Este site usa cookies e tecnologias afins que nos ajudam a oferecer uma melhor experiência. Ao clicar no botão "Aceitar" ou continuar sua navegação você concorda com o uso de cookies.
Ao longo de quase 20 anos de atuação em Inteligência Artificial, construí minha trajetória conectando pesquisa, tecnologia e estratégia empresarial para resolver problemas de alto impacto. Liderei iniciativas em serviços financeiros, setor público, agronegócio e educação, com resultados que incluem projetos com retorno estimado em R$ 250 milhões por ano, aumento de receita da ordem de R$ 50 milhões anuais, recuperação de mais de R$ 5 milhões em recursos públicos e reduções relevantes de custos operacionais. Minha atuação evoluiu de Machine Learning, modelos preditivos e Visão Computacional para IA Generativa, LLMs, agentes de IA e sistemas multiagentes. Hoje, concentro meu trabalho em transformar Inteligência Artificial em capacidade empresarial, conectando estratégia de IA, arquitetura, produtos, governança e inovação a crescimento, eficiência, gestão de riscos e vantagem competitiva. Sou Ph.D. em Ciência da Computação pela USP e atuo na interface entre executivos, negócio, pesquisa e engenharia para transformar oportunidades tecnológicas em resultados mensuráveis.
Minha trajetória em Inteligência Artificial foi construída com uma convicção simples: tecnologia só cria valor quando melhora uma decisão, reduz um custo, aumenta uma receita ou transforma a forma como uma organização opera. Ao longo de quase duas décadas, atuei em pesquisa aplicada, Ciência de Dados, Machine Learning, Visão Computacional, IA Generativa, agentes de IA e arquitetura de soluções corporativas. Essa evolução técnica sempre esteve conectada a problemas reais de negócio.
Trabalhei em contextos de alta complexidade, com grandes volumes de dados, operações reguladas, decisões de crédito, fiscalização pública, agronegócio e transformação digital. Em cada cenário, meu papel foi aproximar capacidade tecnológica e impacto econômico. Isso significou transformar hipóteses em modelos, modelos em produtos e produtos em resultados que pudessem ser medidos.
Nos últimos anos, essa atuação avançou para estratégia de IA, arquitetura empresarial, produtos de IA, sistemas agênticos e governança. Passei a trabalhar ainda mais próximo de executivos, diretores e equipes multidisciplinares, conectando prioridades corporativas a roadmaps de Inteligência Artificial.
Hoje, meu foco está em ajudar organizações a construir capacidades de IA que sejam úteis, seguras, escaláveis e economicamente justificáveis. Não vejo IA como uma coleção de ferramentas. Vejo como uma capacidade empresarial que precisa combinar estratégia, dados, arquitetura, governança, pessoas e métricas de valor. Essa orientação também define como avalio tendências. Novidade tecnológica só merece espaço quando aumenta a capacidade de executar, decidir ou competir melhor.
Minha formação científica moldou a maneira como analiso problemas empresariais. Pesquisa exige formular boas perguntas, separar hipótese de evidência, testar alternativas e reconhecer limites. Levei esse rigor para toda a minha trajetória profissional. Em vez de começar pela tecnologia disponível, procuro entender primeiro qual decisão precisa melhorar, qual processo limita o negócio e qual resultado justificaria o investimento.
Essa abordagem começou com Machine Learning e modelagem matemática e evoluiu para problemas de escala corporativa. No setor financeiro, trabalhei com risco de crédito, inclusão financeira, originação e modelos preditivos. No setor público, usei Inteligência Artificial para analisar grandes volumes de dados fiscais, detectar anomalias e apoiar a priorização de auditorias. No agronegócio, desenvolvi soluções de Visão Computacional para automatizar atividades especializadas e apoiar decisões de produtividade e gestão de risco.
Com a maturidade da IA Generativa, ampliei esse trabalho para LLMs, agentes de IA, sistemas multiagentes e memória de longo prazo. A base, porém, continua a mesma. Tecnologia precisa responder a uma hipótese de valor.
Essa combinação entre pesquisa aplicada e visão de negócios me permite conversar com especialistas sobre arquitetura, avaliação e confiabilidade, e com executivos sobre receita, eficiência, risco, escala e vantagem competitiva. É nessa interseção que concentro meu trabalho. Esse raciocínio ajuda a evitar soluções desnecessariamente complexas e mantém a inovação conectada às prioridades estratégicas da organização.
Para mim, Inteligência Artificial para negócios deve ser tratada como instrumento de desempenho empresarial. Uma solução de IA precisa alterar alguma variável relevante para a organização. Pode aumentar conversão, ampliar receita, reduzir perdas, acelerar um processo, melhorar uma decisão, elevar produtividade ou criar uma nova capacidade estratégica. Quando essa conexão não está clara, a tecnologia corre o risco de se tornar apenas experimentação sem impacto.
