Anthropic has a $100 million plan to help enterprises get more from AI. No, it doesn’t involve agents. It involves people. Lots of people. How retro. On October 2, the company announced Claude Frontier Academy, with a goal of training 10,000 frontier deployed engineers by the end of 2027.
Anthropic has a $100 million plan to help enterprises get more from AI. No, it doesn’t involve agents. It involves people. Lots of people. How retro. On October 2, the company announced Claude Frontier Academy, with a goal of training 10,000 frontier deployed engineers by the end of 2027.
For a business selling increasingly capable models, it’s telling that Anthropic recognizes some of the thorniest problems in AI don’t involve AI at all. This, to me, is indicative of real progress, because the heart of any technological shift is always people.
Which people? Well, that’s where this idea becomes particularly interesting. As critical as developers are to the success of AI in any particular organization, we need those developers working alongside the people who understand the business, with authority to turn that understanding into systems that other employees can use. That’s the key to AI success.
It has always been thus, however much we try to pretend that this time it’s different. Back in 2013, I quoted Gartner analyst Svetlana Sicular discoursing on the rise of big data technologies like Hadoop: “Organizations already have people who know their own data better than mystical data scientists.” She continued, “Learning Hadoop is easier than learning the company’s business.” Data becomes useful when paired with industry expertise—from experts who understand which data actually matters.
This topic is perpetually relevant. I covered the argument in 2023 and again in 2025. We’ve always needed people who can translate business requirements into software.
AI expands the kinds of knowledge that software can work with. Language models extend that work to material that often sat outside our applications: research notes, meeting transcripts, internal debates, and explanations of why a decision was made. An employee can ask questions across that material without someone first designing a report for every possible question. That opens up useful work that would have been difficult or expensive to automate before.
In context
- Topic: Inteligencia Artificial — IA aplicada al negocio: casos, límites, costos y gobierno.
- Source: InfoWorld
- Published: 20/10/2026
Continue reading at the original source →
Excerpt published automatically by the site radar. The full text belongs to its publisher and is linked above.
Por que importa
A conversa sobre inteligência artificial ficou barulhenta, e isso dificulta enxergar o que importa. O que importa quase nunca é o modelo: é qual processo concreto fica mais barato, mais rápido ou mais confiável, e quem responde quando a resposta sai errada.
O que olho primeiro não é a capacidade do modelo, e sim o dado que o alimenta. Quase todos os projetos que vi fracassar não fracassaram pelo algoritmo: fracassaram porque o dado estava em três sistemas com três definições diferentes e ninguém quis ser quem arrumaria isso.
O que costuma dar errado
O ponto em que costuma quebrar é a passagem para a operação. A equipe que fez o piloto sabe interpretar os resultados; a que recebe, não. Sem capacitação e sem critérios escritos, as pessoas passam a aceitar tudo o que o modelo diz ou a ignorá-lo por completo, e as duas coisas custam igual.
O que observar
- Se a organização pode trocar de fornecedor sem refazer tudo, que é a prova de que não ficou amarrada.
- Qual processo concreto é tocado e como se mede antes e depois; sem linha de base não há resultado, há opinião.
- Quem revisa as saídas do modelo e com que frequência — o ponto em que a IA se torna auditável.
Como leio esta publicação
Eu usaria isto para uma conversa de talento mais do que de compra. A capacidade que precisa ser instalada não é operar uma ferramenta, que muda a cada seis meses, e sim formular bem o problema e avaliar a resposta. Essa fica em casa.
A notícia original está publicada em outro idioma; o trecho é citado como o veículo o entrega e o comentário é escrito em português.
Comentários
Ainda não há comentários. O primeiro pode ser o seu.
Está vivendo isso na sua equipe?
Abra o chat e me conte como estão lidando com isso. Tenho interesse em comparar notas.
