Quando a empresa se torna um Agente: 5 reflexões sobre a organização na era da IA

“AI跃迁者调研” é uma série de entrevistas profundas com a lente de AI. A transição não é uma evolução linear, mas sim uma derrubada de paradigmas, iteração e reconstrução. Em cada episódio, convidamos um AI跃迁者—empreendedores nativos de AI, líderes de transformação de empresas ou superindivíduos que usam AI para redesenhar a si mesmos—para compartilhar suas conclusões, processos de desmontagem, lógica de construção, aprendizado de custos, e o que permanecem de pé em meio às mudanças contínuas, oferecendo referências reais para aqueles que trilham esse caminho.

No primeiro episódio, convidamos o fundador e CEO da Tezign, professor da Tongji University e orientador de doutorado, diretor do Laboratório de Inteligência Artificial para Design, Dr. Fan Ling. A Tezign é uma empresa de AI Agentic empresarial fundada há 10 anos, dedicada a construir sistemas de agentes inteligentes de nível empresarial baseados na arquitetura Generative Enterprise Agent (GEA), capazes de entender o contexto de negócios, participar de decisões complexas e impulsionar resultados continuamente, ajudando empresas a crescer, inovar e aumentar produtividade, atendendo a insights de usuários, inovação de produtos e crescimento de marketing a longo prazo. Mais importante, ela também está usando AI para redesenhar sua organização: da transformação de pods, cultivo de comunidades, até a construção de agentes generativos com skills, contextos e orquestrações.

Conversamos com Fan sobre como AI está mudando a estrutura organizacional, densidade de talentos, entrega ao cliente e barreiras de produto, além dos problemas não resolvidos por trás dessas mudanças.

【Insights marcantes】

1. “AI não é uma ferramenta para aumentar a eficiência de P&D, mas sim um Agent que fornece recursos de P&D para quem precisa deles.”

2. “AI fundamentalmente desafia a divisão de setores e profissões, nos trazendo de volta a um estado de renaissance de versatilidade.”

3. “Leadership, ownership, responsibility, resilience—essas coisas que parecem abstratas, na era da AI se tornam extremamente concretas.”

4. “A maioria das empresas ainda está na fase de copiloto: adicionando AI às funções existentes. Mas a capacidade de AI já evoluiu a ponto de permitir redesenhar organizações com AI.”

5. “Organizações nativas de AI não são apenas inserir AI no fluxo de trabalho humano, mas sim inserir julgamento humano no fluxo de trabalho de AI. A empresa pode ser um Agent, e as pessoas são papéis que fornecem julgamento dentro desses Agents.”

6. “Estamos em uma era de excesso de produtos e escassez de usuários. Crescer ficará cada vez mais difícil e importante. Na era da AI, devemos focar naquelas capacidades que o AI não consegue comprimir no tempo.”

Sobre os convidados da pesquisa:

Fan Ling, fundador e CEO da Tezign, professor e orientador de doutorado na Tongji University, diretor do Laboratório de IA para Design. A Tezign, há 10 anos, usa tecnologia de IA para ajudar empresas a resolver problemas de insights de usuários, inovação de produtos e crescimento de marketing. Nesta entrevista, ele compartilhou as transformações internas de pods, dogfooding de ferramentas de AI, sistemas de contexto empresarial, produtos como Atypica / GEA e suas explorações.

Yu Yi, pesquisador sênior do Tencent Research Institute, focado em inovação de produtos nativos de AI e transformação corporativa, com anos de experiência em venture capital e ecossistema de incubação. Reconhecido como especialista do LinkedIn China, destaque de AI na Tencent e mentor na comunidade de aprendizado de AI.

【Visão geral da pesquisa】Experimentos de organização nativa de AI na Tezign

Ponto de partida da transformação: Cursor não é o melhor para P&D

Fan Ling sempre observou quem na empresa usa melhor as ferramentas de AI. A resposta surpreendeu—não é P&D, mas gerentes de produto e designers. Eles usaram Cursor para obter recursos que antes só poderiam conseguir com agendamento de P&D. Isso fez Fan perceber que AI não é só acelerar a divisão de tarefas, mas permitir que uma pessoa desempenhe múltiplos papéis. Desde a Revolução Industrial, a hipótese de organização de “uma pessoa, uma função, promoção por degraus” está sendo questionada. Ele chama isso de “AI é contra a Revolução Industrial”.

