Na edição de hoje:

🎯 O viés que custa 30% do orçamento (e que também já tivemos)

🎯 Arquitetura Orientada a Resultados e a pergunta que muda a ordem de tudo

🏆 O bureau que trocou a tecnologia mais conhecida do mercado pela que resolvia o problema

THE DARK SIDE

O viés que custa 30% do orçamento (e que também já tivemos)

Um relatório recente da Flexera mostra que empresas desperdiçam até 30% do orçamento de tecnologia em ferramentas redundantes ou subutilizadas. O motivo, na maioria das vezes, é tecnologia comprada antes da melhor pergunta ter sido feita.

Existe um padrão que se repete com frequência nas empresas. Alguém domina uma tecnologia específica e, aos poucos, passa a enxergar todos os desafios através dela, propondo a mesma solução mesmo quando o problema pede outra coisa.

Isso tem nome: viés arquitetural, o momento em que o conhecimento técnico consolidado direciona, de forma inconsciente, tanto a análise do problema quanto a solução proposta.

“Digo isso com conhecimento de causa. A PowerOfData também já operou assim. Tínhamos gente excelente, tecnicamente muito acima da média, entregando soluções corretas para perguntas que não eram as melhores que podíamos fazer. O que mudou nossos resultados não foi trocar o time nem a stack. Foi mudar a pergunta que abre o projeto. As mesmas pessoas, focadas em responder algo mais adequado, passaram a produzir respostas mais ajustadas ao que o cliente precisava.”

Dalmer Sella, co-fundador e CEO da PowerOfData.

Reconhece a situação?

Seu time, ou seu fornecedor, sugere a tecnologia que já domina antes de entender de verdade qual problema você está tentando resolver. A ferramenta vem primeiro, e o resultado vem depois, se vier.

Boa parte do entusiasmo tecnológico que circula em congressos e eventos do setor vem de quem patrocina, não de quem vai conviver com a decisão depois. Isso cria um ecossistema de recomendações onde quase nunca se pergunta se os incentivos de quem influencia a escolha estão alinhados ao resultado do cliente no longo prazo, ou se a métrica de sucesso de quem recomenda é simplesmente quanto o cliente vai gastar.

O resultado prático desse viés é conhecido por qualquer gestor que já viu um projeto sair do controle: custos crescentes, flexibilidade cada vez menor, retorno muito aquém do investido. É o equivalente a usar um transatlântico para atravessar um riozinho, quando um barco pequeno resolveria com menos custo e mais agilidade.

Esse padrão não é exclusividade de quem trabalha com dados no Brasil. A Gartner projeta que mais de 40% dos projetos de IA agentiva serão cancelados até o final de 2027, por causa de custos crescentes, valor de negócio pouco claro e controles de risco inadequados. São exatamente os sintomas de uma tecnologia escolhida antes de alguém formular a melhor pergunta.

A melhor pergunta para abrir qualquer decisão de tecnologia deixou de ser qual ferramenta adotar. Passou a ser o que essa escolha vai gerar de receita, de redução de custo, de experiência para o cliente ou de vantagem competitiva. Enquanto essa pergunta não vier primeiro, o risco de comprar o transatlântico errado continua alto.

POWER PILLS

Arquitetura Orientada a Resultados e a pergunta que muda a ordem de tudo

O segredo é mudar a ordem das perguntas

Na PoD, chamamos essa mudança de perspectiva de Arquitetura Orientada a Resultados, um princípio simples de enunciar e difícil de praticar, onde cada decisão de tecnologia, cada escolha de arquitetura e cada evolução de infraestrutura precisa estar amarrada a um resultado de negócio específico antes de ser aprovada, não depois.

Na prática, isso significa treinar a organização inteira a responder uma pergunta específica antes de qualquer decisão técnica, que é:

Como aquela escolha vai aumentar receita, reduzir custo, melhorar a experiência do cliente ou fortalecer alguma vantagem competitiva?

Uma decisão que não passa por nenhuma dessas quatro portas provavelmente está sendo tomada pela tecnologia em si, não pelo negócio que ela deveria servir.

A Gartner já pesquisa isso como prioridade de mercado

Esse raciocínio não é isolado da PoD. A Gartner mantém uma linha inteira de pesquisa dedicada a alinhar arquitetura corporativa e investimentos de tecnologia a resultados de negócio. Isso confirma algo importante: a inversão que estamos descrevendo, começar pelo resultado esperado e só depois discutir qual sistema serve a esse resultado, deixou de ser recomendação isolada de consultoria. Hoje é prioridade reconhecida entre quem lidera tecnologia nas maiores empresas do mundo.

Isso muda completamente o papel que se espera de um parceiro de tecnologia. Alta capacidade técnica deixa de ser suficiente quando não vem acompanhada de independência e transparência sobre o que de fato resolve o problema do cliente. Os melhores parceiros são justamente aqueles capazes de indicar a decisão certa mesmo quando ela representa menos infraestrutura, menos licença e menos serviço vendido naquele momento.

O que Arquitetura Orientada a Resultados não é

Arquitetura Orientada a Resultados não significa jogar fora o que já existe, nem promover uma transformação completa a cada ciclo de orçamento. Significa fazer com que cada evolução seja guiada por um impacto esperado no negócio. A pergunta deixa de ser qual tecnologia vamos adotar e passa a ser que resultado essa evolução específica precisa entregar.

Quando essa lógica realmente entra na cultura de uma empresa, processos amadurecem e áreas diferentes convergem para os mesmos objetivos. O C-level para de discutir tecnologia isolada e passa a discutir capacidade de captura de valor, que é, no fim, a única métrica que sobrevive a qualquer ciclo de hype.

