de versatilidade semelhante à Renascença—uma pessoa pode ser “tudo ao mesmo tempo”. Se gerentes de produto e designers, com ajuda de AI, podem ser mais completos, não precisamos mais de funções rígidas. Antes, uma pessoa tinha uma função única; agora, “pessoa + AI” desempenha múltiplos papéis simultaneamente.

Yu Yi: Como vocês implementaram essa visão na prática?

Fan Ling: Essa é nossa base. O maior benefício é reduzir reuniões de alinhamento e o tempo de coordenação entre equipes. Nosso objetivo é alcançar um estado de alta coesão e baixa acoplamento. Uma equipe pequena, de duas ou três pessoas, consegue entregar uma tarefa completa; e os departamentos não precisam de tanta coordenação entre si, economizando reuniões.

Essa ideia se concretizou no conceito de pods. Há três anos, tentamos, mas as pessoas não estavam preparadas psicologicamente. Agora, com AI, a equipe espontaneamente reduziu a coordenação horizontal. Ou seja, o ambiente de pods está maduro. Além disso, criamos comunidades fora dos pods, para fortalecer habilidades transversais como vendas, produto, código, etc., e uma comunidade de liderança—pois, na era da AI, liderar 100 Agents é mais difícil do que liderar 10 pessoas; o líder precisa de habilidades de P&L, intuição de negócios e paciência.

Um fenômeno paralelo é a dissolução de fronteiras de papéis. Pessoas de marketing usam Claude Code para automatizar contatos no LinkedIn, tornando-se engenheiros de marketing; gerentes de produto e designers usam Cursor para lançar funcionalidades, sem esperar por P&D. A proporção de P&D caiu de 50%, mas o número de pessoas que escrevem código aumentou.

Cultura como motor: fundadores participam na construção

A estrutura é só o esqueleto; o que faz AI rodar de verdade é a cultura. A Tezign faz treinamentos (projeto ABC Plus), mas o que mais impulsiona é o envolvimento direto dos fundadores. Com uma equipe pequena, eles usam AI para criar novos produtos, e o crescimento de usuários é maior do que com equipes maiores. Mostrar demos durante almoço ou café cria um hábito de orgulho em exibir o que construíram. Essa cultura de dogfooding é mais contagiosa do que campanhas de cima para baixo.

Infraestrutura: sistema de contexto em camadas

A Tezign tem forte cultura de documentação, até gravações de reuniões viram textos. Fan Ling constrói um sistema de contexto em camadas: documentos de orientação (schema.md) que funcionam como índices apontando bilhões de documentos; no nível de pods, contextos específicos de cada equipe; e no nível individual, diálogos e preferências pessoais. Ele destaca que contexto não deve ser excessivamente detalhado—algumas situações requerem estrutura, não detalhes. Além disso, o sistema deve lidar com permissões e confidencialidade. Por exemplo, ao compartilhar tela, o AI pode buscar senhas Wi-Fi e revelar senhas confidenciais que só ele tem permissão para ver. Por isso, prefere não colocar certos dados sensíveis no sistema de contexto.

Compartilhamento de produto: GEA, Atypica

No nível de produto, a estratégia da Tezign é acumular coisas que AI não consegue comprimir no tempo.

GEA (Generative Enterprise Agent) é uma arquitetura de agentes empresariais. Não se foca em um único agente, mas em contexto e orquestração—um Lead Agent com vários Sub-Agents, usando skills e contextos empresariais, formando times de agentes dedicados a insights, crescimento de conteúdo, inovação de produtos, funcionando 24/7 como uma empresa virtual.

Atypica trabalha com “AI que entende o humano”. Com cerca de 1 milhão de expressões, histórias, percepções e dados comportamentais de usuários reais, constrói modelos subjetivos para simular consumidores e profissionais. Um exemplo: um professor nos EUA usa 20 mil amostras de famílias reais para gerar 1000 perfis típicos, simulando discussões entre casais e pais sobre fertilidade, e injetando variáveis políticas para observar mudanças comportamentais—uma aplicação de AI em ciências sociais.

Game Lab (game.atypica.ai) resolve o problema de precisão na simulação de humanos por AI. Faz humanos e AI jogarem o mesmo jogo econômico (como dilema do bonde, ultimato), usando dados reais para ajustar continuamente o AI até que suas decisões se aproximem infinitamente das humanas. Essa é a principal métrica de avaliação da Tezign.