Essa visão orientou meu trabalho em diferentes setores. Em instituições financeiras, participei do desenvolvimento de soluções de Machine Learning, modelos de risco de crédito, IA Generativa e arquiteturas agênticas ligadas a crescimento, eficiência operacional e automação. Na administração pública, modelos preditivos e detecção de anomalias foram aplicados para melhorar fiscalização e recuperação de recursos. No agronegócio, Deep Learning e Visão Computacional ajudaram a reduzir trabalho manual e apoiar decisões operacionais.
O mesmo princípio vale para produtos de IA mais recentes. Agentes de IA, sistemas multiagentes, LLMs e arquiteturas corporativas só fazem sentido quando estão ligados a métricas de negócio e a uma estratégia de adoção.
Por isso, considero crescimento, eficiência e competitividade como dimensões complementares. Crescer sem controle de custo não é suficiente. Automatizar sem confiabilidade não é transformação. Adotar IA sem governança cria risco. O objetivo é construir uma capacidade que gere resultado, preserve controle e aumente a vantagem competitiva ao longo do tempo.
Resultados concretos são a melhor forma de avaliar o valor da Inteligência Artificial dentro de uma empresa. Ao longo da minha carreira, trabalhei em iniciativas nas quais o impacto precisava ser demonstrado em indicadores financeiros, operacionais e estratégicos. Essa disciplina é especialmente importante em grandes organizações, onde uma solução tecnicamente sofisticada pode não justificar sua complexidade se não produzir retorno mensurável.
No setor financeiro, liderei pesquisas aplicadas, arquitetura e desenvolvimento de soluções avançadas de IA para demandas estratégicas e operacionais do Bradesco, com retorno estimado em R$ 250 milhões por ano. Um dos modelos associados a esse trabalho, o Renda Bra 5.0, recebeu reconhecimento internacional do The Banker.
Em uma etapa anterior, desenvolvi e implementei soluções de Machine Learning e modelagem preditiva para Banrisul e Bradesco associadas a aumento de receita da ordem de R$ 50 milhões por ano. Também trabalhei com modelos de renda, originação de crédito, identificação de públicos vulneráveis e mitigação de risco.
No setor público, iniciativas de Inteligência Artificial aplicadas à administração fiscal contribuíram para recuperar mais de R$ 5 milhões. No agronegócio, soluções de Deep Learning e Visão Computacional geraram economia de aproximadamente R$ 100 mil por mês para o cliente.
Esses números representam mais do que cases. Eles reforçam a forma como avalio IA para negócios: o desempenho do modelo importa, mas o resultado final precisa aparecer em receita, custo, risco, produtividade, qualidade ou capacidade estratégica. Essa é a referência que levo para cada nova iniciativa.
Uma das principais lições da minha trajetória é que o impacto econômico da IA raramente vem de um único algoritmo. Ele surge quando dados, modelos, processos, arquitetura e decisões de negócio são conectados de forma consistente. Foi assim que trabalhei em projetos que combinaram crescimento de receita, redução de custos e melhoria de eficiência operacional.
No setor financeiro, soluções de Machine Learning e modelagem preditiva aplicadas a risco de crédito e inclusão financeira em projetos para Banrisul e Bradesco estiveram associadas a aumento de receita da ordem de R$ 50 milhões por ano. Mais tarde, na liderança de pesquisas aplicadas e soluções avançadas de Inteligência Artificial para o Bradesco, o conjunto de iniciativas sob minha atuação alcançou retorno estimado em R$ 250 milhões por ano.
Em outros setores, a mesma lógica apareceu de formas diferentes. Na administração pública, projetos de IA e transformação digital recuperaram mais de R$ 5 milhões. No agronegócio, soluções de Visão Computacional para reconhecimento automático de nematoides e predição de produtividade geraram economia de cerca de R$ 100 mil por mês.
Esses resultados reforçaram uma prática que mantenho até hoje. Antes de discutir modelos, defino a hipótese econômica. Qual indicador precisa mudar? Quanto vale essa mudança? Como o resultado será medido? Essa disciplina ajuda a priorizar casos de uso e a transformar estratégia de IA em investimento empresarial justificável.
Modelos de IA aplicados a risco e crédito exigem um equilíbrio difícil entre desempenho, explicabilidade, qualidade de dados e impacto comercial. Minha experiência nesse campo foi construída em projetos de grande porte para instituições financeiras, onde pequenas melhorias de decisão podem produzir efeitos relevantes em receita, perdas, inclusão financeira e experiência do cliente.
