Introdução

Victor Coimbra é Diretor de Tecnologia (CTO) e Managing Partner da Artefact, onde lidera trabalhos nas áreas de IA, ciência de dados e engenharia nas Américas. Sua carreira combina experiência em estratégia de negócios na Bain e na Accenture com liderança prática na implantação de sistemas de IA e aprendizado de máquina em ambientes corporativos complexos. Ele se dedica a ajudar as organizações a conectar capacidades técnicas a resultados comerciais mensuráveis, incluindo a arquitetura, a governança e os modelos operacionais necessários para escalar a IA.

A Artefact é uma empresa global de consultoria em data e IA que auxilia empresas a desenvolver estratégias, criar data platforms, implementar soluções de IA e gerenciar mudanças organizacionais. Seu trabalho abrange setores como serviços financeiros, saúde, manufatura e varejo. Antes de seu Adopt AI Summit, que ocorrerá nos dias 3 e 4 de dezembro de 2026, no Grand Palais, em Paris, Coimbra discute como as empresas podem ir além dos projetos-piloto, formar equipes que combinem pessoas e agentes de IA e avaliar o valor da IA na produção.

Sua carreira o levou da área de estratégia de negócios na Accenture à liderança de equipes de IA, ciência de dados e engenharia na Artefact em todas as Américas.
De que forma essa combinação de consultoria estratégica e liderança técnica prática moldou sua abordagem para ajudar as empresas a transformar investimentos em IA em resultados comerciais mensuráveis?

Isso me ensinou a sempre vincular a estratégia de IA à execução. A experiência em estratégia na Bain e na Accenture me mostrou que os executivos investem em uma mudança em uma linha do balanço de resultados. A engenharia me ensinou que grande parte desse valor pode se perder entre o slide e a produção.

Hoje, a IA tem menos a ver com tecnologia e mais com a criação de uma vantagem competitiva em torno de suas principais operações comerciais. A questão fundamental é como transformar a produtividade individual em valor coletivo para a empresa, por meio de uma verdadeira capacidade cognitiva compartilhada em toda a organização.

Isso exige uma combinação de estratégia e execução, e foi algo com o qual aprendi muito ao me dedicar a ambas as áreas.

Apesar dos investimentos significativos em artificial intelligence, muitas organizações ainda enfrentam dificuldades para ir além de projetos-piloto bem-sucedidos.
Com base na sua experiência, quais são os obstáculos mais comuns que impedem que as iniciativas de IA nas empresas cheguem à fase de produção, e o que distingue as empresas que conseguem ampliar com sucesso suas implantações?

Pela minha experiência, muitos projetos fracassam porque a IA é incorporada a uma organização que foi projetada exclusivamente para seres humanos. A tecnologia geralmente funciona. O que muitas vezes ainda permanece em aberto é a divisão de tarefas: quais tarefas cabem aos agentes, quais permanecem a cargo dos seres humanos, quem faz a revisão e a quem cabe a responsabilidade pelo resultado.

Além disso, três fatores tendem a retardar a expansão: os custos dos tokens, que disparam com a tarifação baseada no uso; a segurança e a governança; e a adoção, que nunca transforma o acesso em uso efetivo.

As empresas que vejo crescendo bem tratam a IA como uma reformulação organizacional. Elas dividem o processo de entrega em dois ciclos. No ciclo interno, os agentes executam todo o processo de ponta a ponta: codificação, compilação, teste, implantação e revisão. No ciclo externo, os seres humanos definem a intenção, verificam o resultado e monitoram o custo e a qualidade. Em seguida, desenvolvem uma plataforma subjacente e a reutilizam para todos os casos de uso.

O senhor escreveu sobre a importância de construir uma organização nativa em IA, em vez de simplesmente adicionar chatbots e copilotos aos sistemas existentes. Que mudanças fundamentais na arquitetura tecnológica empresarial são necessárias para apoiar essa transição, e em que áreas as empresas estão investindo menos atualmente?