Cortes na organização: sistema dual de pods + comunidades

Baseado nisso, Fan fez dois cortes na organização. Primeiro, dividiu toda a empresa em pods—pequenas equipes transfuncionais de 3 a 10 pessoas, com entrega fechada, sem depender de coordenação entre departamentos. Há três anos, a Tezign tentou um pod, mas fracassou, pois a equipe não estava preparada psicologicamente. Mas AI ajudou a reduzir a necessidade de alocação horizontal de recursos, e o ambiente para pods ficou maduro. Segundo, criou comunidades fora dos pods: comunidades horizontais que ajudam todos a desenvolver habilidades de vendas, produto, código, etc., além de uma comunidade de liderança—pois Fan acredita que, na era da AI, liderar 100 Agents é mais difícil do que liderar 10 pessoas, e o líder de pod precisa de habilidades além de AI, como P&L, intuição de negócios e paciência.

Um fenômeno paralelo às mudanças organizacionais é a dissolução das fronteiras de papéis. Pessoas de marketing começaram a usar Claude Code para scripts de contato no LinkedIn, tornando-se na prática engenheiros de marketing; gerentes de produto e designers usam Cursor para lançar funcionalidades diretamente, sem esperar P&D. A proporção de P&D caiu de 50%, mas o número de pessoas que sabem programar aumentou.

Motor cultural: fundadores participando de construção

A estrutura organizacional é só o esqueleto; o que realmente faz AI rodar é a cultura. A Tezign também faz treinamentos sistemáticos (projeto ABC Plus), mas Fan percebe que o maior impulso vem do envolvimento direto dos fundadores. Ele, o CTO e o responsável de produto formam uma equipe pequena que usa AI para novos produtos, gerando crescimento de usuários muito superior às equipes maiores. Mostrar demos durante almoço ou café virou hábito, e outros líderes de pod também fazem o mesmo. Com o tempo, criou-se uma cultura de orgulho em mostrar o que construíram, que é mais contagiosa do que campanhas de cima para baixo.

Infraestrutura: sistema de contexto em camadas

A Tezign é uma empresa com forte cultura de documentação, até gravações de reuniões se transformam em textos. Fan está construindo um sistema de contexto em camadas: documentos de orientação no nível corporativo (como schema.md), que funcionam como índices apontando para bilhões de documentos acumulados; no nível de pod, contextos específicos de cada equipe; no nível pessoal, diálogos e preferências de cada indivíduo. Ele enfatiza que contexto não é quanto mais, melhor—algumas situações requerem estrutura, não detalhes. O contexto corporativo também precisa lidar com permissões e confidencialidade. Fan deu um exemplo: ao espelhar a tela, buscou a senha Wi-Fi, e o AI também revelou senhas confidenciais que só ele tinha permissão para ver. Prefere não colocar certos dados sensíveis no sistema de contexto.

Compartilhamento de produto: GEA, Atypica

No nível de produto, a estratégia da Tezign gira em torno de acumular coisas que AI não consegue comprimir no tempo.

GEA (Generative Enterprise Agent) é uma arquitetura de agentes de nível empresarial. Não se fixa em um único agente, mas foca em Context e Orchestration—um Lead Agent com vários Sub-Agents, usando Skills e Contexts da empresa, formando times de agentes dedicados a insights, crescimento de conteúdo, inovação de produtos, funcionando 24/7 como uma empresa virtual.

Atypica trabalha com “AI que entende o humano”. Com cerca de 1 milhão de expressões, histórias, percepções e comportamentos de usuários reais, constrói modelos de mundo subjetivo para simular consumidores e usuários profissionais. Um exemplo: um professor americano usou 20 mil amostras de famílias reais para gerar 1000 perfis típicos, simulando discussões entre casais e pais sobre fertilidade, e injetando variáveis políticas para observar mudanças comportamentais—uma aplicação de AI em ciências sociais.