No Banrisul, concebi e executei um modelo de Renda Presumida baseado em análise transacional e comportamental. O objetivo era viabilizar uma concessão de crédito mais assertiva e ampliar a capacidade de atender clientes sem comprovação formal de renda. Também desenvolvi um modelo analítico para identificar públicos socioeconomicamente vulneráveis, apoiando políticas proativas de renegociação de dívidas e mitigação do risco de inadimplência.
Na Bradescard, desenvolvi um modelo de originação de crédito com aprendizado supervisionado para otimizar o funil de aquisição de clientes e elevar a precisão da concessão. Esses trabalhos fizeram parte de uma trajetória mais ampla em Machine Learning aplicado a decisões financeiras.
A experiência reforçou minha visão sobre IA para bancos e serviços financeiros. Um bom modelo não deve ser avaliado apenas por métricas estatísticas. Ele precisa melhorar a decisão dentro do processo real, respeitar restrições de risco, integrar-se à operação e produzir valor econômico sustentável. É essa combinação entre modelagem, arquitetura, negócio e governança que torna a Inteligência Artificial relevante em ambientes financeiros de grande escala.
Automação corporativa com Inteligência Artificial não significa apenas substituir tarefas manuais. O maior valor aparece quando a tecnologia reduz tempo de ciclo, melhora consistência, amplia capacidade operacional e libera especialistas para decisões de maior valor. Essa perspectiva orientou meu trabalho tanto com modelos tradicionais quanto com IA Generativa e agentes de IA.
Na fase mais recente da minha carreira, arquitetei e prototipei sistemas baseados em LLMs, agentes autônomos e estruturas de memória de longo prazo. O objetivo era permitir retenção de contexto, automação de processos complexos, atendimento inteligente e ganho de produtividade corporativa. Também participei da construção de roadmaps de IA Generativa, priorizando casos de uso, integrações com sistemas corporativos, validação com usuários e evolução controlada para produção.
Em outras experiências, a produtividade foi gerada por caminhos diferentes. Modelos de detecção de anomalias ajudaram a priorizar auditorias fiscais. Visão Computacional reduziu atividades manuais no agronegócio. Modelos de crédito ajudaram a tornar decisões mais rápidas e precisas.
Por isso, trato automação inteligente como redesenho operacional, não como simples adoção de ferramentas. É necessário entender o fluxo completo, identificar gargalos, definir limites de autonomia, medir qualidade e controlar risco. Em grandes empresas, ganho de produtividade sustentável depende de arquitetura, integração, observabilidade e governança.
A tecnologia é apenas uma parte do sistema que precisa funcionar em escala. Quando essa visão é aplicada desde o início, automação deixa de ser promessa e passa a ser uma alavanca concreta de desempenho.
Minha trajetória acompanha diferentes ciclos da Inteligência Artificial. Comecei trabalhando com fundamentos de Machine Learning, modelagem matemática e métodos preditivos. Depois avancei para Deep Learning e Visão Computacional aplicados a problemas operacionais. Nos últimos anos, passei a concentrar parte relevante do trabalho em IA Generativa, Large Language Models, RAG, agentes de IA e sistemas multiagentes.
Essa evolução tecnológica foi importante, mas nunca alterou meu critério principal. A pergunta não é qual tecnologia está em evidência. A pergunta é qual arquitetura resolve melhor o problema, dentro das restrições de negócio, custo, segurança, latência, confiabilidade e governança.
Em ambientes corporativos, isso exige repertório técnico e julgamento. Existem situações em que um modelo supervisionado bem construído é mais adequado do que um LLM. Em outras, recuperação de conhecimento com RAG pode ser suficiente. Processos mais complexos podem justificar agentes de IA com memória, ferramentas, planejamento e coordenação. A escolha precisa ser feita pelo sistema completo, não pelo componente mais novo.
Essa perspectiva também influencia como desenho produtos de IA. Busco arquiteturas reutilizáveis, integração com sistemas corporativos, avaliação contínua e mecanismos de controle. Meu objetivo é transformar avanços tecnológicos em capacidades empresariais estáveis.
A evolução da IA amplia o espaço de possibilidades, mas o valor continua dependendo da capacidade de selecionar, combinar e operar essas tecnologias de forma economicamente responsável. Experiência acumulada em diferentes paradigmas também ajuda a evitar escolhas guiadas apenas por modismo.
Machine Learning, modelos preditivos e Visão Computacional formam uma parte importante da base técnica da minha carreira. Trabalhar com essas tecnologias me ensinou que qualidade de dados, desenho experimental, definição correta do problema e integração com o processo de decisão são tão importantes quanto a escolha do algoritmo.
