Básico
Negociação à Vista
Negoceie criptomoedas livremente
Trincheiras
Acesso smart a novos tokens on-chain
Margem
Aumente o seu lucro com a alavancagem
Converter/Investir
Taxa 0
Opere qualquer volume sem tarifas nem derrapagem
ETF
Obtenha exposição a posições alavancadas de uma forma simples
Negociação Pré-Mercado
Negoceie novos tokens pré-listagem
Futuros
Aceda a centenas de contratos perpétuos
CFD
Ouro
Plataforma de ativos tradicionais globais
Contratos de Eventos
Novo
Preveja a direção dos preços e aproveite oportunidades
Opções
Hot
Negoceie Opções Vanilla ao estilo europeu
Conta Unificada
Maximize a eficiência do seu capital
Negociação de demonstração
Introdução à negociação de futuros
Prepare-se para a sua negociação de futuros
Eventos de futuros
Participe em eventos para recompensas
Negociação de demonstração
Utilize fundos virtuais para experimentar uma negociação sem riscos
CFD
Derivativos de CFD sobre ações
Ações
Invista diretamente em ações populares e em ETF de todo o mundo
Futuros de ações
Alta alavancagem, negociação 24/7
Opções sobre ações
Novo
Opções sobre ações populares, alavancagem flexível
Atividades de ações
Negociar ações populares e desbloquear airdrops generosos
Ações tokenizadas
Garantido por ativos de ações reais
IPO Access
Desbloquear acesso completo a IPO de ações globais
Lançamento
CandyDrop
Recolher doces para ganhar airdrops
Launchpool
Faça staking rapidamente, ganhe potenciais novos tokens
HODLer Airdrop
Detenha GT e obtenha airdrops maciços de graça
IPO Access
Anthropic
Desbloquear acesso completo a IPO de ações globais
Pontos de futuros
Ganhe pontos de futuros e receba recompensas de airdrop
Investimento
Gate Earn
Novo
Gestão integrada de patrimônio em ativos digitais
Ganhos ociosos
Negoceie e ganhe em simultâneo
Simple Earn
Ganhe juros com tokens inativos
Staking
Faça staking de criptomoedas para ganhar em produtos PoS
Investimento automático
Invista automaticamente de forma regular.
Investimento Duplo
Aproveite a volatilidade do mercado
Soft Staking
Ganhe recompensas com staking flexível
Centro de Património VIP
9% APR em USDT por tempo limitado
Fundo Quant
Estratégias quant de topo
GUSD
Rendimentos fiáveis de RWA do Tesouro
Empréstimo de criptomoedas
Taxa 0
Dê em garantia uma criptomoeda para pedir outra emprestada
Centro de empréstimos
Centro de empréstimos integrado
Square
Partilhe ideias e descubra opiniões em alta
Em direto
Análise de especialistas em tempo real
Conversar
Chat com negociadores globais
Notícias
O que está a acontecer na criptografia
Gate Learn
Guias de criptomoedas e recursos educativos
Blog da Gate
Análises e atualizações sobre criptomoedas
Gate Research
Investigação aprofundada e análise de mercado
Promoções
Centro de atividades
Participe de atividades para recompensas
Referência
200 USDT
Convide amigos para recompensas de ref.
Programa de afiliados
Ganhe recomp. de comissão exclusivas
Gate Booster
Aumente a influência e ganhe airdrops
Announcements
Atualizações na plataforma em tempo real
Serviços VIP
Enormes descontos nas taxas
Outros
Central de Ajuda
Encontre Perguntas Frequentes e guias de ajuda
Parceiros
Cresça com os campeões
Comprovativo de Reservas
A Gate promete 100% de prova de reservas
Prova de Segurança (PoSEC)
Ativos em armazenamento a frio ≥ Ativos dos utilizadores
Gate Guard
Plano de proteção da conta
Gate Vault
Mantenha os seus ativos seguros
Licença
Licenças Regulatórias, Registos e Aprovações
#Gate直通IPO第三期Anthropic O que é que a Anthropic vende, afinal?
