Segundo episódio de Fluência em IA, uma série que percorre o AI Fluency Framework uma competência por vez. O episódio 1 desenhou o mapa inteiro; este percorre o seu primeiro ramo.


Imagine uma quinta-feira à noite com uma feature para entregar na segunda. A loja virtual precisa de uma regra nova de cupom no checkout a tempo da Black Friday, e tudo o que você precisa saber sobre ela está espalhado entre o ticket, umas conversas no chat, uma planilha do financeiro e as suas anotações de três reuniões. A semana foi puxada e sobrou pouca energia, então você abre um assistente de IA e digita algo como “coloque a regra do cupom no nosso checkout”. A resposta chega em segundos e tem cara de código pronto: uma função bem arrumada, alguns testes e até comentários. Olhando com calma, porém, ela chama uma função de pagamento que o seu sistema nunca teve, foi escrita para uma versão antiga da biblioteca que vocês usam e deixa o cupom somar com o desconto do Pix, justamente o que o financeiro disse na segunda reunião que não podia acontecer de jeito nenhum. Os testes passam só porque conferem o que o código faz, e não o que o negócio pediu, e lá se vai boa parte do fim de semana desfazendo aquilo.

Nessa hora a vontade é culpar o pedido e procurar um jeito melhor de perguntar, o que é uma habilidade de verdade e o assunto do próximo episódio. Só que o problema daquela cena começou um passo antes, antes de qualquer palavra ser digitada, no momento em que você entregou o trabalho inteiro, inclusive as partes que só você podia fazer. O AI Fluency Framework, criado por Rick Dakan, Joseph Feller e pela Anthropic, chama esse passo de Delegação: definir objetivos e decidir se, quando e como usar a IA, o que na prática quer dizer decidir que trabalho fica com as pessoas, que trabalho vai para a IA e como dividir entre as duas. Das quatro competências do mapa, é, na minha leitura, a que costuma vir primeiro e a mais fácil de pular, porque pular dá a impressão de que você está ganhando tempo.

O ramo, de perto

Mapa mental da Delegação, a primeira competência do AI Fluency Framework: decidir se, quando e como trazer a IA. Três ramos. Consciência do problema, seu objetivo e o trabalho antes da IA, com as perguntas: como fica o trabalho pronto, para quem é e o que está em jogo, o que eu sei que a IA não sabe. Consciência da plataforma, o que esta IA faz bem e seus limites, com as perguntas: em que esta ferramenta é boa, o que ela não sabe ou não vê, onde ela pode chutar. Delegação de tarefas, dividir o trabalho pelos pontos fortes, com as perguntas: que partes pedem o meu julgamento, que partes a IA faz ou rascunha, e automação, ampliação ou agência.
Baseado no AI Fluency Framework © 2025 Rick Dakan, Joseph Feller e Anthropic, CC BY-NC-SA 4.0. As habilidades são do framework e os resumos de uma linha condensam as suas definições; as perguntas em volta delas são leitura minha. Compartilhado sob a mesma licença. Toque ou clique para abrir em tamanho real.

O framework divide a Delegação em três habilidades, e o mapa coloca, em volta de cada uma, as perguntas que eu me pego fazendo quando as pratico. As habilidades são do framework e os resumos de uma linha condensam as suas definições; já as perguntas são minhas, uma porta de entrada e não parte do texto oficial. Lidos a partir do alto, à esquerda, e seguindo para a direita e para baixo, os ramos vão do trabalho para a ferramenta e depois para a divisão entre os dois, que é também a ordem em que as decisões costumam acontecer.

Consciência do problema: saber o que você está pedindo de verdade

O framework define a consciência do problema como entender com clareza os seus objetivos e o tipo de trabalho antes de envolver a IA. Parece óbvio até você reparar como isso escapa fácil quando o prazo aperta, porque o objetivo na cena do checkout nunca foi “uma feature de cupom”; era uma promoção de Black Friday que não podia comer a margem, ou seja, um cupom que não soma com o desconto do Pix, um uso por cliente e um checkout que não pode ficar mais lento no dia de maior movimento do ano. Dito assim, o trabalho muda de cara, porque boa parte dele passa a ser amarrar regras e casos de borda que só a equipe conhece, e muito pouco dele é digitar código.