THE 5% CLUB

O bureau que trocou a tecnologia mais conhecida do mercado pela que resolvia o problema

O ponto de partida

O SPC Brasil vivia exatamente o cenário que a Arquitetura Orientada a Resultados tenta evitar. Processos manuais de ETL e construção de modelos consumiam de três a quatro semanas por entrega. Back tests de validação levavam até 30 dias. A equipe crescia em esforço sem crescer em capacidade de resposta ao mercado.

A decisão

A decisão que a PowerOfData tomou junto ao SPC Brasil não foi adotar a tecnologia mais conhecida do mercado, mas apostar na PoD Platform (uma tecnologia nacional, robusta e comprovadamente escalável, para eliminar o gargalo que estava custando tempo e dinheiro). Sim, uma tecnologia nossa. E é justamente por isso que a decisão precisou ser justificada pelo resultado esperado, não pela conveniência de quem recomenda.

A automação passou a cobrir três frentes:

→ Construção de variáveis

→ Desenvolvimento de modelos estatísticos

→ Implantação via API

Tudo dentro de uma arquitetura pensada para o resultado que o SPC Brasil precisava entregar, não para exibir capacidade técnica.

O resultado

O resultado apareceu exatamente onde a melhor pergunta havia sido feita antes. A produção de modelos triplicou. O custo de desenvolvimento caiu 66%. O ciclo que levava semanas passou a ser resolvido em dias.

Christian Nascimento, Head of Data & Analytics do SPC Brasil, resumiu a mudança dizendo que a empresa conseguiu reduzir o custo de desenvolvimento de modelos em 66%, triplicar a produção e melhorar a qualidade ao mesmo tempo.

O caso não prova que a tecnologia mais conhecida sempre perde para a menos conhecida. Prova algo mais específico: nenhuma arquitetura entrega resultado sem que o resultado tenha sido definido antes de qualquer linha de código ser escrita.

Na próxima vez que seu time for discutir um novo contrato de tecnologia, ou uma renovação, pergunte se a decisão está sendo tomada pela Arquitetura Orientada a Resultados. Se precisar de ajuda para responder isso, marque uma conversa com nossos especialistas.

Marcar conversa com especialista.

Dalmer Sella

Co-founder e CEO da PowerOfData

Até a próxima News! 🧠

A POD PILLS é enviada quinzenalmente, toda quarta-feira às 7h15, de graça, direto na sua caixa de entrada. Se você quer receber as próximas, inscreva-se aqui.

Na edição de hoje:

🔮 O modelo que o Nubank criou e a pergunta que o mercado ainda não está fazendo

💡 Por que sequências de transações revelam o que as médias escondem

🏆 O que descobrimos quando construímos nossa própria versão disso

THE DARK SIDE

O modelo que o Nubank criou e a pergunta que o mercado ainda não está fazendo

Há anos, a inteligência mais valiosa do mercado financeiro está sendo subutilizada. Toda transação que um cliente faz registra uma intenção, uma urgência, um padrão de comportamento que os modelos convencionais de crédito e risco ignoram na maior parte do tempo, porque esses modelos trabalham com resumos, não com sequências.

O Nubank foi um dos primeiros a tornar público o que acontece quando você para de resumir e começa a ler. O nuFormer, seu modelo proprietário para dados transacionais, foi treinado com 330 milhões de parâmetros sobre aproximadamente 600 bilhões de transações, usando a mesma lógica por trás dos grandes modelos de linguagem, pois em vez de aprender a completar frases, o modelo aprende a ler sequências de comportamento financeiro, identificando padrões que só aparecem quando você analisa a ordem dos eventos, não apenas a soma deles.

Os resultados que o Nubank reportou são verificáveis, com ganhos médios de 1,20% em AUC nos benchmarks internos, modelo em produção para decisões de crédito servindo mais de 100 milhões de clientes no Brasil e expansão para empréstimos pessoais, México e Colômbia. A aquisição da Hyperplane em julho de 2024, que trouxe pesquisadores formados no Google, Meta, Apple e Microsoft, foi o acelerador que permitiu escalar esse experimento para produção em menos de um ano.

A pergunta que o setor deveria fazer em voz alta é:

Quantas empresas do mercado financeiro brasileiro têm 100 milhões de clientes, 600 bilhões de transações de treinamento e uma equipe de pesquisa de fronteira para fazer o mesmo?

O avanço do Nubank é real e documentado, e a questão que fica é o que ele representa para o restante do mercado que não opera nessa escala.

POWER PILLS

Por que sequências de transações revelam o que as médias escondem

O modelo que lê médias não entende histórias

Durante décadas, os modelos de risco de crédito funcionaram com base em uma lógica bem estabelecida, que consistia em pegar o histórico financeiro de um cliente, calcular médias, totais, máximos e mínimos ao longo de um período, e usar esses números agregados para decidir se ele é um bom ou mau pagador. Essa abordagem continua entregando resultados razoáveis, mas trata o tempo como um detalhe, comprimindo meses de comportamento em um único número.

Perguntar qual foi a média de atrasos nos últimos 12 meses é como perguntar pela temperatura média de uma cidade para decidir o que vestir, pois pode ser útil mas omite completamente se o inverno foi rigoroso, se o verão foi extremo e se a primavera chegou tarde. O comportamento financeiro de um cliente segue a mesma lógica, e o que os Transformers permitem é ler a sequência completa, entender o que aconteceu primeiro, o que veio depois e o que esse padrão temporal revela sobre o comportamento futuro.

