IA no Quinto Andar com Paulo Golgher

IA gera mais valor quando resolve problemas reais

Muito antes da explosão da IA generativa, empresas digitais já utilizavam Machine Learning para resolver problemas centrais do negócio, como análise de crédito, recomendação e precificação.

A chegada dos LLMs ampliou significativamente as possibilidades, principalmente em processos complexos compostos por diversas etapas manuais.

Quando aplicada nesses contextos, a IA pode gerar um efeito combinado:

• melhorar a experiência do usuário;
• aumentar a escalabilidade operacional;
• reduzir custos de operação.

Essa combinação torna os casos de uso muito mais fáceis de justificar financeiramente do que aplicações criadas apenas para acompanhar tendências do mercado.

Comece pequeno, mas pense grande

Uma das estratégias é combinar duas abordagens aparentemente opostas:

• bottom-up, com pequenos experimentos capazes de gerar aprendizado rápido;
• top-down, desenhando desde cedo uma visão de longo prazo para a experiência completa.

Em vez de tentar reinventar todo o produto de uma vez, a estratégia consiste em identificar pequenas partes da jornada onde a IA pode gerar valor imediato. Esses experimentos servem para construir confiança, entender limitações e aprender rapidamente.

Ao mesmo tempo, é importante construir uma plataforma comum para que esses componentes possam evoluir futuramente para uma experiência integrada, evitando criar uma coleção de soluções isoladas.

Produtividade interna é mais difícil de medir

Enquanto aplicações voltadas ao cliente permitem calcular retorno sobre investimento com relativa facilidade, medir o impacto da IA na produtividade interna continua sendo um desafio.

Em áreas como engenharia ou jurídico, alguns indicadores conseguem mostrar ganhos mais claros.

Já em departamentos como finanças ou outras funções administrativas, estabelecer uma relação direta entre uso de IA e aumento de produtividade ainda é muito mais complexo.

Isso cria uma situação curiosa:

• os custos das ferramentas são facilmente mensuráveis;
• os benefícios muitas vezes não são.

Mesmo assim, esperar métricas perfeitas antes de experimentar pode significar perder velocidade em um momento de transformação acelerada.

Governança não pode matar a inovação

Outro desafio recorrente é encontrar o equilíbrio entre segurança e velocidade.

Empresas precisam proteger dados, respeitar legislações, garantir propriedade intelectual e manter padrões mínimos de qualidade. Ao mesmo tempo, processos excessivamente rígidos podem impedir justamente a experimentação necessária para descobrir novos casos de uso.

Uma abordagem interessante é estabelecer alguns princípios inegociáveis como proteção de dados e regras de uso de código, enquanto o restante dos processos permanece aberto a revisões constantes.

Uma prática simples é manter um canal onde qualquer colaborador pode reportar burocracias desnecessárias. Em muitos casos, processos criados anos atrás continuam existindo apenas por inércia.

Governança, nesse contexto, deixa de ser sinônimo de rigidez e passa a significar evolução contínua.

O maior risco hoje talvez seja não experimentar

Ao longo da discussão apareceu uma ideia recorrente: errar faz parte do processo.

A tecnologia ainda está evoluindo rapidamente. Ferramentas mudam todos os meses, modelos melhoram continuamente e praticamente nenhuma empresa possui respostas definitivas sobre como utilizar IA da melhor forma.

Nesse cenário, o erro mais perigoso pode não ser implementar uma iniciativa que depois precise ser ajustada, mas sim deixar de experimentar por medo de falhar.

Naturalmente, isso não significa testar qualquer coisa sem critérios. Significa criar ambientes seguros para aprender rapidamente.

Engenharia muda menos pelo código e mais pelo processo

A expectativa inicial era que a IA revolucionasse apenas a escrita de código.

Na prática, o maior gargalo começou a aparecer antes da implementação.

Hoje é possível pensar no desenvolvimento dividido em três grandes etapas:

1. preparação da solução (entendimento do problema, definição de requisitos e especificações);
2. implementação do código;
3. validação, revisão e entrega.

Com a IA acelerando significativamente a segunda etapa, o tempo passou a ser consumido principalmente pela preparação e pelo refinamento das especificações.

Isso fez crescer a importância de abordagens como:

• desenvolvimento orientado por especificações (spec-driven development);
• padronização de arquiteturas;
• definição clara de padrões técnicos;
• reutilização de componentes.

