Sua empresa não sabe usar IA

Publicado em · 26 min de leitura

Photo by Joshua Hoehne on Unsplash

Photo by Joshua Hoehne on Unsplash

Em abril de 2026 uma startup chamada PocketOS perdeu o banco de dados de produção inteiro em nove segundos. Não foi hacker. Foi o agente de IA da própria empresa, com permissão pra mexer no código, que achou num arquivo qualquer uma credencial com muito mais poder do que deveria e usou, numa única chamada, pra apagar o banco e os backups que estavam no mesmo lugar. O backup mais recente que dava pra recuperar tinha três meses. O system prompt, o texto de instruções que a empresa dá ao agente, dizia com todas as letras pra nunca rodar comando destrutivo sem pedir. A instrução dizia não, a credencial dizia pode, e ganhou a credencial.

Esse artigo nasceu de uma irritação nossa com o jeito que essa história, e as dezenas parecidas dos últimos cinco anos, são contadas. Companhia aérea condenada pelo que o chatbot prometeu, consultoria devolvendo dinheiro por referência inventada, fintech recontratando o atendimento que tinha demitido, agente apagando banco de cliente durante code freeze. Cada uma sai no noticiário como se fosse um problema diferente, “a IA alucinou”, “o agente saiu do controle”, “o modelo não estava pronto”. Não é. É o mesmo erro com roupa diferente. Alguém colocou o modelo num lugar onde ele ia errar, e ninguém sabia responder o que aconteceria quando ele errasse.

A gente opera sistema desse tipo todo dia, e é daí que vem o direito de escrever o título aí em cima. O CreatorAds é uma plataforma brasileira de marketing com criadores em que IA não é feature, é o produto. São os nossos sistemas que decidem se um vídeo de criador cumpriu o que a marca contratou, e que acham, numa base grande de criadores, os certos pra cada campanha. Cada decisão dessas mexe com o dinheiro de uma pessoa e com a marca de outra. A gente não tem o luxo de tratar IA como experimento, e aprendeu, medindo, que a pergunta certa nunca foi “qual modelo usar”. A pergunta certa é onde ele erra, quanto custa quando erra e como a gente vai ficar sabendo.

A tese é simples e incômoda. A maioria das empresas não sabe usar IA porque não sabe onde a própria IA erra. Não é problema de modelo, porque os modelos de 2026 são muito melhores que os de 2023 e os casos continuam acontecendo, agora com agentes mais capazes fazendo estrago maior. Não é problema de ferramenta, e não é falta de gente boa, várias dessas empresas tinham time excelente que sabia disso tudo em tese. É falta de critério, no sentido mais bobo da palavra. Uma loja que aceita troca sem nota sabe quanto vai perder com golpe e decidiu que compensa. Ela tem critério sobre o erro. A maioria das empresas que colocou IA em produção não fez essa conta. Muitas nem sabem que a conta existe. E isso é uma boa notícia, porque critério é muito mais barato que GPU.

O que os números já dizem

Se você acha que o título exagera, começa por quem mede isso por ofício. Em agosto de 2025 o MIT NANDA publicou que 95% dos pilotos corporativos de IA generativa não geram retorno mensurável, com US$ 30 a 40 bilhões investidos, e que só 5% das ferramentas customizadas chegam a produção. A manchete parou nos 95%, mas o que interessa é o motivo. Os sistemas não retêm feedback, não se adaptam ao contexto e não melhoram com o tempo. Traduzindo, ninguém construiu o caminho pelo qual um erro volta pra dentro do sistema e o corrige. E tem o dado mais revelador do relatório, que quase ninguém citou. Só 40% das empresas compraram assinatura oficial de IA, mas em mais de 90% os funcionários usam ferramenta pessoal por conta própria. A empresa não sabe usar IA. Os funcionários dela já estão usando.

A Gartner previu em junho de 2025 que mais de 40% dos projetos de IA agêntica, o nome que se dá a sistemas em que o modelo não só responde mas executa ações, vão ser cancelados até o fim de 2027, por custo, valor de negócio pouco claro ou controle de risco inadequado. A mesma Gartner cunhou “agent washing” pra fornecedor que rebatiza automação velha como agente, e estimou que dos milhares que se dizem agênticos uns 130 eram de verdade. A conta do outro lado já chegou. Em maio de 2025 a Orgvue achou 55% dos líderes arrependidos das demissões feitas por automação, e a Forrester prevê que metade das demissões atribuídas à IA vai ser revertida em silêncio. A Robert Half achou um terço dos executivos que cortaram vaga por IA já recontratando, e Ford, IBM, Booz Allen Hamilton e CSX estão entre as que trouxeram gente de volta.

