Historicamente, é conhecido que existe um distanciamento considerável entre as descobertas feitas na academia e a implementação de soluções comerciais viáveis. O método da Design Science Research (DSR) resolve esse impasse ao focar na criação de artefatos práticos que resolvem problemas reais, em vez de “apenas” observar e explicar fenômenos existentes. Consequentemente, profissionais de tecnologia e pesquisadores utilizam este método para garantir que a ciência de ponta não fique restrita aos laboratórios. Ao priorizar a utilidade e a eficácia, a DSR transforma o conhecimento científico em ferramentas escaláveis e produtos disruptivos, fortalecendo a colaboração entre a academia e o mercado global de inovação.

O conceito de Design Science e o paradigma da Design Science Research

A Design Science não busca apenas descrever a realidade, mas sim transformá-la através da criação de soluções inovadoras. Enquanto a ciência tradicional foca em entender “o que”, este método investiga “o como” criar/melhorar sistemas complexos. Portanto, o pesquisador atua como um arquiteto que projeta artefatos para atingir objetivos específicos em um contexto organizacional. Em paralelo, a Design Science Research representa a formalização metodológica desse processo de criação dentro do ambiente científico. Ela estabelece que o conhecimento é gerado através do design e da avaliação de artefatos, como algoritmos, modelos e frameworks. Dessa forma, o método exige que a solução seja fundamentada em teorias sólidas, garantindo rigor técnico em cada etapa do desenvolvimento.

Profissionais de tecnologia valorizam essa abordagem porque ela oferece uma estrutura clara para a resolução de problemas complexos. Em vez de tentativas e erros aleatórios, as equipes utilizam ciclos iterativos de construção e avaliação. Ademais, a DSR permite que as empresas documentem o processo de inovação de maneira que a ciência possa validar os resultados obtidos. A aplicação da DSR no mercado moderno de software permite que o conhecimento técnico seja transferível e reutilizável. O foco permanece na utilidade, garantindo que o investimento em pesquisa retorne em forma de valor tangível para o negócio.

O gap entre a academia e o mercado

Mesmo com o aumento do investimento privado em pesquisa, o distanciamento entre a academia e o mercado ainda é um obstáculo significativo. Muitas vezes, as publicações acadêmicas focam em métricas que não traduzem diretamente a viabilidade comercial de um produto. Muito menos o objetivo de faturar alto com o resultado, coisa que o mercado prioriza em seus investimentos. Simultaneamente, o mercado prioriza a velocidade de entrega, negligenciando o rigor metodológico que previne falhas estruturais em longo prazo. É o trade-off de colocar um produto no ar antes da concorrência.

A falta de uma linguagem comum entre esses dois mundos dificulta a transferência de tecnologia eficiente. Enquanto os acadêmicos buscam a verdade teórica, os engenheiros de software buscam a eficácia operacional. Consequentemente, muitas inovações de ponta acabam engavetadas em bibliotecas digitais sem nunca chegar ao usuário final… ou às vezes, demora anos até a indústria tomar conhecimento daquela descoberta da academia. Institutos de pesquisa patrocinados por grandes empresas tentam mitigar esse problema, mas a cultura organizacional frequentemente entra em conflito. A pressão por resultados trimestrais pode abafar pesquisas exploratórias que requerem mais tempo para maturação. Entretanto, sem essa base científica, as empresas correm o risco de construir soluções superficiais que não escalam ou não resolvem o problema raiz.

Nesse contexto, a Design Science Research atua como uma ponte estratégica entre esses dois polos distintos. Ela permite que os pesquisadores foquem na relevância prática sem sacrificar o rigor científico necessário para a validação. Assim, o método cria um ambiente onde a teoria alimenta a prática e a prática valida a teoria de forma contínua.

DSR como motor de aproximação destes mundos

O uso da DSR como método de aproximar a ciência do mercado é eficaz devido ao seu foco em construir artefatos. E neste contexto, um artefato pode ser tanto uma nova arquitetura de rede neural ou uma melhora no protocolo de segurança para transações digitais. Como o resultado final é algo palpável, concreto e funcional, o mercado consegue absorver a inovação de maneira muito mais natural e rápida. A DSR estrutura a pesquisa em ciclos de relevância, rigor e design, o que alinha as expectativas de ambos os lados.

O ciclo de relevância conecta o ambiente de negócios aos objetivos da pesquisa, definindo o que realmente importa resolver. Já o ciclo de rigor conecta a pesquisa à base de conhecimento científico existente, garantindo a fundamentação. Além disso, o ciclo de design realiza o trabalho central de construir e avaliar a solução proposta repetidamente. Este processo iterativo assemelha-se às metodologias ágeis utilizadas no desenvolvimento de software moderno, facilitando a integração cultural. Assim, a ciência deixa de ser um processo isolado e passa a fazer parte do fluxo de trabalho tecnológico.

A adoção deste método permite que empresas transformem desafios operacionais em oportunidades de pesquisa científica de alto nível. Quando uma organização resolve um problema via DSR, ela não apenas soluciona uma dor interna, mas também contribui para o avanço da área com base em evidências sólidas, reduzindo os riscos de implementação em larga escala.

O impacto real da DSR

A importância da Design Science Research para o futuro da tecnologia é indiscutível, especialmente em um mundo movido por dados. Para desenvolvedores, o método oferece uma forma de validar suas inovações além do simples “funciona na minha máquina”. Ele fornece uma base de credibilidade que é essencial para atrair investimentos e escalar soluções em mercados competitivos.

Para a sociedade, o impacto reflete-se na entrega de tecnologias mais confiáveis, éticas e centradas no ser humano. Quando a ciência e o mercado colaboram através da DSR, os produtos resultantes tendem a ser mais robustos contra falhas. Além disso, essa aproximação acelera a democratização de tecnologias de ponta, que antes demorariam décadas para sair das universidades.

No mercado de trabalho, a demanda por profissionais que compreendam o rigor científico crescerá exponencialmente nos próximos anos, além do que já vem sendo percebido nestes últimos tempos. Profissionais que dominam a DSR tornam-se tradutores valiosos entre o laboratório de P&D e a linha de produção de software. Assim, a tendência indica que a fronteira entre pesquisador e desenvolvedor ficará cada vez mais tênue e integrada.

E como fazer?

A Design Science Research como método de aproximar a ciência do mercado prova que a inovação tecnológica não precisa ser um processo desordenado ou puramente acadêmico… Ao estabelecer um ciclo de feedback constante entre a criação de artefatos e a validação científica, as organizações conseguem superar o abismo que separa a teoria da execução prática. O problema de negócio central aqui é a ineficiência na conversão de descobertas científicas em lucro e valor social, algo que a DSR mitiga diretamente através do seu rigor metodológico. Empresas que ignoram essa integração arriscam-se a investir em soluções obsoletas ou cientificamente frágeis.

Para encerrar, posso dizer que a adoção da Design Science Research não é apenas uma escolha acadêmica, mas uma decisão estratégica para garantir a sobrevivência e a relevância em um mercado cada vez mais dependente de ciência de alta performance e precisão técnica absoluta.

Se quiser aprofundar nesse assunto, o livro “Design Science Research: Método de Pesquisa para Avanço da Ciência e Tecnologia” te dará uma boa base de como este método pode ser útil em unir a pesquisa com a entrega!

Bons estudos!

Imagem de capa criada com Google Nano Banana, usando o prompt: Usando estilo foto realista, resolução 4k de Retrato Suave, crie um cientista de jaleco trabalhando em um escritório de uma BigTech. Inclua outras pessoas desfocadas ao fundo, algumas de jaleco e outras de jeans e camiseta. As pessoas trabalham juntas desenvolvendo produtos. Garanta que a imagem reflita o processo de união entre a Academia e a Industria Profissional.

O post Design Science Research: Unindo ciência e mercado para inovação em tecnologia apareceu primeiro em Diego Nogare.

Essa hesitação artística, fundamentada no temor de desvalorização do trabalho autoral, contrasta com a cultura de eficiência técnica que domina o mundo corporativo. Enquanto o desenvolvedor enxerga os algoritmos de GenAI como uma evolução natural da engenharia, o artista teme que a máquina apague a “alma” da obra e comprometa sua credibilidade profissional.