Game Lab (game.atypica.ai) resolve o problema de precisão na simulação de humanos. Faz humanos e AI jogarem o mesmo jogo de economia (como dilema do bonde, ultimato), usando dados reais para ajustar continuamente o AI até que suas decisões se aproximem infinitamente das humanas. Essa é a principal métrica de avaliação da Tezign.

Ciclo de negócios: descoberta de cenários para diálogo com clientes

Depois que o pod roda internamente, a estratégia externa também muda. O líder do pod vira um “oficial de descoberta de cenários”: usando AI para extrair cerca de 100 cenários comuns de mais de 600 demandas de clientes, estruturando-os com o método SPIS (Situação, Dor, Impacto, Solução). Levar “dor de outros” para conversar com clientes é mais fácil do que apenas apresentar demo de produto—faz o cliente sentir “você me entende”. O líder do pod dedica cerca de 30-40% do tempo à coleta de cenários.

Custo e tensões não resolvidas

Quem usa AI melhor fica mais cansado—pois, ao expandir suas fronteiras de capacidade, os melhores naturalmente assumem mais tarefas, ficando mais exaustos. Fan admite que esse é o maior problema não resolvido atualmente. Quando todos podem construir, há mais repetições de cenários, com diferentes pods criando várias versões do mesmo. Ele prefere tolerar do que controlar. Há um abismo entre demos de AI e produção real; sem conectar a cenários físicos reais e dados exclusivos, a barreira fica frágil.

A tensão mais profunda é que AI reduz custos de exploração, mas aumenta a ansiedade. Com excesso de produtos e escassez de usuários, crescer fica mais difícil e mais importante. Fan responde construindo abertamente—fazendo e recebendo feedback ao mesmo tempo, transformando a exploração em parte do resultado.

Entrevista completa

Reestruturação organizacional: de Copilot para pods de alta coesão

Yu Yi: Vamos começar pelo que mais me interessa, que é a “transformação organizacional com AI”. Pelo que sei, a Tezign começou a experimentar várias mudanças organizacionais há bastante tempo. Cerca de um ano atrás, o Tencent Research Institute fez uma entrevista e estudo de caso sobre a Tezign, falando das suas tentativas internas. Um ano se passou, e quero saber as novidades. O que mais me impressiona é que você mencionou que reativaram a transformação de pods (pequenas equipes transfuncionais), e que essa é a segunda tentativa. Muitos podem não entender bem o que é um pod. Na minha visão, é uma mudança de arquitetura, iniciada pelo Meta. Parece uma espécie de “força especial” dentro da empresa, para rapidamente entender novos ambientes ou tecnologias. Minha compreensão está correta? Lembro que você disse que a primeira tentativa de pod falhou, mas na segunda, com o AI, parece que agora é viável, então decidiram tentar de novo. Gostaria de entender por que escolheram esse modelo? Como está o progresso?

Fan: Eu já usava várias ferramentas de AI há bastante tempo, pois nossa empresa é de AI. Durante esse uso, sempre me questionei: até que ponto o AI realmente traz valor? Antes, se uma ferramenta aumentasse a eficiência em 20-30%, achávamos ótimo. Mas para AI, esse aumento é suficiente? Ainda não tinha um padrão claro.

Depois, tive um momento de insight—um Aha Moment. Pode parecer simples agora, mas na época foi um impacto grande. Como eu me importo com eficiência, perguntei ao time sobre Cursor, uma ferramenta de programação AI. Descobri que quem usava Cursor de forma mais criativa não era o time de desenvolvimento, mas gerentes de produto e designers. Eles usaram Cursor para conseguir recursos de P&D que antes só com agendamento e espera de equipe. Para eles, Cursor virou uma espécie de recurso de P&D.

Percebi então que AI não é só uma ferramenta para acelerar o trabalho de P&D, mas um Agent que ajuda quem não tem recursos de P&D a resolver problemas. AI faz a gente ficar mais versátil, não mais competitivo na divisão de tarefas.

