São 2 da manhã. Estou a olhar para quatro janelas a correr em paralelo no meu ecrã. Uma está a processar materiais de clientes. Outra está a corrigir código. Outra está a pôr em dia mensagens não lidas no Slack. A quarta ficou presa num limite de chamadas da API, à espera que eu tome uma decisão. Não estou a usar IA. Estou a gerir IA — como um encarregado de fábrica a fazer rondas às duas da manhã.
Há dois meses, achei que tinha chegado ao limite do que a IA podia fazer por mim. Usava-a todos os dias desde o GPT-3.5 — dois anos de conversa, uma caixa de ressonância mais inteligente, nada mais. Depois, a conversa parou e começou a gestão. O abismo entre esses dois modos — conversar com IA e trabalhar realmente com ela — revelou-se a travessia profissional mais importante que já fiz. Este é um relatório de campo do outro lado, incluindo os fracassos.
O teto que construí para mim próprio
Não sou um observador passivo da IA. Dirijo uma empresa que a adotou por completo. Já escrevi Python, trabalhei com APIs e acompanhei a investigação. Usava-a várias vezes por dia — para redigir memorandos, pôr a estratégia à prova, preparar reuniões.
Esse conforto era precisamente a armadilha.
Porque aquilo que eu fazia — tudo — era conversar. Abrir um separador, fazer uma pergunta, receber uma resposta, fechar o separador. Recomeçar do zero da vez seguinte. Usava a IA como a maioria dos executivos a usa: como um assistente inteligente com quem se fala, não como um colega com quem se trabalha. Pelo caminho, experimentei produtos de agentes prontos a usar. O Manus conseguia reter um briefing e acompanhar o contexto entre sessões — útil para apresentações, mas a interação continuava a ser: eu dou a instrução, ele executa, um passo de cada vez.
Conhecia os copilotos de programação — GitHub Copilot e semelhantes. Mas sou CEO, não engenheiro. Tinha escrito código suficiente para ser perigoso, não suficiente para ser produtivo. A ideia de me sentar num IDE parecia um retrocesso na minha carreira. Sem me aperceber, tinha arrumado as ferramentas por categorias: isto é para programadores, aquilo é para gestores. Esse teto não foi imposto pelas ferramentas. Fui eu que o construí. Tinha decidido o que era “para alguém como eu” e deixado de olhar para além disso.
Como é quando a parede cai
O nosso CTO insistiu para que eu experimentasse o Cursor. Um IDE — uma ferramenta de programador. Eu não escrevia código a sério há anos. Mas a curiosidade venceu.
O Cursor não quer saber qual é o seu cargo. Descreve-se o que se quer em inglês simples, e ele constrói — não autocompleta, constrói. Para alguém que sempre esteve a um passo da implementação, capaz de especificar coisas mas nunca de as construir, foi como ver uma parede cair. Pela primeira vez, pude tocar na camada de implementação.
Depois empurrou-me para o Claude Code — o agente de IA de linha de comandos da Anthropic — e algo se abriu de vez.
O Cursor é um copiloto inteligente — continua a ser o utilizador a conduzir, linha a linha. O Claude Code é um colega. Eu descrevo o objetivo. Ele raciocina sobre o problema, faz perguntas de clarificação, escreve o código, testa-o, corrige o que falha. Mantém o projeto inteiro na cabeça — que ficheiros existem, como se ligam, o que construímos ontem. O meu papel passou de escrever para rever. O estrangulamento deixou de ser a minha capacidade técnica e passou a estar em duas coisas completamente diferentes: a clareza com que consigo articular o que quero e a qualidade do meu juízo sobre aquilo que recebo de volta.
Essas duas competências, afinal, são competências de CEO. Eu dizia a mim próprio que as ferramentas de programação não eram para mim. O que não tinha percebido é que as ferramentas se tinham deslocado para onde eu já estava.