No setor financeiro, desenvolvi modelos supervisionados para risco de crédito, renda presumida, originação e identificação de públicos com diferentes perfis socioeconômicos. Esses projetos exigiam transformar dados transacionais e comportamentais em sinais úteis para decisões de concessão, aquisição, renegociação e mitigação de risco.
No setor público, utilizei modelos preditivos e algoritmos de detecção de anomalias para analisar grandes volumes de dados fiscais. A aplicação ajudava a identificar irregularidades, priorizar auditorias e aumentar a eficiência dos processos de fiscalização.
No agronegócio, trabalhei com Deep Learning e arquiteturas de Visão Computacional, incluindo Faster R CNN e Mask R CNN, para reconhecimento automático de nematoides e predição de produtividade. A solução reduziu atividades manuais e gerou economia mensal relevante para o cliente.
Essas experiências continuam influenciando meu trabalho com IA Generativa. Elas reforçam a importância de avaliação, evidência e métricas de negócio. Antes de pensar em agentes de IA ou LLMs, ainda faço a mesma pergunta fundamental: qual é o problema de decisão e qual abordagem oferece o melhor equilíbrio entre impacto, complexidade, risco e custo operacional?
IA Generativa trouxe uma nova camada de possibilidades para produtos e operações empresariais. Large Language Models permitem trabalhar com conhecimento não estruturado, linguagem natural, geração, síntese, classificação e raciocínio assistido em uma escala difícil de alcançar com abordagens tradicionais. O desafio corporativo, porém, está em transformar essa capacidade em sistemas confiáveis.
Minha atuação nessa área inclui arquitetura e prototipação de soluções baseadas em LLMs, memória de longo prazo, agentes autônomos e orquestração de processos. Também trabalhei na definição de roadmaps de IA Generativa, priorização de casos de uso, integração com sistemas corporativos, validação com usuários e evolução controlada para produção.
RAG ocupa um papel importante nesse contexto porque permite conectar modelos generativos a conhecimento corporativo autorizado. Mas retrieval não deve ser tratado como um complemento simples. Ingestão, qualidade documental, segmentação de conteúdo, busca semântica, reranking, controle de acesso, rastreabilidade e avaliação precisam funcionar como partes de uma arquitetura única.
Para grandes empresas, uma arquitetura de IA Generativa precisa equilibrar qualidade, custo, latência, segurança e governança. Também precisa considerar dependência de fornecedores e possibilidade de evolução dos modelos.
É dessa forma que trabalho com LLMs e RAG. Não como funcionalidades isoladas, mas como componentes de produtos de IA que precisam operar com contexto, evidência, controle e métricas claras de valor empresarial. A arquitetura deve permitir evolução contínua sem comprometer controles, experiência do usuário ou sustentabilidade econômica.
Agentes de IA representam uma mudança importante na forma como empresas podem automatizar trabalho intelectual. Em vez de apenas gerar uma resposta, um agente pode planejar, consultar informações, utilizar ferramentas, interagir com sistemas, preservar contexto e executar etapas de um processo. Sistemas multiagentes ampliam essa lógica ao distribuir responsabilidades entre componentes especializados.
Minha experiência recente inclui arquitetura e prototipação de agentes autônomos, estruturas de memória de longo prazo e ecossistemas multiagentes. Também desenvolvi propostas de plataformas corporativas nas quais agentes deixam de ser provas de conceito isoladas e passam a compartilhar arquitetura, serviços, políticas, observabilidade e mecanismos de avaliação.
Esse ponto é decisivo para Agentic AI em grandes empresas. Um agente demonstrado em ambiente controlado pode parecer eficiente. Em produção, ele precisa lidar com informações incompletas, falhas de sistemas, permissões, custos, latência, segurança e decisões ambíguas. Autonomia sem governança aumenta risco.
Por isso, penso sistemas agênticos como infraestrutura empresarial. Eles precisam de limites claros de ação, identidade, controle de acesso, memória governada, rastreabilidade, avaliação contínua e supervisão humana quando necessário. Também precisam de métricas de negócio, não apenas métricas técnicas.
O potencial é significativo. Agentes de IA podem reduzir trabalho repetitivo, acelerar processos e criar novos produtos. Mas a vantagem competitiva surge quando a organização transforma agentes em uma capacidade segura, reutilizável e escalável. Esse desenho reduz dependência de soluções pontuais e cria uma base tecnológica que pode evoluir com novos casos de uso.
Estratégia de Inteligência Artificial começa antes da escolha do modelo. Em grandes organizações, o desafio é decidir onde investir, quais capacidades construir, quais riscos aceitar e como conectar tecnologia a prioridades empresariais. Minha atuação nessa frente combina visão de negócio, arquitetura de IA, governança e experiência prática em implantação.