Isso me levou a refletir sobre a estrutura organizacional. Nosso modelo de organização, e até a educação, foi criado na lógica da Revolução Industrial: especializações, hierarquias, promoções por degraus. Apesar de muitos dizerem que AI é uma nova revolução industrial, eu vejo que ela é “contra” essa lógica. Ela derruba a divisão rígida de setores e profissões, nos trazendo de volta a um estado de renaissance de versatilidade—uma pessoa pode ser “tudo ao mesmo tempo”. Se gerentes de produto e designers, com ajuda de AI, podem fazer mais, por que manter a divisão tradicional?

Yu Yi: E na prática, como vocês implementaram essa visão?

Fan: Essa é uma base que adotamos. O maior benefício é reduzir reuniões de alinhamento, diminuir o tempo de coordenação entre equipes. Nosso objetivo é uma organização de alta coesão, baixa acoplamento. Pequenos grupos internos, que entregam tarefas completas, sem depender de muitas interações externas.

Há três anos, tentamos um pod, explicamos a equipe, mas na prática, as pessoas não estavam acostumadas. Mas, com o avanço do AI, as equipes começaram a se auto-organizar, usando AI para fazer mais com menos coordenação. Aí, a oportunidade de pods reapareceu. Sou um cara que odeia reuniões, gosto de fazer as coisas sozinho, e descobri que a estrutura de pod é compatível com esse estilo. Ouvi dizer que o GPT foi feito por 35 pods, e isso me deu confiança. Quando equipes pequenas atuam como unidades de combate, tudo muda.

Yu Yi: Equipes pequenas parecem ideais, mas há limites?

Fan: Quanto menor, melhor. Mas, na prática, nem sempre há pessoas suficientes para liderar pods muito pequenos. Nosso padrão é cerca de 10 pessoas, às vezes divididas em subgrupos. O importante é manter o ciclo de ownership, autonomia, e evitar equipes muito grandes.

O que quero destacar é que não quero reduzir a carga de trabalho, mas eliminar tarefas de baixa eficiência, como reuniões e alinhamentos repetitivos. Assim, o tempo que sobra é para fazer coisas de valor, não para gastar com processos ineficientes.

Como treinar líderes de AI e visão de negócios

Yu Yi: Você mencionou que poucos podem ser líderes de pod. Quais habilidades essas pessoas precisam? Como vocês identificam e treinam esses líderes?

Fan: Além das habilidades de AI e aprendizado, há habilidades duras difíceis de ensinar, como liderança, visão de P&L, responsabilidade extrema. Na velocidade atual, paciência também virou uma competência importante. Estamos começando a incluir módulos de liderança na comunidade, com treinamentos e cursos de negócios. Antes, treinávamos líderes de equipe, agora eles gerenciam centenas de agentes. Cada um deve fazer cursos de negócios e liderança, pois, na era da AI, aprender tecnologia é rotina, mas pensar estrategicamente é diferencial.

Yu Yi: Então, para talentos nativos de AI, subir para liderar times de “homem + AI” exige mais habilidades de negócios e liderança?

Fan: Depende do contexto. Alguns clientes tradicionais já têm liderança forte, só precisam mudar a mentalidade de SOP para AI. Mas para empresas de tecnologia como a nossa, a gestão de pessoas e planejamento se tornaram ainda mais importantes.

Yu Yi: Interessante. Recentemente, li um estudo de Harvard que treinou mais de 500 empresas por 100 dias, com um grupo usando casos de AI, e outro só com métodos tradicionais. O grupo com casos de AI teve resultados melhores em captação de recursos e inovação. Isso mostra que a forma de treinar é crucial.

Fan: Concordo. Ferramentas de AI ajudam líderes a concretizar ideias. Antes, muitas teorias ficavam na teoria; agora, com AI, elas podem ser implementadas. AI é uma “tecnologia de negócios”. Como ERP ou CRM, ela é uma plataforma para aplicar estratégias de negócio. AI é uma oportunidade de transformar teoria em prática.

Yu Yi: E sobre a relação entre tecnologia e impacto organizacional? Algumas opiniões dizem que a relação de input e output fica mais difusa na AI, especialmente em nível organizacional. Você tem alguma observação?