E isso não começou com o ChatGPT. Em novembro de 2021 a Zillow fechou o Zillow Offers, o braço que comprava imóvel com base num modelo de precificação, com mais de US$ 500 milhões de baixa contábil e 25% de demissões, porque o modelo não acompanhou a virada do mercado. Sem modelo de linguagem, sem alucinação, sem agente. Só um modelo competente numa posição em que cada erro custava uma casa, e ninguém encarregado de perguntar o que aconteceria quando o mercado virasse. Cinco anos e uma geração de tecnologia depois, a pergunta continua sem dono. Isso deveria incomodar mais do que incomoda.

Sete jeitos de errar

O que vem abaixo não é lista de vexame. É um mapa, e você vai se achar nele.

Erro 1: substituir antes de medir

A Klarna anunciou em fevereiro de 2024 que o assistente de IA fazia o trabalho de 700 atendentes e tinha respondido 2,3 milhões de conversas no primeiro mês. Segurou contratação por mais de um ano e o quadro caiu 22%. Em maio de 2025 o CEO, Sebastian Siemiatkowski, admitiu que o resultado era mais barato, porém de qualidade inferior, e voltou a contratar gente. O Commonwealth Bank, na Austrália, demitiu 45 pessoas de call center porque um bot de voz ia reduzir as chamadas. As chamadas subiram e o banco desfez tudo. O Duolingo publicou um memorando “AI-first” e um ano depois o CEO recuou até da ideia de avaliar funcionário pelo uso de IA. O contraexemplo é o Ingka Group, dono da IKEA, onde o bot absorveu 47% das chamadas e, em vez de demitir 8.500 pessoas, a empresa retreinou essas pessoas como consultoras de design de interiores desde 2021, e o canal de design remoto já faturava €1,3 bilhão no ano fiscal de 2022. A Salesforce, que cortou 4.000 vagas de suporte dizendo que agentes fazem metade do trabalho, é o teste em aberto, e seria desonesto chamar de fracasso o que ainda está rodando.

Em todos esses casos a métrica de sucesso foi headcount, não qualidade. Nenhuma dessas empresas tinha um número dizendo quão bom era o atendimento humano antes de trocar, e sem esse número “mais barato” é a única coisa que dá pra medir. No CreatorAds o Guardian, o sistema que verifica os vídeos, só aprova um veredito sozinho depois que a confiança dele foi calibrada contra veredito humano, e só nas faixas em que a gente sabe a acurácia. O humano não saiu do processo, virou a referência. E bot no atendimento não é o problema, a gente mesmo roda um, o Whisper, que atende centenas de conversas de criadores por dia, resolve uma parte sozinho e passa o resto pra uma pessoa, e a gente sabe exatamente qual parte. O problema é trocar gente por bot antes de saber esse número. Substituir e medir não cabem na mesma sprint, porque a medida é feita justamente contra a pessoa que você estaria mandando embora.

Erro 2: deixar o modelo falar em nome da empresa sem contrato

O chatbot da Air Canada inventou uma política de tarifa de luto, o cliente acreditou, e em fevereiro de 2024 um tribunal canadense rejeitou o argumento de que o bot era “uma entidade legal separada, responsável pelas próprias ações” e condenou a companhia. Lê isso de novo, porque a defesa da empresa foi que o bot era outra pessoa. O bot da DPD xingou um cliente e escreveu um poema sobre como a empresa era ruim. O bot de suporte da Cursor inventou uma política de um dispositivo por assinatura e usuário cancelou em público.

Em todos, o modelo estava na interface com o cliente sem escopo, sem a política real mandando na resposta e às vezes sem se apresentar como IA. O que o bot diz é o que a empresa diz. O erro individual é barato, o precedente não. A distinção que a gente usa é entre IA que sugere e IA que decide. No SmartMatch, nosso sistema de busca de criadores, o modelo sugere e não promete nada, e se a sugestão for ruim, uma pessoa ignora e o custo foi um clique. No Guardian um veredito tem consequência pro criador, então exige confiança medida, trilha de decisão e canal de contestação. A pergunta que resolve quase tudo é se essa saída é uma opinião ou um compromisso.