A hesitação artística e a crise da autoria

Atualmente, muitos artistas e escritores enfrentam um dilema ético e profissional sobre a revelação do uso de ferramentas de IA em seus processos. Conforme aponta o portal The Conversation, com a matéria: “Artists and writers are often hesitant to disclose they’ve collaborated with AI – and those fears may be justified“, essa hesitação não é infundada, pois o público tende a valorizar menos obras que não parecem puramente humanas.

De fato, a percepção de esforço é um componente central na precificação e no prestígio de uma obra de arte ou texto literário. Quando um leitor descobre que um parágrafo ou ilustração foi refinado por um algoritmo, a conexão emocional com o autor pode sofrer um abalo significativo. Por outro lado, se utilizar ferramental de IA e não avisar o leitor, pode criar um distanciamento e um sentimento de enganação, como escrevi neste artigo para o Real-World AI Systems intitulado “Interpersonal Trust in the Era of Scientific Communication with Artificial Intelligence – An Essay“.

Consequentemente, muitos criadores optam pelo silêncio para proteger sua reputação e garantir que sua técnica individual permaneça como o foco principal. Esse comportamento reflete um medo sistêmico de que a tecnologia substitua a genialidade por uma eficiência fria e processual. Além disso, existe uma pressão social considerável dentro das comunidades criativas contra o uso de modelos treinados em bases de dados protegidas por direitos autorais. Por isso, a revelação do uso de IA pode acarretar não apenas críticas estéticas, mas também retaliações éticas severas de colegas e consumidores.

O desenvolvedor como artesão do software

Por outro lado, o universo do desenvolvimento de software abraçou os assistentes de código, como o Copilot da Microsoft ou o Claude da Anthropic, com um entusiasmo quase pragmático e transparente. Para o programador, o código é uma ferramenta funcional que visa resolver problemas complexos com o menor custo de tempo possível. É comum, inclusive, encontrar desenvolvedores de software que investem horas de trabalho intelectual para automatizar uma tarefa que é executada de forma manual em segundos.

É pelo prazer de desenvolver, de criar, se de desafiar! Nesse contexto, o desenvolvedor também se vê como um artesão que produz material autoral de alta complexidade técnica e lógica todos os dias. No entanto, ele não sente que sua identidade profissional está ameaçada quando um modelo de linguagem sugere uma função ou corrige um erro. Pelo contrário, o uso de IA no desenvolvimento é frequentemente visto como um selo de modernidade e domínio das melhores ferramentas disponíveis no mercado.

Assim, o desenvolvedor compartilha abertamente seus prompts e fluxos de trabalho otimizados em fóruns como Stackoverflow e repositórios públicos do Github sem qualquer receio de julgamento. O uso de algoritmos de GenAI para desenvolvimento de software criou, inclusive, um processo mais democrático para que outras pessoas pudessem começar a desenvolver software de forma conversacional. Esta técnica é conhecida como Vibe Coding, e isso trás, por consequência, riscos para os usuários e empresas que devem tomar cuidado para levar seus produtos para produção.

O conflito da omissão vs. o julgamento

A questão de não declarar o uso de IA na produção de material autoral levanta debates éticos em diversas áreas do conhecimento. A omissão do uso de algoritmos cria uma falsa percepção de capacidade humana isolada. Quando um autor omite a participação da máquina, ele está, de certa forma, manipulando a expectativa de originalidade do seu público-alvo. Todavia, essa prática de ocultação é alimentada por um mercado que ainda não sabe como recompensar a curadoria humana sobre o conteúdo gerado por IA. Se a sociedade punir a transparência, a tendência natural será o aumento do conteúdo “sintético camuflado”, o que prejudica a confiança mútua. O processo de delegar o pensamento crítico para a IA não é saudável, mas usar a IA como ferramenta, pode melhorar o seu trabalho.

Existem muitas iniciativas para potencializar o uso da IA de forma responsável nas empresas, é “só” questão de procurar que você encontra cursos e publicações ensinando como utilizar IA em seu cotidiano de forma responsável.

Portanto, o desafio reside em encontrar um equilíbrio onde o criador possa admitir a assistência tecnológica sem perder o valor de sua visão artística. A honestidade intelectual deveria ser o pilar, mas o medo da rejeição comercial fala mais alto para muitos produtores de conteúdo.

O caso da Natalia Beauty e a nova fronteira da transparência

Recentemente, a influenciadora e empresária Natalia Beauty chamou a atenção ao declarar abertamente que utiliza inteligência artificial para escrever seus artigos. Essa abordagem direta rompe com o padrão de sigilo adotado por muitas personalidades da mídia e do mercado editorial contemporâneo. Ao publicar que faz uso dessas ferramentas, ela traz para o debate público uma postura de vulnerabilidade e transparência que poucos artistas ousam demonstrar. Natalia não esconde o “motor” por trás de suas palavras, desafiando a percepção de que a IA invalida a mensagem.

Essa movimentação sugere que, talvez, estejamos caminhando para uma era onde a curadoria será mais importante do que a digitação manual de cada caractere. No entanto, a recepção de tal honestidade ainda é mista e depende muito do nicho em que o profissional está inserido. Certamente, o gesto provoca uma reflexão sobre até que ponto o público está disposto a aceitar a máquina como uma extensão legítima do pensamento.

Ai fica a dúvida, se uma empresária ou desenvolvedor de software pode admitir o uso de IA, por que o romancista ou o pintor ainda sentem medo?

Para reflexão

A divergência entre artistas e desenvolvedores revela uma tensão fundamental sobre o conceito de “valor” na economia da atenção e da criação intelectual. Para o mercado de tecnologia, o valor é utilitário; para o mercado das artes, o valor é intrinsecamente ligado à experiência e ao sacrifício humano. E veja que não entrei na discussão de juízo de valor sobre a arte em si, não vem ao caso desta discussão se é um quadro branco com um jato de tinta jogado, ou se é uma escultura feita a partir de um único monólito de mármore branco Carrara. A discussão é sobre uso de ferramentas, no caso, as ferramentas de Inteligência Artificial.

Esta discussão ampla mostra que a IA não está apenas mudando como produzimos, mas como definimos a própria identidade do trabalhador que cria. Desenvolvedores que usam IA ganham velocidade e são promovidos por isso, enquanto artistas que usam IA podem ser cancelados ou ter suas obras desvalorizadas em leilões e galerias. Essa assimetria cria um ambiente onde a inovação é punida em certos setores e recompensada em outros, o que pode atrasar a adoção de fluxos de trabalho mais eficientes na economia criativa global.

Essa discussão me leva a pensar e questionar se o problema reside na ferramenta ou na nossa percepção de autenticidade. Se o resultado final atende às expectativas e resolve o problema proposto, a origem da “faísca” criativa deveria ser um fator determinante de qualidade?

Foto de capa criada com o Google Nano Banana, com o prompt: Hyper-realistic 8k studio photography, cinematic lighting. A split-focus composition featuring a modern software developer at a sleek workstation, coding on a high-resolution monitor with visible syntax-highlighted code. Emerging from the workspace, advanced robotic mechanical arms are precision-carving a masterpiece from a large, solid block of white Carrara marble. The sculpture is an impressionist figure with visible, textured “chisel marks” that mimic painterly brushstrokes. High contrast between the glowing blue light of the monitors and the warm, dramatic studio spotlights hitting the marble dust in the air. Deep shadows, sharp focus on the textures of the marble grain and the metallic finish of the robot arms. Professional editorial aesthetic.

O post O contraste no uso de IA entre Artistas e Desenvolvedores apareceu primeiro em Diego Nogare.

Listei alguns destes acontecimentos que demonstram que o mercado não aguarda nossa brincadeira nacional de começar o ano só depois do carnaval. Principalmente agora que a velocidade e competitividade dependem de atualizações semanais… Nós, que vivemos de tecnologia, poderíamos acompanhar a integração da IA física e dos novos agentes autônomos que já operam em escala global. Podemos observar que os lançamentos de 2026 já estão com maturidade plena antes mesmo da Gaviões da Fiel entrar no Anhembi…

A guerra dos modelos

A OpenAI iniciou o ano com uma limpeza em seu portfólio de modelos. No dia 13 de fevereiro, a empresa aposentou a família do GPT-4o para focar totalmente na série GPT-5.2. Consequentemente, a maioria dos usuários migrou para sistemas com personalidade mais natural e respostas rápidas. Além disso, o lançamento do GPT-5.3-Codex em 5 de fevereiro trouxe um novo patamar para a codificação autônoma. Este modelo funciona como um agente que executa tarefas complexas de ponta a ponta sem supervisão constante.