O experimento que fizemos para não ficar apenas na teoria

Na PoD, o CTO Bruno Jardim leu a pesquisa do Nubank sobre Foundation Models para dados transacionais e tomou uma decisão que qualquer empresa de tecnologia séria deveria tomar: testar.

Construímos uma infraestrutura dedicada em Oracle Cloud com GPU NVIDIA e comparamos três abordagens sobre uma base pública de risco de crédito, sendo:

1. Um modelo tradicional com engenharia de atributos, calculados a partir do histórico de contratos;

2. Um Transformer puro que aprende representações diretamente da sequência de contratos;

3. Um modelo híbrido que combina as variáveis do método tradicional com as representações aprendidas pelo Transformer.

O modelo híbrido entregou o melhor resultado, com ganho de dois pontos nas métricas de discriminação de risco que o mercado financeiro chama de KS e Gini.

O próximo passo, e por que ele muda o tamanho da oportunidade

O experimento que fizemos utilizou apenas uma fonte de dados, o histórico de contratos, e já observamos ganhos consistentes. A expectativa é que esses ganhos aumentem significativamente quando o modelo for expandido para incorporar a jornada financeira completa, incluindo movimentações em conta, PIX, cartões, pagamentos e investimentos.

A próxima etapa técnica é pré-treinar o modelo de forma auto-supervisionada, com a mesma lógica que faz um modelo de linguagem aprender a entender texto antes de ser ajustado para uma tarefa específica. Aplicado ao dado transacional, isso significa ensinar o modelo a entender a linguagem do comportamento financeiro antes de treiná-lo para prever inadimplência, fraude ou churn, criando uma base reutilizável para diferentes problemas, assim como o Nubank está construindo com o nuFormer.

THE 5% CLUB

O que descobrimos quando construímos nossa própria versão disso

A hipótese que decidimos testar

Quando o Nubank publicou sua pesquisa sobre Foundation Models para dados transacionais, a maioria das empresas do mercado financeiro teve uma de duas reações:

1. Achou impressionante, mas distante demais da sua realidade

2. Esperou que alguém fizesse uma versão acessível.

A PoD teve uma terceira reação, que foi decidir construir e medir.

Com infraestrutura dedicada em Oracle Cloud com GPU NVIDIA, desenvolvemos diferentes arquiteturas baseadas em Transformers e comparamos os resultados com o método tradicional usado pelo mercado, sobre dados reais de risco de crédito.

O que o experimento confirmou além dos números

O ganho de 2 pontos nas métricas de discriminação de risco foi relevante, mas o dado mais importante foi outro: a informação que o modelo híbrido capturou estava escondida na sequência das transações, não nas médias calculadas a partir delas. Isso confirma que qualquer instituição financeira com histórico de comportamento transacional dos clientes já tem o insumo necessário para esse tipo de modelo, sem precisar da escala de dados do Nubank para começar.

O experimento ainda utilizou apenas uma única fonte de dados. Quando expandirmos para a jornada financeira completa, incluindo PIX, cartões e investimentos, a expectativa é que os ganhos aumentem de forma significativa.

O caminho para quem não tem 100 milhões de clientes

O que o experimento da PoD mostrou é que o conceito técnico que o Nubank implementou em escala pode ser aplicado em operações menores, com os dados que essas empresas já possuem e com uma arquitetura adaptada ao contexto específico de cada negócio. O acesso a esse tipo de inteligência não precisa ser exclusividade de quem tem centenas de engenheiros e bilhões de registros de treinamento.

A PoD encontrou um caminho para replicar a lógica do que o Nubank construiu, de forma adaptada ao porte e à realidade de empresas que não operam nessa escala, mas que têm os dados e os problemas de negócio que essa arquitetura resolve.

A próxima pergunta para qualquer empresa do mercado financeiro é:

Se você quer entender quanto dessa inteligência já está nos dados que a sua empresa gera todos os dias, marque uma conversa conosco.

→ Marque uma conversa com nossos especialistas.

Bruno Jardim

Co-Founder e CTO da PowerOfData

Até a próxima News! 🧠

A POD PILLS é enviada quinzenalmente, toda quarta-feira às 7h15, de graça, direto na sua caixa de entrada. Se você quer receber as próximas, inscreva-se aqui.

Disclaimer:
Análise independente da PowerOfData sobre case divulgado publicamente pelo Nubank em “Building Foundation Models into Nubank’s AI Platform”, building.nubank.com, 11 de junho de 2025. Não há qualquer vínculo, parceria ou endosso entre a PowerOfData e o Nubank.

Na edição de hoje

🤖 O número que revela o limite invisível dos modelos generalistas

💡 Por que o futuro da IA corporativa é menor, não maior

🏆 Como um banco chegou ao modelo certo

THE DARK SIDE

O número que revela o limite invisível dos modelos generalistas

Pesquisadores pediram para 25 grandes modelos de linguagem, entre eles versões do ChatGPT, do Gemini e de outros sistemas competitivos no mercado, escolherem um número aleatório entre 1 e 10, e a resposta predominante em quase todos foi 7. O mesmo padrão surgiu quando os modelos foram convidados a criar metáforas para descrever o tempo: a frase “o tempo é um rio” e suas variações próximas apareceram repetidamente ao longo de 1.250 respostas produzidas pelos 25 sistemas.

O paper que documentou esse comportamento, intitulado “Mente Coletiva Artificial: a Homogeneidade Aberta dos Modelos de Linguagem e Além” e premiado como melhor artigo na NeurIPS, concluiu que o fenômeno decorre diretamente de como esses modelos foram construídos, pois a maioria dos LLMs atuais é treinada com os mesmos dados da internet, nas mesmas arquiteturas e para as mesmas tarefas, resultando em convergência estrutural por design.

