Dos prompts aos produtos: o Copilot assume o protagonismo para mostrar como a IA entrega

A IA torna-se transformadora não quando as máquinas pensam mais rápido, mas quando a imaginação humana e os sistemas inteligentes impulsionam-se mutuamente. Os modelos podem gerar resultados, mas o verdadeiro impacto acontece apenas quando ideias criativas são combinadas com sistemas robustos e escaláveis que abrangem fluxos de trabalho, dados e tomada de decisões em tempo real.

No TechSparks 2025, o painel 'Tornando a IA Real: Onde a Criatividade Encontra a Inteligência e a Escala' explorou esta poderosa interseção. Moderado por Sandeep Alur, Diretor de tecnologia (CTO) do Microsoft Innovation Hub, Microsoft Índia, a sessão reuniu Mathangi Sri Ramachandran, Chefe da YuVerse, Grupo Yubi; Rahul Regulapati, Fundador da Galleri5—adquirida pela Collective Artists; Samanyou Garg, Fundador da Writesonic; e Vishal Virani, Co-fundador e CEO da Rocket. Alur co-moderou ao lado do Copilot, o Agente de IA da Microsoft, que fez perguntas em tempo real, oferecendo uma demonstração ao vivo da colaboração humano-IA em ação.

Equilibrando criatividade com necessidades empresariais

A conversa começou com uma questão sobre a prontidão empresarial: como as equipas que utilizam ferramentas de desenvolvimento Impulsionado por IA podem equilibrar a criatividade com as exigências de segurança, escalabilidade e fiabilidade?

Vishal Virani decompôs isso através da perspetiva do que o "vibe coding" pode—e não pode—oferecer hoje. Ele disse que as plataformas atuais ainda não geram aplicações de nível de produção de forma independente. O que elas podem fazer é acelerar drasticamente o desenvolvimento inicial. A Rocket, por exemplo, permite que as equipas montem fluxos de front-end, integrem APIs privadas usando coleções Postman e alinhem builds com sistemas de design internos—tudo dentro de um período de configuração compacto. A sua verdadeira força está na personalização: em 15-20 dias, a Rocket pode configurar todo o seu ambiente para as necessidades de um cliente empresarial.

Ele acrescentou que modelos mais fortes expandirão o que essas ferramentas podem fazer. "Quando o GPT-5 ou o Sonnet 5 ou o Sonnet 6 chegarem, seremos capazes de gerar código puro e seguro", disse ele. Durante a troca, Alur mencionou que "vibe coding" foi recentemente declarado a Palavra do Ano pelo Dicionário Collins.

Virani compartilhou um exemplo de uma equipa de tecnologia imobiliária onde um gestor de produto inseriu uma declaração de problema e gerou um conjunto de opções, incluindo versões adaptadas para utilizadores da Geração Z e um público com mais de 60 anos. O gestor disse-lhe que a plataforma mudou o esforço de escrever PRDs para explorar possibilidades.

Ele também referiu-se ao Devin, uma ferramenta descartada quando foi lançada durante a era do GPT-3, mas construída para o que os modelos de gerações posteriores permitiriam. Quando esses modelos chegaram, sua adoção nos EUA aumentou rapidamente.

Redefinindo a descoberta com otimização de motor generativo

A conversa então voltou-se para como a IA está remodelando a descoberta de produtos. Samanyou Garg observou que os utilizadores estão cada vez mais dependendo de assistentes de IA em vez de motores de busca tradicionais; só o ChatGPT ultrapassou 700 milhões de utilizadores ativos semanais. Um estudo recente da Forrester mostra que 89% das decisões de compra B2B agora envolvem conversas mediadas por IA, tornando a visibilidade dentro desses sistemas indispensável.

No entanto, não existe um "console de busca" para IA hoje. As empresas têm pouco conhecimento sobre quais prompts mostram seus produtos ou como seus concorrentes aparecem. A Writesonic visa resolver isso rastreando a visibilidade da marca dentro dos assistentes de IA e identificando onde a otimização é necessária.

Garg destacou que os modelos de IA dão três a seis vezes mais peso a fontes de terceiros como Reddit e Wikipedia do que ao conteúdo de propriedade da marca, tornando o sentimento externo e as avaliações inputs cruciais. Ele também enfatizou a importância de atualizar continuamente o conteúdo de propriedade da marca, já que informações desatualizadas ainda podem ser recuperadas pelos modelos.

Garg enquadrou essa mudança como a ascensão da otimização de motor generativo (GEO), otimizando não apenas para motores de busca, mas para como os modelos de IA interpretam, classificam e apresentam uma marca.

IA como infraestrutura criativa

A discussão então passou da descoberta para a criatividade. Rahul Regulapati falou sobre o trabalho da Galleri5 na série Mahabharat gerada por IA, agora entre os principais programas do Star Plus. Enquanto a Galleri5 construiu a infraestrutura de IA que impulsiona a produção, uma equipa criativa completa, incluindo diretor, roteirista, unidades de acrobacias e coreografia, e artistas de personagens, cuidou da produção cinematográfica. Entre 50 e 100 pessoas trabalharam em funções criativas e técnicas.

