Pense Simples, por Gustavo Caetano / inovação e empreendedorismo

Eu separei cinco notícias que explicam onde a tecnologia encosta numa decisão de trabalho de verdade. Tem uma seta para quando o agente precisa parar, uma forma de transcrever voz no aparelho e um jeito mais cuidadoso de executar código.

1. Um projeto para Mac deixa agentes apontarem para a tela sem clicar por você. Ele apareceu no Hacker News hoje, 9 de outubro. O Big Arrow coloca uma seta e um aviso temporário sobre um botão ou janela, mas não digita, não captura a tela e não confirma nada. Isso resolve um momento comum: o agente encontra a tela de permissão, pagamento ou autenticação, e a decisão precisa voltar para uma pessoa. Em vez de liberar mais controle, eu testaria se o aviso reduz a demora sem remover essa última checagem humana. Fonte: https://github.com/franzenzenhofer/big-arrow-on-the-screen

2. O Nobel da Paz de 2026 foi anunciado hoje para Navanethem "Navi" Pillay. O Comitê Norueguês do Nobel reconheceu o trabalho dela em direitos humanos e responsabilização por violações. Não é lançamento de produto, mas entra no radar de tecnologia porque sistemas digitais já decidem, recomendam e filtram coisas que afetam pessoas. A consequência prática é simples: quando uma regra automatizada afeta alguém, a empresa precisa conseguir explicar quem definiu a regra, como contestar e quem pode corrigi-la. Fonte: https://www.nobelprize.org/prizes/peace/2026/

3. A Cactus Compute lançou um reconhecedor de voz de 16,9 MB que roda no próprio aparelho. O Whistle foi anunciado em 2 de outubro e voltou ao Hacker News nesta semana. Ele transforma até 30 segundos de fala em texto em sete idiomas, sem depender de mandar o áudio para um servidor. Isso não elimina a necessidade de conferir transcrições, especialmente em nomes e números. Mas reduz risco de privacidade e dependência de conexão em uma operação. Eu começaria comparando erros e custo em gravações reais antes de levar a ferramenta para atendimento. Fonte: https://cactuscompute.com/blog/whistle

4. A comunidade OpenTelemetry publicou um guia para que produtos exportem seus próprios sinais de operação. O texto saiu em 8 de outubro e entrou no Hacker News hoje. Em vez de prender o cliente ao painel do fornecedor, um software pode entregar logs, tempos de resposta e erros para a ferramenta que a empresa já usa. Isso ajuda a evitar custo e retrabalho quando o negócio troca de plataforma ou precisa investigar um incidente. Eu começaria perguntando se o produto atual permite levar os dados embora em formato aberto. Fonte: https://opentelemetry.io/blog/2026/otel-native-by-design/

5. O criador do htmx voltou a uma pergunta incômoda para equipes de software: usar IA para criar soluções significa deixar de aprender o trabalho? O ensaio é de fevereiro e reapareceu no Hacker News ontem. A resposta dele é que a IA pode ajudar a destravar dúvidas e sugerir verificações, mas não deve virar uma fábrica de entregas que ninguém entende ou mantém. Para líderes, isso é risco operacional e de custo: desenvolver gente que sabe questionar uma entrega evita acelerar hoje e pagar pelo retrabalho depois. Fonte: https://htmx.org/essays/yes-and/

https://t.me/pensesimples

Eu achei provocador o Project Swap, experimento da Anthropic em que agentes negociaram livros por 201 pessoas. O ponto menos óbvio é que eles negociaram melhor do que entenderam os gostos de quem representavam.

É a armadilha de qualquer equipe que quer delegar compras, prazos ou propostas: um agente pode fazer uma oferta elegante e ainda escolher a prioridade errada. Se fosse no meu time, eu pediria primeiro dez casos antigos para ele ordenar, explicando o que aceitaria e o que escalaria para uma pessoa.

Minha regra é simples: antes de liberar uma negociação, valide preferência, limite e rastro. Escrevi a análise completa aqui: https://www.gustavocaetano.com/blog/project-swap-agentes-negociacao?utm_source=telegram&utm_medium=organic&utm_campaign=blog_project_swap_20261009 #PenseSimples

Eu separei cinco notícias que ajudam a fazer perguntas melhores antes de comprar, liberar ou automatizar alguma coisa. Tem IA mais barata, controle de contribuição e até uma placa de aviso que cabe num link.