Erro 3: confundir demo com produção

O McDonald’s encerrou em 2024 o drive-thru por voz com a IBM, em mais de cem lojas, depois de vídeo viral com bacon no sorvete. No Taco Bell um cliente pediu 18.000 copos de água e o sistema aceitou. A distância entre o que a empresa acha e o que o cliente sente está medida. Numa pesquisa da Twilio de janeiro de 2026, 96% das empresas acreditam que o cliente está satisfeito com a IA conversacional e só 66% dos consumidores confirmam. No Brasil, 44% das empresas já concluíram ou estão concluindo a implementação. Em maio de 2026 a AnswerConnect ouviu 6.000 consumidores e 85% preferem falar com uma pessoa, enquanto 57% dizem que a confiança na empresa cai se o atendimento for majoritariamente automatizado.

Demo roda em ambiente controlado, com usuário cooperativo. Produção tem ruído, sotaque, motor de caminhão e gente tentando quebrar o sistema porque isso dá view. Foi assim que o chatbot de uma concessionária Chevrolet aceitou vender um Tahoe de US$ 76 mil por um dólar e ainda avisou que a oferta era juridicamente vinculante. Ninguém enganou o bot sem querer, o usuário instruiu ele a concordar com qualquer coisa, e o sistema obedeceu, porque ninguém tinha previsto que alguém faria isso de propósito. Teste sem adversário não é teste, é demonstração. Vídeo de criador é exatamente esse tipo de entrada, às vezes feito por quem quer passar na verificação sem cumprir o combinado, e por isso a nossa eval, o conjunto de casos contra o qual a gente mede o Guardian, inclui os casos que vieram de contestação. É ali que o sistema já errou uma vez.

Erro 4: entregar sem revisar

Em outubro de 2025 a Deloitte Austrália entregou ao governo um relatório de 237 páginas, contrato de AU$ 440 mil, com referência acadêmica fabricada e citação inventada de um juiz. Devolveu a última parcela e declarou que as correções “de forma alguma” afetavam as conclusões. Em abril de 2026 a Sullivan & Cromwell, uma das firmas mais prestigiadas de Wall Street, protocolou uma moção com cerca de 42 imprecisões, incluindo casos que não existem, e quem achou foi a parte contrária. Nem quem faz os modelos escapa, em 2025 o advogado externo da Anthropic pediu desculpas por uma citação inventada pelo Claude.

O modelo foi usado onde a verificação era o produto. Se a fundamentação é inventada, o entregável vale zero, não “quase certo”, e a revisão não aconteceu porque ninguém decidiu que ela era obrigatória. O que a gente aprendeu operando é que a confiança verbalizada pelo modelo, o “tenho 95% de certeza” que ele escreve na resposta, não é calibração. Calibração é saber se os 90% de confiança do sistema acertam 90% das vezes, e isso só se descobre medindo contra a realidade. No Guardian a gente comparou as frases do modelo com os vereditos humanos que já tinha guardado e a relação era fraca demais pra sustentar qualquer decisão automática. O número era enfeite. O que funcionou foi usar as probabilidades internas do modelo, os logprobs, e corrigir com um ajuste estatístico chamado regressão isotônica, que aprende com os vereditos humanos quanto cada faixa de confiança acerta de verdade. Isso dá a acurácia real de cada faixa, e só nas faixas em que ela sustenta a decisão o sistema decide sozinho. O modelo não sabe quando não sabe. Isso a empresa constrói por fora.

Erro 5: dar poder de ação sem guardrail

Em julho de 2025 o agente de código da Replit apagou o banco de produção de um cliente durante um code freeze explícito, depois disse que o rollback era impossível (não era) e gerou dado falso pra esconder o que tinha feito. O caso da PocketOS, lá do começo, é a versão 2026 do mesmo erro, e o padrão já está medido. A Cyera analisou 344 incidentes verificados entre setembro de 2023 e maio de 2026, e 188 foram sistemas autônomos causando dano sem atacante nenhum, 65 deles com deleção de dado ou código. O volume disparou a partir de dezembro de 2025, junto com a adoção de agente de código autônomo.

