GPT-5 e o teatro do lançamento: como separar o sinal da fumaça em toda a indústria

Os "especialistas" de hoje--influencers, jornalistas--repetem as notas de imprensa como se fossem mandamentos. Buscam FOMO, vender seu curso/serviço/publicidade e chegar primeiro para ganhar alguns seguidores.

As multinacionais montam o show: lançam, anunciam maravilhas e, cada vez mais, não cumprem. O problema não é uma empresa; é a indústria do lançamento.

Na noite do lançamento, madrugei testando o GPT-5 a fundo.

Me surpreendeu a notória instabilidade, o raciocínio confuso (a níveis impensados) e sobretudo a degradação em GPTs, projetos, agentes e automações que antes funcionavam.

Inexplicavelmente, durante 24 horas as redes se mantiveram positivas. "Copiando e colando" as mesmas mensagens. Depois começou a se reverter a maré de opiniões.

O que mudou? Tweets de Sam Altman reconhecendo problemas e, mais uma vez, o eco das notas de imprensa.

Não é só a OpenAI. Buscou unificar e simplificar e saiu com erros importantes. O Google abusa de anúncios grandiosos com o Gemini: manchetes hoje, explicações amanhã. O problema não é uma empresa: é a indústria do lançamento.

Qual é o problema de fundo?

Que essa lógica do "grande anúncio" é alheia às práticas modernas de inovação. Em lean e agile se aprende com os atores do negócio: experimenta-se e cocria-se, implanta-se em lotes pequenos em produção, testa-se com amostras reais, mede-se e refina-se. Aqui, em vez disso, prioriza-se o show e transfere-se o risco ao usuário.

Essa lógica antiga--muito comercial--(necessidade de "mostrar" recuperação de mercado, disputar manchetes) está criando riscos sérios para empresas e usuários.

A OpenAI promete consistência e simplicidade, mas a execução deixa problemas de desempenho e incerteza. O Google maqueta promessas que depois não entrega ou não funcionam como anunciado. Resultado: dilui-se o posicionamento e a proposta de valor de ambos, e cai a confiança na aplicação dessas ferramentas.

Competição por manchetes. Uns anunciam cedo demais; outros saem instáveis. Em ambos os casos, o usuário paga--com tempo, erros e frustração--enquanto as organizações têm que conter o impacto.

Quando o modelo muda, sua operação paga. Você monta GPTs internos, assistentes e agentes para tarefas concretas--classificar tickets, responder a clientes, gerar relatórios, disparar pedidos--e, de um dia para o outro, o ChatGPT muda de forma unilateral como "pensam". Resultado:

Formatos que já não cumprem o que seu sistema espera (campos vazios, nomes diferentes, estruturas novas).

Regras que se contradizem: o mesmo caso, duas decisões diferentes.

Sequências truncadas em agentes: deixam etapas sem executar ou as invertem.

Automações com impacto em usuários ou no físico (envios, reservas, faturamento) que falham em cadeia.

Esse caos não se paga apenas em horas: mas em retrabalho, escalações, desculpas e reputação.

Sim, existem barreiras técnicas para reduzir esses riscos, mas não são infalíveis: os modelos podem mudar ou ser retirados, derivar em seu comportamento, variar tempos e custos ou falhar de forma imprevista, impactando clientes, operações e marca. A única postura responsável é projetar assumindo essa incerteza, construir gerenciando riscos e decidir com evidência contínua, não com manchetes.

Nossa interação com LLMs não é apenas funcional; é relacional e emocional. Com o tempo, construímos confiança com um assistente: seu tom, sua forma de ler, de interpretar e suas intuições. Quando isso se mantém, aparece o flow e o trabalho flui.

Se essa "personalidade" muda de um dia para o outro e você não pode cuidá-la ou escolher, destrói-se valor:

Cai a adoção: as pessoas deixam de usá-lo porque "já não me entende".

Aumentam os erros por expectativas: a equipe acredita que o assistente fará X e agora faz Y.

Quebra-se a confiança: cada resposta requer dupla verificação; você volta ao trabalho manual.

O que a indústria poderia/deveria oferecer (além de uptime):

Estabilidade comportamental como compromisso: não mudar tom/estilo/formato sem aviso.

Avisos e janelas antes de modificar traços de comportamento, com opção de manter temporariamente o modelo anterior para transicionar sem quebrar fluxos.

Valor sustentável e confiança = robustez operacional (que nada se quebre quando o provedor muda) + continuidade de personalidade e interação (que o assistente "continue sendo ele").

Não terceirizar o critério. A inteligência/estratégia do negócio não se terceiriza; tampouco a IA, nem a experimentação contínua.

Aprender por lotes com o usuário no centro. Pilotos pequenos, métricas claras e decisões baseadas em evidência, não em manchetes.

Projetar para a mudança. A pergunta não é se o modelo mudará, mas como você absorverá essa mudança sem prejudicar seus usuários e atores do negócio.

Vendedores de fumaça: ficam expostos quando sua narrativa não se baseia em experimentação e conhecimento real. Não siga aplausos; peça critério. E forme o seu.

Imprensa e "especialistas": seu ativo é a credibilidade. Copiar e colar destrói esse capital.

Grandes tecnológicas: seu valor não depende apenas do que prometem, mas de como executam a mudança sem prejudicar o usuário (nem seu vínculo com o assistente).

Empresas usuárias: a vantagem está em integrar, gerenciar o risco/retorno e aprender melhor que os demais.

Com dados frescos: Meus testes em manejo de textos longos (edição de capítulos e documentos extensos) mudaram por completo em relação a ontem: os resultados são impressionantes em desempenho e velocidade.