1. A Anthropic lançou o Claude Haiku 5.5 para trabalho repetitivo e em grande volume. O anúncio é de 7 de outubro e o modelo foi desenhado para resumir, classificar pedidos, consultar dados e apoiar agentes menores. A empresa também baixou os preços em relação ao Haiku anterior. A consequência não é colocar IA em toda tarefa: é separar o que exige julgamento humano do que pode ganhar velocidade com revisão por amostra. Antes de trocar um fluxo inteiro, eu compararia custo, tempo e erros numa fila pequena. Fonte: https://www.anthropic.com/claude-haiku-5-5

2. O GitHub voltou ao debate no Hacker News com controles para pull requests, embora o anúncio original seja de 13 de fevereiro. Donos de repositório podem esconder a área de pull requests ou permitir novas propostas só de colaboradores com acesso de escrita. Pull request é o pedido formal para mudar código. Para uma empresa, isso ajuda a evitar que uma fase crítica vire uma porta de entrada sem dono. Vale revisar quais projetos públicos realmente precisam aceitar contribuição aberta. Fonte: https://github.blog/changelog/2026-02-13-new-repository-settings-for-configuring-pull-request-access/

3. O Docker Agent apareceu hoje no Hacker News como uma forma de descrever agentes de IA em arquivo YAML. Em vez de montar toda a operação na mão, o projeto deixa registrar modelo, instruções e ferramentas num arquivo que pode ser revisado junto com o resto do trabalho. Isso ainda pede governança: um arquivo organizado não torna uma ação segura. Se o time experimentar, eu começaria por uma tarefa interna, com acesso mínimo e uma pessoa responsável por conferir o resultado. Fonte: https://docker.github.io/docker-agent/

4. O Bigwords.page transformou uma necessidade bem banal em uma página: mostrar uma mensagem grande em qualquer tela. O projeto entrou no Hacker News hoje. O texto, as cores e até um cronômetro ficam no próprio link, sem conta e sem servidor guardando a mensagem. Isso serve para recepção, sala de reunião ou senha de Wi-Fi, sem instalar aplicativo no celular da equipe e sem adicionar uma nova conta à operação. A regra simples é não colocar informação sensível no endereço, porque o link pode ser compartilhado como qualquer outro. Fonte: https://bigwords.page/

5. A OpenAI levou o GPT-6 e uma interface mais visual do ChatGPT para mais pessoas em 7 de outubro; o tema chegou ao Hacker News hoje. Em algumas respostas, o ChatGPT pode montar botões, gráficos, formulários e pequenos controles em vez de entregar só texto. É útil para comparar opções ou explorar um planejamento, mas não substitui a conferência de números e regras do negócio. Antes de colocar isso numa rotina de cliente, eu testaria um caso interno e verificaria se a interface deixa a decisão mais clara ou só mais bonita. Fonte: https://openai.com/index/gpt-6-for-everyone/

https://t.me/pensesimples

Eu acho fácil demais olhar para uma rodada de US$ 90 milhões e concluir que um agente de IA já está pronto. O que me chamou atenção na Nous Research foi o teste que vem depois do dinheiro: levar uma proposta aberta para a rotina real das empresas.

Se fosse no meu time, eu não começaria pelo agente que promete fazer tudo. Eu escolheria uma tarefa estreita, dados permitidos e aprovação humana, depois mediria correção e retrabalho. Capital acelera produto; confiança vem de controle e resultado verificável.

Escrevi a análise completa aqui: https://www.gustavocaetano.com/blog/nous-hermes-capital-agentes-abertos?utm_source=telegram&utm_medium=organic&utm_campaign=blog_nous_hermes_20261008 #PenseSimples

Eu fui atrás das novidades que mudam uma decisão, e não só das que rendem conversa de tecnologia. Estas cinco valem dois minutos, especialmente se você usa ferramenta digital no trabalho:

1. O Chrome começou a entregar suporte ao JPEG XL. O anúncio é de hoje, 7 de outubro. JPEG XL é um formato de imagem que tenta manter boa qualidade com arquivos menores e também lida melhor com fotos grandes. Para quem mantém site, loja ou apresentação visual, a consequência é bem concreta: páginas podem carregar menos dados sem que seja preciso redesenhar tudo. Vale acompanhar o suporte das ferramentas que você já usa antes de converter um acervo inteiro. Fonte: https://developer.chrome.com/blog/jpeg-xl-in-chrome

