Um report executivo para CIOs, CFOs e CEOs que precisam agir nos próximos 90 dias
Alexandre Pereira, Alkemia
Baseado em presença pessoal no SXSW 2026 (Austin) e GTC 2026 (San Jose)

O SXSW mostrou as perguntas. O GTC mostrou que as respostas estão chegando mais rápido do que a maioria das empresas percebeu. Em Austin, o tema oficial "humans." organizou a conversa em torno de agência, trabalho, significado e disciplina de decisão. Em San Jose, a keynote de Jensen Huang e os casos enterprise mostraram que agentes, tokens, robótica e governança já estão entrando na operação.
Para empresas brasileiras e latino-americanas, a prioridade é separar sinal de ruído. A agenda executiva agora exige decisões específicas: onde comprimir ciclos, como medir custo por output, como renegociar SaaS, como governar agentes, como redesenhar papéis humanos e quando parar projetos que não validam valor.
Este report consolida os 10 temas mais relevantes para decisores enterprise nos próximos 12 meses, com dados verificados, implicações de negócio e ações concretas para os próximos 90 dias.
Decisões críticas para os próximos 12 meses
Fontes de SXSW e GTC 2026
Ações concretas para decisores enterprise

SXSW deu o frame. GTC entregou a evidência. Fontes independentes, de Amy Webb a Jensen Huang, de Harrison Chase a Matthew Prince, descreveram o mesmo deslocamento: o valor enterprise concentra-se em quem orquestra, integra, governa e mede.

20.000 engenheiros Dell, segundo Michael Dell no GTC
GE Aerospace com Palantir: ciclo de digital twin e ontologia
ServiceNow: customer service e RH processados por agentes
Karpathy: de manual para agentes desde dezembro de 2025
A compressão reduz espera e aumenta a pressão sobre quem define prioridade, critério e alocação. Quando uma execução que levava meses passa a levar dias ou minutos, perseguir a prioridade errada também fica mais barato, mais rápido e mais frequente. O julgamento executivo concentra o gargalo. Sem stop rules, a empresa apenas desperdiça recurso em velocidade maior.
Escolher os 3 processos com maior ciclo de espera e maior impacto financeiro.
Mapear onde agentes podem comprimir tempo sem remover julgamento crítico.
Definir marcos de validação e critérios de parada antes de qualquer implementação.
"AI is going to make us all busier." Jensen Huang

Jensen Huang apresentou no GTC a lógica de fábricas de tokens, com throughput, latência e tokens por watt como variáveis centrais.
No custo de inferência entre 2022 e 2024 para modelos equivalentes ao GPT-3
Por milhão de tokens para reasoning pesado
Pipeline de demanda confirmada até 2027
"Do not equate the price of the factory and the price of the tokens." Jensen Huang
A maioria das empresas vai consumir tokens como serviço, do mesmo modo que consome cloud. Para o CFO, AI agora também é custo variável por unidade de output, além da licença. Quem mede apenas assinatura, seat ou projeto não sabe o preço unitário do que está comprando. A disciplina de FinOps precisa incorporar tokens, contexto, latência e qualidade do output.
Auditar custo de AI por unidade de output, incluindo licença, consumo e retrabalho.
Comparar provedores para os mesmos workloads, usando custo, latência e qualidade.
Criar orçamento de tokens com thresholds, alertas e revisão mensal, como em cloud.
Separar workloads de baixa latência, alto volume e reasoning pesado antes de negociar contratos.

Desde janeiro, cerca de US$730 bilhões em valor de mercado evaporaram de grandes empresas de software enterprise, incluindo Adobe, Microsoft, Salesforce, SAP, ServiceNow e Oracle. Klarna anunciou que substituiria Salesforce por AI, mas o CEO depois esclareceu que a empresa consolidou dados, trocou vendors e construiu interfaces.
Pricing passa a incorporar consumo e resultado.
Agentes operam sistemas como usuários.
A decisão build vs buy exige análise mais granular.
Construir pode ser rápido, mas manter, governar, integrar e transferir conhecimento continuam caros. Para empresas com décadas de sistemas, o custo relevante inclui construir, operar, auditar, integrar e sustentar. ERPs e SaaS core tendem a receber mais uso por agentes, com contratos e métricas diferentes.
Revisar os 5 maiores contratos SaaS por exposição a pricing por consumo.
Perguntar a cada vendor como agentes serão tratados como usuários, acesso e cobrança.
Exigir business case para build e para buy, com custo de manutenção e governança explícito.
Identificar quais dados e workflows precisam permanecer sob controle direto da empresa.