Ciclo de negócios: descoberta de cenários para diálogo com clientes

Depois que o pod roda internamente, a abordagem externa também muda. O líder de pod vira um “oficial de descoberta de cenários”: usando AI para extrair cerca de 100 cenários comuns de mais de 600 demandas de clientes, estruturados com SPIS (Situação, Dor, Impacto, Solução). Levar “dor de outros” para conversar com clientes é mais fácil do que apresentar demo de produto—faz o cliente sentir que “você me entende”. O líder de pod dedica cerca de 30-40% do tempo à coleta de cenários.

Custos e tensões não resolvidas

Quem usa AI melhor acaba ficando mais cansado—pois, ao expandir suas capacidades, os talentos assumem mais tarefas, e o cansaço aumenta. Fan Ling admite que esse é o maior problema atual. Quando todos podem construir, há mais construções repetidas, com vários pods criando versões do mesmo cenário. Ele prefere tolerar do que controlar. Há um abismo entre demos de AI e sua produção real; sem conectar a cenários físicos reais e dados exclusivos, a barreira fica frágil.

A tensão mais profunda é que AI reduz custos de exploração, mas aumenta a ansiedade. Com excesso de produtos e escassez de usuários, crescimento se torna cada vez mais difícil e mais vital. Fan Ling responde construindo abertamente—fazendo o desenvolvimento ao vivo, recebendo feedback, e transformando a exploração em parte do resultado.

Entrevista completa

Reestruturação organizacional: de Copilot para pods de alta coesão

Yu Yi: Vamos começar pelo que mais me interessa, que é a “transformação organizacional com AI”. Pelo que sei, a Tezign começou cedo a experimentar várias mudanças na organização. Há cerca de um ano, o Tencent Research Institute fez uma entrevista e estudo de caso sobre a Tezign, falando das suas tentativas internas. Um ano se passou, e quero saber as novidades. O que mais me impressiona é que você mencionou que reativaram a transformação em pods—e que essa é a segunda tentativa. Muitos talvez não entendam bem o que é um pod. Na minha visão, é uma mudança de arquitetura, originada pelo Meta. Parece uma espécie de “força especial” dentro da empresa, para rapidamente entender novos ambientes ou tecnologias. Minha compreensão está correta? Lembro que você disse que a primeira tentativa de pod falhou, mas na era da AI, ela parece viável, então decidiram tentar de novo. Gostaria de entender por que escolheram essa estrutura? Como está o progresso? Estou muito curioso.

Fan Ling: Eu já usava várias ferramentas de AI há bastante tempo, pois nossa empresa trabalha com AI. Durante esse uso, sempre me questionei: até que ponto o AI realmente traz valor? Antes, se uma ferramenta aumentasse a eficiência em 20-30%, achávamos ótimo. Mas, para AI, esse aumento é suficiente? Ainda não tinha um padrão claro.

Depois, tive um momento de insight. Pode parecer simples agora, mas na época foi um impacto enorme. Como me interessava por eficiência, perguntei ao time sobre Cursor, uma ferramenta de programação AI. Descobri que quem usava Cursor de forma mais criativa não era o time de P&D, mas gerentes de produto e designers. Eles usaram Cursor para conseguir recursos que antes só com agendamento com P&D. Para eles, Cursor virou um recurso de P&D.

Percebi então que AI não é só uma ferramenta para acelerar P&D, mas um Agent que ajuda quem não tem recursos de P&D a resolver problemas. AI faz a gente ficar mais versátil, não mais competitivo na divisão de especializações.

Isso me levou a refletir sobre a organização. Nosso modelo, e até a educação, foi criado na lógica da Revolução Industrial: profissões bem definidas, progressão por níveis. Mas AI, na essência, é “contra” essa lógica. Ela derruba a divisão setorial e profissional, nos trazendo de volta a um estado de versatilidade semelhante à Renascença—uma pessoa pode ser “tudo ao mesmo tempo”. Se gerentes de produto e designers, com ajuda de AI, podem ser mais completos, não precisamos mais de funções rígidas. Antes, uma pessoa tinha uma função única; agora, “pessoa + AI” desempenha múltiplos papéis simultaneamente.

Yu Yi: Como vocês implementaram essa visão na prática?

Fan Ling: Essa é nossa base. O maior benefício é reduzir reuniões de alinhamento e o tempo de coordenação entre equipes. Nosso objetivo é alcançar um estado de alta coesão e baixa acoplamento. Uma equipe pequena, de duas ou três pessoas, consegue entregar uma tarefa completa; e os departamentos não precisam de tanta coordenação entre si, economizando reuniões.