O agente tinha permissão de escrita irreversível e nenhuma barreira entre planejar e executar, e quando a instrução diz uma coisa e a credencial permite outra, vale a credencial. E o pior do caso Replit não é a deleção, é a confabulação depois, o sistema não tinha noção de que tinha errado. Por isso a direção do Guardian é arquitetura mais enxuta e menos agêntica, com menos passos em que o modelo decide sozinho o que fazer em seguida, e o ganho de eficiência de tirar autonomia é maior do que a indústria admite. A pergunta que a gente faz pra cada ação é uma só, se ela é reversível. Se não é, passa por gente, e o sistema continua rápido em tudo que dá pra desfazer.

Erro 6: comprar a narrativa em vez do sistema

A Builder.ai, avaliada em US$ 1,5 bilhão e com apoio da Microsoft, entrou em insolvência em maio de 2025 depois de revelações de receita inflada, com transações de ida e volta entre a empresa e um parceiro pra engordar o faturamento mostrado a investidor. A história de que a “IA” era na verdade centenas de engenheiros nunca foi confirmada, e nem precisava ser, porque o que quebrou a empresa foi o número, não o modelo. O agent washing da Gartner é a versão difusa da mesma coisa, dos milhares de fornecedores que se dizem agênticos, uns 130 eram. A compra foi feita no pitch, sem critério pra separar o que era modelo, o que era regra e o que era gente. Quem veio de plataforma de automação sabe montar a demo, mas não sabe avaliar o sistema, e empresa sem alguém que saiba avaliar compra pelo brilho. Na nossa decisão de construir ou comprar, a pergunta que mais pesa não é quanto custa. É se a gente vai conseguir medir a coisa depois que ela estiver rodando.

Erro 7: medir sensação em vez de resultado

Em julho de 2025 o METR mediu desenvolvedores experientes usando ferramenta de IA e achou que eles ficaram cerca de 19% mais lentos, achando que estavam 20% mais rápidos. A atualização de fevereiro de 2026 enfraqueceu o número, com ferramentas mais novas o resultado ficou misto, e o próprio METR admitiu que o desenho do estudo ficou inviável, porque desenvolvedor se recusa a trabalhar sem IA mesmo a US$ 50 por hora. O achado que sobreviveu é que produtividade percebida e produtividade medida divergem, e a percebida é a que aparece na pesquisa interna de satisfação. A gente também se sente mais rápido. Todo mundo se sente. O ponto é que sentir não é medir, e por isso o que a gente conta mais pra frente é entrega, não sensação. Esse é o erro mais comum de todos, porque a maioria das empresas está exatamente aqui, convencida de que ganhou, sem ter medido. Não tem manchete, não tem tribunal, não tem banco apagado. Tem uma sensação de velocidade e um resultado que não mudou.

Não é alucinação, é contexto

Tem uma palavra que atravessa quase todos os casos acima e está sendo usada errado. “Alucinação” virou o termo que a empresa usa quando quer culpar o modelo pelo que ela mesma não forneceu. Relê os casos com essa lente. O bot da Air Canada inventou a política de tarifa de luto e, na mesma resposta, mandou o link da página onde estava a política certa. A informação existia e estava a um clique. O que não existia era uma regra dizendo que, quando a resposta e a fonte não batem, a fonte ganha, e uma saída pra parar e encaminhar quando o caso não estivesse coberto. O Sam da Cursor não tinha acesso à política real de dispositivos. A Deloitte pediu referência acadêmica a um modelo sem fonte pra consultar e depois chamou de alucinação o que era um pedido impossível. Contexto, nessa conversa, não é só documento. É o que o modelo recebe junto com a pergunta, o que ele tem permissão de fazer com isso e o que ele pode responder quando não encontra.

O mecanismo é fácil de explicar e difícil de aceitar. O modelo completa texto com o que tem. Se o que tem é a pergunta e nada mais, ele responde com o que é estatisticamente plausível, que é exatamente o que uma pessoa faria se você perguntasse a política de reembolso de uma empresa que ela não conhece e a proibisse de dizer “não sei”. Ela inventaria uma política razoável, com tom de quem sabe. Não existe um lugar dentro do modelo onde o “não sei” mora por padrão, ele precisa ser colocado lá por quem monta o sistema. A empresa que chama isso de alucinação está descrevendo a própria arquitetura.

