A notícia de hoje mostra que a colaboração com IA mudou de fase, e isso importa porque a IA deixou de ser uma conversa privada entre uma pessoa e uma máquina e começou a entrar em salas onde outras pessoas conseguem ver, corrigir, aprovar e aprender com o trabalho acontecendo.
Em português simples: usar IA escondido em uma aba é fácil. Difícil é transformar aquilo em trabalho de equipe. Quem pediu? Qual foi o plano? Que dado a IA usou? Quem revisou? O que foi aprovado? O que fica registrado para a próxima pessoa entender?
Esse recorte não repete os últimos posts. Não é outro texto sobre infraestrutura física da IA, histórico de trabalho virando dado, agentes perto do dinheiro, versões por público ou prova de habilidade. O foco de hoje é outro: o que muda quando a IA sai do chat privado e vira um participante visível do fluxo de trabalho.
Equipe acompanhando painéis transparentes de IA com código, avatar de feedback e checklist de aprovação
TL;DR: IA no trabalho ficou pública
- Slack Code levou agentes para canais compartilhados: a ideia é criar uma sala temporária onde equipe e agente acompanham plano, diff, preview e aprovação.
- GitHub Copilot entrou em Slack e Teams: a tarefa pode nascer na conversa do time, rodar em sandbox e virar pull request com contexto.
- Harvard colocou avatares de professores para treino de founder: a IA não só responde; ela simula feedback, pitch e reunião difícil.
- Inherent mostrou um agente científico treinado para replicar pesquisa: o valor não está só em responder certo, mas em desenvolver bom julgamento experimental.
- Empresas estão aprendendo que autonomia total não basta: agentes úteis precisam de escopo, checkpoints, rastro de decisão e limite claro.
- A decisão prática: pare de usar IA apenas no modo "pergunta privada e cola o resultado". Crie um fluxo visível: pedido, contexto, plano, revisão, aprovação e registro.
Notícias selecionadas
1. Slack Code transforma agente em trabalho de equipe
O Slack anunciou o Slack Code, uma experiência em que agentes de programação trabalham dentro de canais próprios. A pessoa menciona um agente, o canal nasce em torno da tarefa e a equipe acompanha o plano, o código, os diffs, o preview e a aprovação.
O detalhe importante não é "agora dá para programar no Slack". Isso seria raso. O ponto é que o agente deixa de ficar escondido na aba privada de um desenvolvedor e passa a trabalhar em um lugar onde mais gente vê o que está acontecendo.
Para leigo: imagine que antes alguém conversava sozinho com um prestador de serviço e só mostrava o resultado final. Agora o prestador trabalha em uma sala com quadro, checklist, histórico e gente olhando. O trabalho fica menos mágico e mais auditável.
O próprio Slack diz que os canais herdam permissões e controles administrativos existentes. Também afirma que mudanças de alto risco podem passar por aprovação humana no canal. Na página de produto, a empresa resume a promessa como "building is a team sport" e mostra agentes trabalhando com revisão, preview e sinal verde humano.
Por que isso importa: IA em equipe precisa de lugar, rastro e revisão. Sem isso, cada pessoa usa a ferramenta de um jeito, guarda contexto na cabeça e entrega um resultado que ninguém sabe avaliar.
Para builders, agências e PMEs, a tradução é direta. Não basta liberar ChatGPT, Claude, Copilot ou qualquer agente para o time. O valor aparece quando existe uma rotina compartilhada: onde pedir, quem revisa, onde fica o histórico e qual é o critério de pronto.
2. GitHub levou o agente para Slack e Teams
No mesmo movimento, o GitHub publicou duas atualizações. A primeira é a nova experiência do GitHub Copilot no Slack. Ela permite mencionar @GitHub em DM, canal ou thread para responder perguntas sobre código, triagem, issue, bug, implementação, validação em sandbox e abertura de pull request.
A segunda é o trabalho agentic compartilhado com GitHub Copilot no Microsoft Teams. A lógica é parecida: transformar uma discussão de time em sessão de agente que todos podem ver, orientar e continuar em outras superfícies, como terminal, app do Copilot ou IDE.
O detalhe operacional importa. No Teams, sessões do agente consomem créditos de IA, sandbox pode ter cobrança separada e administradores podem exigir aprovação adicional para pull requests atribuídos à integração. No Slack, o GitHub fala em permissões existentes, identidade do app Copilot e revisão antes de merge.
Para leigo: o agente virou alguém que entra na reunião, entende a tarefa, trabalha enquanto o time segue conversando e volta com um rascunho verificável.
Por que isso importa: quando a IA trabalha em canal de equipe, o prompt deixa de ser segredo individual e vira parte do processo da empresa.