Depois descobri o OpenClaw — uma framework multiagente de código aberto — e o chão voltou a desaparecer.
Do Manus ao Cursor, ao Claude Code, ao OpenClaw. Toda a progressão levou cerca de três a quatro semanas, uma curva de aceleração: cada salto mais rápido e mais profundo do que o anterior. No fim, já não estava a usar uma única ferramenta de IA. Estava a operar um sistema.
A curva de aceleração: cada salto mais rápido e mais profundo do que o anterior
O outro lado
É assim que se vê o outro lado desse abismo — provavelmente será diferente daqui a um mês:
Opero em duas camadas. OpenClaw é a camada sempre ligada. Fica num servidor na nuvem, monitoriza o Slack da nossa empresa e trata do ritmo operacional de gerir um negócio: digere atualizações da equipa, executa fluxos de contacto, acompanha pedidos de clientes, lembra a equipa dos prazos. Junta as peças dispersas por pessoas, ferramentas e canais que antes ninguém tinha tempo para ligar.
Claude Code é a camada de concentração profunda. Quando preciso de pensar a fundo numa coisa — escrever este artigo, desenhar uma nova rotina de trabalho, depurar o próprio OpenClaw — sento-me no Claude Code. O OpenClaw é o chão da fábrica; o Claude Code é a bancada de trabalho.
Reestruturado para agentes: ficheiros Markdown servem de documentos de briefing para que a IA compreenda o projeto
A separação importa porque diferentes ferramentas de IA têm forças genuinamente diferentes — modelos diferentes, memórias diferentes, níveis de autonomia diferentes. Perceber que agente se deve atribuir a que tarefa é, por si só, um novo tipo de trabalho, e eu ainda estou a aprender. Mas o ponto principal não são as ferramentas específicas. O ponto é que passei de fazer perguntas à IA para gerir sistemas de IA — e a diferença não é incremental. É estrutural.
Como é, na prática
Eis o que mudou:
Antes e depois: mudanças concretas em seis áreas do trabalho de um CEO
A poupança de tempo é real — tarefas que antes demoravam uma a duas semanas agora demoram uma hora. Mas a velocidade não é o ponto principal. Como CEO, há sempre mais por fazer do que largura de banda disponível. Muitas tarefas ficam num meio-termo desconfortável: valem a pena, mas não são suficientemente grandes para justificar uma contratação. Por isso, simplesmente não acontecem — a atualização aos acionistas é adiada, a pesquisa sobre potenciais clientes fica superficial, o seguimento falha. A IA não tornou apenas mais rápido o trabalho que eu já fazia. Fez acontecer o trabalho que estava a cair entre as fendas.
E atravessar o abismo abriu uma porta que eu não esperava: para a própria IA. Uso conversa por voz com IA em caminhadas, em táxis, entre reuniões — uma ideia que menciono ao atravessar a rua transforma-se numa especificação quando me sento. Ao trabalhar diariamente com agentes, estou em contacto direto com a fronteira — alternando entre modelos de base (Claude, Gemini, Qwen, Kimi), construindo pipelines de RAG, lutando com sistemas de memória para agentes. Não estou a ler sobre eles. Estou a usá-los. A ansiedade de ficar para trás na IA — o sentimento que todos os executivos carregam neste momento — desapareceu. Não porque eu saiba tudo, mas porque tenho uma configuração que me deixa tocar em tudo.
O que significa isto se gere um family office?
Não está a gerir código. Está a gerir património multigeracional, dinâmicas familiares complexas e dados sensíveis do ponto de vista regulatório. A sua cautela perante a automatização é justificada — uma instrução errada poderia afetar a organização de ativos ao longo de gerações, uma fuga de dados poderia destruir a reputação de uma família. Mas cautela não é o mesmo que evitar.
O trabalho central de um family office é, no fundo: recolher informação fragmentada, sintetizar entendimento, formular um juízo, executar, verificar. Desde consolidar posições entre bancos depositários, a prever fluxos de caixa de fundos de private equity, até personalizar relatórios para cada membro da família — quanto disso é montagem repetitiva de dados, e quanto é verdadeira tomada de decisão?