Para tarefas de execução padronizadas como programação ou revisão de documentos, essa homogeneidade é administrável, mas quando as empresas colocam esses modelos para trabalhar em contextos onde diversidade de perspectiva importa, como planejamento estratégico, análise de risco ou desenvolvimento de produto, o modelo entrega uma visão média construída sobre os mesmos padrões que todos os outros modelos usam, porque todos foram treinados para isso.

Quando sua empresa usa um LLM generalista para pensar, está pensando exatamente como os concorrentes que usam o mesmo modelo, o que não gera vantagem competitiva nenhuma. O resultado dessa equivalência é igualdade de perspectiva com viés compartilhado, e esse é um risco diferente daquele que a maioria das empresas está monitorando.

POWER PILLS

Por que o futuro da IA corporativa é menor, não maior

A Gartner já escolheu, e o próximo modelo tem outro tamanho.

Enquanto as empresas ainda debatem qual LLM contratar, o Gartner publicou em 2025 uma projeção que vai na direção oposta ao gigantismo, com previsão de que até 2027 o uso corporativo de SLMs (Small Language Models), modelos de linguagem pequenos e especializados por tarefa, será três vezes maior que o uso de LLMs generalistas, numa dinâmica que Thomas Randall, diretor de pesquisa do Info-Tech Research Group, descreveu como “divisão de trabalho mais inteligente” entre modelos de diferentes tamanhos.

A evidência técnica apoia esse movimento. O Phi-4-mini, modelo da Microsoft com apenas 3,8 bilhões de parâmetros, supera modelos da classe 70B de 2023 em tarefas de raciocínio estruturado, porque foi treinado com dados curados de alta qualidade em vez de um crawl massivo da web. Em setores regulados como saúde e finanças, empresas que migraram para SLMs especializados registram em média 35% menos erros críticos nas saídas de IA em comparação às que operam com LLMs genéricos. SLMs respondem entre 150 e 300 tokens por segundo, enquanto LLMs típicos operam entre 50 e 100. No contexto do budget em reais, isso também representa uma diferença de custo que vai de 10x a 100x dependendo do volume de requisições.

Um SLM sobre dados ruins ainda é dado ruim

A armadilha mais comum que vemos nas empresas é confundir a escolha do modelo com a solução do problema. Seja LLM ou SLM, nenhum modelo entrega resultado confiável sobre dados mal estruturados, processos sem governança ou regras de negócio que existem apenas na cabeça dos analistas.

A leitura da PoD sobre esse cenário vai na direção oposta ao debate de mercado. O modelo de IA, seja ele pequeno ou grande, é a última camada de uma estrutura de inteligência, não o ponto de partida.

A diferença não está na ferramenta escolhida, mas sim na cadeia que precisa existir antes dela (e que sustenta o resultado depois). Dados internos e externos formando a base, modelos preditivos operando sobre essa base, integração conectando inteligência à operação e agentes executando com contexto e critério. É essa arquitetura que a PowerOfData chama de cadeia de valor do dado:

O toolkit executivo deve medir a qualidade das capacidades que sustentam o processo:

• Dados

• Integração

• Engenharia e Ciência de Dados

• Maturidade operacional

• Deploy

• DataOps e MLOps

• Monitoramento

• Regras de negócio

• Governança.

A pergunta que muda o projeto

Antes de ampliar o investimento em IA, ou de decidir investir num novo SLM, a pergunta mais importante é:

Qual parte da cadeia ainda impede o resultado?

Se você quer entender onde sua operação está mais exposta antes de escalar IA, marque uma conversa com nossos especialistas.

THE 5% CLUB

Como um banco chegou ao modelo certo

O limite que os LLMs não conseguiam superar

A Cathay Financial Holdings, um dos maiores conglomerados financeiros de Taiwan, passou 2025 validando LLMs generalistas para suas operações de atendimento ao cliente, testando se modelos de linguagem de propósito geral conseguiam classificar com precisão a intenção de clientes que buscavam produtos de seguro, investimento ou crédito. O resultado foi insuficiente para o que a empresa precisava, pois os modelos entendiam linguagem em geral, mas não compreendiam o mercado financeiro taiwanês, a terminologia específica do setor e as perguntas ambíguas que clientes reais fazem nesses contextos. Quanto mais específico o cenário, mais o modelo generalista mostrava limitações.

A decisão de construir o domínio antes do modelo

Em vez de continuar tentando compensar as limitações dos LLMs genéricos com engenharia de prompts cada vez mais complexa, a Cathay FHC mudou de estratégia. A empresa desenvolveu datasets financeiros cuidadosamente desenhados para o contexto local, usando exclusivamente dados sintéticos para garantir compliance e proteção das informações dos clientes. Os SLMs abertos foram então treinados sobre esses datasets específicos, dentro do framework proprietário de IA da empresa, chamado GAIA, e de uma arquitetura de AI-as-a-Service que permite especializar modelos por domínio sem expor dados reais de clientes.

O que o modelo especializado entregou

Os resultados foram apresentados no NVIDIA GTC Taipei em junho de 2026. Os SLMs ajustados alcançaram desempenho próximo aos principais LLMs proprietários do mercado na classificação de intenção de clientes, e fizeram isso com uma arquitetura menos complexa, sem dependência de engenharia de prompts elaborada. O modelo operou com mais estabilidade, velocidade de resposta superior e custo de manutenção menor. A escolha de usar dados sintéticos no treinamento, algo que a maioria das empresas ignora no planejamento inicial, resolveu ao mesmo tempo o problema regulatório sobre uso de dados de clientes em modelos de IA.