Isso muda adoção. Antes, uma pessoa mais curiosiosa usava IA bem e o resto do time nem via. Agora, o time pode aprender observando como alguém pede, corrige, redireciona e aprova. O uso de IA deixa de ser talento escondido e vira prática copiável.
Esse ponto conversa com o post antigo sobre agentes de IA entrarem na mesma sala, mas o recorte de hoje é diferente. Lá, a pergunta era como vários agentes convivem entre si. Hoje, a pergunta é: como humanos acompanham o trabalho da IA sem transformar tudo em bagunça?
3. Harvard usou avatares para dar treino, não só aula
A TechCrunch reportou que o HBS Foundry, programa de Harvard Business School para founders, usa avatares de IA de instrutores no bootcamp de US$ 699. Eles ajudam participantes a praticar pitch, reunião de conselho e conversas difíceis.
A página do HBS Foundry reforça a ideia: o fundador pode montar uma espécie de conselho consultivo com especialistas de Harvard e entrar no "hot seat" para treinar pitch, venda e board meeting com IA. A proposta não é substituir totalmente o humano. É dar repetição antes da conversa real.
Para leigo: é como ensaiar uma reunião difícil com alguém que imita o tipo de pergunta que você vai enfrentar. Você erra antes, ajusta antes e chega melhor preparado.
Por que isso importa: IA boa para aprendizado não é só a que entrega resposta. É a que cria um ambiente seguro para praticar, receber feedback e melhorar julgamento.
Esse item é útil para além de Harvard. Uma PME pode criar treino de atendimento. Uma agência pode simular objeção de cliente. Um vendedor pode treinar proposta. Um gestor pode treinar conversa de cobrança. Um criador pode testar roteiro antes de gravar.
A armadilha é tratar avatar como autoridade de verdade. O usuário precisa saber que está falando com uma simulação, que o feedback tem limite e que a decisão final continua humana.
4. Inherent mostrou que até ciência precisa de julgamento, não só resposta
A startup Inherent publicou a pesquisa Training AI Scientists to Replicate Research. O agente Faraday, com 27 bilhões de parâmetros, foi treinado para replicar resultados de papers. A empresa afirma que ele superou Claude Opus 4.8 e GPT-5.5 em tarefas de replicação científica.
O ponto mais interessante não é a comparação de placar. É o tipo de tarefa. Replicar pesquisa exige ler um paper, entender o que foi feito, reconstruir experimento, escolher caminho, lidar com resultado parcial e perceber quando uma tentativa faz sentido.
Para leigo: não é a IA decorando a resposta do livro. É a IA tentando refazer o caminho até a resposta, como um estudante ou pesquisador que precisa provar que entendeu.
A Inherent diz que o conjunto inicial tem 310 tarefas de 100 papers em áreas como processamento de linguagem, materiais e previsão do tempo. Também diz que Faraday usa agentes de código como ferramenta, do mesmo jeito que cientistas humanos usam software para trabalhar.
Por que isso importa: em tarefas complexas, o valor da IA começa a depender de "gosto" e julgamento, não apenas de conhecimento bruto.
Para produto e negócio, a lição é simples. Quanto mais aberta e importante a tarefa, menos você deve medir a IA só pela resposta final. É preciso olhar o caminho: hipótese, teste, erro, evidência, revisão e decisão humana.
5. Autonomia demais está virando problema de produção
A VentureBeat publicou uma análise sobre como empresas que vencem com agentes estão limitando o quanto eles fazem sozinhos. O texto conecta dois sinais úteis: a previsão da Gartner de que mais de 40% dos projetos de IA agentic podem ser cancelados até o fim de 2027 por custo, valor pouco claro ou controle fraco, e a pesquisa da McKinsey mostrando maturidade média de IA responsável em 2,3 de 4.
O argumento é prático: autonomia e responsabilidade puxam em direções opostas. Quanto mais um agente faz sozinho, mais difícil fica explicar depois por que ele tomou uma decisão.
Para leigo: um funcionário muito independente pode ser ótimo. Mas, se ninguém sabe o que ele fez, com qual autorização e com qual dado, a independência vira risco.
Por que isso importa: a próxima vantagem não é "deixar a IA fazer tudo". É dar autonomia calibrada, com escopo pequeno, checkpoint certo e registro bom.
Isso fecha o padrão do dia. Slack, GitHub, Harvard e Inherent não estão mostrando só ferramentas novas. Estão mostrando uma mudança de desenho: a IA trabalha melhor quando o ambiente permite prática, revisão, supervisão e aprendizado coletivo.
O padrão que apareceu hoje
O padrão das notícias de IA hoje é que o trabalho com IA está ficando visível.
Slack quer tirar o agente da aba privada e colocar em canal. GitHub quer transformar conversa de Slack ou Teams em tarefa rastreável. Harvard usa avatar para dar treino repetido antes de uma reunião real. Inherent treina um agente científico para refazer o caminho da pesquisa, não só cuspir uma resposta. VentureBeat aponta que empresas maduras limitam autonomia em vez de soltar agentes sem cerca.