Fan: Não medimos exatamente o impacto organizacional, mas resultados falam por si. Nosso crescimento de negócios, de 60% no ano passado, mostra o valor de AI. Mas há fatores intangíveis: nossos líderes estão mais cansados, pois, mesmo com AI, a carga mental aumenta. Gerenciar dezenas de agentes exige esforço mental intenso. Além disso, a mudança de AI é lenta: de Copilot para agentes, a estrutura organizacional não mudou muito. Mas a capacidade de redesenhar a organização com AI já existe. A empresa pode ser um agente, e as pessoas só fornecem julgamento.

Tem também a ideia de redesenhar a estrutura com AI, por exemplo, uma organização que funciona 24/7 com AI, onde o ritmo é diferente. Ainda não há padrão, mas a tendência é que, no futuro, a comunicação entre agentes seja a norma, e a gestão seja feita por agentes.

Como garantir resultados comerciais na exploração de AI?

Yu Yi: Pode mostrar seu produto mais recente?

Fan: Claro. Aqui está o Atypica. Ele nasceu para entender o humano. Antes, pensávamos que AI substituía pessoas, mas queremos usar AI para simular o mundo subjetivo das pessoas.

Reunimos cerca de 1 milhão de dados reais de usuários, incluindo expressões, histórias, percepções e comportamentos. Com esses dados, criamos modelos subjetivos para simular consumidores e profissionais. Por exemplo, um professor americano usou 20 mil amostras de famílias reais para criar 1000 perfis típicos, simulando discussões entre casais e pais sobre fertilidade, e injetando variáveis políticas para observar mudanças. Isso é usar AI em ciências sociais.

Yu Yi: Você é ótimo em encontrar cenários.

Fan: Para garantir a precisão, criamos o Game Lab, onde humanos e AI jogam o mesmo jogo econômico (como dilema do bonde ou ultimato), usando dados reais para ajustar o AI até que suas decisões fiquem próximas às humanas. Essa é nossa métrica principal.

Também estamos construindo o GEA, um agente empresarial que não se fixa em um único agente, mas usa Context e Orchestration, com um líder e vários sub-agentes, usando Skills e Contexts da empresa, formando times de agentes dedicados a insights, crescimento e inovação, funcionando 24/7 como uma empresa virtual.

Yu Yi: Então, você criou uma espécie de “empresa virtual” para cada projeto. Percebo que o produto Atypica evoluiu bastante, com melhorias na interface e casos de uso. Com o ceticismo crescente sobre AI, qual é o maior desafio de fazer produtos de AI hoje?

Fan: De 0 a 0.1 é fácil, fazer demo é tranquilo. Mas colocar em produção, integrar a fluxo de trabalho real, é difícil. O maior desafio é a avaliação (Evals): como garantir que o AI seja confiável e estável? Por isso investimos em Game Lab e modelos de mundo subjetivo.

Sem conectar a cenários físicos reais e dados exclusivos, a barreira fica frágil. Preferimos gastar com dados reais e treinar nossos modelos do que depender de modelos genéricos que podem ser substituídos rapidamente.

Na era da AI, o foco deve estar naquelas capacidades que o AI não consegue comprimir no tempo.

Últimos 10 minutos. Duas perguntas finais: uma, como transformar uma grande base de código legado em uma organização de AI? E duas, que conselho você daria a jovens de 20 anos vivendo na era da AI?

Fan: Para o primeiro, a resposta é: o CEO e fundador precisam liderar pessoalmente a criação de novos produtos. Não adianta insistir em código antigo. Por exemplo, na parceria com a Ximalaya, sugeri que eles mantenham 50 pessoas na manutenção, e usem o restante para experimentar novas ideias com AI, acelerando inovação. A transformação é uma liderança de ponta.

Para jovens de 20 anos, minha dica é: não espere para aprender antes de usar. Use AI para resolver problemas, crie projetos, e aprenda na prática. A formação formal é importante, mas experiência prática e projetos reais valem mais. Se você consegue fazer vários projetos que geram valor, já é um talento. Esqueça a ideia de ser um “bom estudante”, vá construir, experimentar, fazer acontecer.