Ao longo da carreira, trabalhei com problemas nos quais a decisão tecnológica precisava considerar impacto econômico, integração, escalabilidade, segurança e contexto regulatório. Em projetos mais recentes, liderei a construção de roadmaps de IA Generativa organizados por horizontes de implementação, com priorização de casos de uso, integração com sistemas corporativos, validação com usuários e evolução controlada para produção.
Também estruturei frameworks de governança, mitigação de riscos e conformidade para adoção responsável de soluções de IA em ambiente bancário. Isso reforçou uma convicção importante: estratégia, arquitetura e governança não devem ser tratadas como etapas separadas. Elas precisam evoluir juntas.
Uma estratégia de IA madura define o valor esperado, os critérios de sucesso, o modelo operacional e os limites da solução. A arquitetura traduz essas decisões em componentes, dados, integrações e controles. A governança garante que o sistema continue operando dentro das regras estabelecidas.
Meu foco é construir essa conexão. A melhor estratégia de IA não é a que apresenta o maior número de iniciativas. É a que transforma prioridades empresariais em um portfólio executável, mensurável, seguro e capaz de evoluir com a organização.
Uma boa estratégia de IA começa pela oportunidade de negócio, não pela tecnologia. Antes de definir modelos, agentes ou fornecedores, procuro entender qual problema merece ser resolvido, quem é afetado, qual indicador deve mudar e qual valor econômico pode ser capturado. Essa etapa evita que a empresa acumule provas de conceito sem conexão com prioridades reais.
A partir daí, transformo a oportunidade em hipótese de valor. Isso envolve estabelecer métricas, restrições, riscos e critérios de sucesso. Só então a discussão de arquitetura ganha sentido. É preciso decidir como dados, modelos, APIs, sistemas corporativos, mecanismos de segurança e componentes de observabilidade irão trabalhar juntos.
Em minha experiência recente, liderei a construção de um roadmap de IA Generativa com horizontes de implementação. A priorização considerava casos de uso, integração, validação com usuários e evolução controlada para produção. Esse tipo de roadmap ajuda a organização a equilibrar velocidade com aprendizado e investimento com evidência.
Também considero importante separar iniciativas exploratórias de capacidades estruturantes. Alguns casos servem para testar valor. Outros justificam plataformas compartilhadas, componentes reutilizáveis e padrões corporativos.
Para mim, arquitetura de IA e roadmap de IA são instrumentos de decisão executiva. Eles precisam responder onde investir agora, o que aprender primeiro, quais dependências remover e quais capacidades criar para o futuro. Essa disciplina reduz dispersão, melhora governança e aumenta a probabilidade de transformar Inteligência Artificial em resultado empresarial sustentável.
A distância entre uma prova de conceito e uma solução de IA em produção costuma ser maior do que parece. Um protótipo pode funcionar com poucos usuários, dados controlados e supervisão constante. Em escala corporativa, surgem requisitos de disponibilidade, segurança, integração, observabilidade, custo, desempenho e suporte operacional.
Minha abordagem é tratar a transição para produção como parte do desenho da solução desde o início. Isso significa validar não apenas a qualidade do modelo, mas o comportamento do sistema completo. É preciso testar casos de falha, entradas inesperadas, dependências externas, latência, custos e mecanismos de recuperação.
Nos projetos de IA Generativa em que atuei, o roadmap incluía integração com sistemas corporativos, validação com usuários e evolução controlada. Essa lógica é especialmente importante em ambientes regulados. A velocidade de experimentação precisa ser preservada, mas mudanças relevantes precisam passar por critérios claros de aprovação.
Escalabilidade também não é apenas infraestrutura. Uma solução precisa escalar em uso, governança, operação e manutenção. Se cada novo caso exigir reconstruir controles, integrações e processos, a empresa não criou uma capacidade de IA. Criou uma coleção de projetos.
Por isso, procuro desenhar produtos de IA com reutilização, monitoramento e critérios explícitos de promoção para produção. O objetivo é reduzir risco sem bloquear inovação. Em grandes organizações, escala sustentável exige tecnologia, processo e responsabilidade operacional funcionando como um único sistema.
Governança de IA precisa fazer parte da arquitetura, e não aparecer apenas quando a solução está pronta. Em grandes empresas, especialmente em setores regulados, Inteligência Artificial pode afetar clientes, decisões financeiras, dados sensíveis, reputação e conformidade. Isso exige controles proporcionais ao impacto.
