Merge desenvolve fluxos de trabalho de produto e negócios em torno das ferramentas da OpenAI

A Merge utiliza tecnologia da OpenAI no desenvolvimento de software e nas operações comerciais, segundo um estudo de caso publicado pela OpenAI. A empresa afirma que suas equipes usam GPT-6 Astra, ChatGPT e Codex para revisar o código do produto, apoiar o marketing, preparar atualizações de vendas e organizar jantares para executivos.

O relato oferece um retrato de como uma empresa de software está aplicando vários produtos da OpenAI para além de um único fluxo de trabalho com chatbot. Ele também mostra os limites das evidências disponíveis: o material publicado pela OpenAI é a fonte principal, enquanto o item correspondente do Google News não oferece reportagem adicional nem verificação independente.

Para que a Merge usa a OpenAI

O OpenAI News identifica três ferramentas no fluxo de trabalho interno da Merge: GPT-6 Astra, ChatGPT e Codex. A empresa supostamente as utiliza em tarefas técnicas e comerciais, em vez de restringir a IA à engenharia.

O uso mais direto no desenvolvimento de produtos é a revisão de código. A OpenAI afirma que a Merge usa GPT-6 Astra e Codex para revisar o código do produto. Isso sugere um processo de engenharia assistido por IA, no qual os modelos ajudam a examinar alterações antes de serem integradas, embora a fonte disponível não especifique se as ferramentas aprovam código, sinalizam possíveis falhas, geram testes ou simplesmente oferecem sugestões aos desenvolvedores.

A Merge também usa ferramentas da OpenAI para apoiar o marketing, segundo o estudo de caso. A fonte não identifica as campanhas, os formatos de conteúdo nem o processo de revisão envolvido. Isso dificulta avaliar quanto do trabalho é automatizado e quanto é acelerado por equipes humanas.

No lado empresarial, a OpenAI afirma que a Merge usa IA para preparar atualizações de vendas e planejar jantares para executivos. Esses exemplos colocam a tecnologia em tarefas rotineiras de coordenação e comunicação, nas quais o valor pode vir da organização de informações e da produção de primeiros rascunhos, e não da tomada de decisões finais.

Uma implementação com várias ferramentas, não um único caso de uso

O padrão relatado é relevante porque conecta engenharia, marketing, vendas e suporte executivo em uma única empresa. Para as equipes de produto, a fonte associa o Codex à revisão de código. Para tarefas mais amplas no ambiente de trabalho, ChatGPT e GPT-6 Astra são apresentados como parte do conjunto de ferramentas operacionais da Merge.

Essa divisão não deve ser tratada como uma arquitetura formal. O resumo da OpenAI não explica qual modelo executa cada tarefa em todos os fluxos, como os funcionários transferem o trabalho entre os produtos ou se a Merge criou integrações internas em torno deles. Também não informa o tamanho das equipes envolvidas, o volume de trabalho processado ou a quantidade de tempo economizada.

Ainda assim, os exemplos apontam para uma escolha importante de implementação. A Merge parece estar avaliando a IA como uma capacidade compartilhada entre departamentos, e não como um experimento isolado de engenharia. Isso pode reduzir o número de ferramentas separadas que os funcionários precisam aprender, mas também levanta questões sobre permissões, tratamento de dados e padrões consistentes de revisão para tipos de trabalho muito diferentes.

O que as evidências mostram — e o que não mostram

As afirmações específicas sobre produtos e adoção vêm do estudo de caso oficial da Merge publicado pela OpenAI. Como relato publicado por um fornecedor, ele deve ser lido como uma descrição do uso por um cliente, e não como validação independente. A fonte confirma que a OpenAI descreve esses fluxos de trabalho, mas não fornece resultados de produtividade auditados, taxas de erro, resultados para clientes ou comparação com os processos anteriores da Merge.