A 10 de novembro de 2026, a Anthropic iniciou o roadshow da sua proposta de IPO. Um roadshow é uma série de apresentações em que, antes de uma oferta pública inicial de ações, a empresa explica aos investidores como faz negócio e como tenciona crescer; não significa que as ações já estejam cotadas. Este roadshow deu-nos uma oportunidade rara: para além de percebermos o que o Claude consegue fazer, podemos ver como a Anthropic transforma essas capacidades em vendas, o que já ganhou com elas e o que está a apostar para o próximo passo. Na minha opinião, a Anthropic é uma empresa que quer transformar cada avanço dos seus modelos numa nova tarefa pela qual os clientes estejam dispostos a pagar continuamente. Para a compreender, é preciso partir de um pedido de indemnização de seguro e chegar aos seus contratos de capacidade computacional e ao seu conselho de administração.
01|O Claude é um assistente de conversação, mas a Anthropic só ganha dinheiro com conversas?
A Anthropic foi fundada em 2021 por sete pessoas, entre as quais Dario Amodei e Daniela Amodei. Começou por ser uma empresa de investigação em IA de ponta, e Claude é uma série de modelos que desenvolveu. Hoje, o assistente de conversação que as pessoas usam no telemóvel ou na Internet também se chama Claude. No dia a dia, não é necessário distinguir estes dois Claudes, mas, para compreender o negócio, é preciso separar o modelo, o produto e a plataforma.
O modelo é a camada subjacente que fornece as capacidades. O roadshow não apresentou um modelo universal que faz de tudo, mas sim um conjunto de opções, desde as mais rápidas e económicas até às mais capazes de lidar com tarefas complexas. Por exemplo, para classificar um grande volume de documentos por tema, não é necessário usar o modelo mais potente. Mas, se pedir à IA que leia um programa desconhecido, encontre problemas, os corrija e, depois, passe nos testes, um modelo mais capaz pode evitar muitos desvios. O que o cliente compra não é o número um de uma tabela classificativa, mas sim a capacidade adequada à tarefa em mãos. O produto é a ferramenta criada pela própria Anthropic. Uma pessoa pode abrir o Claude para conversar; um programador pode usar o Claude Code para alterar código num projeto. A plataforma permite que outras empresas integrem estas capacidades nos seus próprios produtos: através de uma API, ou seja, uma interface que permite a diferentes programas invocar capacidades uns dos outros, os seus sistemas podem enviar tarefas ao Claude e receber resultados. Por vezes, nem sequer se vê o nome Claude; só se percebe que uma tarefa que antes exigia mudar para outra ferramenta agora pode continuar a ser feita no programa que já se estava a usar. Este é também um dos aspetos mais pragmáticos do roadshow, na minha opinião: levar o Claude aos locais onde os utilizadores já trabalham. Por exemplo, integrá-lo no Word e no Excel, ou através de suites setoriais, nas ferramentas que os advogados já usam. Para quem desenvolve produtos, há aqui uma diferença muito concreta: o utilizador tem de transferir os materiais para uma nova janela de conversa sempre que os usa, ou pode continuar a trabalhar diretamente no documento, folha de cálculo ou sistema original? A camada subjacente pode ser o mesmo modelo, mas a segunda forma de utilização tem mais probabilidades de se tornar parte do trabalho quotidiano.
02|Porque começar pela programação, em vez de lançar logo um assistente universal?
No roadshow, a Anthropic contou um pormenor: enquanto trabalhava no Claude Code, a equipa percebeu que os modelos ainda não lançados estavam a tornar-se cada vez melhores a compreender código, mas não esperou que estivessem suficientemente desenvolvidos para começar a criar uma ferramenta. Em vez disso, criou antecipadamente um produto que permitia ao modelo trabalhar dentro de projetos de código. Em fevereiro de 2025, o Claude Code foi lançado juntamente com o Claude 3.7 Sonnet, numa pré-visualização de investigação limitada. Os programadores podiam pedir-lhe que lesse código existente, alterasse ficheiros, escrevesse testes e os executasse, para depois verificarem o que tinha feito. Primeira versão do Claude Code[7]Vejamos um exemplo: pede-se a um assistente de conversação que corrija um problema de início de sessão e ele pode fornecer um trecho de código que parece bom, mas cabe-lhe a si inseri-lo no projeto e verificar se não estragou mais nada. Com o Claude Code, este pode começar por localizar os ficheiros relevantes, executar os testes existentes depois de fazer as alterações e, por fim, entregar as modificações para serem revistas por uma pessoa. A diferença não está em dar uma resposta mais longa, mas em conseguir executar várias etapas dentro das permissões concedidas e obter feedback.