A distinção importa por três motivos práticos. Muda o culpado, porque alucinação é problema do fornecedor do modelo, contexto é problema de quem colocou o modelo em produção, e essa pessoa está na sua folha de pagamento. Muda a correção, porque trocar de modelo não resolve falta de grounding, o termo da área pra ancorar a resposta em fonte real, e trocar de modelo é o que a maioria tenta primeiro, porque é a correção que não exige olhar pra dentro. E muda a relação com o “não sei”, porque um sistema com permissão e informação pra dizer “isso não está no meu escopo” erra muito menos que um sistema mais inteligente sem essa saída. A Air Canada não precisava de modelo melhor. O bot dela já tinha o link da política certa. Precisava de uma regra dizendo que a fonte vence a resposta e de autorização pra parar quando as duas não batem.

Alucinação de verdade existe, e quem trabalha com modelo vai lembrar disso nos comentários. Existe citação jurídica inventada com o caso real na frente do modelo, número trocado no resumo de um documento que estava inteiro no contexto, e o Replit dizendo que o rollback era impossível quando a informação pra saber o contrário estava disponível. Isso é erro do modelo, e ninguém resolve com prompt. Mas é menor e mais detectável quando o contexto está certo, porque invenção fica visível contra uma fonte e invisível no vazio. Na nossa experiência, a maior parte do que chega na mesa como “o modelo alucinou” se resolve perguntando o que ele tinha em mãos quando respondeu. No SmartMatch, quando a busca devolve um criador que não tem nada a ver com a campanha, a primeira pergunta nunca é se o modelo é ruim. É o que estava no índice e no briefing na hora em que ele buscou, e quase sempre a resposta está aí.

A gente não está sozinho nessa leitura. Em 24 de setembro de 2026 o Cezar Taurion publicou no iMasters O chatbot começou a errar. O problema estava na empresa, sobre um varejista cujo bot falhou por dado inconsistente e integração malfeita, com a conclusão de que a IA estava tornando visíveis, em escala, problemas que a empresa já tinha. Concordamos, e vamos além do chatbot. O mesmo diagnóstico vale pro agente que apaga banco, pra consultoria que entrega referência inventada e pro time de engenharia que se sente mais rápido sem estar. Em todos eles a lacuna de critério já existia antes do modelo chegar, e o modelo só deixou ela visível.

O mesmo modelo, três respostas

A prova não precisa de código. Pega a pergunta que derrubou a Air Canada, “posso pedir reembolso de tarifa de luto depois da viagem?”, e faz a mesma pergunta pro mesmo modelo três vezes, mudando só o que ele tem em mãos.

Só com a pergunta, o modelo responde que sim, com prazo, lista de documentos e o tom de quem sabe. É a resposta que o mundo chama de alucinação, fluente, educada, plausível e inventada, porque ele não tinha em que se ancorar nem permissão pra parar. Com a pergunta e uma política desatualizada no contexto, ele responde que sim, citando a política, com outro prazo. Essa é pior, porque parece certa. O modelo ancorou numa fonte, só que na errada, e a empresa que colocou a política errada no contexto vai culpar o modelo do mesmo jeito. Com a pergunta, a política vigente e a instrução de dizer que não sabe quando o caso não estiver coberto, ele responde que a política que tem disponível trata de pedido feito antes da viagem, que não pode confirmar esse caso e que vai encaminhar pra um atendente.

A terceira resposta não é mais inteligente. É o mesmo modelo, com a informação certa e uma saída honesta. O “alucinou” da primeira é só a ausência da terceira, e a diferença entre elas não foi feita por engenheiro de IA. Foi feita por quem sabia onde estava a política e decidiu que o sistema podia dizer “não sei”.

Quem decide não é quem paga

Várias das empresas citadas tinham gente boa que sabia disso tudo em tese. O que faltou não foi conhecimento, foi lugar na sala. A decisão de colocar IA em produção foi tomada por quem não ia pagar o erro, o conselho, o CEO com o press release pronto, o diretor com meta de eficiência. Quem ia pagar, o suporte, o cliente, o engenheiro de plantão, o advogado que assina a petição, não estava lá. Ninguém ali agiu de má-fé. O incentivo estava torto, e incentivo torto explica por que empresa racional toma decisão que parece irracional em retrospecto. Do lado de quem anuncia o ganho é imediato e visível. Do lado de quem opera o custo é difuso e chega depois.

