A Investida de IA Empresarial da Anthropic e da Salesforce Expõe a Lacuna de Adoção

Líderes da Anthropic e da Salesforce transmitiram uma mensagem direta na Dreamforce: as empresas utilizam apenas 5% a 10% do potencial atual da IA. A investida de IA empresarial da Anthropic e da Salesforce agora se concentra em fechar essa lacuna, em vez de esperar por outro salto nos modelos.

O CEO da Anthropic, Dario Amodei, e o CEO da Salesforce, Marc Benioff, descreveram a adoção como desigual durante sua aparição em 15 de setembro, em São Francisco. O argumento deles representa uma inversão importante. As empresas de IA continuam produzindo sistemas mais capazes, mas a maioria das empresas ainda tem dificuldades para transformar as capacidades existentes em trabalho confiável.

Essa lacuna coloca a Salesforce em uma posição incomum. Empresas de modelos de fronteira podem ameaçar plataformas tradicionais de software, mas também precisam dessas plataformas para alcançar dados e fluxos de trabalho corporativos. A Salesforce, por sua vez, precisa de modelos como Claude enquanto defende seu papel como camada operacional para informações de clientes e processos de negócios.

A IA Empresarial da Anthropic e da Salesforce Passa dos Modelos aos Fluxos de Trabalho

A manchete não foi que as empresas precisam de uma IA mais inteligente. Foi que precisam de mais ajuda para usar a inteligência já disponível.

Amodei disse que apenas 5% a 10% do valor atual da IA se espalhou pela economia. Sua estimativa de difusão econômica era uma avaliação, e não uma estatística econômica medida de forma independente. Ainda assim, ela enquadrou a questão central enfrentada pelos fornecedores de IA empresarial.

As empresas conseguem abrir um chatbot e gerar texto útil em poucos minutos. Implementar IA em toda uma operação regulamentada de vendas, atendimento, finanças ou suporte apresenta um desafio diferente.

Um sistema em produção precisa de contexto empresarial preciso, acesso controlado, ações previsíveis e revisão humana. Também precisa de alguém responsável que possa decidir se o sistema gerou um resultado valioso.

Benioff descreveu uma considerável “desigualdade” na adoção empresarial. Algumas equipes incorporaram IA às operações diárias, enquanto outras permanecem presas a pilotos. Ele disse aos clientes da Dreamforce que a Salesforce precisa fazer mais para acelerar sua transformação.

As empresas associaram essa mensagem a um lançamento concreto de produto. A Anthropic apresentou Salesforce in Claude, um plugin beta que conecta Claude a contas, oportunidades e informações de pipeline.

O plugin Salesforce in Claude inclui 37 habilidades para tarefas comuns de vendas. Essas habilidades abrangem pesquisa de contas, preparação de reuniões, análises de pipeline e atualizações de CRM.

Dois conectores dão suporte ao plugin. Um leva dados da Salesforce ao Claude sob as permissões existentes. O outro conecta Agentforce Sales ao Claude, segundo a Anthropic.

Claude pode preparar um resumo matinal contendo reuniões, negócios próximos da conclusão, oportunidades em risco e mensagens sem resposta. Também pode redigir alterações no CRM, mas um vendedor precisa aprovar essas atualizações antes que cheguem à Salesforce.

Essa etapa de aprovação é importante. Ela mostra como as empresas estão posicionando a IA como assistente operacional, e não como tomador de decisões sem restrições.

A Anthropic citou GitLab, Siemens e Legora como clientes que implementam a integração. Benioff também afirmou que 7.000 funcionários da Salesforce já usam ferramentas integradas ao Claude.

Essas implementações fornecem exemplos concretos, mas não estabelecem ganhos amplos de produtividade para os clientes. A Anthropic não publicou resultados comparativos que mostrem como o plugin altera receita, ciclos de vendas ou qualidade dos dados.

Ainda assim, o lançamento muda a conversa sobre IA empresarial. Ele direciona a atenção para longe de prompts isolados e em direção a tarefas completas dentro dos sistemas onde os funcionários já trabalham.

Um vendedor não precisa de mais uma demonstração genérica de geração de texto. Esse vendedor precisa de acesso confiável à conta correta, à conversa mais recente e às regras de aprovação da empresa.

A parceria tenta combinar essas peças. Claude fornece recursos gerais de raciocínio e linguagem. A Salesforce fornece registros de clientes, lógica de fluxo de trabalho, permissões e ações.