Uma empresa nativa de IA opera em uma plataforma, e essa plataforma é a soma de quatro camadas: Harness, Contexto, Modelo e Infraestrutura. O Harness é onde humanos e agentes se encontram e trabalham, constituindo a aplicação completa em torno do modelo. O Context define o que os agentes sabem e quais são suas atribuições. O Model refere-se à forma como os modelos são acessados, direcionados e gerenciados ao custo adequado. A Infra é onde eles são efetivamente executados e quem detém o controle.

Naturalmente, a maior parte da atenção se concentra nos 20% visíveis: copilotos e ferramentas de bate-papo. Os 80% ocultos são onde reside a maior parte do trabalho de engenharia e onde se decidem questões como custo, segurança e controle.

Minha sugestão é simples. Adquira conjuntos de ferramentas generalistas e desenvolva os específicos para cada setor. Alugue e faça testes com modelos e infraestrutura, pois eles mudam a cada trimestre. E domine totalmente o seu contexto. Essa é a camada que é verdadeiramente sua, e onde vejo a maior oportunidade para investir mais.

À medida que a IA evolui, passando de um papel de assistência aos funcionários para a execução autônoma de fluxos de trabalho complexos, como as organizações devem determinar quais processos são adequados para a automação autônoma? Que medidas de segurança técnicas e operacionais devem ser estabelecidas antes de conceder aos agentes de IA maior autoridade na tomada de decisões?

Na minha opinião, os agentes são muito bons em tarefas que se voltam para o passado, enquanto os seres humanos se destacam em tarefas que se voltam para o futuro. Os agentes se destacam em tudo o que se baseia em informações existentes, como análises, programação, testes, documentação e reconciliação. Os seres humanos são responsáveis pelo que exige criatividade, e a criatividade, por definição, está voltada para o futuro: bom gosto, visão, planejamento, tomada de decisões e avaliação se um resultado é realmente bom.

Na prática, isso corresponde aos dois ciclos. Os agentes controlam o ciclo interno e executam as tarefas. Os seres humanos ficam responsáveis pelo ciclo externo: intenção, verificação e monitoramento.

As salvaguardas são projetadas, não acionadas. Utilizamos seis camadas de proteção: captura de tarefas, memória, um ambiente de trabalho seguro com tempo de execução em sandbox e permissões, um ciclo com pontos de verificação e esclarecimentos, roteamento de modelos e barreiras de proteção que definem o que um agente não pode fazer sozinho, como aprovações humanas, verificações de políticas e controles de informações de identificação pessoal (PII). A autonomia, então, cresce com o histórico de desempenho, da mesma forma que ocorre com um novo funcionário.

O senhor descreveu os agentes de IA como colegas de equipe, em vez de ferramentas de software convencionais. De que forma essa perspectiva altera a maneira como as organizações devem estruturar equipes, atribuir responsabilidades e treinar funcionários para colaborar com sistemas de IA cada vez mais autônomos?

Já estamos na organização híbrida. A questão que considero mais importante neste momento é como dividir a força de trabalho entre seres humanos e agentes. Acredito que essa seja a chave para a expansão.

Em uma equipe híbrida, o organograma aloca capacidade cognitiva, e não o número de funcionários. Uma divisão típica que observo em uma equipe de tecnologia madura é de 15% de trabalho realizado exclusivamente por humanos, 25% de trabalho auxiliado e 60% realizado por agentes. O chefe de TI define os objetivos, aloca a capacidade e é responsável pelos resultados e pelos custos. Um desenvolvedor sênior verifica as entregas dos agentes e decide pela arquitetura. Um agente orquestrador encaminha as tarefas e reports os custos, enquanto um agente de revisão verifica todas as entregas.

Os ganhos se acumulam em três etapas. Os funcionários aprimorados geram um rendimento cerca de 5 vezes maior. Os agentes, na qualidade de funcionários sintéticos que realizam tarefas de ponta a ponta, geram um rendimento cerca de 10 vezes maior. É na coordenação de ambos como uma única força de trabalho que, em minha opinião, reside o potencial de 1.000 vezes maior.