75.000 humanos com 7,5 milhões de agentes em 10 anos
25.000 agentes para 40.000 funcionários, survey nov. 2025
Ganho de produtividade por engenheiro com uso de AI
Organizações que usarão AI para eliminar mais da metade da média gerência até fim de 2026
Agentes entram como força de trabalho operacional com impacto além da produtividade individual. Tarefas transacionais passam para agentes; governança, risco, conformidade e relação com fornecedores ficam com humanos apoiados por AI. A pergunta central para o C-level é a velocidade de adoção com governança. O risco é tratar agente como software comum quando ele passa a executar trabalho com efeitos organizacionais.
Selecionar uma unidade de negócio e mapear tarefas transacionais versus tarefas de julgamento.
Testar um processo ponta a ponta com agentes, mantendo humanos nos pontos de decisão.
Medir produtividade, erro, retrabalho, satisfação do usuário e risco operacional antes de escalar.
Criar uma taxonomia interna de agentes: assistivo, executor, aprovador proibido e agente com acesso sensível.

Jensen Huang usou o caso dos radiologistas: computer vision entrou nas plataformas, mas a demanda por radiologistas subiu porque mais scans geraram mais atendimento, receita e necessidade de diagnóstico.
Karpathy descreveu o paradoxo de Jevons em software: quando a barreira cai, a demanda por software aumenta.
O risco dominante está na velocidade de mudança das tarefas superar a capacidade de adaptação das pessoas. A vinheta do motorista que saiu de data engineering para Uber e agora vê robotáxis chegando ilustra uma transição em que portas fecham antes que novas competências sejam absorvidas. Empresas que redesenham papéis com clareza retêm conhecimento e reduzem atrito. Esse é um argumento econômico, não apenas humano.
Um agente executa. Não sabe por que o cliente X sempre paga atrasado e como contornar. Cortar antes de entender o papel da AI gera perda de produtividade que custa mais que requalificar.
Empresas que demitem sem transição perdem capacidade de atrair os melhores. Meta corta 20% e ao mesmo tempo paga retenção para quem fica. O custo da reputação ruim aparece nos próximos ciclos.
60% das empresas estão no nível mais básico de maturidade AI (Conference Board). Quem opera os agentes, dá contexto, faz harness engineering? Demitir sem requalificar elimina exatamente as pessoas que sabem como o negócio funciona e que poderiam ser os melhores operadores de agentes.

Tarefa Executada
O que a pessoa faz no dia a dia: atividades, processos, ações operacionais Finalidade de Negócio Por que isso importa: resultado esperado, impacto estratégico, razão de existir do papel Separar tarefa de finalidade Para cada função impactada, separar tarefa executada de finalidade de negócio.
Conhecimento tácito como ativo
Identificar conhecimento tácito que existe nas pessoas e não está documentado em sistema. Esse é o ativo a proteger.
Redesenhar papel + requalificação
Papel Atual Redesenho por Finalidade Requalificação 6-12 meses Redesenhar o papel em torno da finalidade, com plano explícito de requalificação para os 6-12 meses seguintes.
Métrica de retenção antes/durante/depois
Antes Baseline de conhecimento crítico mapeado Durante Monitoramento de transferência e gaps Depois Validação de retenção e capacidade operacional Estabelecer métrica de retenção de conhecimento crítico antes, durante e depois da transição.
"Task muda, purpose fica." Jensen Huang

Palantir criou a função de Forward Deployed Engineer para traduzir tecnologia em resultado operacional. O modelo foi copiado por OpenAI, Anthropic e Cohere, com crescimento de 800% a 1000% em vagas relacionadas em 2025.
Reduziu um ciclo de 3 meses para 3 dias com Palantir. O resultado veio do encadeamento correto de contexto, integração e processo.
Harrison Chase, da LangChain: "Same model, we went from top 30 to top five on terminal bench. All due to the harness." Karpathy resumiu o problema como skill issue: a capacidade existe, mas precisa ser encadeada corretamente.
O gargalo está em contexto, integração, adoção e desenho de processo. Vendors enviam especialistas de campo para vender e implantar o próprio produto, mas a capacidade precisa virar músculo interno. A empresa precisa de alguém que entenda o processo real da área financeira, supply chain, vendas ou atendimento, e saiba traduzir esse contexto para agentes e sistemas. Sem essa função, tecnologia funciona em demo e falha no fluxo real.
Nomear um AI lead por unidade crítica de negócio, com fluência técnica e domínio operacional.
Colocar esse papel dentro da unidade, com conexão explícita ao IT central.
Responsabilizar o AI lead por resultado de processo, com adoção de ferramenta como meio.
Criar backlog de integrações, dados, permissões e exceções que impedem captura de valor.
"The harness matters more than the model." Harrison Chase