Do outro lado, a Anthropic garantiu US$ 30 bilhões em uma rodada de financiamento histórica no dia 12 de fevereiro. Além disso, também fez o lançamento do Claude Opus 4.6 em 05 de fevereiro, que superou o GPT-5.2 em diversos benchmarks profissionais. Ontem, dia 17 de fevereiro, eles anunciaram o Claude Sonnet 4.6 com capacidades de uso de computador aprimoradas.

A guerra destes modelos foi agitada no começo do ano…

Assistentes pessoais e inteligência para dispositivos

O Google transformou o navegador Chrome em uma ferramenta inteligente em 14 de janeiro. A funcionalidade Personal Intelligence agora conecta o Gemini diretamente aos aplicativos do ecossistema Google. Dessa forma, a IA entende o contexto pessoal do usuário para ser um assistente inteligente, e contextualizado, que pode ajudar a planejar viagens e organizar projetos. Além disso, um dia antes, em 13 de janeiro, a Google lançou o Veo 3.1 para criação de vídeos expressivos a partir de imagens de referência.

Outro marco importante ocorreu no universo mobile com a confirmação da parceria entre Apple e Google em 4 de fevereiro. A Siri recebeu uma atualização baseada no Gemini, iniciando sua fase beta de testes.  Assim, a assistente da Apple, agora compreende o conteúdo da tela e executa tarefas entre diferentes aplicativos. Não falo de futurologia, mas olhando nesse sentido, a integração de IA Generativa nos sistemas operacionais parece promissor para o mercado em 2026.

E não para por ai…

A Meta projeta um investimento absurdo de até US$ 135 bilhões em infraestrutura de IA para 2026. Falando em infra para IA, a USP inaugurou em 11 de fevereiro, o maior cluster para IA da América Latina, com 96 GPUs Blackwell B200. A Microsoft anunciou em 29 de janeiro que adicionou mais 227 novas ofertas de IA e ML no Marketplace do Azure. A Amazon facilitou o processo de “serving de modelos” ao anunciar, em 16 de fevereiro, o suporte do Amazon SageMaker Inference para modelos personalizados da família Amazon Nova, e o grande diferencial é a flexibilidade do SageMaker Multi-Model Endpoints e o escalonamento automático.

Feliz ano novo!

Esse tanto de lançamento e investimento no início de 2026 confirma que o ritmo da inovação tecnológica ignora fronteiras culturais ou calendários festivos. Gigantes globais, startups locais e universidades já fizeram seu caminho para um ano de crescimento antes mesmo de anunciarem a vitória da Mocidade Alegre. Não posso deixar de destacar, mesmo que em um contexto pessoal, que “antes de começar o ano” defendi minha Tese de Doutorado.

É claro que é uma brincadeira que o ano começa só depois do carnaval, mas mesmo assim… Feliz ano novo!

A imagem de capa foi criada com o Google Nano Banana 3, com o prompt: Ultra-realistic studio photography of a high-end, modern developer workstation in Brazil. In the foreground, a professional desk calendar clearly displays ‘February 2026’. The dates for Carnival (February 14-17) are not empty; they are filled with handwritten professional notes like ‘GPT-5.3 Deployment’, ‘AWS Bedrock Integration’, and ‘Azure Agentic Scaling’. On the side of the desk, a colorful and ornate Brazilian Carnival mask is pushed away, partially covered by a technical AI research paper titled ‘Neural Networks & Autonomous Agents 2026’. In the background, 4K monitors glow with complex Python code, 3D neural network visualizations, and real-time data dashboards showing ‘Meta Andromeda System’ metrics. Cinematic studio lighting with a ‘tech-blue’ and ‘cool-white’ color palette, shallow depth of field focusing on the calendar, 8k resolution, highly detailed textures of the paper and electronic components

O post E o ano só começa depois do carnaval apareceu primeiro em Diego Nogare.

O texto aborda a mudança de narrativa que deixa de lado o medo da substituição total para focar na colaboração entre humano e máquina com sinergia. A tecnologia, quando despida do “hype” excessivo, revela-se não como um substituto autônomo, mas como um exoesqueleto cognitivo para profissionais qualificados. Fiz a minha análise de como o conceito de “Centauro” (a união da intuição humana com o processamento de máquina) define o novo padrão de produtividade. Além disso,devido ao foco nos aspectos técnico e operacional desta análise, não abordei questões relativas a Direitos Autorais ou dinâmicas macroeconômicas de Inflação e Deflação de Bolha da IA, áreas que fogem ao meu domínio de conhecimento. O foco desta análise é direto: Como a IA serve ao humano, e não o contrário.

O conceito de centauro

A metáfora do Centauro, originada no xadrez, descreve a combinação de um jogador humano que utiliza algoritmos computacionais para melhorar suas análises e jogadas. Essa união supera tanto a máquina isolada quanto o humano sozinho.

No entanto, a indústria de tecnologia passou os últimos anos vendendo a ilusão de uma automação completa. Agora observamos um retorno à realidade. A verdadeira eficácia da Inteligência Artificial reside na sua capacidade de atuar como uma ferramenta de suporte robusta, dinâmica e muito rápida. Os profissionais que dominam essa dinâmica não competem com a máquina, eles a utilizam para elevar seu próprio patamar de entrega.

O artigo do The Guardian toca no conceito de “Centauro Reverso”, onde humanos realizam tarefas repetitivas para mascarar falhas da IA. E não é para isso que servimos!

O benefício da IA para a nossa espécie deve estar no Centauro “Verdadeiro”. Neste modelo, a IA assume o processamento de dados massivos, a geração de esboços preliminares e a verificação de sintaxe, e outros trabalhos mais mecânicos e repetitivos. Enquanto isso, nós, humanos, mantemos o controle criativo, ético e estratégico. Assim a tecnologia funciona como um multiplicador das nossas habilidades. Ela não desenha a estratégia, mas nos fornece os dados táticos necessários para que possamos tomar a decisão correta.

A IA como ferramenta, não como artista

É fundamental compreender a distinção entre geração probabilística e criação intencional. Modelos de linguagem e geradores de imagem são, em essência, motores de previsão estatística muito sofisticados. Eles não possuem intenção, consciência ou compreensão do mundo real. Por isso, a ideia de que a IA pode “fazer o seu trabalho” é, em parte, fundamentalmente falha. Ela pode executar tarefas repetitivas ou mecânicas, mas não pode gerir responsabilidades. A ferramenta agiliza processos, mas carece do julgamento necessário para finalizar produtos complexos.

As gerações que a IA Generativa cria são sempre baseadas em conhecimento prévio. Se ela nunca aprendeu nada sobre um “Seterquaqui” ela vai te responder mesmo assim. Ela vai alucinar criando algo que tenha a maior probabilidade de ser algo relacionado ao contexto do que foi passado no prompt.

Quando um desenvolvedor utiliza um assistente de código, por exemplo, ele não está terceirizando a lógica do software. Ele está acelerando a digitação e a consulta de bibliotecas. O arquiteto da solução continua sendo o humano. Da mesma forma, redatores usam a IA para superar o bloqueio da página em branco, não para substituir sua voz autoral. A qualidade do prompt humano determina diretamente a qualidade do saída da IA Generativa. Sem a curadoria humana, o resultado da IA tende à mediocridade estatística.

Limitações técnicas e a necessidade de supervisão

A análise crítica do artigo original aponta para as limitações inerentes aos modelos atuais. A IA alucina, inventa fatos e reproduz vieses sem qualquer filtro moral intrínseco. Por essa razão, a supervisão humana torna-se mais valiosa do que nunca. O mercado de trabalho começa a valorizar menos a capacidade de realizar tarefas repetitivas e mais a habilidade de auditar e refinar o trabalho da máquina.

Além disso, a contextualização é uma barreira que a IA ainda não superou. Ela pode analisar um contrato, mas não entende a nuance do relacionamento entre as partes. Ela pode diagnosticar uma falha de código, mas não compreende o impacto disso na experiência do usuário final. Nesse sentido, a “última milha” de qualquer trabalho intelectual permanece domínio exclusivo dos humanos. Acreditar que a ferramenta pode operar sem supervisão é o caminho mais rápido para erros catastróficos.