Quanto mais padronizada for a plataforma de engenharia, melhor a IA consegue produzir código consistente.

Pair programming continua relevante, mas agora com IA

Treinamentos tradicionais nem sempre são suficientes para acelerar a adoção.

O formato que trouxe melhores resultados no Quinto Andar foi colocar pessoas experientes utilizando IA lado a lado com quem ainda está aprendendo.

Em vez de cursos teóricos, resolver problemas reais em sessões de pair programming permite que boas práticas sejam absorvidas de forma muito mais natural.

Além disso, essa abordagem ajuda na configuração correta das ferramentas e reduz a resistência de profissionais mais experientes.

As fronteiras entre funções estão ficando menores

Outro efeito observado é a redução das barreiras entre diferentes áreas.

Com ferramentas de IA:

• designers conseguem criar protótipos funcionais;
• engenheiros conseguem colaborar mais diretamente em decisões de produto;
• profissionais de produto conseguem validar ideias antes mesmo da implementação definitiva.

Isso não elimina a necessidade das especialidades, mas torna a comunicação muito mais eficiente.

Em vez de trabalhar apenas com documentos e mockups, as equipes conseguem discutir protótipos reais.

Times menores e mais experientes

A tendência observada aponta para equipes mais enxutas, compostas por profissionais mais seniores e com maior autonomia.

Isso acontece porque parte das tarefas repetitivas ou operacionais passou a ser acelerada pela IA.

Ao mesmo tempo, cresce a necessidade de profissionais capazes de compreender simultaneamente:

• tecnologia;
• produto;
• negócio;
• experiência do usuário.

Essa transformação também fortalece carreiras técnicas de alto impacto, nas quais profissionais podem gerar enorme valor para a empresa mesmo sem exercer gestão de pessoas.

O papel do gestor também está mudando

A IA reduziu parte da distância entre liderança e execução técnica.

Com ferramentas capazes de acelerar análises, prototipação e desenvolvimento, gestores conseguem participar mais ativamente das discussões técnicas sem necessariamente executar todas as tarefas.

Isso tende a tornar as fronteiras entre liderança, arquitetura e desenvolvimento menos rígidas.

O gestor continua exercendo seu papel organizacional, mas passa a contribuir tecnicamente com muito mais frequência.

O desafio dos profissionais em início de carreira

Um dos temas mais delicados da conversa foi o impacto da IA sobre profissionais juniores.

É natural que empresas passem a contratar equipes menores e mais experientes quando parte das atividades básicas pode ser automatizada.

Ao mesmo tempo, existe uma preocupação legítima:

se ninguém contratar profissionais iniciantes hoje, de onde virão os profissionais seniores de amanhã?

Ainda não existe uma resposta definitiva para essa questão. Algumas empresas continuam investindo em programas de estágio e contratação de talentos promissores, embora de forma mais seletiva.

É um desafio que provavelmente precisará ser enfrentado por toda a indústria nos próximos anos.

O próximo passo: IA verdadeiramente proativa

Talvez uma das reflexões mais interessantes tenha sido sobre o futuro da IA.

Grande parte das soluções atuais funciona de maneira reativa: recebem uma solicitação e respondem.

O desafio seguinte parece ser desenvolver sistemas capazes de agir de forma mais proativa, identificando oportunidades, antecipando necessidades e iniciando ações antes mesmo de receber comandos explícitos.

Em outras palavras, aproximar o comportamento da IA da maneira como seres humanos organizam seu próprio trabalho.

Ainda existem muitos desafios técnicos para tornar isso realidade, mas essa pode ser uma das próximas grandes evoluções da tecnologia.

Conclusão

A adoção de IA dentro das empresas está entrando em uma fase mais madura. O foco deixa de ser apenas experimentar modelos e passa a ser construir processos sustentáveis, escaláveis e integrados ao negócio.

Os principais aprendizados dessa jornada mostram que:

• IA gera mais valor quando resolve problemas concretos;
• experimentação rápida precisa caminhar junto com uma visão de longo prazo;
• produtividade interna exige novas formas de medição;
• governança deve proteger sem bloquear inovação;
• equipes tendem a ficar menores, mais experientes e multidisciplinares;
• o maior erro, neste momento, pode ser deixar de experimentar.