2. A OpenAI publicou resultados de matemática feitos por um modelo interno. O anúncio saiu em 6 de outubro e veio com um detalhe saudável: os resultados, versões de artigos, citações e parte das provas verificáveis por computador foram colocados num repositório. A empresa estima que cada resultado consumiu, em média, o equivalente a três horas do modo de raciocínio do ChatGPT Pro. A novidade não transforma qualquer resposta de IA em prova. Ela deixa mais claro que, quando o erro custa caro, mostrar o caminho importa tanto quanto mostrar a resposta. Fonte: https://openai.com/index/sharing-ai-progress-in-mathematics/

3. A Strands lançou antes, em 1º de outubro, um modelo pequeno para escolher entre opções; ele voltou ao debate no Hacker News hoje. O Decider 2B não escreve email nem código. Ele recebe alternativas, como qual time deve atender um chamado, e atribui uma escolha com grau de confiança. Isso pode rodar localmente e rápido porque o trabalho é mais estreito. Na prática, eu testaria primeiro numa decisão repetitiva e reversível, comparando acerto e dúvidas humanas antes de colocá-lo no caminho de um cliente. Fonte: https://strandsagents.com/blog/introducing-strands-decider/

4. A Mistral apresentou o Large 4 em 6 de outubro, mas os pesos abertos ainda não saíram. A empresa diz que vai liberá-los até o fim do mês e que está fazendo testes de segurança com parceiros antes disso. Esse detalhe é mais útil que a tabela de benchmarks: anúncio não é acesso, e acesso não é ganho no seu caso. Quem está avaliando modelos para código ou atendimento pode preparar um teste comparável agora, mas deveria esperar a versão pública para medir custo, qualidade e revisão humana de verdade. Fonte: https://mistral.ai/news/mistral-large-4/

5. O Penguin Mail chegou à versão 1.0 em 6 de outubro com uma proposta simples para Linux: email e calendário sem um servidor intermediário da própria ferramenta. Segundo o projeto, contas Google e Microsoft falam diretamente com esses provedores, e o aplicativo não usa rastreio nem anúncios. Isso não elimina os cuidados com uma caixa de entrada corporativa, mas reduz uma camada de confiança. Se sua equipe usa Linux, o teste sensato é criar uma conta sem dados críticos e conferir sincronização, busca e envio antes de trocar o cliente principal. Fonte: https://penguin-mail.com/

https://t.me/pensesimples

Eu não acho que toda pergunta merece uma IA “pensando mais”. Uma senha esquecida pede resposta rápida. Uma consulta que mexe com dinheiro, contrato ou cliente merece tempo para comparar opções e conferir restrições.

Se fosse no meu time, eu testaria a mesma tarefa com esforço baixo e alto, medindo acerto, espera, custo e correção humana. A decisão prática é promover só o modo que melhora uma prova concreta, não o que apenas parece mais cuidadoso.

Minha leitura completa sobre tempo de raciocínio está aqui: https://www.gustavocaetano.com/blog/o-que-e-tempo-de-raciocinio-na-ia?utm_source=telegram&utm_medium=organic&utm_campaign=blog_tempo_raciocinio_20261007 #PenseSimples

Eu fui separar as novidades que têm consequência prática das que só rendem manchete. Estas cinco valem os dois minutos:

1. O Nobel de Física foi para Francis Halzen. O anúncio saiu hoje, 6 de outubro. Ele foi reconhecido pelo trabalho que ajudou a transformar partículas quase invisíveis, os neutrinos, em uma forma de observar o Universo. Parece distante do escritório, mas é um bom lembrete: avanços grandes dependem de instrumentos, dados e anos de medição, não de uma demo bonita. Fonte: https://www.nobelprize.org/prizes/physics/2026/

2. Gleam 1.19 mexe num custo que quase ninguém vê: o tempo de esperar a equipe terminar uma alteração. A atualização foi publicada em 5 de outubro e mudou a etapa que prepara o código antes de ele rodar. Na prática, empresas que usam Gleam podem compilar mais rápido e receber uma indicação mais exata de onde houve erro. Não é motivo para migrar no impulso; é motivo para medir quanto tempo o seu time perde esperando testes e builds. Fonte: https://gleam.run/news/gleam-doesnt-compile-to-erlang-source-anymore/