Aumentando as habilidades em vez de substituir profissões

A narrativa de substituição de profissões por algoritmos de IA ignora a complexidade da maioria das funções profissionais que dependem de capital intelectual para existir. O trabalho criativo/executivo raramente é uma lista isolada de tarefas automatizáveis. Ele envolve negociação, empatia, liderança e adaptação a cenários imprevistos. Dificilmente um caminho trilhado para resolver um conflito com um cliente ou fornecedor terá uma mesma abordagem para resolver um conflito entre duas pessoas concorrendo a uma vaga de promoção na empresa. Apesar de ambos serem conflitos, são estratégias diferentes que nós, seres humanos, conseguimos distinguir e resolver. Um algoritmo com processos estatísticos robustos irão entender o contexto principal como conflitos e talvez façam a sugestão de uma mesma estratégia para as duas situações.

A IA não possui flexibilidade para lidar com o caos do mundo real. O verdadeiro ganho está na “Inteligência Aumentada”. Isso significa usar a IA para preencher lacunas de conhecimento técnico ou para acelerar o aprendizado de novas habilidades.

Por exemplo, um designer gráfico pode usar IA para gerar variações rápidas de layout. Isso libera tempo para que ele se concentre na estratégia de marca e na psicologia das cores. Um analista de dados pode pedir à IA que limpe bases de dados desorganizadas. Assim, ele pode focar na interpretação dos insights de negócios. Em ambos os casos, o humano não foi substituído. Pelo contrário, ele se tornou mais eficiente e capaz de entregar valor estratégico. A ferramenta remove o atrito do processo, permitindo que o talento humano brilhe onde ele é insubstituível: na criatividade e no julgamento crítico.

O Impacto no ecossistema tecnológico

A compreensão de que a IA é uma ferramenta poderosa, mas dependente, devolve o protagonismo aos trabalhadores humanos. Para os desenvolvedores, isso significa o fim da expectativa irreal de criar “máquinas autônomas perfeitas”. O foco muda para a criação de interfaces que melhorem a colaboração humano-máquina. E isso se dá, em geral, com letramento em IA e não com material que vende hype e mágica para reduzir custos, e muito menos com um curso de algumas horas que lhe promete um salário de milhares de reais em três meses.

Para a sociedade, essa tendência mitiga o pânico do desemprego em massa causado pela tecnologia. Não podemos ser ingênuos a ponto de achar que não terá impacto no trabalho. Isso vai ter sim, mas ao mesmo tempo, poderemos ser mais produtivos. Trabalhos que são mecânicos ou repetitivos tendem a ter uma automação, como sempre aconteceu desde a época da revolução industrial. Mas agora, com as ferramentas de IA há poucos cliques de distância, precisamos nos atualizar com mais rapidez. E é difícil saber o que estudar/acreditar com tantos relatórios dizendo coisas diferentes. Toda semana sai uma ferramenta nova, como fazer?!

Em vez de uma onda de substituição, veremos uma redefinição de papéis. A demanda por habilidades não técnicas/práticas (soft skills) e pensamento crítico aumentará. As empresas que tentarem substituir humanos inteiramente por IA enfrentarão problemas de qualidade e perda de confiança do consumidor. O diferencial competitivo não será quem tem a melhor IA, mas quem tem as melhores equipes humanas equipadas com IA.

Voltando à analogia do Centauro. Humanos utilizando IA em suas atividades, libera mais tempo para dar foco à resolução de problemas mais complexos. O que não podemos deixar é o Centauro Invertido nos fazer trabalhar para as IAs como marionetes dessa engrenagem que nos sufoca e espreme a cada novo lançamento de algoritmo aprimorado.

Bons estudos!

Imagem de capa gerada com o Google Nano Banana 3, com o prompt: A vibrant digital illustration in a modern cartoon style featuring a friendly, futuristic “Centaur” character that represents Artificial Intelligence. The Centaur is half-human and half-sleek machine, with glowing blue circuitry accents. It is inside a bright, busy tech office, actively collaborating with a diverse group of human professionals. The Centaur is acting as a helpful assistant: holding a floating holographic screen with data charts for a female data analyst and carrying a heavy server rack for a male software developer, symbolizing “heavy lifting.” The humans look happy, empowered, and focused on their laptops, working alongside the Centaur in harmony. No humans are being replaced; they are leading the work. Soft studio lighting, vivid colors, clean lines, 4k resolution, 3D render cartoon style similar to high-end animated movies.

O post Como a IA potencializa a capacidade humana sem nos substituir apareceu primeiro em Diego Nogare.

Posteriormente, a chegada das IAs Conversacionais baseadas em modelos generativos transformou a interação homem-máquina em algo fluido. Essas IAs conseguiam manter diálogos complexos e gerar textos criativos com uma naturalidade impressionante para a época. Todavia, elas ainda dependiam inteiramente de um humano para fornecer o comando inicial e validar cada etapa do processo. A tecnologia era poderosa, mas permanecia passiva e limitada ao ambiente de conversa do chat, havia uma dificuldade em escalar para milhões de usuários.

No entanto, atualmente, acompanhamos o surgimento dos Autonomous AI Agents, que representam o padrão ouro dessa evolução tecnológica. Um agente não apenas conversa, mas utiliza ferramentas e executa tarefas de ponta a ponta sem intervenções. Ele possui capacidade de raciocínio multietapa, permitindo que planeje subtarefas para alcançar um objetivo final maior e complexo. Consequentemente, o foco do desenvolvimento mudou da criação de textos para a orquestração de ações em sistemas diversos.

O guia da Deloitte para a autonomia

No capítulo 2 do relatório recente da Deloitte sobre as Tendências Tecnológicas para 2026, publicado em dezembro/2025, serve como um farol para as organizações modernas. A consultoria afirma que a transição para sistemas agênticos exige uma mudança profunda na mentalidade dos líderes de negócios. Segundo o documento, não basta apenas implementar a tecnologia, mas sim redesenhar toda a arquitetura de dados corporativos. Além disso, a Deloitte enfatiza que a governança deve ser o pilar central de qualquer iniciativa de automação em 2026.

De acordo com o relatório, a inteligência agêntica permite que as empresas operem com uma agilidade sem precedentes no mercado global. A consultoria destaca que os agentes podem interagir entre si para resolver gargalos operacionais de forma dinâmica e inteligente. Por outro lado, o documento alerta que a falta de uma estratégia clara pode levar ao caos sistêmico, principalmente por causa dos sistemas legados não estão preparados para trabalhar com Agentes de IA. Por esse motivo, os especialistas sugerem a criação de centros de excelência focados exclusivamente na supervisão de ecossistemas autônomos.

A credibilidade do relatório da Deloitte reforça que a IA agêntica é o próximo grande salto de produtividade mundial. As organizações que adotarem essas diretrizes agora estarão mais preparadas para as flutuações de um mercado cada vez mais digitalizado. Adicionalmente, o estudo aponta que o papel do trabalhador humano será elevado para funções de gestão e curadoria estratégica. Assim, a tecnologia atua como um multiplicador de capacidades humanas em vez de uma simples ferramenta de substituição.

Meta, Manus e o investimento de dois bilhões de dólares

A recente aquisição da Manus pela Meta por cerca de US$ 2 bilhões confirma o vigor desse novo mercado. A Meta identificou na startup de Singapura uma tecnologia capaz de realizar tarefas que superam os modelos de linguagem convencionais. A Manus desenvolveu agentes de propósito geral que realizam pesquisas de mercado e codificação de software com extrema precisão. Consequentemente, a Meta planeja integrar essas capacidades em todas as suas plataformas de comunicação e publicidade digital.

É importante notar que a Meta possui um histórico notável de apostar em tecnologias que definem o futuro dos negócios. Posso arriscar, em tom debochado, que a empresa de Mark Zuckerberg raramente investe bilhões em ideias sem potencial lucrativo. Certamente, não citarei aqui aquele período de “surto coletivo” conhecido como Metaverso, que preferimos esquecer por questões de saúde mental.