Essa ideia se concretizou no conceito de pods. Há três anos, tentamos, mas as pessoas não estavam preparadas psicologicamente. Agora, com AI, a equipe espontaneamente reduziu a coordenação horizontal. Ou seja, o ambiente de pods está maduro. Além disso, criamos comunidades fora dos pods, para fortalecer habilidades transversais como vendas, produto, código, etc., e uma comunidade de liderança—pois, na era da AI, liderar 100 Agents é mais difícil do que liderar 10 pessoas; o líder de pod precisa de habilidades de P&L, intuição de negócios e paciência.

Um fenômeno paralelo à transformação organizacional é a dissolução de fronteiras de papéis. Pessoas de marketing usam Claude Code para automatizar contatos no LinkedIn, tornando-se engenheiros de marketing; gerentes de produto e designers usam Cursor para lançar funcionalidades, sem esperar por P&D. A proporção de P&D caiu de 50%, mas o número de pessoas que escrevem código aumentou.

Cultura como motor: fundadores participam na construção

A estrutura é só o esqueleto; o que faz AI rodar de verdade é a cultura. A Tezign faz treinamentos (projeto ABC Plus), mas Fan Ling descobriu que o maior impulso vem dos fundadores participando pessoalmente. Com uma equipe pequena, eles usam AI para criar novos produtos, e o crescimento de usuários é maior do que com equipes maiores. Mostrar demos durante almoço ou café cria um hábito de orgulho em exibir o que construíram. Essa cultura de dogfooding é mais contagiosa do que campanhas de cima para baixo.

Infraestrutura: sistema de contexto em camadas

A Tezign tem forte cultura de documentação, até gravações de reuniões viram textos. Fan Ling constrói um sistema de contexto em camadas: documentos de orientação (schema.md) que funcionam como índices apontando bilhões de documentos; no nível de pods, contextos específicos de cada equipe; e no nível individual, diálogos e preferências pessoais. Ele destaca que contexto não deve ser excessivamente detalhado—algumas situações requerem estrutura, não detalhes. Além disso, o sistema deve lidar com permissões e confidencialidade. Por exemplo, ao compartilhar tela, o AI pode buscar senhas Wi-Fi e revelar senhas confidenciais que só ele tem permissão para ver. Por isso, prefere não colocar certos dados sensíveis no sistema de contexto.

Compartilhamento de produto: GEA, Atypica

No nível de produto, a estratégia da Tezign é acumular coisas que AI não consegue comprimir no tempo.

GEA (Generative Enterprise Agent) é uma arquitetura de agentes empresariais. Não se foca em um único agente, mas em contexto e orquestração—um Lead Agent com vários Sub-Agents, usando skills e contextos empresariais, formando times de agentes dedicados a insights, crescimento de conteúdo, inovação de produtos, funcionando 24/7 como uma empresa virtual.

Atypica trabalha com “AI que entende o humano”. Com cerca de 1 milhão de expressões, histórias, percepções e dados comportamentais de usuários reais, constrói modelos subjetivos para simular consumidores e profissionais. Um exemplo: um professor nos EUA usa 20 mil amostras de famílias reais para gerar 1000 perfis típicos, simulando discussões entre casais e pais sobre fertilidade, e injetando variáveis políticas para observar mudanças comportamentais—uma aplicação de AI em ciências sociais.

Game Lab (game.atypica.ai) resolve o problema de precisão na simulação de humanos por AI. Faz humanos e AI jogarem o mesmo jogo econômico (como dilema do bonde, ultimato), usando dados reais para ajustar continuamente o AI até que suas decisões se aproximem infinitamente das humanas. Essa é a principal métrica de avaliação da Tezign.

Ciclo de negócios: descoberta de cenários para diálogo com clientes

Depois que o pod roda internamente, a abordagem externa também muda. O líder de pod vira um “oficial de descoberta de cenários”: usando AI para extrair cerca de 100 cenários comuns de mais de 600 demandas de clientes, estruturados com SPIS (Situação, Dor, Impacto, Solução). Levar “dor de outros” para conversar com clientes é mais fácil do que apresentar demo de produto—faz o cliente sentir que “você me entende”. O líder de pod dedica cerca de 30-40% do tempo à coleta de cenários.