As perguntas do mapa são um atalho para chegar lá. Como fica o trabalho pronto, a ponto de você reconhecê-lo quando o vir, como faz um bom critério de aceite? Para quem é, e o que quebra se der errado? E o que eu sei que a IA não sabe, a história do código, o que ficou decidido naquela reunião, a regra que ninguém escreveu, coisas que nenhum sistema vai adivinhar sozinho? A própria pesquisa da Anthropic mostra que esse passo está longe de ser regra. No AI Fluency Index, um estudo publicado em fevereiro de 2026 que classificou comportamentos de fluência em 9.830 conversas no Claude.ai, o comportamento que eu leio como o mais próximo da consciência do problema, deixar claro o objetivo antes de pedir ajuda, apareceu em mais ou menos metade delas, 51,1%. Na outra metade, o objetivo nunca foi posto em palavras antes do pedido, do mesmo jeito que naquela quinta-feira.

Consciência da plataforma: conhecer o colega a quem você passa a tarefa

A segunda habilidade, a consciência da plataforma, é entender o que os diferentes sistemas de IA conseguem e não conseguem fazer, e para isso não é preciso ser especialista. É mais ou menos o que você gostaria de saber sobre um colega novo e competente no primeiro dia na equipe antes de lhe passar uma tarefa: no que ele é bom, o que ele ainda não tem como saber e onde costuma chutar. O próprio glossário do framework dá nome aos limites. Um modelo tem uma data de corte do conhecimento, depois da qual ele não sabe nada do mundo por conta própria, e é por isso que pode escrever código para uma versão de biblioteca mais antiga do que a sua. Tem uma janela de contexto, um limite de quanta informação consegue levar em conta de uma vez, que muda de um modelo para outro. E pode alucinar, afirmando com toda a confiança algo que parece certo e está simplesmente errado, como uma função que tem tudo para existir e não existe.

Cada um desses limites vira direto uma decisão de delegação. A IA da cena do checkout não via o seu repositório, a não ser que você mostrasse o código envolvido, então chutou uma função de pagamento em vez de usar a de verdade; e não sabia nada das três reuniões, então não tinha como saber que o cupom não podia somar. As ferramentas também são diferentes entre si, porque umas conseguem ler o projeto inteiro, rodar os testes ou consultar a documentação, enquanto outras só enxergam o que você cola no chat, de modo que a mesma tarefa pode ser uma boa delegação para um sistema e uma furada para outro. Consciência da plataforma é só o costume de perguntar, antes de entregar alguma coisa, se esta ferramenta é a certa para esta parte do trabalho.

Delegação de tarefas: dividir o trabalho pelos pontos fortes

A terceira habilidade, a delegação de tarefas, é onde as duas primeiras se encontram: dividir o trabalho entre pessoas e IA com critério, aproveitando o que cada lado faz melhor. A aula da Anthropic sobre o tema traz uma frase que eu acho útil, a de que delegar bem exige conhecer o assunto e também entender o que a IA consegue fazer. Na minha leitura, é por isso que uma desenvolvedora com anos de casa no sistema de pagamentos delega esse trabalho melhor do que alguém que chegou na semana passada, e por isso que ela, mesmo experiente, ainda precisa conhecer a ferramenta para a divisão ficar boa.

Mapa mental de uma tarefa dividida: uma regra nova no checkout no centro e os seus seis passos em volta. Um, definir o que é pronto, a regra e os critérios de aceite: você. Dois, mostrar o código envolvido e o que as reuniões decidiram: você. Três, pensar a solução e os casos de borda: juntos, ampliação. Quatro, escrever o código e os testes a partir do plano combinado: IA, automação. Cinco, revisar cada linha e rodar os testes: você. Seis, aprovar e subir para produção: você.
Um exemplo de delegação de tarefas; a divisão é minha, não do framework. As formas de trabalho são do AI Fluency Framework, CC BY-NC-SA 4.0.

A figura refaz a regra do checkout com a tarefa no centro e o trabalho dividido em seis passos em volta, no sentido do relógio a partir do alto, bem parecido com o exercício que o curso da Anthropic passa aos alunos: pegar um projeto com várias etapas, quebrar em tarefas e planejar quais você faz sozinho e quais faz com a IA. Na minha divisão, definir o que é pronto, a regra e os critérios de aceite, fica com você, porque depende do que foi combinado com o negócio, e o mesmo vale para mostrar o código envolvido e o que as reuniões decidiram, porque isso está no seu repositório e nas suas anotações, e não no modelo. Pensar a solução e os casos de borda se faz junto, como uma conversa. Escrever o código e os testes a partir do plano combinado vai para a IA, que é rápida e não se cansa justamente nisso. Revisar cada linha e rodar os testes volta para você, e no fim aprovar e subir para produção também, já que a mudança vai ao ar com o seu nome. Não tem nada de sofisticado nessa lista, e a graça está aí: a mesma ferramenta, recebendo o quarto passo em vez do trabalho inteiro, entrega algo que você consegue usar de verdade.