A formação segue a mesma lógica. As pessoas aprendem a orientar um agente como se fosse um engenheiro júnior, com um contexto estruturado e resultados claros, e a dedicar seu tempo ao bom gosto, ao planejamento e às decisões.

Os sistemas de IA corporativos dependem fortemente de uma infraestrutura confiável de data, mas muitas organizações continuam enfrentando dificuldades com data fragmentados, governança inconsistente e tecnologia legada. Quais recursos fundamentais as empresas devem priorizar ao preparar suas data platforms para a IA autônoma, e como podem se modernizar sem interromper as operações existentes?

Projete sua data platform para um novo tipo de consumidor: os agentes. Um painel com um número incorreto é questionado por um ser humano. Um agente que identifica um número incorreto toma as medidas necessárias, em grande escala.

Priorize quatro recursos. Definições comerciais compartilhadas, para que todos os agentes e equipes entendam o mesmo significado por “cliente ativo”. Um gateway de integração com autenticação e protocolos padrão, como o MCP, para que os agentes acessem data com as permissões da função que desempenham. Qualidade e linhagem observáveis. E data não estruturados tratados como um ativo de primeira classe, pois contratos, tickets e notas de reuniões contêm a maior parte do conhecimento real.

Para modernizar sem interrupções, comece por encapsular os sistemas legados e migre caso a caso. Os agentes também alteram a dinâmica econômica nesse contexto. Atualmente, os fluxos de trabalho de migração com múltiplos agentes modernizam centenas de milhares de linhas de código legado em poucos meses, sendo que os seres humanos são os responsáveis por definir a arquitetura.

Além do acesso a data estruturados, os agentes de IA exigem, cada vez mais, uma compreensão do conhecimento institucional, dos processos de negócios e do contexto organizacional. Como as empresas podem capturar e integrar efetivamente esse conhecimento em seus sistemas de IA, e quais riscos surgem quando os agentes operam sem um contexto de negócios suficiente?

É o contexto que transforma um modelo em um colega. As ferramentas compreendem as tarefas; os agentes compreendem o contexto. O senhor não pede a um engenheiro júnior que trabalhe sem explicar o objetivo, as restrições e o que se considera um bom resultado, e o mesmo se aplica a um agente.

Capture o conhecimento a partir do próprio trabalho, em vez de grandes projetos de documentação que são difíceis de manter atualizados. Cada reunião, ticket, decisão e correção alimenta uma camada de contexto que combina arquivos, tabelas, vetores e um gráfico de relações. Cada tarefa concluída é registrada na memória, de modo que a organização aprende a cada entrega. E o contexto requer sua própria governança: avaliações, permissões e controle de custos.

Sem contexto, os agentes tendem a enfrentar dificuldades de algumas maneiras previsíveis. Eles seguem a regra escrita e ignoram a regra não escrita que todos conhecem. Eles recuperam as informações erradas e respondem com total confiança. Eles se baseiam em dados do último trimestre. E uma camada de contexto sem permissões rigorosas pode colocar data confidenciais em risco.

Muitas empresas medem o sucesso da IA por meio de melhorias na produtividade, taxas de adoção ou do número de projetos-piloto lançados. Quais métricas os CIOs e líderes empresariais devem utilizar para avaliar o retorno sobre o investimento real em IA, especialmente ao levar em conta os custos de infraestrutura, a manutenção contínua e a complexidade operacional dos agentes autônomos?

Avalie a força de trabalho híbrida, não a ferramenta. A adoção é apenas o primeiro de quatro níveis, sempre em comparação com uma linha de base estabelecida antes da implementação. A adoção avalia se as pessoas utilizam a ferramenta. A produtividade avalia se entregamos mais rapidamente: tempo de execução, rendimento, tempo de resolução. A qualidade avalia se o resultado é melhor: defeitos não detectados, taxa de falha nas alterações, retrabalho. Valor e custo avaliam se vale a pena: esforço economizado, tempo de lançamento no mercado, custo total por tarefa.