Este tipo de IA costuma chamar-se agente: não se limita a dar sugestões; também usa ferramentas para executar tarefas. Porque é que a programação é adequada para começar? Porque uma parte considerável dos resultados pode ser verificada: se o programa corre, se os testes passaram, se foi alterado algo que não devia. Claro que passar nos testes não significa que o programa esteja pronto para ser lançado, mas, pelo menos, há formas de detetar alguns erros, em vez de apenas ler uma resposta bem formulada e tentar adivinhar se está certa. Para a IA passar de responder a perguntas a assumir tarefas, é preciso que as pessoas tenham uma forma de saber se fez bem o trabalho. É também isto que a Anthropic quer dizer quando fala em desenvolver o modelo e o produto em conjunto. Primeiro, o modelo aprende com grandes volumes de textos, artigos académicos e código; depois, pratica a resolução de problemas e a utilização de ferramentas em tarefas com feedback. Quando o produto chega às mãos de utilizadores reais, a equipa também consegue perceber mais facilmente onde o modelo fica bloqueado e decidir o que a próxima geração deve melhorar. Nem todos os avanços dependem de aumentar o tamanho do modelo. Por vezes, o que falta é conseguir ler o ficheiro certo, executar o teste certo ou parar e perguntar a uma pessoa quando há dúvidas. Quando o modelo adquire estas capacidades, o produto pode assumir tarefas mais complexas.
Este caminho também se verifica noutros tipos de trabalho. A farmacêutica Bristol Myers Squibb (BMS) deu um exemplo no roadshow: no passado, um problema complexo podia exigir pesquisas em várias bases de dados e a preparação de um relatório, um processo que demorava um ou dois meses. No cenário que apresentou, o Claude consegue gerar um relatório em quatro ou cinco minutos. Esta comparação diz respeito a uma pesquisa e à compilação dos resultados; a possibilidade de, com isso, os ensaios demorarem menos 20% a 30% é uma expectativa da BMS, não um resultado já alcançado. O que importa realmente é que uma farmacêutica só confiará uma tarefa deste tipo a um sistema se conseguir, antes de mais, limitar quem acede a que dados e ver como o sistema funciona.
03|Como é que um teste por uma equipa se transforma na fatura de uma empresa inteira?
No roadshow, a Anthropic apresentou um percurso de adoção pelos clientes: em geral, começa-se por testar uma tarefa específica, como um programador usar o Claude Code para corrigir um problema. Quando os resultados são consistentes, as equipas de áreas próximas começam a usá-lo; depois, integram-se mais processos e, por fim, o Claude pode até ser incorporado em produtos vendidos a terceiros. Este é o percurso típico descrito pela empresa; nem todos os clientes o irão percorrer até ao fim. A Accenture é um exemplo fácil de compreender. Usa o Claude no seu próprio desenvolvimento de software e integrou-o também na plataforma de cibersegurança CyberAI, que disponibiliza aos clientes. A Accenture afirma que, depois de implementar a plataforma nos seus próprios sistemas informáticos, o tempo de análise de segurança passou de três a cinco dias para menos de uma hora. A mesma capacidade serve de ferramenta para os seus programadores e passa a fazer parte do que entrega aos clientes. Quando entra no processo de prestação de serviços, cada cliente adicional pode gerar mais utilização. Isto também explica porque não se deve entender o negócio do Claude apenas em termos de subscrições.
Nos três primeiros trimestres de 2026, cerca de 79% das receitas da Anthropic vieram de cobranças baseadas na utilização, e os restantes 21%, aproximadamente, de subscrições. É como se a fatura de uma empresa dependesse não só do número de pessoas com cartão de acesso, mas também das horas de funcionamento dos equipamentos e do volume de trabalho processado. As empresas podem aceder diretamente à plataforma da Anthropic ou através de plataformas de cloud que já conhecem, como AWS, Google Cloud e Microsoft Azure. Usar canais de compra e implementação que os clientes já utilizam facilita a passagem dos testes para operações efetivas. Outro número do roadshow que pode ser facilmente mal interpretado é uma taxa de retenção líquida de receitas de cerca de 900%.