Essa combinação define a estratégia de IA empresarial da Anthropic e da Salesforce. O modelo continua importante, mas o sistema operacional ao redor determina se um funcionário pode confiar nele para trabalho real.

Por Que a Adoção de IA Empresarial Ainda Fica Atrás da Capacidade

A adoção empresarial desacelera quando uma demonstração convincente encontra dados fragmentados, responsabilidade pouco clara e fluxos de trabalho que não toleram improvisação.

Os modelos de IA melhoraram mais rápido do que a maioria das empresas consegue redesenhar suas operações. As organizações precisam conectar múltiplos sistemas, classificar informações sensíveis, definir ações aceitáveis e treinar funcionários antes que um agente possa agir com segurança.

Até mesmo uma pergunta básica pode exigir informações de várias fontes. Um cliente pode perguntar se um pedido pode ser enviado hoje. Responder corretamente pode envolver registros de CRM, estoque, contratos, políticas e comunicações anteriores.

Um modelo pode entender a pergunta imediatamente. Ainda assim, não consegue fornecer uma resposta operacional confiável sem acesso atual e autorizado a todas as fontes relevantes.

Essa distinção explica por que os pilotos frequentemente avançam mais rápido do que as implementações em produção. Um piloto pode usar um conjunto de dados restrito e tolerar correções manuais. Um sistema em produção precisa lidar com exceções, permissões, auditorias e regras de negócios em constante mudança.

A própria pesquisa da Salesforce com CIOs ilustra a contradição. Sua pesquisa sobre adoção entre CIOs constatou que a implementação completa de IA passou de 11% em 2024 para 42% em 2026.

A mesma pesquisa constatou que 93% dos CIOs consideravam a integração de fluxos de trabalho essencial para a adoção bem-sucedida de agentes. Ainda assim, menos da metade relatou a cooperação multifuncional necessária para uma implementação mais ampla.

As preocupações com dados também permanecem sem solução. Segurança e privacidade foram o principal temor entre os respondentes, seguidas de perto pela ausência de dados confiáveis.

Apenas 23% dos CIOs pesquisados se sentiram totalmente confiantes de que seus investimentos em IA incluíam governança de dados integrada. A Salesforce realizou a pesquisa duplo-cega com 200 CIOs de 24 países.

A pesquisa vem de uma empresa que vende soluções para esses problemas, portanto suas conclusões merecem esse contexto. No entanto, as barreiras à implementação correspondem a um padrão conhecido na tecnologia empresarial.

As organizações frequentemente compram uma capacidade técnica antes de resolver os processos ao redor dela. A IA amplifica esse erro porque seu resultado pode parecer plausível mesmo quando seu contexto está incompleto.

Um cálculo impreciso em um painel pode desencadear uma investigação óbvia. Uma resposta fluente de IA pode ocultar uma fonte ausente, um registro desatualizado ou uma instrução mal compreendida.

Por isso, as empresas precisam de sistemas de avaliação, e não apenas de acesso a modelos. Elas devem testar se um agente seleciona os dados corretos, segue as políticas e encaminha casos incertos para pessoas.

Também precisam de medidas claras de sucesso. O tempo economizado pode ser importante, mas não se traduz automaticamente em receita ou melhoria no atendimento.

Um agente de vendas que redige e-mails mais rapidamente pode criar pouco valor se os funcionários gastarem o mesmo tempo verificando seu trabalho. Uma interação automatizada de atendimento pode reduzir o tempo de tratamento enquanto prejudica a satisfação do cliente.

As medições mais úteis conectam a tarefa de IA a um resultado empresarial. Os exemplos incluem menos casos abandonados, preparação de vendas mais curta, melhor preenchimento de CRM e menores taxas de escalonamento.

É aqui que a arquitetura de conhecimento empresarial se torna central. As equipes precisam de uma base de conhecimento pesquisável que preserve o contexto e disponibilize o material de origem aos usuários autorizados.

Sem essa base, um modelo capaz permanece separado dos fatos de que os funcionários precisam. Portanto, a lacuna de adoção é, em parte, um problema de dados e organização.

Também é um problema de gestão da mudança. Os funcionários precisam entender quando confiar em um agente, quando inspecionar suas fontes e quando substituir sua recomendação.

Os gestores precisam decidir quem é responsável por falhas que atravessam vários departamentos. As equipes de segurança precisam de visibilidade, enquanto as equipes operacionais precisam de liberdade suficiente para melhorar seus fluxos de trabalho.