Matthew Prince, CEO da Cloudflare, afirmou no SXSW 2026 que bots devem superar humanos no tráfego web em vários segmentos até 2027. Um agente planejando viagem pode gerar até 1.000 vezes mais requisições que um humano.
Agentes compram e recomendam por dados: preço, disponibilidade, especificação, avaliação, entrega, devolução e confiabilidade. Brand equity segue relevante para humanos, mas perde força quando a decisão passa por um agente que lê dados estruturados.
Em B2B, procurement assistido por agentes tende a comparar fornecedores por evidência operacional e histórico verificável. Para marketing, vendas e canais, visibilidade agora inclui legibilidade por agentes, além de SEO, canais e relacionamento.
Testar como agentes de AI descrevem, encontram e comparam os produtos ou serviços da empresa.
Estruturar dados públicos e comerciais para leitura confiável por agentes.
Definir política comercial para acesso de bots, APIs e intermediários agênticos.
Medir discrepâncias entre a mensagem comercial da empresa e a descrição produzida pelos agentes.

"This can't possibly be allowed." Jensen Huang, sobre agentes com acesso irrestrito à rede corporativa
Agentes ampliam superfície de risco porque combinam acesso, ação e comunicação. Sem governança, o problema combina risco técnico, compliance, propriedade intelectual, auditoria, responsabilidade legal e reputação.
Regulação avança em ritmos diferentes por país, mas nenhuma jurisdição acompanha a velocidade de adoção. Empresas que esperam regulação para agir chegam atrasadas ao próprio risco.
Criar política de acesso para agentes como onboarding de terceiro: mínimo necessário, escopo claro e expiração.
Exigir audit trail para ações, dados acessados, ferramentas usadas e aprovações humanas.
Bloquear ações irreversíveis sem aprovação explícita e registrada.
Definir ambientes permitidos, dados proibidos e logs obrigatórios para qualquer piloto.

BofA Global Research
De 90 mil unidades em 2026 para 1,2 milhão em 2030
Projeção para 2030, de US$35 mil em 2025
Em armazéns, logística, automotivo e manufatura até 2027
O principal driver é demografia, custo de mão de obra, escassez de técnicos e restrição operacional. Japão, Alemanha e Coreia do Sul já enfrentam declínio de população em idade ativa, e salários em logística e armazenagem pressionam margens. O robô relevante no curto prazo aparece para descarregar, inspecionar, mover e operar onde a empresa já não encontra gente suficiente. O planejamento precisa começar antes da maturidade plena, porque integração operacional leva tempo.
Incluir robótica no planejamento de workforce de 3 anos para manufatura, logística e armazenagem.
Mapear tarefas repetitivas com escassez crônica de mão de obra e ambiente controlado.
Separar prova técnica de integração operacional, considerando que integração pode custar várias vezes o hardware.
Avaliar segurança física, manutenção, treinamento e impacto sindical antes de pilotos.
"You don't need a perfect robot. You need one that shows up." BofA Global Research

FactSet registrou no Q4 de 2025 que empresas do S&P 500 que citaram AI em earnings calls tiveram retorno de 1,5% desde dezembro, enquanto as que não citaram tiveram 5,6%.
BofA resumiu a mudança de mercado: 2025 premiou menções de AI; 2026 exige margens de AI.
No SXSW, a lógica DARPA aplicada ao caso mRNA destacou marcos de validação em cada gate: continuar, reformular ou encerrar.
A maioria dos projetos AI ainda nasce sem marco de validação, sem critério de escala e sem critério de parada. O resultado é piloto eterno, com custo pequeno o bastante para ninguém encerrar e grande o bastante para consumir foco.
AI muda velocidade, custo e alcance da execução. Critério econômico continua necessário. Business case segue sendo o filtro entre investimento e teatro.
Para cada projeto AI em andamento, definir marco de validação, critério de escala e critério de parada.
Vincular avanço de fase a métrica operacional ou financeira explícita.
Encerrar ou reformular projetos que não validarem valor no prazo definido, com decisão registrada no comitê responsável.
Criar um portfólio único de iniciativas AI, com dono, custo, hipótese, métrica e próxima decisão.

O agente vem embutido no produto e tende a ser melhor dentro daquele sistema.
A empresa constrói seus próprios agentes usando protocolos abertos como MCP e A2A.
Uma camada intermediária que conecta agentes, sistemas e políticas, oferecida por consultorias, hyperscalers ou plataformas especializadas.
Pode ficar preso em um sistema ou atravessar processos.
Pode acumular no vendor ou na empresa.
Pode seguir regras do produto ou política corporativa.
Gerados no trabalho do agente, podem enriquecer o vendor ou reforçar a inteligência do cliente.

A cláusula mais importante nos contratos de SaaS agora é quem controla o contexto que o agente gera enquanto trabalha.