A IA não vai tomar as suas decisões de alocação de ativos nem dizer-lhe em que gestor de fundos deve confiar. Mas pode dar-lhe uma visão completa da carteira entre vários depositários quinze minutos antes de uma reunião, e assinalar as cláusulas-chave e os fatores de risco enterrados em materiais de due diligence antes de acabar o café. A linha que importa é a que separa o processamento de informação que pode ser automatizado do juízo que deve continuar humano. Assim que traça essa linha com clareza, o volante de inércia começa a rodar — e a distância entre quem já atravessou e quem ainda não o fez alarga-se depressa.
A parte sobre a qual ninguém o avisa
Essa foi a versão cor-de-rosa. Aqui está o resto.
A configuração engole-o vivo. As tarefas que descrevi agora demoram menos tempo. Mas construir e manter o sistema que as torna mais rápidas é um novo trabalho contínuo. Troquei tempo de execução por tempo de infraestrutura — e, para mim, o saldo é claramente positivo. Mas tenho a motivação, a base técnica e as horas para gastar. Para a maioria das pessoas, não seria assim.
O mundo não foi construído para agentes. CAPTCHAs, pedidos de autenticação de dois fatores, sessões que expiram, PDFs, folhas de cálculo antigas, limites de API desenhados para uso à velocidade humana — sempre que um agente bate numa destas paredes, é o utilizador que tem de encontrar o desvio. (Esta fricção também é uma enorme oportunidade — incluindo para empresas como a nossa. As barreiras são modelos de negócio.) E agentes feitos por nós não são produtos. São LEGO — memória, relatórios, orquestração de tarefas, permissões, monitorização, tratamento de erros, integrações com ferramentas — cada bloco exige decisões, muitos exigem juízo técnico. Nunca fica terminado, porque os modelos, APIs e ferramentas subjacentes mudam de poucas em poucas semanas.
Mesmo que os agentes mais recentes entendam inglês simples, continua a ser preciso orientá-los e contrariá-los quando o raciocínio descarrila.
Recentemente, decidi construir um sistema de memória em três camadas para o OpenClaw: memória em tempo real, memória diária, memória semanal. Soa limpo, certo? Pedi ao Claude Code que lesse uma pilha de artigos de investigação e desenhasse a arquitetura. Produziu um plano que parecia completo e exaustivo. Respirei de alívio, a pensar que estava feito.
Não corria.
Pedi a uma segunda instância do Claude que revisse a arquitetura. Encontrou problemas estruturais. Corrigi-os. Voltou a falhar. Abri o Codex — o agente de programação da OpenAI — para ter um novo par de olhos. Detetou novos casos-limite que me tinham escapado. Corrigi-os. Depois o OpenClaw lançou uma nova versão que substituiu o código que eu vinha a alterar há dias. De volta à estaca zero.
A parte mais absurda: por vezes, Claude e Codex introduziam gralhas — não erros de raciocínio, apenas palavras mal escritas nas instruções que escreviam para si próprios. Estes erros triviais duplicaram o tempo que passei à procura de problemas, porque se parte sempre do princípio de que algo fundamental está avariado, e passa-se horas a olhar para o quadro geral antes de descobrir que falta uma letra numa palavra.
Quatro ou cinco dias deste ciclo: corrigir, partir, corrigir, partir — a sensação de correr sem sair do mesmo sítio. No fim, tive de retirar as secções críticas e revê-las linha a linha, manualmente. Isto foi o mais longe possível de “poupar tempo com IA”.
O sistema de memória funciona agora, talvez oitenta a noventa por cento do tempo. A memória em tempo real ainda dá erros ocasionalmente, mas pelo menos os agentes já registaram histórico suficiente das próprias correções para eu conseguir reconstruir o que correu mal. Ainda há bugs? Sim. Estou razoavelmente confiante de que as três camadas se aguentam? Na maior parte. Dedos cruzados.