O que o caso documenta é que o SLM especializado funcionou porque a empresa construiu o domínio de dados correto antes, com datasets desenvolvidos para aquele contexto financeiro específico e uma arquitetura que permitia especializar sem expor informações reais. A escolha do modelo veio por último.

Se você quer chegar a esse tipo de resultado com dados e IA, marque uma conversa com os especialistas da PowerOfData.

Rauhe Abdulhamid

Diretor de Marketing e Expansão da PowerOfData

Até a próxima News! 🧠

A POD PILLS é enviada quinzenalmente, toda quarta-feira às 7h15, de graça, direto na sua caixa de entrada. Se você quer receber as próximas, inscreva-se aqui.

Na edição de hoje

🚨 Ferramenta de jornalista entregue a engenheiro: o erro mais caro de 2025

💡 Onde o dinheiro real de IA mora e por que ninguém fala disso direito

🏆 95% de fracasso com pessoas brilhantes: o que os dados do MIT revelam sobre complexidade

THE DARK SIDE

Ferramenta de jornalista entregue a engenheiro: o erro mais caro de 2025

Um modelo de linguagem lida com texto melhor do que a maioria dos profissionais humanos consegue em velocidade. Leitura, síntese, redação: para esse tipo de trabalho, esses sistemas são de fato impressionantes.

Em 2025, a maior fonte de frustração com IA nas empresas veio de uma combinação específica: tecnologia colocada no lugar errado. Times de engenharia que usaram LLMs para gerar código em produção sem revisão humana estruturada encontraram um tipo específico de falha. O modelo produz código que parece correto, compila sem erro e passa em testes rasos, mas carrega premissas erradas enterradas na lógica. Um pesquisador da arXiv publicou em 2026 a prova matemática do que muitos já suspeitavam na prática: alucinação em modelos de linguagem decorre de limitações estruturais da arquitetura, e mais dados ou versões mais novas não resolvem isso.

LLMs foram construídos para trabalhar com linguagem: leitura, síntese, redação, interpretação. Para isso, entregam. Confundir essa fluência com precisão técnica é o erro mais caro que as empresas estão cometendo em projetos de IA.

Escalar um LLM sobre processos que exigem determinismo, auditabilidade e zero margem para erro interpretativo é diferente de usá-lo para redigir comunicações, analisar documentos ou apoiar decisões com supervisão humana. A distinção parece óbvia. Na prática, ela some quando existe pressão para mostrar resultados rápidos com IA.

A tese desta edição parte desse ponto: o campo de IA tem um problema de honestidade sobre o que entrega resultado, em quais contextos e sob quais condições. Quem navega por esse mercado com os olhos abertos tem uma vantagem real sobre quem acredita na narrativa de facilidade que dominou os últimos dois anos.

POWER PILLS

Onde o dinheiro real de IA mora e por que ninguém fala disso direito

Quando bilhões de dólares se concentram nas mãos de poucos players, as recomendações que vêm dessas mãos merecem ser lidas com cuidado. As empresas que mais falam sobre o potencial de IA são as mesmas que vendem as ferramentas, os modelos e os contratos de implementação. Isso cria um incentivo estrutural para simplificar o que é difícil, subestimar o que pode dar errado e amplificar os casos de sucesso enquanto os fracassos desaparecem em NDAs e silêncio corporativo.

Encontrar alguém que analise o seu projeto de IA sem ter nada a vender no resultado dessa análise é difícil. No mercado atual, os maiores especialistas em IA são funcionários, consultores credenciados ou investidores das empresas que produzem as ferramentas. Essa estrutura não os torna desonestos, mas cria um filtro invisível sobre o que vale a pena mencionar e o que é melhor deixar de lado.

Onde o resultado aparece de fato

O MIT analisou 300 deploys públicos de IA em 2025 e chegou a uma conclusão que contraria o senso comum sobre onde investir: a maior parte dos orçamentos de IA vai para vendas e marketing. O maior retorno sobre investimento está no back-office, em automação de processos internos, redução de custos de terceirização e ganhos de eficiência operacional. A receita cresce quando machine learning encontra dados organizados para identificar padrões que humanos levariam semanas para mapear. A despesa cai quando processos repetitivos, bem documentados e com dados confiáveis são automatizados com supervisão adequada.

O dado que muda a conversa sobre automação

Automatizar um processo aumenta sua exposição a falhas silenciosas. Uma pessoa que executa uma tarefa percebe quando algo está errado, sente a anomalia, carrega responsabilidade pelo resultado. Um processo automatizado executa o mesmo erro 10 mil vezes antes que alguém note. Quanto maior a automação, maior precisa ser o monitoramento. Esse custo raramente entra no cálculo quando alguém está vendendo um projeto de IA.

Pesquisa do IBM de 2025 identificou que 82% das empresas sofrem disrupções de workflow causadas por dados em silos. Outros 98% enfrentaram problemas de qualidade de dados ao tentar escalar IA. A IBM também documentou que COOs apontam qualidade de dados como a prioridade número um em dados hoje. O padrão se repete nos estudos: as falhas de IA têm origem nos dados que alimentam os modelos, nas integrações que transportam esses dados e nas atribuições erradas de responsabilidade quando algo dá errado. O modelo, na maioria dos casos, funcionaria se tivesse o que precisava para funcionar.

A leitura da PoD sobre esse cenário é direta: o aumento de receita com IA vem dos dados, do machine learning aplicado sobre eles e da escala que isso permite. A redução de despesas vem da eficiência operacional gerada por automação bem monitorada. Nenhum dos dois resultados acontece sem uma base de dados que funcione. Tratar dados como pré-requisito, e não como um projeto paralelo, é o que separa os 5% que funcionam dos 95% que ficam parados no piloto.

