A maioria das empresas trata a adoção de IA como uma decisão de compra. Escolhe um fornecedor, distribui licenças, espera produtividade. A Stripe fez diferente. Em vez de empilhar SaaS, a empresa construiu o Kai, um agente interno usado por mais de 10.000 funcionários toda semana, com contexto proprietário, camadas de governança e mais de 2.000 habilidades criadas pelos próprios times.
O resultado não é só eficiência operacional. É uma vantagem competitiva que nenhum concorrente pode comprar no mesmo catálogo. E o aprendizado central que emerge dessa experiência é direto: o diferencial não está no modelo de linguagem escolhido. Está em o que a IA sabe sobre a sua empresa e em quem decide o que ela pode fazer.
Isso muda o enquadramento da conversa para qualquer executivo que ainda está avaliando IA pelo benchmark do modelo.
A decisão de construir em vez de comprar
Sharadh Krishnamurthy, engineering manager da Stripe responsável pelo Kai, descreve a escolha como uma questão de contexto. Ferramentas genéricas de IA não sabem quem você é dentro da organização, quais sistemas você acessa, quais dados são sensíveis e quais fluxos de trabalho fazem sentido para o seu time. Elas chegam vazias.
O Kai foi construído para chegar carregado. Por padrão, ele já sabe o que o funcionário precisa saber sobre si mesmo dentro da Stripe, com controles claros sobre o que pode ser desligado. Esse contexto embutido é o que transforma um assistente genérico em algo operacionalmente útil.
A lição para outras empresas não é necessariamente construir do zero. É entender que sem contexto proprietário, a IA responde bem a perguntas genéricas e mal a perguntas que realmente importam para o negócio.
Governança como mecanismo operacional
Um dos pontos mais práticos da arquitetura do Kai é o uso de projetos como camada de governança. Na Stripe, projetos não são pastas de organização. São mecanismos que definem o que o agente pode acessar, com quais dados ele pode operar e dentro de quais limites ele age.
Isso resolve um problema real que muitas empresas ignoram até que seja tarde: agentes de IA sem governança clara podem agir de formas inesperadas. A Stripe aprendeu isso da forma difícil. Krishnamurthy menciona episódios em que agentes quase derrubaram sistemas de produção antes de a infraestrutura de controle estar madura.
Governança não é burocracia. É o que separa um agente útil de um agente perigoso.
Para executivos, a pergunta prática é direta. Se a sua empresa está rodando agentes de IA hoje, quem define o perímetro de ação deles? Quem monitora? Quem reverte quando algo sai do esperado? Sem resposta clara para essas três perguntas, o risco operacional cresce junto com o uso.
A plataforma de habilidades e o efeito de rede interno
O que torna o Kai escalável não é só a infraestrutura técnica. É o modelo de contribuição distribuída. Qualquer funcionário da Stripe pode empacotar um fluxo de trabalho como uma habilidade dentro da plataforma. O resultado: mais de 2.000 habilidades criadas pelos próprios times.
Isso cria um efeito de rede interno. Cada habilidade nova torna o agente mais útil para mais pessoas. O conhecimento operacional que antes ficava preso na cabeça de especialistas ou em documentos desatualizados passa a ser acessível e executável.
A Stripe também construiu avaliações e telemetria para monitorar a qualidade dessas habilidades. Não basta criar. É preciso saber se o que foi criado funciona, para quem funciona e quando deixa de funcionar.
O que isso significa para empresas fora da Stripe
Poucos times têm a capacidade de engenharia da Stripe. Mas o princípio é replicável em escala menor:
- Identifique os fluxos de trabalho repetitivos que consomem tempo de pessoas qualificadas.
- Documente o contexto que um agente precisaria para executar esses fluxos com segurança.
- Defina quem tem autoridade para aprovar, monitorar e desligar cada automação.
- Comece pequeno, meça, expanda com base em evidência.
A infraestrutura não precisa ser proprietária desde o início. A disciplina de contexto e governança, sim.
A camada de dados como fundação
A Stripe usa Trino como motor de consulta para que agentes possam acessar dados em escala com segurança. A escolha não é acidental. A infraestrutura que a empresa já havia construído para desenvolvedores humanos se mostrou exatamente o que os agentes precisavam.
Isso aponta para algo que muitas empresas subestimam. A qualidade da IA corporativa é limitada pela qualidade da infraestrutura de dados subjacente. Agentes que consultam dados inconsistentes, desatualizados ou mal governados produzem respostas que parecem confiantes e estão erradas. O problema não é o modelo. É a fundação.
O que fica para o executivo
A Stripe não construiu o Kai para impressionar o mercado. Construiu porque as ferramentas disponíveis não conseguiam carregar o contexto que uma empresa global e complexa exige para operar com inteligência.
Para qualquer empresa que está avaliando IA corporativa agora, a pergunta certa não é qual modelo usar. É quanto contexto proprietário você consegue embutir, quanta governança você consegue sustentar e quem no seu time tem autoridade para dizer não quando o agente errar.
Empresa que delega essas três decisões para o fornecedor de IA não está adotando inteligência artificial. Está terceirizando o julgamento que mais importa.