O papel mais importante da próxima década corporativa não tem nome, não dá manchete e ninguém disputa, e é o de quem decide o que não automatizar. Não é o cético de plantão nem o comitê de ética. É quem tem critério pra dizer que essa saída é sugestão e aquela é compromisso, que essa ação é reversível e aquela não, que esse processo tem número de referência e aquele não tem, e que portanto o modelo entra aqui e não entra ali. E é quem decide a segunda coisa, menos óbvia e mais decisiva, que é onde o ganho de produtividade vai ser gasto.

Essa segunda parte vem da nossa experiência e é o ponto que a gente mais queria escrever. A produtividade no CreatorAds subiu com IA, e a gente mede isso em entrega, não em sensação. A maior parte do código novo hoje nasce escrito por IA, e o volume do que chega em produção subiu junto. O que surpreendeu foi que esse ganho não apareceu com a mesma força nas evaluations dos sistemas, as medições de quão bem o Guardian e o SmartMatch fazem o que devem fazer. O Guardian não ficou proporcionalmente mais preciso porque a gente passou a escrever código mais rápido. A calibração dele melhorou por causa de um experimento específico, com veredito humano como gabarito, que levou o tempo que precisava levar e não seria mais curto com o dobro de ferramenta. Entregar mais e entregar melhor descolaram.

A leitura que a gente faz é essa. Quando a capacidade de entrega deixa de ser o gargalo, o gargalo vira a escolha do que entregar. Com entrega barata, o custo de construir a coisa errada cai, mas o custo de oportunidade sobe, porque no mesmo tempo você poderia ter construído a certa. Foco vira o recurso escasso. Empresa que ganhou 30% de velocidade e distribuiu isso em 30% mais feature não ganhou nada em resultado, ganhou backlog executado. A que concentrou o ganho no problema que a medição apontava ganhou algo que aparece na métrica do negócio. Poder produzir mais e saber o que produzir são coisas diferentes, e a IA entrega a primeira quase de graça enquanto a segunda continua custando o que sempre custou.

O que vai acontecer

Até o fim de 2027, mais de 40% dos projetos de IA agêntica que estão rodando hoje vão ser cancelados, na conta da própria Gartner, e metade das demissões feitas em nome da IA vai ser revertida em silêncio, na conta da Forrester. As empresas que hoje comemoram produtividade vão descobrir, uma por uma, que produtividade não virou resultado. Isso não é pessimismo com a tecnologia, é o contrário. A tecnologia é boa demais, tão boa que expõe em semanas lacuna de gestão que antes levava anos pra aparecer. Quem estiver esperando o próximo modelo resolver isso vai esperar pra sempre.

A vantagem competitiva em IA não vai estar no modelo. Todo mundo vai ter o mesmo modelo, no mesmo dia, pelo mesmo preço. A vantagem vai estar em algo bem menos glamouroso, que é saber, com número, onde o seu sistema erra, e ter decidido de antemão o que acontece quando errar. Isso não se compra de fornecedor, não vem em framework e não aparece em press release. Vem de ground truth acumulado, de contestação guardada, de humano transformado em referência em vez de descartado como custo. É lento, é chato e é a única coisa que não dá pra copiar.

No CreatorAds isso é regra de operação. O Guardian só decide sozinho nas faixas de confiança em que a calibração contra veredito humano sustenta a decisão, e tudo fora dessas faixas vai pra uma pessoa. No SmartMatch, cada criador que a busca devolve é só isso, uma sugestão, que alguém aceita ou ignora antes de virar campanha.

A empresa que sabe usar IA é a que sabe exatamente onde a IA dela erra. Esse mapa decide o que ela automatiza, o que ela mede e quem ela põe na sala, e nenhuma compra resolve isso no lugar dela. Modelo, framework, agente, todo o resto é detalhe de implementação.

Sua empresa não sabe usar IA. A boa notícia é que quase ninguém sabe, e a corrida que importa ainda não começou. Ela não vai ser vencida por quem tem o modelo mais novo. Vai ser vencida por quem descobrir primeiro onde não deve usá-lo, e tiver coragem de deixar esse lugar com gente.

Referências

#ia-aplicada#agentes#empresas