THE 5% CLUB

360.000 horas por ano. Eliminadas. Como o JPMorgan saiu do piloto e foi a escala.

O problema que ninguém queria resolver manualmente

O JPMorgan Chase processa cerca de 12.000 contratos de crédito comercial por ano. Cada contrato é um documento denso, com dezenas de cláusulas, condições específicas de garantia, prazos de inadimplência e requisitos regulatórios que variam por jurisdição. Antes de 2017, revisar esses documentos consumia 360.000 horas anuais de advogados e analistas de crédito. O processo era lento, caro e sujeito ao tipo de erro que o cansaço produz: cláusulas negligenciadas, termos mal interpretados, inconsistências que só apareciam tarde demais.

A tentação óbvia seria usar um modelo de linguagem para ler e resumir esses contratos. O JPMorgan fez algo diferente: antes de qualquer modelo, investiu em organizar os dados. Mapeou os atributos que precisavam ser extraídos de cada contrato, padronizou a estrutura dos documentos de entrada e construiu um sistema de validação para o que o modelo produzisse. Só então implantou o COiN, o Contract Intelligence, em produção.

O que mudou na operação

O COiN entrou em operação em junho de 2017 e desde então processa os 12.000 contratos anuais em segundos. Os 360.000 horas de revisão manual foram redirecionadas para trabalho estratégico: negociações complexas, análise de risco em M&A, atendimento de alta complexidade a clientes. O CTO do banco confirmou em 2024 que a taxa de erro no processamento de contratos caiu para menos de um décimo do que era uma década atrás.

O modelo extrai 150 atributos diferentes de cada contrato: condições de garantia, cronogramas de pagamento, cláusulas de default, jurisdições legais. A precisão superou a revisão humana em consistência. Um sistema automatizado bem configurado entrega o mesmo resultado independente do horário, do volume acumulado ou de quem estava de plantão.

O princípio que o case deixa

O JPMorgan construiu o COiN para uma tarefa específica, com métricas claras de sucesso definidas antes da implantação, com dados organizados como pré-requisito e com integração real no workflow existente, não como uma ferramenta paralela que os times podiam ou não usar. O próprio CIO do banco declarou em 2024 que as lições mais valiosas vieram dos programas que foram encerrados antes de escalar, os que tentaram fazer demais com dados de menos.

O padrão que diferencia esse case da maioria dos projetos de IA que ficam no piloto é o mesmo que o MIT identificou nos 5% que funcionam: problema específico, dado organizado, integração profunda no processo e responsabilidade clara sobre o resultado. Nenhuma dessas quatro condições é garantida automaticamente quando uma empresa decide adotar IA.

O JPMorgan levou seis anos para chegar a um sistema que hoje processa em segundos o que antes consumia 360.000 horas. O caminho foi problema específico, dado organizado, integração real no workflow. Qualquer empresa pode percorrer esse caminho. A dificuldade está em resistir à pressão de começar pelo projeto mais ambicioso antes de ter a base que ele exige.

Se você quer entender onde sua operação está mais exposta antes de escalar IA, faça o diagnóstico gratuito.

Dalmer Sella

Co-fundador e CEO da PowerOfData

Até a próxima News! 🧠

A POD PILLS é enviada quinzenalmente, toda quarta-feira às 7h15, de graça, direto na sua caixa de entrada. Se você quer receber as próximas, inscreva-se aqui.

Na edição de hoje:

💸 A conta que as big techs não estão mostrando para você

🔗 O manual de dependência que criou o Uber e está sendo repetido agora

🏆 Como a empresa-símbolo do subsídio aprendeu a lição mais cara do setor

THE DARK SIDE

A conta que as big techs não estão mostrando para você

Tem uma pergunta que praticamente nenhum executivo faz antes de fechar contrato com uma plataforma de IA. A questão do preço aparece, claro, mas em geral fica no nível da proposta comercial. O questionamento mais importante fica de fora: o valor cobrado tem alguma relação com o que custa para existir?

No caso da IA generativa, a resposta é que tem relação, mas bem distante. Em 2025, a OpenAI gerou cerca de US$ 13 bilhões em receita e perdeu aproximadamente US$ 14 bilhões no mesmo período. Cada dólar recebido custou US$ 1,35 para ser processado e entregue. A Anthropic, empresa que desenvolve o Claude, registrou custos de infraestrutura 23% acima das próprias estimativas internas. Google e Meta operam com dinâmicas parecidas, embora o tamanho dos outros negócios permita absorver os prejuízos com mais discrição.

Há uma lógica reconhecível por trás disso. Quem acompanha tecnologia há algum tempo já viu esse roteiro em outros mercados.

Você está pagando pelo valor que essas empresas decidiram cobrar por enquanto. A distância entre esse número e o custo real vai importar muito quando o ‘por enquanto’ terminar.

Os preços atuais são subsidiados. Isso está em prospectos de IPO, em relatórios que vazaram para a imprensa, em falas de CFOs pressionados por investidores. A maioria das empresas que está construindo dependência operacional em cima de ferramentas de IA ainda não mapeou esse risco.

A boa notícia é que esse risco tem solução. Empresas que entendem o ciclo antes do fim do subsídio saem na frente: há espaço real para construir uma estratégia de IA que avance com velocidade e controle o risco ao mesmo tempo. Isso exige três movimentos simultâneos:

• Mapear quais processos dependem de quais modelos.

• Testar alternativas antes que a troca seja forçada por aumento de preço.

• Construir uma arquitetura que permita migrar fornecedores sem refazer tudo do zero.