Custos e tensões não resolvidas

Quem usa AI melhor acaba ficando mais cansado—pois, ao expandir suas capacidades, os talentos assumem mais tarefas, e o cansaço aumenta. Fan Ling admite que esse é o maior problema atual. Quando todos podem construir, há mais construções repetidas, com vários pods criando versões do mesmo cenário. Ele prefere tolerar do que controlar. Há um abismo entre demos de AI e sua produção real; sem conectar a cenários físicos reais e dados exclusivos, a barreira fica frágil.

A tensão mais profunda é que AI reduz custos de exploração, mas aumenta a ansiedade. Com excesso de produtos e escassez de usuários, crescimento se torna cada vez mais difícil e mais vital. Fan Ling responde construindo abertamente—fazendo o desenvolvimento ao vivo, recebendo feedback, e transformando a exploração em parte do resultado.

Entrevista completa

Reestruturação organizacional: de Copilot para pods de alta coesão

Yu Yi: Vamos começar pelo que mais me interessa, que é a “transformação organizacional com AI”. Pelo que sei, a Tezign começou cedo a experimentar várias mudanças na organização. Há cerca de um ano, o Tencent Research Institute fez uma entrevista e estudo de caso sobre a Tezign, falando das suas tentativas internas. Um ano se passou, e quero saber as novidades. O que mais me impressiona é que você mencionou que reativaram a transformação em pods—e que essa é a segunda tentativa. Muitos talvez não entendam bem o que é um pod. Na minha visão, é uma mudança de arquitetura, originada pelo Meta. Parece uma espécie de “força especial” dentro da empresa, para rapidamente entender novos ambientes ou tecnologias. Minha compreensão está correta? Lembro que você disse que a primeira tentativa de pod falhou, mas na era da AI, ela parece viável, então decidiram tentar de novo. Gostaria de entender por que escolheram essa estrutura? Como está o progresso? Estou muito curioso.

Fan Ling: Eu já usava várias ferramentas de AI há bastante tempo, pois nossa empresa trabalha com AI. Durante esse uso, sempre me questionei: até que ponto o AI realmente traz valor? Antes, se uma ferramenta aumentasse a eficiência em 20-30%, achávamos ótimo. Mas, para AI, esse aumento é suficiente? Ainda não tinha um padrão claro.

Depois, tive um momento de insight. Pode parecer simples agora, mas na época foi um impacto enorme. Como me interessava por eficiência, perguntei ao time sobre Cursor, uma ferramenta de programação AI. Descobri que quem usava Cursor de forma mais criativa não era o time de P&D, mas gerentes de produto e designers. Eles usaram Cursor para conseguir recursos que antes só com agendamento com P&D. Para eles, Cursor virou um recurso de P&D.

Percebi então que AI não é só uma ferramenta para acelerar P&D, mas um Agent que ajuda quem não tem recursos de P&D a resolver problemas. AI faz a gente ficar mais versátil, não mais competitivo na divisão de especializações.

Isso me levou a refletir sobre a organização. Nosso modelo, e até a educação, foi criado na lógica da Revolução Industrial: profissões bem definidas, progressão por níveis. Mas AI, na essência, é “contra” essa lógica. Ela derruba a divisão setorial e profissional, nos trazendo de volta a um estado de versatilidade semelhante à Renascença—uma pessoa pode ser “tudo ao mesmo tempo”. Se gerentes de produto e designers, com ajuda de AI, podem ser mais completos, não precisamos mais de funções rígidas. Antes, uma pessoa tinha uma função única; agora, “pessoa + AI” desempenha múltiplos papéis simultaneamente.

Yu Yi: Como vocês implementaram essa visão na prática?

Fan Ling: Essa é nossa base. O maior benefício é reduzir reuniões de alinhamento e o tempo de coordenação entre equipes. Nosso objetivo é alcançar um estado de alta coesão e baixa acoplamento. Uma equipe pequena, de duas ou três pessoas, consegue entregar uma tarefa completa; e os departamentos não precisam de tanta coordenação entre si, economizando reuniões.

Essa ideia se concretizou no conceito de pods. Há três anos, tentamos, mas as pessoas não estavam preparadas psicologicamente. Agora, com AI, a equipe espontaneamente reduziu a coordenação horizontal. Ou seja, o ambiente de pods está maduro. Além disso, criamos comunidades fora dos pods, para fortalecer habilidades transversais como vendas, produto, código, etc., e uma comunidade de liderança—pois, na era da AI, liderar 100 Agents é mais difícil do que liderar 10 pessoas; o líder de pod precisa de habilidades de P&L, intuição de negócios e paciência.