Dito de forma simples: o mesmo conjunto de clientes que gerou receitas no terceiro trimestre do ano passado e que se enquadra nos critérios de cálculo gerou, em conjunto, cerca de nove vezes mais receitas no terceiro trimestre deste ano. Este número não inclui algumas categorias de subscrições pessoais com preço fixo, nem significa que cada cliente tenha gasto nove vezes mais. No mesmo período, havia mais de 11,900 clientes que tinham gerado pelo menos 100 mil dólares de receitas ao longo do ano anterior; este número também não corresponde ao total de clientes empresariais. Em conjunto, os dois números mostram que há mais clientes de grande dimensão e que o mesmo grupo de clientes está, no seu conjunto, a gastar mais, mas não nos dizem por quanto tempo estas taxas de crescimento podem manter-se.
04|Se os modelos estão a tornar-se mais eficientes, porque é que ainda é preciso reservar tanta capacidade computacional com antecedência?
Capacidade computacional é o poder de processamento fornecido por chips e centros de dados. Treinar modelos exige capacidade computacional; sempre que um cliente pede ao Claude para escrever código ou ler um relatório, também é necessária capacidade computacional. A primeira é como desenvolver um produto; a segunda, como prestar um serviço a um cliente, vez após vez. A própria Anthropic também usa o Claude para investigação e operações e, para isso, precisa de recorrer aos mesmos recursos. No roadshow, a empresa disse que fez duas coisas. A primeira foi aumentar as fontes de capacidade computacional: escreveu software de compatibilidade para diferentes chips e reuniu recursos de vários fornecedores para os gerir em conjunto. Além de comprar serviços de cloud, também aluga chips diretamente através da Anthropic Direct, que são utilizados em centros de dados geridos especificamente para a empresa. Assim, pode reservar antecipadamente capacidade em centros de dados cuja construção demora mais tempo e, quando a procura se torna mais clara, decidir que chips colocar e em que quantidade.
A segunda foi tirar mais partido dos recursos existentes. O roadshow deu um exemplo hipotético: se antes eram necessárias 100 unidades de capacidade computacional para treinar uma determinada capacidade, e os métodos melhorados aumentarem a eficiência em quatro vezes, passam a ser necessárias apenas 25 unidades. Também se podem continuar a usar 100 unidades para treinar um modelo que antes estava fora do alcance. As quatro vezes são um exemplo para explicar o princípio, não significam que já se tenha poupado três quartos dos recursos em todos os tipos de trabalho. Um caso interno mais concreto é o da participação do Mythos na adaptação a chips AMD: a Anthropic afirma que conseguiu pôr o Claude a funcionar em cerca de três dias. Este caso mostra que a IA já está a ajudar as equipas de investigação e desenvolvimento a melhorar parte das infraestruturas básicas, mas não significa que o modelo já consiga treinar, validar e lançar autonomamente a sua própria geração seguinte. O custo de uma tarefa individual pode baixar, enquanto a despesa total da empresa aumenta. A Anthropic deu um exemplo concreto: de acordo com os seus cálculos, o custo de utilização do Opus 5.5 em tarefas típicas é cerca de 40% inferior ao do Opus 5. Mas, se passar a ser mais barato analisar um relatório, as empresas podem deixar de o disponibilizar apenas à sede e estendê-lo às equipas de todas as regiões. Também se podem começar a realizar tarefas que antes eram demasiado caras ou difíceis de executar. O facto de cada utilização do modelo consumir menos capacidade computacional não significa que o sistema no seu conjunto passe a usar menos. O problema é que não se pode esperar até os clientes estarem em fila para começar a construir capacidade computacional. A Anthropic revelou que costuma reservá-la com 12 a 18 meses de antecedência; os recursos adquiridos à última hora são mais caros. Segundo os critérios de divulgação do prospeto de 10 de novembro, os compromissos de compra e locação já assinados pela empresa totalizam cerca de 900,9 mil milhões de dólares, estando quase todos relacionados com capacidade computacional e infraestruturas e abrangendo vários anos. Alguns contratos estão sujeitos a condições prévias ou prevêem a possibilidade de rescisão. Não se trata de dinheiro já gasto, nem de uma dívida atual de valor equivalente. A verdadeira dificuldade é que muitos clientes não se comprometem a utilizar os serviços a longo prazo, mas a empresa tem de assumir compromissos com os fornecedores: se comprar pouco, terá de pagar mais para obter recursos quando a procura aumentar; se comprar demasiado, poderá continuar a pagar por recursos que ficam por utilizar quando a procura abranda.
05|Se as receitas de um trimestre foram de cerca de 17 mil milhões de dólares, porque ainda não se pode dizer que a empresa já é rentável?
