Programar é o caso de uso inquestionável de PMF para IA, mas a maior parte do trabalho de conhecimento ainda tem um longo caminho a percorrer

Programar funciona porque todo o contexto vive num repositório git que é versionado, estruturado, num único local e geralmente com uma suite de testes que indica o que é correto
O trabalho de conhecimento, por outro lado, baseia-se em informações que residem em vários locais diferentes - Slack, e-mail, vários sistemas e, muitas vezes, na cabeça das pessoas
Portanto, se queres automatizar o trabalho de conhecimento como o código, precisas de um "repositório de contexto" ou, como é frequentemente chamado, um "cérebro da empresa"
Mas um cérebro da empresa que apenas pega em ficheiros, coloca-os algures e aplica RAG por cima não é a resposta certa
O que precisas é de um sistema baseado em ontologias - configurá-lo é difícil, e mantê-lo é ainda mais difícil
Há uma razão para estarmos a ver muitos pilotos empresariais de IA falharem ou não gerarem ROI, é porque o "repositório de contexto" não está a ser feito corretamente
No entanto, o ponto crucial é este - se for feito corretamente, a camada de contexto pode passar de um custo que as empresas pagam por uma nova ferramenta para um ATIVO que elas constroem e que acumula valor
Torna-se um ativo quando fluxos de trabalho agênticos 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 propriedade da empresa
Possuir um modelo com os teus dados sobre como a empresa realmente funciona é o movimento final de chefe