A menção a GPT-6 Astra também é significativa, mas difícil de avaliar com base no material fornecido. O resumo disponível da OpenAI não apresenta especificações técnicas, informações de preço, detalhes da janela de contexto ou resultados de benchmarks. Sem esses dados, o relatório não pode estabelecer se o modelo é materialmente melhor para o trabalho da Merge do que outros sistemas disponíveis.

Da mesma forma, a fonte não diz se o código gerado por IA introduziu defeitos, se revisores humanos continuam sendo obrigatórios ou como a Merge protege informações proprietárias de produtos. Essas omissões são importantes porque a revisão de código e a preparação de vendas envolvem riscos diferentes. Uma sugestão de código incorreta pode afetar a confiabilidade, enquanto uma atualização de vendas imprecisa pode distorcer o planejamento interno ou a comunicação com clientes.

Implicações para desenvolvedores e compradores empresariais

Para os desenvolvedores, a abordagem relatada da Merge destaca um ponto de partida prático: associar ferramentas de IA a fluxos de trabalho recorrentes, em vez de implementar um modelo sem uma função definida. Revisão de código, assistência de marketing e relatórios de vendas têm entradas, saídas e requisitos de aprovação diferentes. Tratá-los separadamente pode facilitar a medição da qualidade e a atribuição de responsabilidades.

O exemplo também reforça a necessidade de pontos de controle humanos. A fonte descreve a IA ajudando com código de produto e materiais comerciais, mas não afirma que a Merge tenha retirado as pessoas desses processos. Na maioria dos ambientes empresariais, a questão central de implementação não é se um modelo consegue produzir uma resposta, mas quem a verifica antes que ela afete software, clientes ou executivos.

Para compradores empresariais, o estudo de caso oferece evidências de amplitude, e não uma prova de retorno sobre o investimento. Uma empresa que esteja considerando ChatGPT, Codex ou outro modelo ainda precisaria testar o desempenho em seus próprios repositórios, padrões de marketing e dados de vendas. Também precisaria de controles claros para acesso, retenção, informações confidenciais e auditabilidade.

O padrão entre departamentos pode, ainda assim, ser comercialmente relevante para a OpenAI. Se os clientes usarem os produtos da empresa em tarefas técnicas e administrativas, a OpenAI poderá disputar uma parcela maior dos orçamentos de software de trabalho. Mas essa oportunidade depende de demonstrar resultados confiáveis em cada fluxo, e não apenas de mostrar que um modelo pode ser usado em muitos lugares.

O que observar a seguir

O próximo sinal útil seria mais detalhes da Merge ou da OpenAI sobre resultados mensuráveis. Isso poderia incluir mudanças no tempo de revisão de código, no número de problemas identificados, no volume de produção de marketing ou no tempo necessário para preparar atualizações de vendas.

Os leitores também devem observar informações sobre controles de implementação. Detalhes sobre acesso a repositórios, requisitos de aprovação, monitoramento de modelos e tratamento de informações confidenciais de vendas ou executivos ajudariam a esclarecer se esses usos são experimentais ou estão incorporados às operações diárias.

Por fim, outros relatos de clientes poderiam mostrar se a abordagem da Merge é incomum ou parte de uma mudança mais ampla em direção a plataformas de IA compartilhadas. Reportagens independentes, e não apenas estudos de caso de fornecedores, seriam especialmente valiosas para avaliar a confiabilidade e o impacto real nos negócios.

Perspectiva da Creati.ai

O exemplo da Merge é menos uma prova de automação dramática e mais uma ilustração útil de como a IA está se tornando uma camada nos fluxos de trabalho cotidianos das empresas. Os usos relatados são variados, mas as evidências não demonstram que qualquer um deles tenha produzido ganhos quantificados.

A lição prática para desenvolvedores e compradores de IA é avaliar cada fluxo de trabalho segundo seus próprios critérios. A revisão de código exige precisão técnica e controles fortes; marketing e vendas exigem consistência factual e disciplina de aprovação. O relato da OpenAI mostra onde as ferramentas estão sendo usadas, mas as questões mais difíceis — qualidade, governança e valor mensurável — continuam em aberto.