A HiBob prototipa recursos para clientes dentro do ChatGPT antes de lançá-los via API

O funil de 2.500 para 200 é o número que importa

O número de destaque que a OpenAI divulga é que mais de 90% dos funcionários da HiBob usam ativamente o ChatGPT Enterprise. O número mais revelador está escondido embaixo: mais de 2.500 GPTs experimentais criados, dos quais 200 foram implantados com sucesso em fluxos de trabalho internos.

Isso é uma taxa de sobrevivência de aproximadamente 1 em 12. A HiBob apresenta isso de forma positiva, e com razão — o funil sugere que a maioria dos GPTs é barata de criar e barata de abandonar. O criador de GPTs personalizados está sendo usado como uma superfície de prototipagem descartável, não como ambiente de produção.

Para quem está lançando recursos de IA, essa proporção é a parte interessante. Ela mostra que a interface em que as pessoas constroem não é a interface em que a maioria das construções deve sobreviver. O GPT é uma sonda.

Onde o frontend realmente vive em cada etapa

O ciclo da HiBob tem dois frontends distintos. Internamente, os funcionários interagem pela interface de GPT do ChatGPT Enterprise — o GPT de Preparação de Reuniões, que puxa dados de CRM e transcrições, o GPT de Upsell, que lê padrões de uso, o Assistente de SEO, que acessa APIs de analytics web. São superfícies conversacionais que ficam sobre sistemas internos.

Externamente, a fonte diz que a HiBob pega soluções construídas e testadas no ChatGPT Enterprise e as implementa com a API da OpenAI para entregar recursos dentro da plataforma Bob. A experiência conversacional voltada ao cliente — líderes de RH consultando seus dados e chegando a decisões em minutos — roda no GPT-4o via API, não em um GPT compartilhado.

Ou seja, a mesma ideia é construída duas vezes: primeiro como um GPT interno para validar se a interação é útil, e depois como uma superfície de produto própria, uma vez comprovado o valor. O padrão conversacional é portável, mesmo quando a camada de hospedagem não é.

O processo de cinco etapas trata uma interface de chat como um produto lançado

O time de AI Mind da HiBob deu estrutura à confusão da prototipagem: ideia e prova de conceito, construção, adoção e capacitação, manutenção e escala. Vale notar que a etapa de adoção exige documentação, treinamento e um responsável nomeado para cada GPT. A etapa de manutenção adiciona ciclos de feedback.

É essa disciplina que separa uma demonstração de uma interface durável. Um GPT com um responsável e um ciclo de manutenção consegue absorver o desgaste que mata a maioria das ferramentas internas de IA — atualizações de modelo, prompts que perdem precisão, sistemas de origem que mudam. Os 200 que sobreviveram são os que passaram por esse tratamento.

"Nosso foco é permitir que as pessoas façam mais com mais. Cada agente tem uma função, assim como cada funcionário tem. É isso que torna o sistema sustentável." —Ori Simantov, Líder de Adoção e Insights de IA, HiBobMontana Labs

O diretório interno pesquisável para reaproveitamento é o detalhe de frontend que faz isso escalar. Uma vez que um agente funciona, seu padrão de interface se torna um modelo que outros adaptam em vez de reconstruir do zero.

O que o ciclo de adoção para produto sugere para times de produto

A lição específica aqui é que a HiBob eliminou a distância entre ferramentas internas e roteiro de produto. Funcionários usando um GPT interno estão, na prática, fazendo testes de usabilidade num recurso que a empresa pode vender depois. Quem sente a dor projeta a solução, e as soluções bem-sucedidas se transformam em recursos para clientes.

Para times de frontend e produto, isso sugere tratar o criador de GPTs menos como uma novidade e mais como um ambiente de staging rápido e barato para interações conversacionais — com a expectativa explícita de que a maioria será descartada e os sobreviventes serão reconstruídos na API para a superfície real do produto.

O risco que a HiBob não aborda é a fidelidade: uma interação que funciona dentro do chat polido do ChatGPT Enterprise pode se comportar de forma diferente ao ser reimplementada na própria interface da Bob, no GPT-4o. O prototipo valida a ideia, não a experiência de produção. É nessa lacuna que a segunda etapa de engenharia mostra seu valor.