Nem todo tema é prioridade para toda empresa. A sequência depende de indústria, maturidade e horizonte. Esta matriz orienta priorização inicial para comitês executivos que precisam decidir por onde começar.

Estas perguntas servem como diagnóstico interno antes de qualquer iniciativa. Se a equipe não consegue responder, esse é o primeiro problema a resolver.
Quais 3 processos críticos têm ciclo maior que 30 dias? Onde há gargalo de execução e onde há gargalo de decisão? Temos critérios claros para parar projetos que comprimem ciclo sem gerar valor?
Quanto custou nossa AI por unidade de output no último trimestre, e quem mediu? Temos contratos com pricing por consumo ou apenas por seat? Quem é responsável pelo budget de tokens?
Quais contratos SaaS ficam economicamente piores quando agentes viram usuários? Quais workflows seriam mais baratos de construir internamente, considerando manutenção e governança? Quais dados gerados pelos agentes precisam permanecer sob controle da empresa?
Quais tarefas transacionais já poderiam ser executadas por agentes com supervisão? Quem aprova ações de agentes com impacto financeiro ou regulatório? Como medimos produtividade de agentes sem criar risco operacional invisível?
Quais funções terão mais tarefas transformadas nos próximos 24 meses? Que parte dessas funções preserva julgamento, relação, responsabilidade ou finalidade? Como a empresa explica às pessoas por que elas ainda importam no novo desenho?
Quem traduz AI para processo real em cada unidade crítica? Quais integrações, permissões e exceções impedem captura de valor hoje? O responsável por AI mede adoção de ferramenta ou resultado operacional?
Quando um agente compara nossos produtos, a empresa aparece corretamente? Quais dados públicos são legíveis por máquina, confiáveis e atualizados? Qual é nossa política para bots que consultam, cotam ou compram?
Quais agentes têm acesso a dados sensíveis hoje? Existe audit trail de ferramenta usada, dado acessado e ação tomada? Quais ações são proibidas sem aprovação humana explícita?
Quais operações sofrem com escassez crônica de mão de obra? Quais tarefas ocorrem em ambiente controlado e repetitivo? O business case inclui integração, manutenção, segurança física e treinamento?
Quais projetos AI têm marco de validação definido? Qual critério autoriza escala? Quem tem autoridade para encerrar um piloto que não validou valor?

Termos usados ao longo do report com fontes verificáveis.
Protocolo aberto para conectar agentes a ferramentas, dados e sistemas. Fonte: Anthropic; governança transferida para a Linux Foundation.
Protocolo para coordenação entre agentes, com objetivo de interoperabilidade entre sistemas. Fonte: Google; v1.0 lançada no início de 2026.
Função criada pela Palantir para traduzir tecnologia em resultado operacional dentro do cliente. Fonte: Palantir; modelo copiado por OpenAI, Anthropic e Cohere.
Camada de orquestração que conecta agentes, sistemas, memória, autorização e políticas. Fonte: PwC lançou uma abordagem chamada Agent OS; AWS, Google e outros oferecem variações.
Conjunto de contexto, integração, memória, avaliação e adoção que cerca o modelo. Fonte: Harrison Chase, LangChain.
Tokens como unidade econômica de operação, com throughput, latência e tokens por watt como variáveis centrais. Fonte: Jensen Huang, NVIDIA GTC 2026.
Marcos de validação predefinidos para continuar, reformular ou encerrar projetos. Fonte: lógica DARPA apresentada no SXSW a partir do caso mRNA.
Vendor-agent é o agente embutido no produto SaaS; client-agent é construído pela empresa cliente sobre seus próprios sistemas, dados e políticas. Fonte: síntese Alkemia.
Reference design enterprise para agentes seguros, com policy engine, guardrails de rede e privacy router. Fonte: NVIDIA GTC 2026.
Necessidade humana de sentir que o que faz importa e é percebido. Fonte: Jennifer Wallace, SXSW 2026; conectado ao dado Gallup de 70% de desengajamento global.

Dell, GE, ServiceNow, Karpathy e Friedberg mostram ciclos que saem de meses para dias, minutos ou execução delegada. A primeira pergunta executiva é onde essa compressão gera valor mensurável.
Projetos AI precisam de stop rules, marcos de validação, payback e critério de escala. Sem isso, velocidade só acelera desperdício.
McKinsey mostra o ponto atual. Jensen Huang mostrou a ambição. O trabalho executivo é decidir como atravessar esse intervalo com governança.
A Alkemia produz inteligência executiva para decisões de AI e tecnologia enterprise. Atua de forma vendor-neutral, do lado do comprador, com foco em clareza executiva, critérios de decisão e captura de valor.
Para uma avaliação personalizada de como esses temas impactam sua organização, entre em contato.
contact@alkemia.io | alkemia.io