Um indicador que é fácil deixar passar despercebido é a forma como a capacidade cognitiva se distribui entre humanos e agentes, equipe por equipe. A capacidade humana liberada precisa ser redirecionada, de forma intencional, para tarefas voltadas para o futuro. Caso contrário, parte do ganho se perde.

No que diz respeito aos custos, a definição de preços está mudando de taxas fixas para um modelo baseado no uso, o que pode tornar as faturas mais difíceis de prever; portanto, o roteamento de modelos e o FinOps devem fazer parte da plataforma desde o primeiro dia. Trate os gastos com IA como cloud: visíveis, atribuídos a uma equipe e vinculados ao valor.

A Artefact atua com empresas dos setores de serviços financeiros, saúde, manufatura, varejo e outros, nos quais a adoção da IA apresenta diferentes desafios. Que lições estão surgindo das implantações reais nesses setores, e como as organizações devem equilibrar a inovação com a conformidade regulatória, a confiabilidade e a supervisão humana?

Todos os setores enfrentam a mesma questão: como dividir o trabalho entre seres humanos e agentes. O que muda é a proporção do ciclo externo que deve permanecer a cargo dos seres humanos. No varejo e no setor de bens de consumo, os erros têm um custo baixo, de modo que os agentes assumem uma parcela maior do trabalho com mais rapidez. Na indústria, a confiabilidade e a integração com os sistemas operacionais determinam o ritmo. Nos serviços financeiros e na área da saúde, todas as decisões devem ser explicáveis; por isso, os seres humanos mantêm uma parcela maior das tarefas de verificação e tomada de decisão por mais tempo.

A lição que vejo em todos os lugares é que a conformidade funciona melhor quando é uma característica da plataforma, incorporada desde o início. Quando as medidas de proteção, os registros de auditoria e as aprovações humanas fazem parte da estrutura, cada novo caso de uso as herda. Quando a conformidade surge apenas no final, cada novo projeto precisa reiniciar essa discussão.

A supervisão deve ser escalonada. Os agentes atuam de forma autônoma em tarefas de baixo risco, são avaliados apenas em casos excepcionais em tarefas de risco médio e apenas tomam a decisão em tarefas de alto risco. Os níveis são ajustados à medida que a confiança é conquistada.

Com a realização da Cúpula Adopt AI da Artefact, que ocorrerá em Paris neste mês de dezembro, os debates sobre soberania em IA, governança e competitividade industrial estão se tornando cada vez mais importantes. Como o senhor avalia a influência da abordagem europeia à adoção da IA nas estratégias empresariais globais, e quais desenvolvimentos o senhor acredita que definirão a próxima fase da IA empresarial nos próximos anos?

A Europa foi uma das primeiras a levantar a questão da soberania, e acredito que isso esteja se tornando um princípio de projeto global. As multinacionais não desejam uma arquitetura diferente para cada regulamentação; por isso, projetam com base na mais rigorosa: possuir seu próprio contexto, alugar seus modelos e manter o controle sobre onde eles são executados e quem detém as chaves. A próxima oportunidade para a Europa é dedicar a mesma energia à adoção, pois a competitividade decorrerá do uso em escala.

A próxima fase é a organização híbrida, e acredito que esse seja o futuro do trabalho. As empresas passarão de contar o número de funcionários para gerenciar uma capacidade cognitiva compartilhada entre seres humanos e agentes. Os agentes assumirão a maior parte do trabalho voltado para o passado: análise, programação e elaboração de relatórios. Os seres humanos passarão a se dedicar ao trabalho voltado para o futuro: bom gosto, visão, planejamento e tomadas de decisão.

Acredito que as empresas que resolverem primeiro a questão da divisão do trabalho serão as pioneiras. É essa a discussão que desejo ter em Paris para definir os próximos anos.

Obrigado Antoine Tardif, CEO e fundador da Unite.AI Para conhecer esta entrevista detalhada, você pode ler mais sobre a Unite.AI aqui: https://www.unite.ai/victor-coimbra-cto-and-managing-partner-at-artefact-interview-series/