Esses requisitos demandam tempo. Eles também explicam por que outro lançamento de modelo não consegue, por si só, transformar um piloto promissor em um sistema empresarial.

A Parceria Transforma um Rival em Infraestrutura

Anthropic e Salesforce competem pelo controle da experiência do usuário, mas cada empresa precisa de ativos que a outra já possui.

Os assistentes de IA atuam cada vez mais como interfaces para software empresarial. Um usuário pode pedir ao Claude que analise um pipeline em vez de navegar por uma sequência de telas de CRM.

Essa mudança ameaça a posição tradicional dos fornecedores de aplicações. Se os funcionários começarem o trabalho dentro de um assistente geral de IA, o assistente poderá se tornar a interface principal.

A Salesforce ainda controla ativos importantes sob essa interface. Ela armazena relacionamentos com clientes, permissões, definições de processos e registros de atividade empresarial.

A Anthropic controla um modelo e um assistente que muitos usuários já tratam como um espaço para raciocinar, escrever e analisar. Levar a Salesforce ao Claude conecta essa interface a dados operacionais.

O acordo se assemelha a uma divisão de trabalho negociada. Claude lida com conversação e raciocínio amplo, enquanto a Salesforce permanece como o sistema que governa registros e ações.

Essa divisão não tem garantia de permanecer estável. A Anthropic pode expandir seus conectores e recursos de aplicações. A Salesforce pode enfatizar seus próprios modelos ou oferecer assistentes concorrentes.

A Salesforce anunciou Koa, seu primeiro modelo de raciocínio para CRM, durante o mesmo período da Dreamforce. A empresa afirma que Koa foi treinado com cenários empresariais sintéticos e opera dentro de seu limite de confiança.

Segundo a Salesforce, seu benchmark interno mostrou que Koa igualou ou superou modelos líderes em ações de CRM com três vezes menos erros. Trata-se de um benchmark da empresa, não de uma avaliação independente.

O design do modelo Koa ainda revela a estratégia da Salesforce. A empresa quer inteligência especializada para tarefas de CRM, mantendo suporte a modelos externos.

Koa usa modelos abertos Nvidia Nemotron como base. A Salesforce afirma que controla os pesos e realiza pós-treinamento e inferência dentro de sua infraestrutura.

Essa abordagem oferece aos clientes outro caminho. Eles podem usar Claude para raciocínio geral, um modelo hospedado pela Salesforce para trabalho especializado de CRM ou modelos diferentes para tarefas separadas.

A Salesforce chama essa escolha de modelos de parte de uma arquitetura aberta. O interesse comercial da empresa é claro. Ela quer que a camada de aplicações e governança continue valiosa mesmo quando a liderança em modelos mudar.

A Anthropic tem um interesse correspondente. A integração direta com a Salesforce aproxima Claude de fluxos de trabalho corporativos valiosos sem exigir que a Anthropic reconstrua uma plataforma completa de CRM.

Isso cria uma trégua prática, não um acordo permanente. Ambas as empresas se beneficiam enquanto as organizações precisam de uma ponte entre modelos e aplicações existentes.

A Salesforce também detinha uma participação na Anthropic avaliada em cerca de US$ 5 bilhões no início de junho, segundo a reportagem da Bloomberg. Essa relação financeira acrescenta outra camada ao alinhamento técnico entre as empresas.

No entanto, os clientes devem avaliar a integração como uma decisão de produto, e não como prova de que os incentivos das empresas correspondem perfeitamente aos seus.

Uma empresa pode valorizar a conveniência de um fluxo de trabalho unificado. Também pode se preocupar com a concentração de fornecedores, mudanças nos limites dos produtos e o custo de migrar agentes posteriormente.

A portabilidade de modelos pode reduzir esse risco. Métodos de avaliação compartilhados, interfaces estáveis e permissões claramente definidas podem facilitar a troca de fornecedores.

A portabilidade de dados é ainda mais importante. Uma empresa que não consegue separar seu contexto proprietário de um modelo ou plataforma pode reproduzir o conhecido aprisionamento tecnológico do software.

A questão competitiva, portanto, é maior do que Claude versus Agentforce. Ela diz respeito a qual camada captura o valor duradouro da IA empresarial.

Os fornecedores de modelos argumentam que um raciocínio superior atrairá usuários e cargas de trabalho. Os fornecedores de aplicações argumentam que dados governados e fluxos de trabalho incorporados criam diferenciação duradoura.