3. A Reflection apresentou o Beam, mas ele ainda não está liberado. O anúncio é de 5 de outubro: um modelo aberto com 501 bilhões de parâmetros no total, dos quais 23 bilhões entram em ação por vez. A empresa diz que ele foi feito para código e agentes, porém os pesos só devem sair depois de avaliações e red-teaming. A leitura prática é simples: espere acesso público e teste no seu caso antes de comparar custo ou prometer troca de modelo. Fonte: https://reflection.ai/blog/introducing-beam

4. Uma pesquisa quer treinar modelos sem o método tradicional de correção de erros. O estudo Dust, publicado em outubro pela Q Labs, troca parte do cálculo de volta por pequenas variações internas e mede quais reduzem o erro. É pesquisa, não uma receita pronta para treinar um modelo amanhã. Mesmo assim, abre uma pergunta boa para quem compra infraestrutura: se o custo de computação continuar caindo, métodos mais brutos podem voltar a fazer sentido. Fonte: https://qlabs.sh/research/dust

5. Um relato que voltou ao Hacker News mostra o custo de desfazer uma troca de base de software. Publicado em 3 de outubro, ele descreve a saída de Deno para Node após atritos que só apareceram no trabalho cotidiano. Não é uma briga de torcidas. É risco operacional: bibliotecas, suporte e hospedagem precisam funcionar juntos antes da mudança. Quem decide uma migração deveria cobrar esse mapa antes de aprovar prazo, porque descobrir incompatibilidade depois consome orçamento e atrasa entrega. Fonte: https://dbushell.com/2026/10/03/deno-to-node/

https://t.me/pensesimples

Eu gosto da ideia de um agente que não faz a equipe repetir o mesmo contexto toda semana. Uma preferência muda, uma exceção envelhece e um dado sensível não deveria ficar disponível só porque foi útil uma vez.

Se fosse no meu time, eu começaria com três memórias sintéticas e quatro campos: fato, validade, escopo e revisão. A decisão prática é simples: se ninguém consegue corrigir ou apagar um cartão, ele não merece orientar a próxima resposta.

Minha leitura sobre o Mem0: vale um piloto de continuidade, não um arquivo infinito. Escrevi o caso completo aqui: https://www.gustavocaetano.com/blog/mem0-memoria-agentes-ia?utm_source=telegram&utm_medium=organic&utm_campaign=blog_mem0_20261006 #PenseSimples

Eu separei cinco assuntos de tecnologia que ajudam a entender o que está mudando, sem precisar acompanhar cada lançamento. Tem IA no trabalho, segurança de dados e até concorrentes dividindo invenções.

1. Um jornal colocou a IA para procurar notícias locais
O Philadelphia Inquirer criou o Scrape para encontrar pistas em documentos e sites da região. Os jornalistas continuam avaliando o que merece virar notícia. O aprendizado mais útil: comparar o resultado da IA com o trabalho de quem já conhece o assunto. Eu faria o mesmo antes de automatizar uma pesquisa no time.
https://www.lenfestinstitute.org/solutions-resources/philadelphia-inquirer-scrape-ai-hyperlocal-news/

2. Um acesso autorizado virou uma exposição de dados na Dinamarca
O registro civil dinamarquês informou hoje acesso indevido a dados de cerca de 8,8 milhões de pessoas cadastradas. O caminho foi a permissão legítima de uma empresa, que acabou sendo usada por terceiros. Para quem guarda dados de clientes, a pergunta é bem concreta: cada fornecedor consegue consultar só o necessário? Acesso permitido também precisa de limite e acompanhamento.
https://www.cpr.dk/cpr-nyt/nyhedsarkiv/2026/okt/omfattende-uautoriseret-adgang-til-borgeres-cpr-oplysninger

3. Huawei e Qualcomm fizeram um acordo para usar patentes uma da outra
As empresas anunciaram um acordo de vários anos que inclui tecnologias de redes móveis, computação e IA. Patente é a proteção de uma invenção; licenciar permite usá-la dentro de condições combinadas. Isso mostra que concorrentes também negociam acesso a tecnologia. O acordo depende de aprovações regulatórias e não permite concluir que os celulares vão ficar mais baratos.
https://www.huawei.com/en/news/2026/10/qualcomm-broad-patent-agreement