Regulapati descreveu a IA como uma infraestrutura que remove restrições de produção. As equipas agora podem filmar movimentos básicos em estúdios menores e usar pipelines de IA para escalá-los em sequências expansivas e cinematográficas que anteriormente exigiriam orçamentos massivos ou configurações físicas complexas. Os cronogramas de produção que antes se estendiam por dois anos agora podem encolher para dois meses, e custos que anteriormente atingiam Rs 100 crore podem ser drasticamente reduzidos. Durante todo o processo, o controle criativo permanece intacto—o diretor de fotografia ainda dita as lentes e o estilo visual, e o resultado deve corresponder a essa visão.

Ele acrescentou que o público sintoniza Mahabharat por sua narrativa, não por sua tecnologia. Olhando para o futuro, ele espera que a maioria do conteúdo se torne parcial ou totalmente habilitado por IA nos próximos 12 a 24 meses, com equipas criativas firmemente dirigindo o processo.

Da prova à escala massiva

O painel então voltou-se para a questão da escala, com Mathangi Sri Ramachandran delineando como a YuVerse opera sistemas de IA em ambientes de alto volume e alto risco. A empresa lida com quase 30 milhões de chamadas por mês através de bots conversacionais, juntamente com processamento de documentos em larga escala e geração de vídeos personalizados. Como ela colocou, "qualquer coisa que tentamos hoje é escala amanhã."

Um dos produtos principais da YuVerse, YuVin, cria milhões de vídeos personalizados, cada um adaptado a um utilizador individual em vez de depender de um único ativo produzido em massa. A equipa está agora experimentando formatos interativos de vídeo para vídeo que poderiam mudar ainda mais a forma como as marcas se comunicam.

Ramachandran destacou uma lacuna persistente entre o desempenho da máquina e as expectativas do utilizador. Os call centers tradicionais normalmente operam com 60-70% de precisão, enquanto os bots de IA alcançam 98-99%, mas ainda assim, a aprovação de uma prova de conceito exige 50 a 100 iterações porque a tolerância a erros de máquina permanece extremamente baixa. A preferência da Índia pela voz, mesmo no WhatsApp, torna a IA conversacional especialmente atraente, mas essas expectativas continuam a retardar a adoção.

Traçando a evolução do campo, ela descreveu como a IA conversacional mudou de sistemas liderados por linguistas para cientistas da computação, depois RNNs e LSTMs, e agora para LLMs. Ela observou que a Índia sempre foi "um mercado extremamente conversacional", mas a adoção generalizada só decolou recentemente com a chegada de modelos de linguagem mais capazes. Ainda assim, ela enfatizou, a tolerância ao erro da máquina deve aumentar para que a implantação acelere.

O moderador Sandeep Alur ofereceu uma reformulação: em vez de focar apenas nas taxas de erro, as empresas deveriam considerar o custo do erro. Se esse custo for baixo, argumentou ele, as equipas deveriam seguir em frente em vez de perseguir a perfeição que retarda a escala.

Construindo para os fluxos de trabalho do amanhã

Quando a conversa passou para a próxima onda de ferramentas low-code e no-code, Virani esclareceu que as plataformas de vibe-coding são melhor utilizadas para conceitualização, não para enviar código de nível de produção. Ele citou um gestor de produto de tecnologia imobiliária que usou a Rocket para explorar ideias que os concorrentes não haviam considerado e testar rapidamente versões destinadas à Geração Z versus utilizadores com mais de 60 anos, trabalho que normalmente leva um mês, concluído em um único dia.

De acordo com Virani, a maior barreira para a adoção não é a capacidade, mas a mentalidade. As empresas frequentemente lutam porque tentam forçar fluxos de trabalho existentes em novas ferramentas. "Se você tentar encaixar seu fluxo de trabalho dentro de qualquer ferramenta, não será capaz de adotar IA em momento algum", disse ele. O mercado dos EUA, acrescentou, adotou a abordagem oposta: avaliando ferramentas primeiro e depois adaptando fluxos de trabalho em torno delas. As preocupações com segurança e conformidade também mudam dependendo se as equipas estão explorando ideias ou implantando em escala.

Sobre a descoberta de produtos, Garg explicou como a busca Impulsionado por IA está remodelando a visibilidade. Os sistemas de IA dão três a seis vezes mais peso a fontes de terceiros como Reddit, Wikipedia, avaliações independentes do que ao conteúdo de propriedade da marca. Isso significa que informações desatualizadas ou negativas em qualquer lugar online podem aparecer em respostas geradas por IA. Para marcas que esperam aparecer em recomendações de IA, a gestão de reputação agora deve abranger plataformas de avaliação, mídia e conversas sociais.

Tornando a IA real

À medida que a sessão se encerrava, cada painelista ofereceu uma conclusão concisa sobre o que significa "tornar a IA real". Ramachandran enfatizou o foco em resultados que realmente importam e garantir que a IA permaneça governada por humanos. Regulapati argumentou que a IA se torna real quando substitui processos, não pessoas. Garg apontou para os fundamentos: falar com os utilizadores, identificar atritos e corrigir fluxos de trabalho com uma abordagem liderada por humanos. Virani sublinhou uma verdade técnica: o contexto certo importa mais do que grandes inputs, e sem essa base, os sistemas de IA podem alucinar.

O Copilot, fechando o ciclo sobre seu papel ao longo da discussão, ofereceu um resumo final no palco: permaneça ancorado em resultados reais, use IA para apoiar pessoas, mantenha fluxos de trabalho liderados por humanos e sempre trabalhe com o contexto certo.

.