A parceria empresarial de IA entre Anthropic e Salesforce combina essas alegações. Seu sucesso depende de os clientes considerarem o sistema combinado mais útil do que cada camada isoladamente.

Salesforce Aposta Que a Camada Ausente É o Controle

A Salesforce acredita que as empresas pagarão pelos sistemas que cercam a IA porque o raciocínio precisa se conectar a regras, identidade, dados e ações responsáveis.

A empresa chama sua base proposta de Enterprise AI Harness. Um harness é uma camada arquitetural que fornece contexto compartilhado, segurança, governança, modelos e ações.

O enterprise AI harness da Salesforce contém seis capacidades declaradas. Elas abrangem contexto, agência, ação, governança, segurança e seleção de modelos.

A empresa também anunciou um AI Control Plane. A Salesforce afirma que ele permitirá aos administradores registrar agentes, aplicar políticas de identidade, observar comportamentos, avaliar desempenho e gerenciar custos.

Essa arquitetura aborda um problema real. As empresas frequentemente começam com projetos de IA separados, que usam conectores, permissões e processos de avaliação distintos.

A fragmentação cria risco operacional. Um agente pode acessar documentos desatualizados, enquanto outro segue uma regra de aprovação diferente para a mesma ação de negócio.

Uma camada de controle compartilhada pode tornar as políticas reutilizáveis. Ela também pode dar às equipes de segurança e dados uma visão mais clara do que os agentes estão fazendo.

A Salesforce quer que essa camada ofereça suporte às suas próprias ferramentas e a sistemas de terceiros. A empresa afirma que as empresas podem acessar recursos por meio de APIs, Model Context Protocol, skills e plugins.

Model Context Protocol, ou MCP, é uma interface padrão que permite que aplicações de IA se conectem a ferramentas e dados externos. Ele pode reduzir a necessidade de uma integração personalizada para cada combinação.

A arquitetura também oferece suporte a Claude, Slack, Microsoft Teams e outras interfaces. Essa amplitude reflete a decisão da Salesforce de encontrar os funcionários onde eles já trabalham.

A proposta parece sensata, mas diagramas de arquitetura não comprovam confiabilidade operacional. As empresas precisam de evidências de implantações complexas entre departamentos e sistemas.

Elas devem perguntar se os administradores conseguem rastrear cada ação dos agentes. Também devem examinar com que rapidez podem revogar acessos, atualizar políticas e investigar falhas.

A avaliação exige atenção equivalente. Um plano de controle deve medir mais do que a qualidade das respostas do modelo.

Ele deve mostrar se um agente usou as fontes corretas, seguiu o fluxo de trabalho pretendido e produziu um resultado de negócio aprovado. Também deve revelar padrões de falha em tarefas repetidas.

Os controles de custo são importantes porque fluxos de trabalho com agentes podem envolver várias chamadas de modelo e ações de ferramentas. Um processo que parece acessível durante um pequeno piloto pode se comportar de forma diferente em escala empresarial.

A Salesforce reconhece o roteamento de modelos como um controle. Seu sistema pode direcionar o trabalho de acordo com precisão, desempenho, custo e requisitos de negócio.

Isso cria outra questão. Os clientes precisam saber quem define essas prioridades de roteamento e como podem verificar os resultados de forma independente.

Um fornecedor pode otimizar para uma combinação que apoie suas relações comerciais. Um cliente pode priorizar localização dos dados, latência ou um limite específico de precisão.

A transparência em torno do roteamento e da avaliação determinará se uma arquitetura aberta oferece escolha significativa. Um menu de modelos oferece liberdade limitada quando trocar um deles exige ampla reconstrução do fluxo de trabalho.

A interpretação mais forte da estratégia da Salesforce não é que os modelos tenham se tornado irrelevantes. É que os modelos se tornam cada vez mais componentes intercambiáveis dentro de sistemas governados.

A interpretação mais fraca é que uma empresa de software estabelecida está protegendo sua posição ao adicionar outra camada de gestão. Ambas as explicações podem ser verdadeiras ao mesmo tempo.

Os clientes devem julgar a estratégia pelos resultados de implantação. Se o harness encurtar a implementação, melhorar auditorias e reduzir integrações duplicadas, ele resolverá um problema mensurável.

Se ele apenas reempacotar componentes existentes da plataforma, os compradores poderão ter dificuldade para conectar sua ampla promessa aos resultados de negócio.