4. Um celular mais novo pode não atender ao mesmo padrão de segurança
Voltou ao debate uma avaliação publicada em agosto pelo GrapheneOS, sistema Android focado em segurança. A equipe afirma que o Pixel 11 não oferece uma proteção de memória usada pelo projeto e pode ficar sem suporte. Ainda é uma avaliação do projeto, não uma decisão final. Se seu time depende de um sistema específico, confira a compatibilidade antes de comprar aparelhos novos.
https://discuss.grapheneos.org/d/41564-pixel-11-doesnt-yet-meet-the-grapheneos-security-standards-and-may-be-skipped

5. A IA que verifica outra IA também precisa ser testada
A Red Hat comparou formas de filtrar mensagens perigosas ou tentativas de enganar assistentes. Nos testes publicados, o modelo Jev não trouxe a vantagem esperada sobre algumas alternativas. Isso não decide qual solução serve para toda empresa. Eu começaria com exemplos reais do atendimento e compararia erros, custo e tempo antes de escolher quem vai revisar as respostas automáticas.
https://developers.redhat.com/articles/2026/10/02/benchmarking-ai-decision-models-against-traditional-guardrails

Mais tecnologia explicada de um jeito simples por aqui:
https://t.me/pensesimples

Eu tenho uma implicância com agente que “pesquisa a internet” como se isso resolvesse tudo. A conta chega depois: ninguém sabe qual fonte entrou na resposta, quem teve acesso nem quanto cada busca está somando.

A Cloudflare lançou uma Web Search API que deixa essas buscas dentro do AI Gateway. O que me chamou atenção foi isso: eu usaria a Cloudflare para ver o rastro e a cobrança no mesmo painel em que o agente roda.

Se fosse no meu time, eu começaria com uma tarefa que hoje pede pesquisa manual, como conferir um concorrente, e colocaria limite de gasto antes de abrir para o resto. Agente com internet sem recibo é estagiário com cartão corporativo.

https://developers.cloudflare.com/changelog/post/2026-10-02-introducing-web-search-api/

Eu fiquei pensando na Decagon porque ela não está tentando apenas cortar tickets. A empresa abriu escritório em São Paulo para colocar agentes de IA na primeira conversa entre cliente e empresa. É ali que uma promessa mal feita vira reclamação, custo e perda de confiança.

Se fosse no meu time, eu não liberaria cobrança, troca de pedido ou exceção comercial logo no início. Eu começaria por uma jornada informativa e revisaria toda semana as conversas em que o agente não resolveu o caso ou prometeu algo que uma pessoa precisou corrigir.

Minha leitura: o agente só melhora atendimento quando a equipe continua enxergando intenção, permissão e a hora de devolver a conversa para alguém. Escrevi o caso completo aqui: https://www.gustavocaetano.com/blog/decagon-brasil-agentes-atendimento?utm_source=telegram&utm_medium=organic&utm_campaign=blog_decagon_20261005 #PenseSimples

Confesso que fico desconfiado quando alguém diz que uma IA “conhece a empresa”. Geralmente é só planilha, contrato e e-mail numa caixa-preta, com resposta bonita e nenhum rastro.

O MentaAgent me chamou atenção porque cita os arquivos usados. Eu usaria numa pasta pequena, com uma pergunta cuja resposta já sei. Ele roda na sua máquina, mas o README avisa que o que o agente lê pode ir para o provedor escolhido. Essa diferença importa.

Antes de comemorar, eu conferiria se a fonte citada bate com o arquivo e colocaria teto diário antes da primeira pergunta cara. Se errar, não ganhou autonomia; ganhou um estagiário confiante.

https://github.com/DanielKim03/mentaagent

Eu tenho uma implicância com conta de IA que só parece barata porque a fatura ainda não chegou. Rodar modelo dentro da empresa soa libertador até entrar máquina, energia, manutenção e alguém pra acordar quando ela para. A nuvem também sabe cobrar silêncio.

O que me chamou atenção no DwarfStar é ser assumidamente estreito: roda poucos modelos e pede hardware parrudo. Acho ótimo quando a ferramenta diz onde não serve. Economia de API não é economia se você comprou um computador caro pra responder pergunta fácil.