Não se trata de frear o uso de IA, mas de não amarrar a operação inteira a uma conta cujo valor real ainda está escondido.

POWER PILLS

O manual de dependência que criou o Uber e está sendo repetido agora

Os números que os labs publicam, e os que ficam nas notas de rodapé

O custo de inferência, que é o gasto computacional para responder cada prompt enviado por um usuário, quadruplicou na OpenAI em 2025. Só nessa rubrica, a projeção foi de US$ 8,4 bilhões para o ano, com estimativa de US$ 14,1 bilhões para 2026. A margem bruta, no mesmo período, caiu de 40% para 33%. Um pesquisador da Google, ganhador do Prêmio Turing, publicou um estudo no início de 2026 identificando exatamente esse custo como o principal obstáculo econômico que impede qualquer empresa de IA de fronteira de atingir lucratividade de forma sustentável.

Esses dados estão em documentos públicos. O que a maioria das empresas contratantes ainda não calculou é o que eles significam para os contratos que estão sendo assinados hoje.

O Uber fez isso. A Netflix fez isso. Agora é a vez da IA.

Subsidiar acesso para capturar mercado e criar hábito antes de ajustar preços é uma estratégia com histórico bem documentado no Vale do Silício. O Uber pagava bônus de até 50% sobre a tarifa para motoristas em certos mercados enquanto cobrava valores artificialmente baixos dos passageiros. Com o hábito formado e os concorrentes locais fora do jogo, as tarifas subiram entre 50% e 80% em boa parte das cidades entre 2018 e 2022. Netflix, Amazon e DoorDash passaram por ciclos parecidos, com variações na intensidade mas com a mesma lógica de fundo.

Vale notar um detalhe que costuma passar despercebido: os fundos de venture capital que financiaram o Uber nessa fase, Khosla Ventures e Sequoia Capital, são os mesmos que estão no cap table da OpenAI e da Anthropic hoje.

Esses fundos têm um histórico muito específico de tratar os próprios usuários das plataformas como receita futura: aqueles que abrem o produto todo dia, criam hábito e formam a base que justifica a valoração bilionária. É em cima dessa massa de usuários dependentes que se escala o negócio, é ela que dificulta economicamente a vida dos produtos substitutos e é ela que, no momento certo, converte dependência em precificação. A estratégia das big techs de IA tem pedigree. É knowhow aplicado em um novo setor por quem já executou o mesmo movimento antes, e sabe exatamente quando apertar o botão.

Sam Altman descreveu a visão da OpenAI de forma bastante direta: “Vemos um futuro onde inteligência é uma utilidade, como eletricidade ou água, e as pessoas a compram de nós por consumo medido.” Lendo com atenção, isso descreve um modelo tarifário medido e ajustável conforme a dependência se consolida.

Os sinais de que essa transição já começou

Em 1º de junho de 2026, o GitHub encerrou o modelo de assinatura fixa do Copilot e migrou para cobrança por consumo de tokens. Desenvolvedores que pagavam US$ 39 por mês passaram a receber faturas acima de US$ 800. O uso pode ter sido o mesmo de antes; o que mudou foi que o que estava embutido no flat rate ganhou custo unitário visível. A Anthropic atualizou os planos do Claude Max para créditos separados em tarefas agentivas. O Google reestruturou os limites diários do AI Ultra. A Cursor, editor de código com IA, sinaliza movimento similar para julho.

A leitura da PoD sobre esse cenário é pragmática. O risco para as empresas está menos na alta dos preços em si e mais na falta de arquitetura para quando isso acontecer. Quem construiu dependência operacional de um único fornecedor, usando os modelos mais caros para tarefas que versões intermediárias resolveriam com o mesmo resultado, está acumulando um passivo que vai aparecer na fatura. Os modelos de fronteira fazem sentido para uma faixa de 20% a 30% das aplicações reais. O restante roda de forma mais eficiente, com custo significativamente menor.

THE 5% CLUB

Como a empresa-símbolo do subsídio aprendeu a lição mais cara do setor

A conta que o Uber não previu

Em 2026, o Uber tornou-se um dos casos mais ilustrativos do que acontece quando a fase de subsídio termina. A ironia tem peso: o Uber é exatamente a empresa cujo modelo de crescimento as big techs de IA estão replicando, e foi ela quem primeiro enfrentou, por dentro, as consequências desse ciclo. A empresa queimou todo o orçamento de IA previsto para o ano em quatro meses.

A equação que desandou foi montada em premissas erradas. A adoção interna foi maior do que o projetado. O custo por interação foi maior do que o estimado, e as estimativas tinham sido construídas durante a janela de preços subsidiados, que começou a mudar exatamente quando o consumo interno da empresa acelerou.

O pivô estratégico de US$ 3 bilhões

O COO foi direto sobre a tensão que se instalou internamente: “Vamos ter que começar a falar de consumo de tokens e o custo associado versus headcount. Se você não consegue traçar uma linha direta entre o uso de IA e funcionalidades que chegam ao usuário, essa troca fica cada vez mais difícil de justificar.”

O Uber gastou US$ 3,4 bilhões em P&D em 2025. No primeiro trimestre de 2026 sozinho já eram US$ 951 milhões, 17% acima do mesmo período do ano anterior. A empresa reorientou a partir do estouro do orçamento: passou a exigir que cada investimento em tokens tivesse um resultado de negócio mensurável na outra ponta.

O princípio que ficou

A empresa que ajudou a criar o manual agora usado pelas big techs de IA aprendeu na prática o que vem depois do subsídio. A conclusão que o mercado pode extrair desse caso vai além de “cuidado com os custos de IA”.