O fio comum é simples:
- IA privada aumenta velocidade individual;
- IA visível aumenta aprendizado do time;
- canal compartilhado reduz contexto perdido;
- preview e diff melhoram revisão;
- avatar ajuda a praticar antes do risco real;
- replicação mostra o processo, não só a conclusão;
- autonomia precisa de escopo e checkpoint;
- o registro vira parte do produto.
Essa leitura corta uma ilusão comum: achar que produtividade com IA é cada pessoa usar a ferramenta do seu jeito e depois colar o resultado em algum lugar.
Isso escala mal.
Se a IA participa de trabalho importante, ela precisa aparecer no fluxo. Não para burocratizar tudo. Para que o time consiga entender, corrigir, reaproveitar e confiar.
Quem acompanha /noticias vai continuar vendo modelos, agentes e produtos novos. O filtro de hoje é outro: esse uso de IA melhora quando outras pessoas conseguem ver o processo, ou depende de ficar escondido na conversa privada?
O que isso muda pra quem constrói
1. Crie um lugar oficial para tarefas com IA. Pode ser Slack, Teams, Discord, Notion, Linear, GitHub, WhatsApp interno ou outro sistema. O ponto é não deixar cada tarefa morrer dentro do chat privado de uma pessoa.
2. Separe pedido, plano e entrega. Antes da IA executar, registre o que foi pedido. Depois, registre o plano. Só então aceite a entrega. Isso evita o clássico "não era isso que eu queria".
3. Torne a revisão fácil. Se a IA produz código, mostre diff e preview. Se produz campanha, mostre briefing, variações e hipótese. Se produz atendimento, mostre conversa, tom e escalada. Revisão boa precisa de superfície boa.
4. Use IA para ensaio. Simule objeção de cliente, pitch, reunião, suporte, treinamento, aula, entrevista, cobrança e venda. Para tarefa social, repetir com feedback vale mais do que receber uma resposta perfeita.
5. Dê autonomia menor do que parece necessário. Comece com agente que recomenda, resume, prepara e rascunha. Só depois permita ação direta. E mesmo assim com limite, log e aprovação nos pontos caros.
6. Transforme bons prompts em rotina, não em segredo. Quando alguém do time usa IA bem, documente o pedido, o contexto, a revisão e o resultado. O ganho real vem quando o uso bom deixa de depender de uma pessoa específica.
Para builders, founders, marketers, criadores, PMEs e profissionais que usam IA para produto, automação e negócio, a decisão prática é esta: escolha uma tarefa recorrente e redesenhe o fluxo inteiro: quem pede, onde a IA trabalha, quem vê, quem corrige, quem aprova e onde fica o histórico.
E o Brasil nessa história?
No Brasil, essa virada não vai começar pelo Slack Code em toda PME. Vai começar onde o trabalho já acontece: WhatsApp, Instagram, planilha, e-mail, grupo interno, Trello, Notion, Drive, reunião no Google Meet e conversa atravessada com fornecedor.
A agência usa IA para roteiro e criativo, mas o briefing fica no privado do gestor. A loja usa IA para responder cliente, mas ninguém revisa promessa de desconto. O consultor usa IA para relatório, mas o cliente não vê a hipótese. O curso usa IA para corrigir exercício, mas o aluno não entende o critério. A empresa usa IA para código, mas o dono só vê quando quebra.
O risco brasileiro não é falta de ferramenta. É excesso de improviso invisível.
O caminho útil é simples:
- escolha um canal onde o time já trabalha;
- crie um modelo de pedido para IA;
- peça para a IA devolver plano antes de executar;
- marque quem revisa;
- defina quando precisa de aprovação humana;
- guarde o histórico em lugar buscável;
- transforme bons exemplos em biblioteca interna.
Para quem presta serviço de IA, isso vira oferta concreta. Em vez de vender "agente que faz tudo", venda implantação de fluxo: tarefa, canal, permissão, revisão, métrica e dono. O cliente leigo não precisa entender todos os modelos. Ele precisa entender onde a IA trabalha e como a empresa confere antes de colocar aquilo no mundo.
Se você quer transformar esse tipo de leitura em produto, automação, marketing ou rotina operacional com método, o caminho mais direto é entrar no /pro. E para acompanhar as próximas viradas práticas do mercado, veja a curadoria em /noticias.
A pergunta final de hoje é:
qual trabalho com IA ainda está escondido no chat privado de alguém e deveria virar um fluxo visível, com revisão e dono claro?
Comece por esse fluxo. A próxima vantagem não será só usar IA mais rápido. Será fazer o time inteiro enxergar, melhorar e confiar no trabalho que a IA ajuda a produzir.