A próxima etapa da iniciativa de IA empresarial da Anthropic e Salesforce deve, portanto, demonstrar controle sem acrescentar complexidade desnecessária.

A História de Adoção Ainda Carece de Provas Independentes

As empresas mostraram integrações e implantações internas, mas as alegações amplas sobre valor econômico ainda dependem de resultados verificados de forma independente.

A estimativa de Amodei, de 5% a 10%, cria uma imagem convincente de valor inexplorado. Ela não revela como esse valor foi calculado nem como varia entre setores.

A estimativa pode descrever capacidade técnica não realizada, e não benefício econômico recuperável. Essas categorias não são a mesma coisa.

Um modelo pode executar uma tarefa em um ambiente controlado sem tornar essa tarefa adequada para automação confiável. O uso em produção introduz casos extremos, políticas e responsabilização.

A mesma cautela se aplica às estatísticas de adoção dos fornecedores. O número de funcionários que usam uma ferramenta não revela profundidade de uso, retenção, qualidade do resultado ou retorno financeiro.

Os 7.000 usuários internos da Salesforce fornecem um ambiente de testes significativo. No entanto, os clientes precisam saber quais fluxos de trabalho esses usuários concluem e o que mudou após a implantação.

A Anthropic afirma que o plugin pode reduzir a preparação manual e o acompanhamento. Ela não publicou comparações controladas para essas alegações.

Os exemplos de clientes também exigem interpretação cuidadosa. Implantações nomeadas confirmam que as organizações estão experimentando a tecnologia. Elas não comprovam que um padrão de implementação funcione em todas as empresas.

Grandes empresas diferem em qualidade dos dados, estruturas de acesso, exposição regulatória e dívida técnica. Essas diferenças ajudam a explicar a adoção desigual descrita por Benioff.

Também há tensão entre a mensagem de adoção e os recentes alertas de segurança de Amodei. Ele argumentou que o ritmo do desenvolvimento de fronteira exige mais cautela.

O presidente da Salesforce, Patrick Stokes, apresentou essa possível desaceleração como algo útil para os desenvolvedores de aplicações. Ele disse que os desenvolvedores têm “muito a recuperar” em relação aos modelos.

Seu comentário revela a inversão central do artigo. Lançamentos mais lentos na fronteira poderiam dar às empresas tempo para absorver capacidades que já existem.

Isso também poderia beneficiar fornecedores de aplicações estabelecidos. Um ciclo de modelos mais lento lhes dá mais tempo para construir integrações, governança e produtos especializados.

A economia mais ampla poderia continuar investindo mesmo que o progresso na fronteira desacelerasse. Os modelos existentes ainda exigem preparação de dados, redesenho organizacional e infraestrutura.

Uma análise recente destacou o investimento no nível das empresas em estratégia e dados como uma parte subestimada dos gastos com IA. Essa visão apoia o foco da Salesforce na implementação.

No entanto, uma desaceleração não produziria automaticamente uma adoção bem-sucedida. As empresas podem gastar muito em integração sem resolver necessidades dos usuários ou o desenho dos processos.

Há também uma questão trabalhista. Fornecedores de IA frequentemente apresentam a automação administrativa como um benefício, mas os funcionários podem vivenciá-la como monitoramento mais intenso ou substituição de postos de trabalho.

Um agente que atualiza registros de CRM pode eliminar trabalho repetitivo. Também pode padronizar a supervisão da gestão e mudar como o desempenho é medido.

As empresas precisam de governança para esses efeitos humanos, não apenas para o acesso técnico. Os trabalhadores devem entender o que os agentes registram, recomendam e escalam.

As empresas também devem definir a fronteira entre assistência e ação autônoma. Essa fronteira deve variar conforme a consequência de um erro.

Redigir notas de reunião apresenta menor risco do que alterar um contrato de cliente. Atualizar um registro de vendas é diferente de aprovar um desconto ou comprometer estoque.

A aprovação humana pode reduzir riscos, como sugere o fluxo de atualização de CRM do plugin Claude. No entanto, a aprovação se torna superficial quando os funcionários enfrentam ações geradas em excesso.

Um sistema eficaz deve direcionar a atenção para casos incertos ou consequentes. Exigir revisão manual de cada etapa rotineira pode eliminar o ganho de produtividade prometido.

Portanto, evidências independentes devem examinar o fluxo de trabalho completo. Estudos úteis comparariam precisão, tempo de revisão, resultados de negócio e recuperação de falhas.

