A DNP colocou o ChatGPT Enterprise diante de dez departamentos e tratou a janela de chat como interface

A janela de chat como a única interface que os colaboradores tiveram de aprender

A Dai Nippon Printing, fundada em 1876 e com mais de 37.000 colaboradores, decidiu adotar AI (manter a sigla em inglês) em toda a organização em abril de 2023, construiu um ambiente seguro até maio e lançou o ChatGPT Enterprise em dez departamentos centrais em fevereiro de 2025. O que se destaca nos resultados divulgados é a quantidade de trabalho que agora passa por uma única superfície conversacional, em vez de aplicações desenvolvidas à medida.

A empresa definiu metas comportamentais concretas: cada colaborador deveria usar o ChatGPT pelo menos 100 vezes por semana, e as equipas deveriam atingir mais de 50% de automação do tempo dedicado às tarefas. Em três meses, a DNP reporta uma taxa de utilização ativa semanal de 100% e que 90% dos casos de uso mostraram resultados mensuráveis. Independentemente das tarefas subjacentes, o frontend com que as pessoas interagiam era o mesmo: uma caixa de texto.

Quando a interface é conversacional, os não-programadores criam código

O exemplo mais claro está na divisão de investigação em tecnologia de produção da DNP, onde colaboradores sem experiência prévia em Python geraram e executaram código através do ChatGPT Enterprise para operar equipamento experimental, realizar medições e analisar dados de avaliação de materiais. A DNP afirma que trabalho que tradicionalmente demorava mais de um ano foi implementado em poucos dias, e que a estruturação de informação a partir de patentes em inglês e princípios de equipamento passou de vários meses para três dias.

Este é o significado prático de um frontend conversacional: a interface absorve a lacuna de competências. Em vez de disponibilizar uma ferramenta de análise de dados com interface própria, a DNP permitiu que os investigadores descrevessem a intenção em linguagem natural e recebessem código executável. A barreira que normalmente existe entre o conhecimento especializado e o software — saber programar — passou a residir na própria conversa.

GPTs personalizados como frontend partilhado para o conhecimento institucional

A DNP reporta uma taxa de reutilização de conhecimento de 70% através de GPTs personalizados, e um esforço de preservação de conhecimento liderado por Isaku Osawa que integra manuais em papel e registos históricos de qualidade numa base de conhecimento interna, acessível através desses GPTs personalizados. O tempo necessário para definir a arquitetura de dados foi reduzido em 90%, e a equipa duplicou o número de artigos técnicos que consegue analisar.

O nosso objetivo é transformar o conhecimento acumulado ao longo de gerações em trabalho digital.Montana Labs

A decisão de design aqui é que o frontend de pesquisa e o frontend de chat de uso geral são o mesmo produto. O conhecimento institucional não tem um portal próprio; passa a ser mais um GPT que fica ao lado dos que os colaboradores já usam diariamente. Essa taxa de reutilização sugere que é na superfície partilhada, e não no prompt individual, que o valor se acumula.

O trabalho de propriedade intelectual e conformidade mostra que a interface ainda termina numa pessoa

Na divisão de I&D em TIC, a equipa de Yohei Ishida automatizou a pesquisa, resumo e classificação de patentes, reduzindo o tempo de investigação em 95% e ampliando a cobertura dez vezes, enquanto os primeiros rascunhos de análise competitiva reduziram o tempo de preparação em 80%. Ishida sublinha que os registos dependiam antes do critério individual, com padrões que variavam de pessoa para pessoa; a interface partilhada tornou as decisões mais objetivas.

No lado da governação de TI, a equipa de Masahiro Kobayashi reduziu a comparação de auditorias de 30 minutos para 5, a seleção de conjuntos criptográficos de 3 horas para 1, e uma verificação inicial de cerca de 100 itens do CIS Benchmark de dois dias-pessoa para 10 minutos. Kobayashi é claro: o frontend entrega rascunhos, não decisões.

A verificação e as validações finais continuam a ser responsabilidade das pessoas.Montana Labs

A lição específica: padronizar a superfície, não o fluxo de trabalho

A adoção da DNP é notável porque não construiu dez ferramentas específicas por departamento. Deu a dez departamentos um único frontend conversacional e deixou que cada equipa construísse GPTs personalizados e casos de uso partilhados sobre essa base. Hiroyuki Otake descreve o mecanismo de forma direta — a utilização foi tornada visível, as equipas experimentaram, partilharam aprendizagens e iteraram — e foi assim que uma única interface gerou, a partir do mesmo ponto de partida, fluxos de trabalho de patentes, análise em Python e digitalização de conhecimento.

Para equipas que estão a avaliar como implementar AI (manter a sigla em inglês) generativa internamente, a conclusão da DNP é concreta: a vantagem veio de padronizar o ponto de entrada e deixar que os fluxos de trabalho se formassem a partir daí, em vez de encomendar frontends personalizados para cada caso de uso. A superfície de chat era uniforme; o valor estava no que os colaboradores, incluindo os não-programadores, construíram através dela.