Escolher como, e escolher não delegar

As marcações da figura levam à última decisão do ramo. O framework descreve três formas de pessoas e IA trabalharem juntas: a automação, em que a IA executa uma tarefa específica seguindo as suas instruções; a ampliação, em que vocês pensam juntos, num vai e vem em que os dois contribuem; e a agência, em que você prepara a IA para trabalhar sozinha em seu nome. Na minha leitura, escolher entre elas faz parte do “como” de “se, quando e como”, e por isso é assunto da Delegação, e o mesmo trabalho pode pedir uma forma diferente a cada passo, como acontece na regra do checkout. O AI Fluency Index viu que a forma de fluência mais comum foi a ampliação, usar a IA como parceira para pensar em vez de jogar o trabalho inteiro no colo dela. Viu também que só cerca de uma conversa em cada dez, 10,1%, tinha a pessoa perguntando à IA como ela faria antes de mandar fazer, o que, na minha leitura, talvez seja a pergunta de delegação mais barata que existe, igual a pedir o plano a um colega antes de pedir o código.

O “se” dessa definição merece um parágrafo só para ele, porque delegar inclui decidir ficar com parte do trabalho. Algumas partes de uma tarefa pedem um julgamento que é seu, como qual regra de negócio vale quando duas batem de frente ou que desenho a equipe vai ter de carregar por anos; outras carregam uma responsabilidade que não dá para passar adiante, como o que sobe para produção; e outras, sobretudo para quem está começando, existem justamente para você aprender o sistema fazendo, e aí entregá-las à IA é perder o sentido da tarefa. Uma boa delegação deixa essas partes com você de propósito, e não por descuido, e muitas vezes são as partes que você guarda que fazem valer a pena as que você entrega.

O laço que traz você de volta

O episódio 1 mostrou a Delegação ligada à Diligência num dos dois laços do framework, o das decisões estratégicas e éticas sobre o uso da IA. Na minha leitura, o laço se fecha porque responder pelo resultado ensina o que delegar da próxima vez: o fim de semana caçando uma função que nunca existiu é exatamente o que faz você mostrar o código de verdade para a IA, e guardar as regras de negócio com você, na próxima feature. A Delegação não é, portanto, uma decisão tomada uma vez e esquecida na gaveta, mas uma que você revê cada vez que um resultado volta, e o quinto episódio, sobre a Diligência, vai percorrer a outra metade desse laço.

De volta à quinta-feira à noite

Volte ao checkout e repasse a noite com o ramo na cabeça. Antes de abrir o assistente, você gasta alguns minutos anotando para que a regra serve de verdade e como vai saber que ela funciona; lembra que a ferramenta não enxerga o seu repositório nem as suas reuniões, então decide mostrar o código envolvido e levar as regras você mesmo; divide o trabalho, pensa a solução e os casos de borda junto com a IA, deixa com ela a primeira versão do código e dos testes e fica com a revisão. O pedido que você enfim digita não tem nada de genial, e mesmo assim chega muito mais longe, porque a decisão por trás dele, tomada antes de digitar e chamada pelo framework de Delegação, foi boa, e essa decisão funciona do mesmo jeito para uma migração de banco, uma correção de bug, uma revisão de código ou uma especificação técnica, e também fora do código.

O que ela não diz é como falar o que você precisa depois de decidir pedir, e esse é o assunto do próximo episódio, sobre a Descrição: como descrever o produto que você quer, o processo que a IA deve seguir e o jeito como ela deve trabalhar com você.

Fontes: o AI Fluency Framework e o Key Terminology Cheat Sheet da Anthropic, © 2025 Rick Dakan, Joseph Feller e Anthropic, CC BY-NC-SA 4.0; o curso AI Fluency: Framework & Foundations; e The AI Fluency Index (Swanson, Bent, Ludwig, Dakan e Feller, fevereiro de 2026). Este artigo é uma explicação independente, não uma publicação da Anthropic.