O número mais impressionante do roadshow é o de que as receitas da Anthropic no terceiro trimestre de 2026 foram de cerca de 17 mil milhões de dólares, mais de 12 vezes as do mesmo período do ano anterior. Mas as receitas são o valor das vendas que a empresa reconhece de acordo com as regras contabilísticas; não correspondem ao dinheiro que entrou na conta bancária, muito menos ao que sobrou no fim. Para perceber se o negócio está a funcionar, é preciso analisar pelo menos três aspetos separadamente. Primeiro, o lucro operacional efetivo. De acordo com os princípios contabilísticos geralmente aceites nos EUA, a Anthropic registou um prejuízo operacional de cerca de 567 milhões de dólares neste trimestre, com uma margem operacional de cerca de -3%. Já a margem operacional ajustada divulgada pela empresa foi de cerca de +15%.
Como podem ser positivas e negativas ao mesmo tempo? A segunda medida exclui duas despesas principais: os incentivos em ações concedidos aos funcionários e as despesas não monetárias resultantes das contribuições da empresa em ações. A medida ajustada ajuda a analisar o desempenho operacional sem estes itens, mas isso não significa que não tenham custos só porque não implicam um pagamento em dinheiro no momento. Segundo, é preciso ver como o dinheiro entra e sai. O mesmo prospeto mostra que, nos três primeiros trimestres de 2026, o fluxo de caixa líquido proveniente das atividades operacionais foi de cerca de +6,569 mil milhões de dólares. Este valor não corresponde apenas ao terceiro trimestre, nem pode ser considerado o montante que continuará disponível depois de a empresa investir em equipamento e infraestruturas. Por outro lado, também não se pode concluir, com base apenas no prejuízo líquido de cerca de 23,3 mil milhões de dólares no terceiro trimestre, que a empresa tenha gasto essa quantia em dinheiro nesse período; cerca de 21,9 mil milhões de dólares desse valor correspondem a ajustamentos contabilísticos não monetários, provocados por alterações de avaliação de instrumentos de financiamento, como obrigações convertíveis. Terceiro, é preciso ver se o crescimento está a tornar o negócio mais eficiente. O objetivo de longo prazo apresentado pela empresa é uma margem operacional ajustada superior a 35%, partindo do princípio de que a capacidade computacional se torna mais eficiente, a estrutura de compras melhora e a proporção das outras despesas em relação às receitas diminui.
Os números operacionais atuais, porém, não estão sempre a subir: a margem operacional ajustada foi de cerca de 19% no segundo trimestre e desceu para cerca de 15% no terceiro. No prospeto, a empresa explica que, no terceiro trimestre, disponibilizou cerca de 5 mil milhões de dólares de capacidade computacional de curto prazo, que costuma ser mais cara. O aumento rápido da procura é positivo, mas dar resposta a essa procura pode implicar, primeiro, custos mais elevados. Isso é mais interessante do que classificar a empresa como «já rentável» ou «ainda a queimar dinheiro».
Os clientes podem estar dispostos a pagar mais, uma determinada medida de lucro pode ser positiva e a empresa pode ter de fazer grandes investimentos no futuro — tudo isto pode ser verdade ao mesmo tempo. Assim, não é difícil perceber porque é que a empresa precisa de financiamento apesar de as receitas estarem a crescer tão rapidamente: parte da capacidade computacional tem de ser adquirida antes de começar a gerar receitas. O que a Anthropic tem de provar é que, à medida que mais clientes confiam mais tarefas ao Claude, o dinheiro que ganha consegue cobrir continuamente os custos do negócio, em vez de as contas só fecharem num trimestre com bons resultados.
06|Porque é que uma empresa que vende uma IA cada vez mais potente não disponibiliza todas as suas capacidades mais avançadas?
A Mozilla, que desenvolve o navegador Firefox, corrigiu, no Firefox 150, 271 problemas de segurança identificados pelo Claude Mythos Preview. A análise posterior da própria Mozilla é mais interessante do que o número: depois de o modelo encontrar problemas suspeitos, a equipa ainda tem de avaliar a gravidade, eliminar relatórios duplicados, escrever correções, testá-las e lançá-las. O modelo acelera a deteção de problemas, mas os engenheiros não desaparecem do processo; pelo contrário, têm de encontrar formas de lidar com um maior número de descobertas.
