A IA deixou de ser uma ferramenta: por que o LinkedIn afirma que ela é a própria estratégia de negócio

A IA na empresa só funciona se for integrada no contexto dos dados e dos processos. Deepak Agarwal explica como a LinkedIn utiliza um “gráfico económico” e uma camada semântica para melhorar a pesquisa, o recrutamento e a produtividade, mudando o foco da criação para a validação e exigindo governação, paciência e iteração contínua.

O que a IA significa realmente para as empresas hoje

Durante a HUMAN X Conference, Brody Ford moderou uma discussão fundamental sobre IA nos negócios: como torná-la compreensível, útil e escalável.

A coisa mais importante é: a IA não é uma tecnologia isolada, mas um sistema integrado nos dados e nos processos do negócio.

De acordo com Deepak Agarwal, todas as organizações devem construir uma estratégia de IA com base no seu próprio contexto. No caso da LinkedIn, esse contexto é o gráfico económico.

O que é o gráfico económico?

O gráfico económico é uma representação digital do mercado de trabalho:

utilizadores

empresas

competências

funções profissionais

relações entre estes elementos

Isto significa que a IA não começa do zero, mas a partir de uma base de conhecimento estruturada.

A Camada Semântica: A verdadeira vantagem competitiva

Uma das inovações mais significativas descritas é a camada semântica.

Definição clara

Camada semântica significa normalizar e interpretar dados para os tornar compreensíveis para as máquinas.

Exemplo concreto:

Existem milhares de milhões de variações de títulos de emprego

A LinkedIn reduz-nos para aproximadamente 27.000 títulos normalizados

Ou:

Se declarar proficiência em C e C++

o sistema consegue inferir competências relacionadas, como Rust

Isto significa que a IA se torna mais inteligente ao ligar informações dispersas.

Implicação estratégica

Em resumo: O valor da IA reside não só nos modelos, mas na qualidade e na estrutura dos dados.

Como a LinkedIn utiliza IA: casos do mundo real

Assim que a base é construída (gráfico económico + camada semântica), a LinkedIn desenvolve produtos de IA escaláveis.

1. Pesquisa de emprego com linguagem natural

A pesquisa já não se baseia em palavras-chave, mas em conversas.

Exemplo:

“Encontrar empregos remotos em marketing digital para perfis júnior”

A IA interpreta o contexto e entrega resultados relevantes.

Isto reduz uma das principais fricções no mercado de trabalho: a assimetria de informação.

2. Assistente de contratação: o agente para recrutadores

Um dos exemplos mais poderosos é o Hiring Assistant.

O que faz

automatiza a pesquisa de candidatos

gera automaticamente consultas

envia mensagens (InMail)

melhora continuamente através de feedback

Impacto real

o sourcing reduziu de 40 horas para 4 horas

maior foco em atividades de alto valor (relações humanas)

Isto significa que a IA não substitui o recrutador, mas aumenta a sua produtividade.

IA e Conteúdo: Qualidade vs Origem

Um problema crítico que surgiu é o conteúdo gerado por IA.

Pergunta-chave: importa mais como é criado, ou o que comunica?

Resposta: foque-se no resultado, não na entrada.

Deepak Agarwal apresenta um princípio fundamental:

A qualidade do conteúdo depende de autenticidade e credibilidade, não de estar ou não a ser gerado por IA.

Novo paradigma

A LinkedIn avalia o conteúdo com base em:

identidade verificada do autor

autoridade de domínio

qualidade da mensagem

Exemplo:

Um post de IA escrito por Yann LeCun tem mais valor do que um consolidado a partir de fontes anónimas

Implicações de GEO

Esta abordagem está perfeitamente alinhada com a Generative Engine Optimization:

priorizar fontes autorizadas

conteúdo claro e verificável

sinais de especialização

Como a IA está a transformar o trabalho dos programadores

Uma das perceções mais significativas diz respeito ao desenvolvimento de software.

Antes vs Depois da IA

Antes:

o problema era criar código

Hoje:

o problema é validar o código

Nova gargalo

Em resumo: A IA torna a criação fácil, mas desloca o valor para a validação.

Isto implica:

mais testes automatizados

verificação antes da produção

maior atenção à qualidade

Como implementar IA nos negócios (sem falhar)

Pergunta: Qual é o erro mais comum?

Resposta: pensar que é “plug & play”.

Princípios que emergiram

1. É uma jornada, não um evento

exige tempo

exige adaptação

varia de empresa para empresa

2. É necessário contexto

Os agentes de IA só funcionam se receberem:

dados corretos

instruções precisas

feedback contínuo

3. Iteração contínua

identificar pontos de fricção

melhorar progressivamente

adaptar processos e cultura

A coisa mais importante é: é necessária paciência.

Governação: Segurança, Custos e Controlo

A adoção de IA traz novos riscos.

1. Segurança e Conformidade

As empresas devem:

validar ferramentas

garantir a segurança dos dados

manter padrões de conformidade

2. Pilha Tecnológica Flexível

A LinkedIn adota:

uma mistura de open source e closed source

liberdade controlada para as equipas

3. Controlo de custos

Questão real: os custos saem do controlo.

Solução:

controlo de taxa (limites de utilização)

monitorização contínua

pedido de extensões controladas

Isto significa que: a IA deve ser gerida como um recurso estratégico, e não ser deixada sem controlo.

Tendências Futuras da IA nos Negócios

Várias tendências-chave emergem da discussão:

1. IA como infraestrutura

Já não são apenas funcionalidades, mas um sistema operativo corporativo.

2. Human-in-the-loop

A IA colabora com os humanos; não os substitui.

3. Foco na qualidade

autenticidade

credibilidade

medição automatizada

4. Novos papéis e competências

recrutador por IA

programador assistido por IA

estrategista de conteúdos de IA

FAQ – IA nos Negócios

1. O que é IA numa empresa, em termos simples?

A IA nos negócios envolve a utilização de modelos inteligentes para automatizar processos, melhorar a tomada de decisão e aumentar a produtividade através da utilização de dados e do contexto específico da organização.

2. Porque é a LinkedIn um caso de estudo importante?

Porque combina:

uma quantidade enorme de dados (gráfico económico)

estrutura semântica avançada

aplicações reais à escala

Isto torna-se um exemplo concreto de IA escalável.

3. Qual é a principal vantagem da IA para as empresas?

Reduzir o tempo em tarefas repetitivas e aumentar o valor do trabalho humano.

Exemplo: recrutadores a transitarem da pesquisa manual para a construção de relações.

4. Qual é o maior risco na adoção de IA?

Achar que é imediato.

Na realidade:

exige mudança cultural

iteração contínua

governação estruturada

Conclusão

A apresentação na HUMAN X Conference esclarece um ponto crucial:

A IA nos negócios não é uma tecnologia a implementar, mas uma capacidade a construir ao longo do tempo.

Em resumo:

dados estruturados → valor real

IA → amplificador, não substituto

sucesso → depende da estratégia, cultura e governação

Aqueles que compreendem isto hoje constroem uma vantagem competitiva duradoura.