O investimento na Manus, entretanto, foca em produtividade real e ferramentas que as empresas realmente desejam pagar para usar. O sucesso comercial da Manus, que atingiu US$ 100 milhões em faturamento recorrente em apenas 8 meses, valida essa tese de mercado. As empresas buscam soluções que entreguem resultados concretos em vez de apenas demonstrações técnicas impressionantes, mas inúteis. Nesse sentido, a Meta busca se posicionar como a principal fornecedora de infraestrutura para a economia dos agentes autônomos globais. A aquisição demonstra que a corrida pela autonomia já começou e as BigTechs estão dispostas a gastar muito para vencer.

Desafios técnicos e a nova arquitetura de software

Construir um AI Agent funcional exige muito mais do que apenas conectar um modelo de linguagem a uma base de dados. É fundamental implementar camadas de lógica de negócios que impeçam o sistema de tomar decisões financeiras desastrosas ou ilegais. O caso emblemático de uma concessionária Chevrolet nos Estados Unidos ilustra perfeitamente esse perigo técnico. Ao utilizar um agente baseado em ChatGPT sem as devidas travas, a empresa viu o bot “vender” uma caminhonete de US$ 80 mil por apenas US$ 1. Este incidente ocorreu porque o atacante utilizou uma técnica simples de manipulação de contexto para forçar o bot a concordar com qualquer proposta. O usuário convenceu a IA de que o acordo era um contrato juridicamente vinculativo e irrevogável.

Trago este exemplo para reforçar que a arquitetura de software para agentes modernos deve incluir sistemas de validação cruzada e limites operacionais extremamente rígidos.

Não basta que a IA seja inteligente; ela precisa operar dentro de parâmetros financeiros inegociáveis para a organização.

Portanto, a nova engenharia de software foca na criação de Guardrails Semânticos que filtrem instruções maliciosas em tempo real. Os desenvolvedores estão adotando técnicas de Human-in-the-loop para transações de alto valor ou decisões que envolvam contratos. Além disso, a arquitetura deve prever mecanismos de monitoramento constante para identificar desvios de comportamento do agente.

Arrisco dizer que o desafio técnico migrou da funcionalidade pura para a resiliência e a segurança contra táticas de engenharia social.

Mais uma vez tive que iterar muito com o Google Nano Banana 3 para fazer essa imagem, e vou ficar devendo o prompt que gerou a imagem de capa.

O post Se você não está olhando para Agentes de IA, deveria apareceu primeiro em Diego Nogare.

Profissionais de TI, em geral, não são apenas bons digitadores de código. Eles são, acima de tudo, excelentes resolvedores de problemas que utilizam essas mesmas etapas do pensamento computacional para estruturar sistemas complexos. Quando ensinamos isso às crianças, de forma lúdica, estamos dando a elas uma habilidade poderosa para o dia a dia. Essa capacidade permite que elas não sejam apenas consumidoras de tecnologia, mas pessoas capazes de entender como o mundo digital é construído, e o melhor, fazem isso brincando. Portanto, o foco não é a máquina em si, mas a forma como a mente humana processa informações para chegar a um resultado.

Os quatro pilares do Pensamento Computacional

Para que o raciocínio seja eficaz, ele se apoia em quatro pilares fundamentais: a Decomposição, o Reconhecimento de Padrões, a Abstração e os Algoritmos.

• A decomposição consiste em dividir um problema complexo em partes menores e mais fáceis de gerenciar;
• O reconhecimento de padrões busca similaridades entre problemas já resolvidos e o desafio atual;
• A abstração foca apenas nas informações essenciais, ignorando detalhes irrelevantes para a solução;
• Por fim, os algoritmos são a criação de um passo a passo detalhado para resolver a questão.

Um exemplo prático do cotidiano ilustra perfeitamente essa dinâmica: o ato de arrumar a mochila escolar. Primeiro, a criança usa a decomposição ao separar o material por disciplinas. Depois, aplica o reconhecimento de padrões ao notar que toda segunda-feira ela precisa dos mesmos livros. A abstração ocorre quando ela decide ignorar brinquedos que não serão usados na aula. Finalmente, ela executa um algoritmo ao seguir a ordem lógica de colocar os livros pesados no fundo e o estojo por cima.

É um exemplo simples, mas ilustra bem o processo do pensamento computacional no nosso cotidiano, e você vê consegue ver isso em muitas aplicações!

Aproveite as férias de Janeiro

As férias de janeiro são o momento perfeito para afastar as crianças dos tablets e estimular o cérebro com atividades lúdicas. Inclusive, os resultados com a remoção dos celulares das escolas já deu resultado positivo em apenas 1 ano. Muitos conceitos fundamentais da ciência da computação podem ser ensinados através de jogos físicos e desafios manuais. Ao transformar o aprendizado em brincadeira, a criança desenvolve cognição e criatividade sem sentir o peso de uma aula formal. Além disso, atividades “desplugadas ou offline” promovem a interação social e o movimento físico, combatendo o sedentarismo que é muito presente no mundo digital de hoje.

É possível praticar a lógica de programação através de uma caça ao tesouro ou da organização de uma coleção de brinquedos. Esses momentos criam conexões neurais importantes que facilitam o aprendizado futuro de matérias como matemática e ciências. Pais que dedicam tempo para essas dinâmicas ajudam seus filhos a desenvolverem paciência e persistência. Afinal, na programação de um software ou na vida real, raramente acertamos a solução na primeira tentativa, exigindo ajustes constantes.

A mecânica das atividades desplugadas

A mecânica de uma atividade de Pensamento Computacional geralmente segue uma estrutura de entrada, processamento e saída. Em uma brincadeira de seguir instruções, por exemplo, a criança recebe um comando (entrada), pensa em como executá-lo (processamento) e realiza a ação (saída). Se a instrução for “ande dois passos para a esquerda”, a criança precisa entender o conceito de direção e medida de forma literal, assim como um computador faria.

Outro exemplo clássico envolve o ordenamento. Pedir para uma criança organizar seus livros do menor para o maior exige que ela compare dois itens por vez, o que é a base de muitos algoritmos de ordenação. Essa mecânica ensina que grandes tarefas são resolvidas através de pequenas decisões binárias e sequenciais. Ao entender essas regras, brincando, a criança passa a ver lógica em processos que antes pareciam aleatórios.

Pra quase encerrar

O Pensamento Computacional tornou-se uma tendência global na educação porque atende à demanda por profissionais resilientes e analíticos. No mercado atual, as empresas não buscam apenas quem saiba programar, mas quem possua a agilidade mental para adaptar soluções a novos problemas. Para a sociedade, democratizar esse conhecimento significa reduzir a desigualdade digital, permitindo que crianças de qualquer origem desenvolvam o raciocínio crítico necessário para navegar em um mundo automatizado.

Inclusive, se quiser aprender de graça atividades de Pensamento Computacional, o MEC oferece cursos online gratuitos, como Computação Desplugada, Pensamento Computacional e Pensamento Computacional na Educação. É só fazer o cadastro na plataforma e aprender.

Agora sim, para encerrar!

Para facilitar sua jornada nas férias, você pode usar ferramentas de IA como o Gemini para criar novos desafios personalizados para sua família. Abaixo, tem uma sugestão de prompt estruturado. Você pode adaptar para os interesses do seu pequeno, fazendo a atividade ficar ainda mais próxima dos interesses dele,,

Copie, ajuste e cole este prompt no Gemini (ou ChatGPT, ou Claude, ou onde quiser):

“Aja como um educador especialista em computação desplugada. Crie 5 atividades de pensamento computacional para crianças
de 10 anos brincarem com seus pais durante as férias. Os interesses da criança são de Química, Matemática e Astronomia.

Para cada atividade, siga rigorosamente esta estrutura:
– Dinâmica para os pais explicarem: Um texto simples que o pai ou mãe deve ler para a criança entender o objetivo e as regras.
– O Desafio Lógico: A parte em que a criança deve parar para pensar e propor uma estratégia de solução.
– Solução e Guia para os Pais: Explicação técnica de qual conceito de computação está sendo praticado e como os pais podem
orientar a criança caso ela tenha dificuldade em chegar na solução.

Garanta que cada atividade terá duração de 10 a 20 minutos, para manter o interesse da criança na brincadeira.”