Em minha atuação no setor bancário, estruturei frameworks de governança, mitigação de riscos e conformidade regulatória para apoiar a adoção segura e escalável de soluções agênticas. A experiência reforçou a importância de definir responsabilidades, limites de autonomia, mecanismos de supervisão, critérios de aprovação e rastreabilidade.
Em IA Generativa e agentes de IA, os riscos também mudam de natureza. Um sistema pode produzir informação incorreta, utilizar contexto inadequado, executar uma ação não autorizada ou consumir recursos de forma inesperada. Por isso, segurança, controle de acesso, avaliação e observabilidade precisam ser tratados como requisitos funcionais. Essa preocupação também aparece no desenho de plataformas corporativas de Agentic AI, com identidade, menor privilégio, aplicação de políticas, supervisão humana e trilhas de auditoria.
Inteligência Artificial responsável também significa saber quando a decisão deve permanecer humana. Supervisão não é um sinal de fragilidade da tecnologia. É parte do desenho adequado de sistemas que operam em contextos de alto impacto.
Minha visão de governança de IA é prática. O objetivo não é criar burocracia. É permitir que a empresa inove com confiança. Bons controles reduzem incerteza, deixam responsabilidades claras e tornam a escala mais segura. Em ambientes regulados, essa disciplina também fortalece confiança entre tecnologia, negócio, risco e alta liderança.
Liderança em Inteligência Artificial exige mais do que domínio técnico. Em grandes empresas, as decisões relevantes atravessam áreas com objetivos, linguagens e restrições diferentes. Executivos avaliam retorno, risco e prioridade. Especialistas discutem dados, modelos e arquitetura. Operações precisam de confiabilidade. Jurídico e compliance precisam de controle. O papel da liderança é conectar essas perspectivas sem perder clareza.
Minha trajetória me colocou repetidamente nessa posição. Atuei na interface com diretores e stakeholders executivos, liderei equipes técnicas, conduzi workshops e participei de comitês de alinhamento estratégico. Em paralelo, mantive envolvimento direto com pesquisa aplicada, desenho de arquitetura e desenvolvimento de soluções de IA.
Essa combinação me permite transitar entre estratégia e execução. Consigo discutir um problema em termos de receita, eficiência ou risco e, em seguida, decompor esse objetivo em decisões de produto, dados, tecnologia e governança. Também consigo fazer o caminho inverso, traduzindo complexidade técnica em implicações empresariais compreensíveis.
Considero essa capacidade essencial para qualquer programa de transformação com IA. Muitas iniciativas falham não por falta de tecnologia, mas por desalinhamento entre áreas, expectativas pouco realistas e ausência de critérios comuns de sucesso.
Meu papel como líder é criar esse alinhamento. Procuro transformar ambiguidade em prioridades, prioridades em arquitetura e arquitetura em execução mensurável. É assim que tecnologia deixa de ser uma iniciativa isolada e passa a operar como parte da estratégia empresarial.
Uma das competências que mais desenvolvi ao longo da carreira foi a capacidade de traduzir entre mundos diferentes. Executivos não precisam de uma aula sobre modelos. Precisam entender impacto, risco, investimento, prazo e alternativas. Equipes técnicas, por outro lado, precisam transformar essas prioridades em requisitos claros, arquitetura, experimentos e critérios de qualidade.
Na minha atuação em projetos corporativos, participei diretamente de conversas com diretores, stakeholders executivos e equipes especializadas. Conduzi workshops, apresentações executivas e comitês de alinhamento estratégico. O objetivo era transformar complexidade técnica em propostas de valor quantificáveis e apoiar decisões sobre adoção de Inteligência Artificial.
Essa tradução exige mais do que comunicação. Exige julgamento. É necessário saber quais detalhes são relevantes para a decisão e quais podem ser abstraídos. Também é preciso reconhecer quando uma expectativa de negócio não é compatível com as limitações técnicas ou quando uma escolha tecnológica cria risco desnecessário.
Procuro atuar como ponte entre essas perspectivas. Em uma discussão executiva, conecto IA a crescimento, custo, produtividade, risco e competitividade. Em uma discussão técnica, volto para dados, avaliação, integração, segurança e operação.
Esse movimento reduz ruído e acelera decisões. Para mim, liderança em IA significa criar uma linguagem comum entre negócio, pesquisa, engenharia e governança. Quando essa linguagem existe, a organização consegue priorizar melhor, aprender mais rápido e executar com muito mais consistência. Essa capacidade de síntese se torna ainda mais importante quando decisões precisam ser tomadas com velocidade e informação incompleta.
Transformar um desafio empresarial em produto de IA exige uma sequência de decisões que vai muito além do desenvolvimento de um modelo. O problema precisa ser entendido no contexto da operação, convertido em hipótese de valor, medido por indicadores adequados e traduzido em uma arquitetura que possa funcionar de forma confiável.