Eu faria um piloto de sete dias com DwarfStar numa rotina repetitiva do seu time e compararia custo total, tempo e exceções humanas. Se privacidade e volume não pagam a conta, deixa na nuvem e dorme melhor.

https://github.com/antirez/ds4

Amazon lança "modelo de decisão" aberto e leve
A AWS liberou o Strands Decider 2B, modelo open source pequeno o bastante para rodar localmente. Em vez de gerar texto, ele escolhe entre opções predefinidas, prometendo automações mais rápidas e baratas. É a nova moda: OpenAI e outros lançaram modelos parecidos na mesma semana.
🔗 https://techcrunch.com/2026/10/01/amazon-releases-its-own-jev-clone-as-decision-models-flood-the-web/

Eu tenho uma implicância com agente de código que parece muito ocupado e ninguém sabe no quê. Ele pode estar entregando, esperando uma resposta ou criando uma bela conta de retrabalho e custo. De longe, tudo parece produtividade. Clássico.

O que me chamou atenção no Yokka é a ideia de pôr esses agentes num quadro visível. Não porque kanban resolve a vida, mas porque alguém precisa enxergar a tarefa parada antes que ela vire atraso disfarçado de autonomia.

Eu faria assim: testa o Yokka por uma semana com poucos agentes do seu time e olha tarefas concluídas, perguntas pendentes e correções humanas. Se o quadro só deixa a bagunça mais bonita, corta. Se reduz espera e retrabalho, aí vale multiplicar os robôs.

https://yokka.ai/

Eu não chamaria um agente de operador só porque ele fechou algumas tarefas. O Business Arena põe IA para tocar uma loja B2B e lembra algo de uma reunião de operação: responder bem uma mensagem não conserta estoque, caixa ou um prazo prometido ao cliente.

Se fosse no meu time, eu começaria por uma rotina reversível e exigiria três recibos: o resultado melhorou, a ação respeitou a alçada e dá para ligar a fonte à consequência. Sem isso, autonomia vira uma fila de retrabalho bem escrita.

Escrevi sobre o teste e como aplicar essa régua antes de dar mais acesso ao agente: https://www.gustavocaetano.com/blog/business-arena-agentes-operar-negocio?utm_source=telegram&utm_medium=channel&utm_campaign=blog_business_arena_20261002 #PenseSimples

Eu confesso que a promessa de agente rodando localmente sempre me deixa com um pé atrás. Economia de API é ótima até a reunião ficar esperando o notebook pensar — e a conta volta em hora perdida.

O que me chamou atenção no Magnitude é que ele olha pra máquina antes de sugerir o modelo. Parece detalhe técnico, mas a decisão é bem menos glamourosa: saber se você está cortando custo ou só trocando uma fatura por retrabalho.

Eu faria um teste simples com o Magnitude: escolhe uma rotina interna e repetitiva, deixa uma semana rodando e compara custo, tempo de resposta e correções humanas. Se melhorar a margem sem piorar a experiência, aí sim vale ampliar. Privacidade ajuda; lentidão escondida não.

https://github.com/magnitudedev/magnitude

Eu não trataria a voz de alguém ao telefone como prova de identidade depois que clonar voz ficou barato. O que me chamou atenção na Modulate não foi só a rodada de US$ 25 milhões, mas a pergunta que ela obriga: o alerta de IA muda uma decisão ou só cria outro dashboard?

Se fosse no meu time, eu começaria por 50 chamadas antigas e uma ação reversível: separar para revisão humana as que parecem risco. Só ampliaria se o alerta evitasse perda ou poupasse retrabalho sem encher a fila de falso positivo.

Escrevi o teste das três provas, detectar, decidir e auditar, aqui: https://www.gustavocaetano.com/blog/modulate-ia-de-voz-capital?utm_source=telegram&utm_medium=channel&utm_campaign=blog_modulate_20261001 #PenseSimples

Eu tenho uma implicância saudável com a frase “pode mandar para a IA, ela não vê nada”. Quando a planilha tem nome, e-mail ou CPF, ela vê sim. E o problema não fica menos chato porque o prompt estava bonito.

O ScrubVault propõe trocar dados pessoais por etiquetas locais antes de chamar um modelo e devolver os dados só no fim. Não é salvo-conduto para despejar o CRM no ChatGPT. É uma trava a mais.

Eu faria um teste pequeno: testa o ScrubVault numa amostra de atendimentos e confere o que escapou antes de liberar o fluxo pro seu time. Privacidade não é feature de rodapé.

https://github.com/tastenkasperle/scrub-vault