Integrar o aprendizado lógico ao cotidiano familiar é uma estratégia de negócio para a vida, pois transforma o tempo livre em um investimento no capital intelectual das próximas gerações, garantindo que elas estejam prontas para liderar em um mercado onde a capacidade de resolver problemas complexos é a moeda mais valiosa e estável.

Caso queira ver como ficou a atividade que gerei para fazer com a minha filha, faça o download aqui

Imagem de capa gerada com o Google Nano Banana 3 com o prompt: Uma ilustração vibrante e moderna em estilo cartoon 3D que mostre um pai acima do peso e com barba e uma menina de 10 anos brincando juntos no chão de uma sala ensolarada durante as férias. Eles estão cercados por cartões coloridos com pontos (números binários) e um grande labirinto feito de fita adesiva no chão. A criança segura um mapa desenhado à mão com setas, simulando a lógica de um algoritmo. No ar, flutuam ícones sutis e brilhantes de engrenagens, lâmpadas de ideias e blocos de código transparentes, simbolizando o raciocínio lógico. A atmosfera é de diversão, colaboração e descoberta intelectual, sem nenhum dispositivo eletrônico visível. Cores quentes, iluminação suave e foco nítido nos personagens.

O post Brinque com seus filhos usando Pensamento Computacional apareceu primeiro em Diego Nogare.

Com este cenário, a conformidade legal se torna peça chave que demanda um cuidado técnico profundo. A ausência de um mapa claro do fluxo, desde a origem até o destino dos dados, impede a percepção e disparo de alertas rápidos de comportamentos anômalos como extrações massivas de documentos. Consequentemente, a implementação de ferramentas de governança deixa de ser burocracia e passa a ser considerada requisito de sobrevivência digital.

Por sorte, existem ferramentas e técnicas que podem ajudar a blindar este tipo de problema.

Data Lineage – O mapa fim a fim dos dados

O Data Lineage refere-se ao rastreamento completo do ciclo de vida dos dados. Ele mapeia a jornada da informação desde sua origem (fontes de dados), passando por todas as transformações e manipulações, até seu destino final em relatórios ou modelos de IA. 

Para projetos modernos de Engenharia de Dados, essa visibilidade não deveria ser opcional, já que é peça central para garantir governança. Se um dado chega corrompido ou incorreto ao dashboard executivo, o processo de linhagem permite identificar qual script ou API causou o erro. Além disso, em casos de vazamento, o Data Lineage mostraria exatamente qual usuário ou serviço extraiu os dados e para onde eles foram enviados.

Data Linkage – A conexão entre as entidades

Enquanto a linhagem olha para o fluxo, o Data Linkage foca na conexão entre registros distintos que se referem à mesma entidade. Em bancos de dados governamentais ou corporativos, informações de um mesmo indivíduo ficam espalhadas em lugares diferentes (sistemas de saúde, sistema jurídico, sistema fiscal, etc). O Data Linkage utiliza algoritmos para identificar e unificar esses fragmentos com precisão.

Essa técnica também pode ser central para a segurança, pois evita a fragmentação da identidade. Quando o sistema sabe que o “Registro A” do sistema médico e o “Registro B” do sistema penal pertencem a um mesmo indivíduo, ele aplica políticas de segurança para esse propósito. No caso destes Registros A e B pertencerem à uma criança, a segurança deve ser elevada porque é sistematicamente protegido pelo ECA. Sem essa vinculação correta dos sistemas, uma parte dos dados pode ficar protegida (por exemplo o sistema médico) enquanto a outra permanece exposta por falha na classificação (como o sistema penal).

O saneamento básico não dá voto

Infelizmente, não é raro encontrar gestores que tratam a governança de dados como “saneamento básico”. São essenciais para os projetos e para a empresa, mas é invisível aos olhos dos stakeholders. Como processos de Lineage e Linkage operam no backend e não são customer-facing, eles raramente “dão voto” ou geram “hype” imediato, entrando nessa categoria de saneamento básico.

Isso impacta porque empresas desviam investimentos massivos para interfaces chamativas e novas funcionalidades, ignorando a fundação estrutural. Essa negligência na priorização cria um débito técnico perigoso e silencioso. Enquanto o orçamento flui para o que o cliente vê, os “canos” de dados enferrujam nos bastidores por falta de manutenção e modernização.

O caso do TJ-SP ilustra o preço alto dessa escolha. A “economia” feita na infraestrutura invisível do saneamento básico resulta em danos para as pessoas, e também para a empresa, com exposição incalculáveis quando o vazamento ocorre.

A importância dos dados para o Aprendizado de Máquina

Não canso de falar que modelos de Machine Learning são tão bons quanto os dados que os alimentam. Com isso, Data Lineage e Data Linkage podem ser consideradas a espinha dorsal de iniciativas modernas de projetos corporativos de Inteligência Artificial. Sem rastreabilidade, garantir a reprodutibilidade de um modelo torna-se uma tarefa bem difícil. Se um algoritmo toma uma decisão que pode impactar negativamente alguém, a linhagem permite auditar os dados de treinamento para encontrar a raiz do viés, e corrigir.

Além disso, o Data Linkage garante que o modelo aprenda com perfis completos e não com fragmentos desconexos. Isso aumenta a precisão das predições e reduz limitações estatísticas. Para sistemas com dados sensíveis, isso assegura que o modelo não faça a inferência de identidades que deveriam permanecer anônimas, mantendo a ética e a responsabilidade do projeto.

O custo da negligência

A adoção destes tipos de tecnologias vão além da simples correção de bugs, ela ajuda a priorizar a estratégia de alocação de recursos orçamentários. Desenvolvedores que dominam essas técnicas aumentam a qualidade dos projetos, mas ainda enfrentam o desafio de convencer as áreas de negócios a investir no que não se vê.

O impacto dessa mudança de mentalidade é a redução drástica de riscos sistêmicos. Multas por violação da LGPD podem custar milhões, mas a perda de confiança na marca é irreversível. Por isso que priorizar o “saneamento básico” de dados garante que a “construção do estádio da copa” seja sustentável e que os direitos fundamentais sejam respeitados em um ambiente automatizado.

Caso queira bater um papo sobre isso, marque um horário. Será um prazer entender seus desafios e te ajudar a resolvê-los.

Imagem de capa criada com o Google Nano Banana 3, com o prompt: Crie uma imagem com uma balança de equilíbrio, onde no prato esquerdo tem o personagem Sherlok Holmes e o Dr Watson, e no prato direito tem pilhas baixas de moedas de ouro. A balança do direito está mais pesada que do lado esquerdo, fazendo a balança pender para o lado direito. O background deve ser como uma placa de circuito com tons verdes e filamentos amarelos, em formato desfocado. Não deve ter nada escrito na imagem. O estilo deve ser como de um video-game dos anos 90s, com pixels e tons de 16bits de cores.

O post Blindando dados sensíveis contra vazamentos apareceu primeiro em Diego Nogare.

O paradoxo da adoção vs. maturidade

Uma das principais fontes de confusão reside na diferença entre adoção individual e maturidade organizacional. Relatórios recentes pintam cenários aparentemente opostos.

Por um lado, a Bain & Company relata uma “adoção rápida e massiva de IA”. A empresa destaca que 85% dos executivos veem a IA generativa como uma das cinco principais prioridades. Similarmente, o “AI 2027 Report” do AI Futures Project, da Anthropic, aponta que 40% dos funcionários nos EUA já relatam usar IA no trabalho, um aumento significativo de 20% em 2023. Esses números sugerem uma integração veloz.

Por outro lado, as análises de maturidade estrutural contam uma história diferente. A Accenture, em seu relatório “The Art of AI Maturity”, classifica a maioria das empresas (63%) como “Experimentadoras”. Apenas 12% das organizações atingiram o nível de “Realizadores de IA” (AI Achievers), onde a IA impulsiona crescimento superior e transformação de negócios.

Essa visão é corroborada por dados anteriores da ElementAI (empresa do grupo ServiceNow), que indicavam que menos de 10% das organizações estavam maduras o suficiente para operacionalizar a IA em escala. Portanto, temos um cenário onde milhões de funcionários usam a tecnologia (adoção), mas poucas empresas conseguem integrá-la estrategicamente em seus processos centrais (maturidade).

Essa distinção é importante, ela mostra que, embora as ferramentas sejam acessíveis, a transformação de processos de negócios necessária para extrair valor real ainda é um obstáculo significativo.