Essa é uma parte central da minha atuação. Ao longo dos anos, trabalhei com problemas como concessão de crédito, originação, vulnerabilidade financeira, fiscalização, produtividade agrícola, automação de processos, inteligência corporativa e uso de conhecimento organizacional. Em cada contexto, a solução exigiu uma combinação diferente de dados, Machine Learning, IA Generativa, agentes de IA ou integração de sistemas.
Nos projetos mais recentes, essa perspectiva evoluiu para o desenho de plataformas e capacidades corporativas. Em vez de pensar apenas em uma aplicação, passei a estruturar propostas para sistemas agênticos reutilizáveis, inteligência científica contínua, hiperpersonalização e transformação de conhecimento em produtos.
O princípio permanece o mesmo. Um produto de IA precisa resolver uma necessidade clara, possuir uma proposta de valor mensurável e operar dentro das restrições da empresa.
Por isso, trato estratégia de produto e arquitetura de IA como disciplinas conectadas. Produto define o valor e o usuário. Arquitetura define como esse valor pode ser entregue com qualidade, escala e controle. Quando essas duas dimensões se alinham, a tecnologia deixa de ser experimento e se torna capacidade empresarial.
Construir capacidade de Inteligência Artificial dentro de uma empresa também significa desenvolver pessoas. Modelos, plataformas e processos mudam rapidamente. Sem maturidade técnica e capacidade de julgamento distribuída, a organização fica dependente de poucos especialistas e perde velocidade na tomada de decisão.
Essa preocupação esteve presente em diferentes momentos da minha trajetória. No Banrisul, liderei durante 18 meses um programa de mentoria e capacitação técnica em Ciência de Dados para uma equipe de 14 analistas. O trabalho ajudou a estabelecer boas práticas de modelagem e elevar a maturidade analítica da instituição.
Como cofundador e diretor científico de uma edtech e comunidade voltada a Ciência de Dados e Inteligência Artificial aplicada a negócios, projetei e ministrei programas de capacitação, cursos e trilhas educacionais. Centenas de profissionais passaram por essas iniciativas com foco na resolução de problemas corporativos reais.
Também conduzi workshops e apresentações executivas em ambientes empresariais. Nesses contextos, o objetivo não era ensinar tecnologia em profundidade, mas melhorar a qualidade das decisões sobre IA.
Vejo desenvolvimento de equipes como parte da estratégia de transformação digital. Uma organização madura não depende apenas de contratar especialistas. Ela cria padrões, linguagem comum, critérios de avaliação e mecanismos de aprendizagem contínua. Liderança técnica, nesse sentido, significa multiplicar capacidade. O resultado mais valioso não é apenas entregar uma solução, mas deixar a organização mais preparada para construir, avaliar e governar as próximas.
Pesquisa aplicada sempre foi uma das bases da minha forma de trabalhar com Inteligência Artificial. Para mim, pesquisa não é uma atividade separada do negócio. É um mecanismo para reduzir incerteza, testar hipóteses, descobrir novas capacidades e construir diferenciação tecnológica. Quando conectada a problemas relevantes, ela pode se transformar em produtos, propriedade intelectual e vantagem competitiva.
Minha formação acadêmica em Ciência da Computação criou essa base. Ao longo da carreira, porém, o foco passou a ser cada vez mais empresarial. Trabalhei com pesquisa aplicada em instituições financeiras, administração pública, agronegócio e projetos de IA avançada. Em cada contexto, o objetivo era transformar conhecimento técnico em capacidade prática.
Nos projetos mais recentes, essa visão se ampliou para plataformas de agentes de IA, inteligência científica, hiperpersonalização, engenharia de software agêntica, otimização de descoberta e sistemas de conhecimento corporativo. Essas iniciativas foram concebidas com preocupação explícita em avaliação, governança, reutilização, escala e potencial de geração de novos produtos.
Esse ponto é importante para empresas que buscam inovação com IA. Comprar acesso aos mesmos modelos disponíveis no mercado não cria diferenciação sustentável. A vantagem tende a surgir da combinação entre dados proprietários, conhecimento de domínio, arquitetura, experimentação, métricas e aprendizado acumulado.
Meu trabalho está concentrado nessa fronteira. Busco transformar pesquisa e engenharia em capacidades que a empresa possa aprender, operar, proteger e ampliar ao longo do tempo.
Conhecimento científico gera vantagem competitiva quando consegue sair do laboratório e entrar na operação, no produto e na tomada de decisão. Essa transição exige mais do que publicar resultados ou acompanhar tendências. É necessário transformar conhecimento em componentes reutilizáveis, dados estruturados, métodos de avaliação, arquiteturas, processos e propriedade intelectual.