A mesma capacidade que permite a quem defende encontrar vulnerabilidades também pode ajudar os atacantes a encontrar pontos de entrada. Por isso, no âmbito do Project Glasswing, a Anthropic começou por conceder acesso controlado ao Mythos Preview a parceiros de defesa, em vez de o disponibilizar diretamente a toda a gente. Em novembro de 2026, o Fable 5.2 e o Mythos 5.2 apresentados oficialmente têm o mesmo modelo subjacente: o Fable é disponibilizado amplamente com proteções reforçadas contra riscos de cibersegurança e de biossegurança; o Mythos é disponibilizado, através de canais de acesso sujeitos a verificação, a utilizadores que cumpram os requisitos para aplicações de cibersegurança ou ciências da vida. Ser capaz de fazer algo, saber quem o pode usar e determinar quem é responsável pelos resultados são três questões diferentes. Nas ciências, aplica-se o mesmo princípio. A Anthropic descreveu uma experiência: o Claude identificou uma sequência repetida anómala num grande volume de dados genéticos, que os investigadores depois verificaram preliminarmente em laboratório; ainda é preciso investigar como funciona exatamente esse sistema. O Jet Propulsion Laboratory da NASA também revelou que o Claude participou no planeamento de percursos para o rover Perseverance em Marte, mas a equipa de engenharia verificou as instruções com um rover virtual antes de as enviar para Marte. O que importa nestes exemplos não é que a IA já consiga ser cientista ou conduzir um rover sozinha, mas que pode ampliar o leque de possibilidades ao alcance das pessoas, mantendo formas de verificar os resultados importantes.
Segundo a empresa, a segurança não se resume a impor um controlo antes de lançar um modelo. Também inclui ensinar o modelo durante o treino a lidar com pedidos prejudiciais e investigar por que motivo ocorrem determinados comportamentos no seu interior. Para as empresas, isto também não é o mesmo que perguntar «o sistema consegue aceder a determinado ficheiro e, se houver algum problema, é possível rastrear o que aconteceu?»: uma questão diz respeito ao comportamento do próprio modelo; a outra, às permissões e responsabilidades quando é implementado em situações reais de trabalho. Quanto a quem tem autoridade para tomar decisões perante pressões comerciais, a Anthropic dispõe ainda de outra camada de governação empresarial. Foi constituída como uma public benefit corporation ao abrigo da lei do estado norte-americano do Delaware: pode ter fins lucrativos, mas também tem a responsabilidade de atender ao interesse público. Segundo o prospeto, se esta oferta for concluída, o trust de interesse de longo prazo que detém ações especiais poderá, em geral, nomear e destituir quatro dos sete membros do conselho de administração, mas não se ocupa da gestão diária nem aprova cada lançamento de modelo. Esta estrutura merece atenção, mas não garante que a empresa vá sempre tomar as decisões certas. Restringir o acesso pode reduzir as vendas de alguns serviços e realizar mais testes de segurança também custa dinheiro. Por outro lado, conseguir explicar as permissões, a auditoria e a responsabilidade pode levar mais clientes a confiar-lhe tarefas importantes. Estes dois lados da questão devem ser considerados separadamente.
Voltemos ao pedido de indemnização de seguro do início. Depois de a IA organizar os documentos, o perito continua a tomar a decisão. Mas o trabalho, que antes demorava bastante, já foi redistribuído: a máquina trata da parte em que é mais eficaz, e as pessoas ficam com mais tempo para as tarefas que exigem avaliação profissional. Para a Anthropic, se esta mudança puder ocorrer em mais tipos de trabalho e o custo não disparar sempre que é entregue mais um resultado fiável, então o que vende não é apenas um assistente de conversação fácil de usar.
Por isso, depois do roadshow, vou continuar a acompanhar três aspetos: se os clientes atuais estão dispostos a confiar ao Claude tarefas mais importantes; se o custo total de concluir uma tarefa de forma fiável — incluindo a revisão humana e a repetição do trabalho — pode continuar a diminuir; e que decisões a empresa tomará quando a segurança e o crescimento entrarem realmente em conflito.
Estes três aspetos dizem mais sobre o futuro da empresa do que a qualidade impressionante de uma demonstração ou a rapidez do crescimento num trimestre. Se está a pensar introduzir IA na sua equipa, também pode começar pela mesma pergunta: qual é a próxima tarefa que vale a pena delegar? Se algo correr mal, quem vai perceber e quem vai assumir o trabalho?