AGI, superinteligência e o abismo de timelines

O segundo grande ponto de divergência é o cronograma para a chegada da Inteligência Artificial Geral (AGI) ou superinteligência. A natureza dessa discussão varia radicalmente dependendo da fonte.

O “AI 2027 Report” da Anthropic é explícito. O relatório prevê um impacto “excedendo o da Revolução Industrial” e cita CEOs dos principais laboratórios de IA, que preveem a AGI “nos próximos 5 anos” (por volta de 2030). O próprio cenário fictício do relatório, baseado em extrapolações de tendências, posiciona um “Pesquisador de IA Super-humano” em agosto de 2027.

Essa perspectiva acelerada foca na velocidade da pesquisa e no potencial de autoaperfeiçoamento da IA. Ela trata a superinteligência como um evento iminente que redefinirá a sociedade.

Em contrapartida, os relatórios de consultorias como Gartner, Deloitte e Bain & Company focam em horizontes de negócios mais imediatos, geralmente de três a cinco anos. Seus documentos abordam a implementação de MLOps , a importância dos “AI Engineers” e o ROI de casos de uso atuais, como desenvolvimento de software e atendimento ao cliente.

Essas publicações tratam a IA como uma poderosa ferramenta de otimização de negócios e transformação operacional, não como um evento existencial no curto prazo. O resultado é que um desenvolvedor lendo o Gartner se prepara para integrar MLOps , enquanto um desenvolvedor lendo a Anthropic se prepara para uma singularidade tecnológica.

O jargão da maturidade: Modelos em conflito

Mesmo quando os relatórios concordam sobre a importância da maturidade, eles a medem de formas completamente diferentes. Cada consultoria criou seu próprio framework de maturidade proprietário, dificultando a comparação direta. A Accenture, por exemplo, utiliza um quadrante que classifica as empresas em quatro perfis: Experimentadoras (a maioria, com 63% ), Construtoras (Builders), Inovadoras e Realizadoras (a elite, com 12% ). A classificação depende da força em “capacidades fundamentais” versus “capacidades de diferenciação”.

Já o framework da ElementAI, apresentado em seu whitepaper, usa um modelo de cinco estágios progressivos: Explorando, Experimentando, Formalizando, Otimizando e Transformando. Além disso, ele avalia cinco dimensões organizacionais: Estratégia, Dados, Tecnologia, Pessoas e Governança.

A Deloitte complica ainda mais com seu “AI Readiness & Management Framework” (aiRMF). Este modelo se divide em três funções centrais (Definir a Direção, Construir Capacidades, Gerenciar Holisticamente). Essas funções se desdobram em dez áreas de capacidade distintas, como “Prontidão de Dados” e “Força de Trabalho Habilitada para IA”.

Essa proliferação de modelos significa que um CIO pode ser classificado como “Inovador” pela Accenture (porque é forte em estratégia, mas fraco na fundação). Por outro lado, esse mesmo CIO pode estar apenas no estágio “Experimentando” da ElementAI. Enquanto isso, o framework da Deloitte pode apontar uma falha específica na “Entrega e Operações de IA”. Difícil, né?!

Análise e contexto

Essa fragmentação da verdade não é apenas um exercício acadêmico; ela tem impactos diretos no mercado. A confusão gerada por relatórios conflitantes pode levar à paralisia estratégica. Líderes de negócios, bombardeados por diferentes diagnósticos e prioridades, podem atrasar investimentos cruciais por medo de apostar no framework errado.

Para os desenvolvedores e profissionais de tecnologia, a confusão define o desenvolvimento de carreira. O Gartner, por exemplo, publica relatórios detalhados sobre as habilidades essenciais para “AI Engineers” e “Machine Learning Engineers”. Esses relatórios focam na ponte entre ciência de dados e operações (MLOps). Enquanto isso, relatórios focados em AGI sugerem que habilidades de “alinhamento de superinteligência” são as competências do futuro.

O impacto social também é polarizado. Relatórios que preveem a automação total de funções, como codificação e pesquisa , alimentam o debate sobre desemprego em massa. Em contrapartida, relatórios focados em produtividade, como o da Bain, sugerem que a IA é uma ferramenta de aumento de eficiência (ex: redução de 15% em tempo de codificação ), e não uma substituição completa.

Sobre a questão de que A IA vai tomar meu emprego, eu já compartilhei a minha visão e recomendo que façam a leitura.

Conclusão

No final, com tantos relatórios de IA qual verdade você quer? O que escrevi aqui revela que não existe uma única verdade. Na minha visão, o que existe mesmo, é um mosaico de perspectivas com escopos diferentes. Um relatório pode focar em uso (Anthropic) , outro em maturidade (Accenture) , e um terceiro em capacidades operacionais (Deloitte). Nenhum está necessariamente errado, mas, eles apenas respondem a perguntas diferentes, isso porque são relatórios de IA conflitantes.

A verdadeira maturidade em IA talvez não seja definida por alcançar o topo de um desses gráficos. Pelo contrário, ela pode ser a habilidade de sintetizar essas visões parciais e conflitantes em uma estratégia coesa e adaptada à realidade única da própria empresa.

O desafio para os líderes não é encontrar qual relatório é o correto. O verdadeiro problema de negócio é construir uma bússola interna robusta o suficiente para navegar na tempestade de informações e decidir, por conta própria, qual será a sua verdade.

Divirta-se nessa jornada, e se precisar de algum direcionamento, agende uma conversa e te ajudo a encontrar o caminho!

Imagem criada com o Google Gemini 2.5 Pro com o prompt: Homem em um escritório olhando para uma mesa com vários relatórios impressos e com aparência desesperada em não saber qual relatório acreditar. Um monitor de computador com o texto “Novo relatório de IA”

O post Com tantos relatórios de IA, qual verdade você quer? apareceu primeiro em Diego Nogare.

O sucesso do FinOps em ambientes de Inteligência Artificial depende da colaboração entre três áreas distintas, porém, interdependentes. Primeiramente, a equipe de Negócios define o “porquê”. Eles estabelecem os objetivos, as metas estratégicas e o valor esperado que o projeto de IA deve entregar. Com isso, suas decisões direcionam o escopo e a prioridade dos investimentos.

Em seguida, a equipe de Finanças cuida do “quanto”. Ela é responsável por alocar o orçamento, monitorar o Custo Total de Propriedade (Total Cost Ownership – TCO) e garantir que o Retorno sobre o Investimento (Return on Investment – ROI) seja mensurável e alcançável. Além disso, os profissionais que cuidam do orçamento traduzem os gastos técnicos em relatórios compreensíveis para os stakeholders, criando uma ponte de comunicação vital.

Por fim, a equipe de Engenharia executa o “como”. Engenheiros de dados, cientistas de dados e especialistas em MLOps implementam as soluções, escolhendo as arquiteturas e os serviços de nuvem mais adequados. Todavia, sob a ótica do FinOps, sua responsabilidade vai além da implementação técnica. Eles devem, igualmente, otimizar o uso de recursos, selecionar instâncias de computação com melhor custo-benefício e instrumentar o código para fornecer dados claros sobre o consumo. Essa colaboração transforma a gestão de custos de uma tarefa reativa para uma responsabilidade compartilhada e proativa.

Implementando a cultura de FinOps

A implementação do FinOps não é um projeto com início, meio e fim, mas sim um ciclo iterativo e contínuo. Esse processo garante que a otimização de custos seja uma prática constante e adaptável às mudanças do projeto e do mercado. As cerimônias rigorosas e a comunicação frequente são essenciais para o sucesso. O ciclo se divide em três fases principais: Informar, Otimizar e Operar.

Na fase de Informar, o objetivo principal é a visibilidade. É aqui que ocorre o levantamento detalhado dos custos. As equipes trabalham juntas para etiquetar (tagging) recursos, alocar despesas a centros de custo específicos e criar dashboards que ofereçam uma visão clara e em tempo real de onde o dinheiro está sendo gasto;

Em seguida, a fase de Otimizar foca na ação. Com base nos dados coletados, as equipes identificam oportunidades de redução de custos, como desligar recursos ociosos, redimensionar instâncias superdimensionadas ou adotar modelos de compra mais vantajosos, como instâncias spot ou planos de economia;

Finalmente, a fase de Operar consolida o ciclo. Nela, as otimizações são implementadas e a governança é automatizada. As equipes definem políticas, estabelecem alertas de orçamento e refinam continuamente as melhores práticas. As apresentações regulares para os stakeholders garantem que todos estejam alinhados, celebrando as vitórias na economia de custos e planejando os próximos passos. Este ciclo garante que a gestão financeira evolua junto com a complexidade dos modelos de IA.

