Os agentes de IA já estão conversando em JSON (e as empresas espertas estão guardando tudo)

Tem uma camada invisível rodando por trás de cada conversa que você tem com uma IA hoje. Enquanto você lê um texto bonitinho na tela, a máquina está falando consigo mesma em outra língua: JSON. E entender isso muda a forma como você usa, e como sua empresa deveria estar tratando, a inteligência artificial.

Veja a seguir a aula da YCombinator na íntegra

O que é JSON

JSON (JavaScript Object Notation) é um jeito padronizado de organizar dados em pares de chave e valor. Pensa numa ficha de cadastro: cada campo tem um nome (a chave) e um conteúdo (o valor).

{
  "nome": "Dan Vitoriano",
  "cargo": "operações",
  "nivel": "avançado",
  "ativo": true
}

Texto puro, legível por humano, mas estruturado o suficiente para qualquer programa ler sem ambiguidade. Cada chave aponta para um valor, e o valor pode ser um texto, um número, um booleano (true/false), uma lista ou outro objeto aninhado.

A graça do JSON é que ele é a linguagem universal entre sistemas. Quando dois programas precisam trocar informação de forma confiável, eles quase sempre trocam JSON (às vezes XML também). E foi exatamente por isso que ele virou a língua materna dos agentes de IA.

Por que os agentes falam JSON

Aqui está a parte que pouca gente percebe. Quando você usa um modelo de linguagem puro (o famoso chat reativo), ele só prevê o próximo token e cospe texto para você. Mas um agente, como o Claude operando no seu computador, faz muito mais que responder. Ele decide usar ferramentas: abrir um navegador, ler uma planilha, rodar um código, consultar uma API.

E ele não decide isso em português. Ele decide em JSON.

Quando o Claude precisa chamar uma ferramenta, por trás dos panos ele gera algo assim:

{
  "tool": "claude_in_chrome",
  "action": "navigate",
  "query": "https://app.exemplo.com.br/api/funds/assets",
  "task_id": "a3f9",
  "status": "in_progress",
  "timestamp": "2026-06-12T16:37:02-03:00"
}

Repara nos detalhes. Tem o nome da ferramenta, a ação, o alvo, um identificador da tarefa, o status dela e um carimbo de tempo (timestamp). Isso não é para você ler. Isso é o agente registrando, de forma estruturada e auditável, exatamente o que ele está fazendo, quando, e em que etapa do processo.

Se você abrir as “caixinhas” de raciocínio de um agente enquanto ele trabalha, é isso que aparece: uma sequência de chamadas em JSON. Ferramenta carregada, parâmetros enviados, resultado recebido, próximo passo. É o dado cru, antes de virar aquele texto educado que aparece na tela.

E é justamente esse dado cru que importa.

A resposta para humano é descartável. O JSON é o ativo

Quando o modelo te responde em linguagem natural, aquela resposta é volátil. Ela varia conforme o modelo que você usou, conforme a temperatura, conforme o humor estatístico do dia. Pergunte a mesma coisa duas vezes e você recebe duas redações diferentes. Ótimo para conversar, péssimo para construir conhecimento corporativo em cima.

O JSON, não. O JSON é determinístico, estruturado e rastreável. Ele tem o que aconteceu, em que ordem, com qual ferramenta, em que momento. É a diferença entre guardar a transcrição editada de uma reunião e guardar o log bruto de tudo que foi decidido, com hora marcada.

Por isso a regra de ouro: se você quer fazer backup de contexto para a sua empresa, e quem vai consumir esse contexto depois é a máquina, guarde o dado o mais cru possível. Guarde o JSON, não a redação final.

O que as empresas já estão fazendo

As empresas que entenderam isso pararam de tratar conversa com IA como algo descartável. Elas estão capturando todo o contexto que os agentes geram, o JSON bruto das interações, e usando isso como matéria-prima.

Para quê?

Para que a própria IA, e os próprios agentes, aprendam com o que já foi feito. Cada tarefa executada vira um registro estruturado. Esse registro alimenta a memória do agente, que da próxima vez não começa do zero. Ele recupera o contexto, entende o que deu certo, o que deu errado, e melhora.

Com uma base de contexto bem guardada, dá para:

• Auditar e rastrear cada decisão do agente, achar onde ele errou e corrigir o comportamento.
• Fazer o agente realizar tarefas com mais precisão, porque ele puxa o histórico estruturado em vez de adivinhar.
• Gerar insights sobre padrões, gargalos e oportunidades que ninguém tinha mapeado.
• Antecipar necessidades, porque o sistema enxerga a recorrência antes de você pedir.