Um fenômeno paralelo à transformação organizacional é a dissolução de fronteiras de papéis. Pessoas de marketing usam Claude Code para automatizar contatos no LinkedIn, tornando-se engenheiros de marketing; gerentes de produto e designers usam Cursor para lançar funcionalidades, sem esperar por P&D. A proporção de P&D caiu de 50%, mas o número de pessoas que escrevem código aumentou.

Cultura como motor: fundadores participam na construção

A estrutura é só o esqueleto; o que faz AI rodar de verdade é a cultura. A Tezign faz treinamentos (projeto ABC Plus), mas Fan Ling descobriu que o maior impulso vem dos fundadores participando pessoalmente. Com uma equipe pequena, eles usam AI para criar novos produtos, e o crescimento de usuários é maior do que com equipes maiores. Mostrar demos durante almoço ou café cria um hábito de orgulho em exibir o que construíram. Essa cultura de dogfooding é mais contagiosa do que campanhas de cima para baixo.

Infraestrutura: sistema de contexto em camadas

A Tezign tem forte cultura de documentação, até gravações de reuniões viram textos. Fan Ling constrói um sistema de contexto em camadas: documentos de orientação (schema.md) que funcionam como índices apontando bilhões de documentos; no nível de pods, contextos específicos de cada equipe; e no nível individual, diálogos e preferências pessoais. Ele destaca que contexto não deve ser excessivamente detalhado—algumas situações requerem estrutura, não detalhes. Além disso, o sistema deve lidar com permissões e confidencialidade. Por exemplo, ao compartilhar tela, o AI pode buscar senhas Wi-Fi e revelar senhas confidenciais que só ele tem permissão para ver. Por isso, prefere não colocar certos dados sensíveis no sistema de contexto.

Compartilhamento de produto: GEA, Atypica

No nível de produto, a estratégia da Tezign é acumular coisas que AI não consegue comprimir no tempo.

GEA (Generative Enterprise Agent) é uma arquitetura de agentes empresariais. Não se foca em um único agente, mas em contexto e orquestração—um Lead Agent com vários Sub-Agents, usando skills e contextos empresariais, formando times de agentes dedicados a insights, crescimento de conteúdo, inovação de produtos, funcionando 24/7 como uma empresa virtual.

Atypica trabalha com “AI que entende o humano”. Com cerca de 1 milhão de expressões, histórias, percepções e dados comportamentais de usuários reais, constrói modelos subjetivos para simular consumidores e profissionais. Um exemplo: um professor nos EUA usa 20 mil amostras de famílias reais para gerar 1000 perfis típicos, simulando discussões entre casais e pais sobre fertilidade, e injetando variáveis políticas para observar mudanças comportamentais—uma aplicação de AI em ciências sociais.

Game Lab (game.atypica.ai) resolve o problema de precisão na simulação de humanos por AI. Faz humanos e AI jogarem o mesmo jogo econômico (como dilema do bonde, ultimato), usando dados reais para ajustar continuamente o AI até que suas decisões se aproximem infinitamente das humanas. Essa é a principal métrica de avaliação da Tezign.

Ciclo de negócios: descoberta de cenários para diálogo com clientes

Depois que o pod roda internamente, a abordagem externa também muda. O líder de pod vira um “oficial de descoberta de cenários”: usando AI para extrair cerca de 100 cenários comuns de mais de 600 demandas de clientes, estruturados com SPIS (Situação, Dor, Impacto, Solução). Levar “dor de outros” para conversar com clientes é mais fácil do que apresentar demo de produto—faz o cliente sentir que “você me entende”. O líder de pod dedica cerca de 30-40% do tempo à coleta de cenários.

Custos e tensões não resolvidas

Quem usa AI melhor acaba ficando mais cansado—pois, ao expandir suas capacidades, os talentos assumem mais tarefas, e o cansaço aumenta. Fan Ling admite que esse é o maior problema atual. Quando todos podem construir, há mais construções repetidas, com vários pods criando versões do mesmo cenário. Ele prefere tolerar do que controlar. Há um abismo entre demos de AI e sua produção real; sem conectar a cenários físicos reais e dados exclusivos, a barreira fica frágil.

A tensão mais profunda é que AI reduz custos de exploração, mas aumenta a ansiedade. Com excesso de produtos e escassez de usuários, crescimento se torna cada vez mais difícil e mais vital. Fan Ling responde construindo abertamente—fazendo o desenvolvimento ao vivo, recebendo feedback, e transformando a exploração em parte do resultado.

Entrevista completa