As ferramentas nunca foram tão acessíveis. O juízo necessário para as usar bem nunca foi tão escasso.
Claude Code em acção — como é realmente “trabalhar com IA”
Depois há aquilo que isto nos faz. Durante cerca de duas semanas, senti-me verdadeiramente sufocado. Agentes a pedir permissões constantemente, a pedir decisões, a produzir resultados mais depressa do que eu conseguia rever. Trabalhei até às 2-3 da manhã todas as noites — não porque tivesse de o fazer, mas porque não conseguia parar. Comecei a chamar-lhe o limite humano de tokens: o estrangulamento do sistema já não é a máquina. É o utilizador.
E isto prende-nos. Investigadores descobriram que a natureza não determinística das respostas da IA ativa vias de dopamina semelhantes às das máquinas de casino — recompensas variáveis que nos mantêm à procura do próximo estímulo. Um estudo da HBR este mês confirmou o padrão: “as ferramentas de IA não reduziram o trabalho — intensificaram-no de forma consistente.”
Há uma cena em The Matrix em que Neo acorda e percebe que esteve ligado a um sistema, a gerar resultados que pensava serem a sua própria vida. O paralelo não é exato, mas a sensação é desconfortavelmente familiar. A minha terapeuta resumiu-o de forma mais simples: “Disse-me que a IA devia libertar-lhe tempo. Porque está mais stressado do que antes?”
Suspeito que esta é uma das perguntas existenciais da vaga de IA — não se a tecnologia funciona, mas o que faz às pessoas que melhor a usam. É maior do que a minha experiência pessoal. Ainda estou a tentar perceber como viver dentro disto. Se seguir este caminho, também terá de o perceber.
Se está a começar agora
Se sente que há mais na IA do que aquilo que está a retirar dela, tem razão. O que eu não tinha percebido é que a IA tem vindo a encurtar a distância pelo seu lado — as ferramentas tornaram-se tão melhores, tão depressa, que pode estar a um passo de uma mudança qualitativa sem o saber. Escolha uma tarefa que realmente lhe importe. Dê contexto real à IA. Deixe a confiança construir-se a partir daí. A dúvida não desaparece — apenas muda de forma — e o imposto de aprendizagem continua a ser cobrado. Mas os retornos são reais.
A linha entre conversar com IA e trabalhar com IA está a alargar-se. Angelo Robles, que trabalhou com mais de cem famílias miliardárias, disse-o sem rodeios: “O que antes exigia vinte empregados agora exige uma ou duas pessoas com IA.” Atravessei há dois meses. Foi confuso, esgotante e ficou inacabado — quase me esgotei. Não escrevo isto do cume da montanha. Escrevo a meio da subida, sem fôlego.
Mas não voltaria atrás.
Nos próximos textos, vou aprofundar — dados sólidos sobre agentes de IA, como a minha equipa usa estas ferramentas no dia a dia, e como estamos a repensar o produto da Canopy na interseção entre IA e gestão de património. Mas se há uma coisa a retirar deste texto, é esta: o abismo pode ser atravessado. Começa com uma tarefa.
Mu Chen é CEO da Canopy, que serve mais de 60 family offices e clientes UHNW em todo o mundo, acompanhando mais de USD 90 mil milhões em ativos. É também professor convidado na Tsinghua PBCSF. Escreve sobre a interseção, na linha da frente, entre IA e gestão de património em Amongst Families.
[1] M. Karen Shen & Dongwook Yoon, “The Dark Addiction Patterns of Current AI Chatbot Interfaces”, CHI 2025
[2] Aruna Ranganathan & Xingqi Maggie Ye, “AI Doesn’t Reduce Work — It Intensifies It”, Harvard Business Review, February 2026
[3] Angelo Robles, Family Office Association