Até que essas evidências cheguem, a conclusão mais segura é limitada. Anthropic e Salesforce identificaram uma lacuna real de implementação e criaram produtos voltados a ela.

Elas ainda não demonstraram que sua abordagem combinada fecha essa lacuna de forma consistente em grandes organizações.

Três Sinais Testarão a Tese da IA Empresarial

O próximo teste é saber se agentes conectados produzem melhorias operacionais mensuráveis sem enfraquecer a governança ou prender clientes a uma única pilha tecnológica.

O primeiro sinal é o uso sustentado da Salesforce no Claude após o período beta. Os números iniciais de ativação importarão menos do que o engajamento recorrente no nível das tarefas.

A Anthropic deve informar com que frequência os vendedores concluem pesquisas de contas, preparação de reuniões, revisão de pipeline e atualizações aprovadas de CRM. A retenção ao longo de vários meses reforçaria a tese de adoção.

Os resultados dos clientes tornariam as evidências mais úteis. Menor tempo de preparação, registros mais completos e menos acompanhamentos perdidos conectariam a atividade do produto ao valor de negócio.

Uma queda no uso após os testes iniciais enfraqueceria o argumento. Ela sugeriria que o acesso conversacional por si só não resolve o atrito do fluxo de trabalho.

O segundo sinal é como a arquitetura de controle da Salesforce se desempenha nas implantações dos clientes. As empresas devem observar relatos independentes sobre aplicação de políticas, auditabilidade e resposta a incidentes.

Um resultado forte mostraria que as empresas podem governar vários modelos e agentes por meio de controles comuns. Também deveria mostrar que as equipes podem trocar de fornecedores sem reconstruir suas operações.

Um resultado mais fraco revelaria forte personalização, trabalho de avaliação duplicado ou visibilidade limitada sobre o roteamento de modelos. Esses problemas transformariam a camada de controle em outra fonte de complexidade.

O terceiro sinal é a relação entre os gastos com IA e os resultados operacionais divulgados. A Salesforce e seus clientes devem ir além das contagens de agentes, conversas ou usuários habilitados.

Os compradores precisam de métricas ligadas a vendas, atendimento e trabalho dos funcionários. Exemplos incluem qualidade da resolução, tempos de ciclo, precisão dos registros, retenção e taxas de escalonamento.

Essas métricas devem incluir o custo da revisão humana e da manutenção do sistema. O total de tempo economizado pode enganar quando os funcionários precisam corrigir erros em outros lugares.

Os próximos vários ciclos de resultados financeiros fornecerão evidências úteis. A Salesforce poderá informar se os produtos de IA ampliam os gastos dos clientes e se as implantações avançam além de equipes isoladas.

A Anthropic pode fortalecer seu argumento ao publicar avaliações empresariais detalhadas. Essas avaliações devem separar o desempenho dos modelos das camadas de integração e fluxo de trabalho.

Os clientes também devem comparar essa parceria com alternativas da Microsoft, Google, OpenAI e fornecedores empresariais especializados. A pressão competitiva pode esclarecer quais escolhas arquitetônicas realmente importam.

A principal disputa não é um simples ranking de modelos. É a disputa entre o rápido crescimento das capacidades e a capacidade de uma organização de absorvê-las de forma responsável.

Para desenvolvedores, a oportunidade está em ferramentas de integração, avaliação, observabilidade e conscientes de permissões. Essas áreas se tornam mais valiosas quando os modelos já lidam com tarefas amplas de raciocínio.

Para compradores empresariais, a lição é começar com um fluxo de trabalho delimitado e um resultado mensurável. Um mandato amplo de IA gera atividade, mas raramente gera responsabilização.

Para trabalhadores do conhecimento, a questão-chave é se a IA consegue acessar o contexto certo sem eliminar um controle significativo. A conveniência, por si só, não é suficiente para trabalhos com consequências relevantes.

A estratégia de IA empresarial da Anthropic e da Salesforce defende que a próxima fase pertence a sistemas que conectam inteligência a ações confiáveis. Essa proposta agora precisa de evidências operacionais.

Observe se os funcionários continuam usando os fluxos de trabalho integrados, se os administradores conseguem governá-los entre diferentes modelos e se os clientes relatam ganhos empresariais duradouros. Esses sinais mostrarão se a IA empresarial está finalmente se disseminando ou apenas adquirindo uma interface mais refinada.