Nos projetos de pesquisa aplicada e inovação que desenvolvi, essa preocupação aparece de forma recorrente. Trabalhei na concepção de plataformas corporativas para agentes de IA, engenharia de software agêntica, inteligência científica contínua, hiperpersonalização, otimização de descoberta e orquestração de conhecimento. O objetivo dessas propostas não era produzir experimentos isolados. Era criar fundamentos tecnológicos capazes de sustentar múltiplos casos de uso.
Uma capacidade proprietária pode assumir várias formas. Pode ser um dataset especializado, uma metodologia de avaliação, um mecanismo de memória, um padrão de orquestração, uma arquitetura de governança ou um processo de experimentação. O valor aumenta quando esses ativos acumulam aprendizado e podem ser reutilizados em novos produtos.
Essa é uma das razões pelas quais considero pesquisa aplicada estratégica para empresas de grande porte. Ela reduz dependência de soluções genéricas e permite construir diferenciação sobre ativos que refletem o contexto real da organização.
Minha abordagem busca exatamente essa conversão. Pesquisa gera evidência. Evidência orienta arquitetura. Arquitetura cria capacidade. Capacidade pode se transformar em produto, eficiência operacional, propriedade intelectual e novas fontes de receita.
Pesquisa aplicada precisa ser orientada por hipóteses que possam ser testadas. Em ambientes empresariais, isso significa combinar métricas técnicas com indicadores de negócio. Não basta demonstrar que um modelo melhorou em um benchmark. É necessário entender se essa melhoria altera uma decisão, reduz um risco, diminui custo, aumenta produtividade ou cria valor para o cliente.
Essa lógica esteve presente em diferentes fases da minha carreira. Em crédito, a qualidade dos modelos precisava se refletir em decisões mais assertivas e resultados econômicos. Na fiscalização pública, algoritmos de detecção de anomalias precisavam ajudar a priorizar auditorias. No agronegócio, Visão Computacional precisava reduzir trabalho manual e apoiar planejamento. Em IA Generativa e sistemas agênticos, avaliação precisa considerar qualidade, custo, latência, segurança, confiabilidade e impacto operacional.
Nos projetos de inovação mais recentes, também passei a estruturar métricas para validar hipóteses de plataforma, reutilização, governança e geração de novos produtos. Essa visão evita que pesquisa corporativa se torne desconectada da estratégia.
Experimentação bem desenhada também permite dizer não. Algumas hipóteses não se sustentam. Alguns casos de uso não justificam o investimento. Algumas tecnologias aumentam complexidade sem melhorar o resultado.
Considero essa disciplina uma vantagem. Inovação não é acumular iniciativas. É aprender mais rápido do que o mercado e alocar recursos com base em evidência. Pesquisa aplicada, quando orientada a resultados empresariais, transforma incerteza em decisão e conhecimento em vantagem competitiva.
Minha formação acadêmica fornece a base científica sobre a qual construí minha atuação profissional. Sou Ph.D. em Ciência da Computação pela Universidade de São Paulo, onde também concluí o mestrado. Minha pesquisa envolveu classificação semissupervisionada em grafos, regularização de ordem superior e modelagem matemática. Antes disso, concluí o bacharelado em Ciência da Computação pela Universidade Federal de São Paulo.
Essa formação me ensinou a trabalhar com problemas abertos, evidência incompleta e hipóteses que precisam ser testadas com rigor. Ao longo de quase duas décadas, levei esse método para ambientes empresariais cada vez mais complexos.
Minha trajetória passou por Machine Learning, modelos preditivos, Deep Learning, Visão Computacional, Ciência de Dados, IA Generativa, Large Language Models e sistemas agênticos. Também evoluiu de uma atuação predominantemente técnica para responsabilidades de arquitetura, liderança, estratégia de IA, governança e comunicação executiva.
Essa combinação é o que define meu posicionamento profissional hoje. Tenho profundidade para discutir modelos, avaliação e arquitetura com especialistas. Ao mesmo tempo, consigo conectar essas decisões a receita, custo, risco, produtividade, governança e estratégia com executivos.
Não considero o doutorado um ponto de chegada. Ele foi uma base para uma carreira construída na aplicação prática da Inteligência Artificial. Meu interesse continua sendo o mesmo: compreender tecnologias em profundidade suficiente para transformá-las em soluções relevantes, mensuráveis e responsáveis para organizações que precisam inovar em escala. É essa combinação de rigor científico, experiência prática e visão executiva que procuro levar para cada desafio.