É um ciclo: o agente trabalha, gera JSON, o JSON é guardado, e esse acervo torna o próximo trabalho do agente melhor. Quanto mais contexto bruto você acumula, mais inteligente fica a sua operação.

O case do Y Combinator: a empresa queryable

Isso não é teoria de futurologia. É exatamente o que o Y Combinator, a aceleradora que lançou Airbnb, Stripe e Dropbox, está ensinando os fundadores a fazer.

Num episódio recente do Startup School, a partner Diana Hu apresenta o conceito de empresa AI-native, onde a IA não é só uma ferramenta, é o sistema operacional em que a empresa roda. E o coração da ideia é tornar a empresa “queryable”: uma empresa onde toda ação importante gera artefatos que a IA consegue ler e aprender.

[embed]Diana Hu (Y Combinator), “How To Build A Company With AI From The Ground Up”, YC Startup School.

Repara como isso conecta com tudo que falamos. Esses artefatos são, no fundo, dados estruturados. É o JSON cru da operação, o registro do que aconteceu, em que ordem e com qual resultado.

Diana descreve duas formas de empresa. A de “loop aberto”, onde o trabalho é feito, entregue e esquecido, sem deixar rastro reaproveitável. E a de “loop fechado” (closed loop), que monitora continuamente os outputs, captura essa informação e devolve para a IA, de modo que os processos vão sendo otimizados sozinhos com o tempo.

A empresa de loop fechado captura cada processo importante num ciclo de feedback inteligente.

Empresas que tratam a IA como sistema operacional, e não como ferramenta avulsa, conseguem ganhos de produtividade de 10x a 10.000x, justamente por terem sido desenhadas como organizações queryable e de loop fechado. Times rodando assim cortaram o tempo de sprint pela metade entregando cerca de 10x mais.

A próxima onda de valor não está só no modelo que responde, está na infraestrutura que captura e reaproveita o contexto que os agentes geram.

Empresa queryable, loop fechado, aprendizado contínuo. E esse contexto, no nível mais fundamental, é JSON.

Exemplos de empresas do portfólio do YCombinator

• **Zep AI** resolve o problema de contexto de agentes montando a memória certa a partir do histórico de conversas, dados de negócio e comportamento do usuário, para que o agente seja personalizado, preciso e rápido.
• **Hyperspell** é uma camada de memória e contexto para agentes: conecta Gmail, Notion, Slack e arquivos existentes, identifica pessoas, projetos e fatos importantes, e entrega tudo isso ao agente para ele não começar do zero.
• **The Context Company** transforma as conversas brutas dos agentes em sinais estruturados, clusterização de temas, análise de feedback, alertas, para entender comportamento e onde o agente trava.
• **Unsiloed AI **converte dados não estruturados (PDFs, imagens) em JSON estruturado pronto para os agentes consumirem.

O que fazer com isso

Se você usa IA no dia a dia, comece a olhar por baixo do capô. Abra os logs, veja o JSON que o seu agente está produzindo, entenda o rastro que ele deixa. É ali que mora a auditabilidade.

Se você toma decisão dentro de uma empresa, a pergunta deixa de ser “qual modelo eu uso” e passa a ser “estou guardando o contexto que meus agentes geram, ou estou jogando esse ouro no lixo todo dia?”.

A IA que só responde já é commodity. A vantagem competitiva agora está em acumular contexto estruturado e fazer seus agentes aprenderem com ele. E essa conversa, literalmente, acontece em JSON.

Outras referências (em inglês):

• The Playbook For Building An AI Native Company — YC Startup Library
• Build AI-Native Companies with Closed-Loop Systems — StartupHub.ai
• Y Combinator’s 2025 Spring batch reveals the future of agentic AI

What goes wrong when enterprises try to operationalize AI (Deco CMS)

A ***deco.cx***, uma empresa brasileira e da qual já tive oportunidade de trocar experiências, publicou no final de 2025 um post sobre essa arquitetura AI Native: https://www.decocms.com/blog/post/ai-native-company

Sobre o autor: Dan Vitoriano é especialista em tecnologia, professor e consultor com foco em agentes de IA na DiferentIA, automatizando processos e capacitando equipes empresariais.