Colocando em prática

Para colocar a teoria do FinOps em prática, as equipes precisam de frameworks estruturados e ferramentas adequadas. A FinOps Foundation é a principal referência global sobre o assunto. A fundação oferece certificações, pesquisas e um framework agnóstico de nuvem que detalha as capacidades, os princípios e as fases do ciclo de vida FinOps. Adotar um framework como este proporciona uma linguagem comum e um roteiro claro para a jornada de maturidade em gestão financeira na nuvem.

A importância do FinOps para projetos de IA transcende a simples economia de custos. Na prática, ele funciona como um seguro contra o principal motivo de falha de muitas iniciativas de inovação: a inviabilidade financeira!

Um modelo de IA pode ser tecnicamente perfeito, mas se seu custo de treinamento e inferência for proibitivo, ele jamais sairá do laboratório para a produção. Portanto, o FinOps desmistifica o custo da IA, transformando-o de uma variável imprevisível em um componente gerenciável da estratégia de negócio. Isso significa que as empresas podem inovar com mais segurança, escalar suas operações de IA de forma sustentável e garantir que os investimentos em tecnologia de ponta se traduzam, de fato, em vantagem competitiva e crescimento para o negócio.

Me arrisco a afirmar, com certo grau elevado de confiança, que adotar o FinOps em projetos de IA não é mais um diferencial, mas uma necessidade estratégica. A disciplina promove uma cultura de responsabilidade financeira que permeia as equipes de Engenharia, Finanças e Negócios, garantindo que a inovação tecnológica caminhe lado a lado com a sustentabilidade econômica. Ao invés de restringir a experimentação, o FinOps a viabiliza, fornecendo o framework necessário para escalar soluções de IA com confiança e previsibilidade. Olhando para o futuro, a integração do FinOps será tão fundamental quanto as práticas de DevOps e MLOps no ciclo de vida do software e de Machine Learning.

Eu li esse livro na assinatura da O’Reilly, vale muito a pena para aprender sobre a importância do FinOps para projetos, e dá para facilmente extrapolar para projetos de IA! Invista um tempo estudando a disciplina, isso lhe retornará de forma bem positiva.

Imagem de capa criada com IA:  Usei o prompt no Gemini: Um ser-humano biônico, desenhando um cifrão ($) em um quadro, em um estilo de ilustração digital de cartoon

O post A importância do FinOps para projetos de IA apareceu primeiro em Diego Nogare.

Contudo, antes de entrar em pânico, é fundamental entender como essa transformação tecnológica realmente impacta o mercado e a nossa atividade. A verdade é que, muito mais do que uma ameaça, a IA surge como uma poderosa ferramenta de produtividade. Ela não substitui quem sabe usá-la, pelo contrário, potencializa quem aprende a trabalhar com ela para executar seu trabalho e levar o leite das crianças pra casa no fim do mês.

Neste texto, vou tentar te mostrar a minha visão sobre como a IA está mudando o cenário profissional e como se preparar para esse futuro que já começou.

IA como ferramenta, não como substituta

Sempre que uma nova tecnologia surge, cresce o medo de que empregos desapareçam. Foi assim com a chegada da calculadora, da internet e dos smartphones. Com IA não é diferente e segue o mesmo caminho. Você vai melhorar ao ter como aliada a IA no mercado de trabalho e irá aumentar sua produtividade.

Porém, é importante perceber que a IA não faz nada sozinha. Ela é uma ferramenta criada por humanos para ampliar a capacidade humana, não para nos substituir completamente. Ferramentas de IA conseguem automatizar tarefas repetitivas, acelerar análises e gerar insights, mas ainda dependem de gente capacitada para operar, supervisionar e tomar decisões estratégicas. É arriscado, e até perigoso, deixar que a IA faça o trabalho sem uma curadoria humana para manter as respostas no trilho.

Talvez a pergunta correta não seja “A IA vai tomar o meu emprego?”, mas sim “Como eu posso usar a IA para fazer meu trabalho melhor e mais rápido?”… Eu sou muito mais favorável desta segunda!

As tarefas vão mudar, e isso é bom

Pra ser super honesto, é verdade, algumas das nossas atividades vão mudar. Trabalhos mais operacionais, manuais ou extremamente repetitivas podem ser automatizados. Mas isso não significa desemprego em massa. Historicamente, toda revolução tecnológica eliminou alguns tipos de trabalho e, ao mesmo tempo, criou novas funções. A IA segue essa mesma linha histórica, ela está transformando a forma como trabalhamos, não necessariamente eliminando empregos.

Profissões ligadas à criatividade, estratégia, análise, relacionamento humano e tomada de decisão tendem a ganhar ainda mais valor. Você ainda será essencial para realizar atividade que dependam de interpretação de dados, tomada de decisões complexas, criação de conteúdo original e estratégico, empatia, negociação e relacionamento. Estas atividades ainda são exclusividade da mente humana!

Para trazer um exemplo, imagine um cenário onde você é um analista de dados. Normlamente você gasta horas limpando bases, formatando tabelas e preparando relatórios… Tudo bem, é parte do trabalho e você já considera esse tempo na estimativa de horas da atividade na sprint. Com IA, esse processo pode ser feito em minutos, liberando tempo para que você foque em análises mais estratégicas, comunicação de resultados para o time e geração de insights para ajudar na tomada de decisões. Veja que seu trabalho continua existindo e sendo importante para o grupo, mas agora você faz ele de outra forma. Consegue ver a diferença?

Se atualizar não é uma opção. É uma necessidade!

Quem entende que a IA é aliada no trabalho, já está um passo a frente

Se você está disposto a aprender, a IA não é uma ameaça, mas uma baita aliada. Profissionais que usam IA se tornam mais rápidos, mais produtivos e mais relevantes no mercado. A IA não tira o emprego de quem domina seu uso, pelo contrário, ela amplia suas possibilidades profissionais.

Hoje, há ferramentas de IA acessíveis para todos. Seja usando uma ferramenta proprietária pelas interfaces super simples de interação, ou até as versões open-source que você pode carregar localmente no seu computador… Dá pra acelerar nosso trabalho com assistentes de escrita, geração de imagens e automação de processos, chegando até modelos que ajudam em decisões complexas. Mas lembre-se sempre de supervisionar a saída do modelo, afinal, você é o humano usando uma ferramenta! Saber como utilizar esses recursos é o novo diferencial competitivo.

A história mostra que quem resiste às mudanças acaba ficando para trás, a IA é “só” mais uma etapa dessa evolução. VEja, a calculadora não acabou com os matemáticos e o google não acabou com os bibliotecários! Todas estas ferramentas transformaram as funções originais, e nessa linha, IA não acabará com programadores, designers, advogados ou professores. Ela mudará como essas pessoas trabalham. E aprender a usar estas ferramentas irá te ajudar a ter entregar ainda melhores e diminuir o medo de “A IA vai tomar o meu emprego?”.

No relatório de quase 300 páginas do Fórum Mundial Econômico (não li tudo ainda) com o titulo “O futuro do emprego” fala bastante sobre este assunto.

Para terminar…

“A IA vai tomar o meu emprego?” A resposta direta é não…se você se atualizar. A inteligência artificial não substitui profissionais, ela substitui tarefas, e isso é muito diferente.

O protagonismo está nas suas mãos, quem ignora a IA hoje corre o risco de ficar obsoleto. Por outro lado, quem aprende a utilizá-la, transforma seu trabalho e sua carreira.

A IA é, acima de tudo, uma ferramenta e pode ser sua parceira. Uma aliada poderosa que, se bem utilizada, pode transformar você em um profissional muito mais produtivo, criativo e estratégico.

Não é sobre lutar contra a tecnologia, é sobre caminhar com ela!

Se atualize, bons estudos!

Todas as imagens deste post foram geradas com ChatGPT

O post A IA vai tomar o meu emprego? apareceu primeiro em Diego Nogare.