O problema do Uber não estava em usar IA. Estava em ter construído dependência sem estratégia de portfólio. Usar os modelos de fronteira para tudo é equivalente a pagar tarifa de nuvem premium para armazenar arquivos de log. Existe uma arquitetura mais inteligente, e ela começa por saber, com precisão, o que cada parte da operação realmente precisa.

Uma pergunta vale ser feita internamente antes do próximo ciclo orçamentário: a sua empresa sabe exatamente quanto está pagando por cada interação de IA que chega a um colaborador ou processo? Se a resposta for “temos um plano fixo por usuário”, o contrato vai mudar em algum momento. A questão é se a operação vai estar estruturada quando isso acontecer.

Se a sua empresa quer entender o escopo real da inteligência artificial antes de ampliar investimento, consumo e complexidade operacional, faça um diagnóstico gratuito.

Dalmer Sella

Co-fundador e CEO da PowerOfData

Até a próxima News! 🧠

A POD PILLS é enviada quinzenalmente, toda quarta-feira às 7h15, de graça, direto na sua caixa de entrada. Se você quer receber as próximas, inscreva-se aqui.

Na edição de hoje:

💸A pergunta que antecede qualquer projeto de IA

🔗A IA amplifica o que já existe (o problema é quando o que existe não está pronto)

🏆Como uma fintech triplicou vendas em dois meses sem contratar ninguém

THE DARK SIDE

A pergunta que antecede qualquer projeto de IA

No mês passado, participei de um painel sobre inteligência artificial em evento para executivos de grandes empresas do mercado financeiro e saí de lá com uma conclusão curiosa que gostaria de compartilhar neste artigo.

A maior parte das perguntas era sobre IA. Mas, curiosamente, quase todas as respostas acabavam falando sobre dados.

É compreensível, afinal, estamos vivendo um momento em que a Inteligência Artificial ficou tão acessível que parece que basta escolher uma ferramenta e a mágica acontece. Quase como escolher um streaming novo. Você assina, faz login e pronto: sua empresa adotou Inteligência Artificial.

De certa forma, o hype é tão grande que muitas empresas acabam vendendo essa ideia para o mercado. Pelo menos, essa é a percepção que tenho.

Conversando com centenas de empresas no dia a dia, tenho a impressão de que estamos fazendo a pergunta errada. A maioria quer saber qual IA usar no negócio. Mas as empresas que realmente estão conseguindo gerar valor parecem estar ocupadas resolvendo outra questão:

Será que nossos dados estão minimamente preparados para isso?

POWER PILLS

A IA amplifica o que já existe (o problema é quando o que existe não está pronto)

A inteligência artificial tem uma característica que acho fascinante e que poucas pessoas falam com clareza: ela é absurdamente competente em amplificar o que já existe.

Se a empresa tem processos organizados, a IA acelera ganhos de eficiência. Se a empresa tem processos confusos, bem, ela acelera isso também. A IA nunca recusa trabalho. Ela potencializa virtudes e defeitos com a mesma dedicação.

É justamente por isso que tantas iniciativas geram frustração. Existe uma expectativa de que a tecnologia chegue como um funcionário genial, que no primeiro dia já entende toda a organização, encontra documentos perdidos, reconcilia indicadores conflitantes e entrega insights automáticos.

Vamos combinar? Seria ótimo. Mas existe uma premissa da qual não conseguimos escapar: inteligência artificial precisa de contexto. E contexto, principalmente no ambiente corporativo, é construído com dados.

Somado a isso, percebo outra confusão bastante comum. Muitas empresas tratam projetos de IA como projetos da área de tecnologia. Eu enxergo de outra forma: para mim, são projetos de negócio suportados por tecnologia.

E, em projetos bem-sucedidos, a ordem dos fatores importa. Olha só:

1. Primeiro vem o problema que precisa ser resolvido.

2. Depois, quais dados são necessários para resolver esse problema.

3. Em seguida, como garantir que esses dados sejam confiáveis. Isso passa por uma arquitetura adequada, governança e disponibilidade das informações para as áreas de negócio.

4. Só então faz sentido discutir qual tecnologia faz mais sentido para o caso.

Parece simples ou até aquele famoso “óbvio que precisa ser dito”, mas essa inversão de lógica muda completamente a chance de sucesso de um projeto.

Essa discussão fica ainda mais relevante quando o assunto são agentes de IA. Existe uma tendência de colocar chatbots e agentes na mesma categoria, mas a diferença é significativa.

Chatbots respondem perguntas a partir de uma árvore de decisão pré-definida. Agentes entendem contexto, consultam informações, executam tarefas e apoiam a tomada de decisão.

Só que existe um detalhe quase cruel nessa história: agentes não criam contexto, mas dependem totalmente dele. Quanto mais autonomia queremos dar aos agentes, maior a necessidade de termos dados organizados, seguros, consistentes e disponíveis.

Durante muitos anos, as empresas se preocuparam em armazenar informações. Agora, entramos em uma era em que o próximo desafio será outro: tornar essas informações compreensíveis tanto para pessoas quanto para agentes inteligentes.

E sabe qual foi a principal conclusão daquele painel?

A vantagem competitiva da próxima década provavelmente não será ter mais dados. Muito menos será comprar a ferramenta mais moderna do mercado ou sair implementando agentes em todos os processos da empresa.

A verdadeira vantagem competitiva estará na capacidade de transformar dados em contexto e contexto em decisões melhores.

No fim das contas, talvez a pergunta mais importante a ser feita hoje não seja:

Ela é um pouquinho mais desconfortável:

E, para terminar, deixo uma última reflexão. Tão importante quanto fazer a pergunta certa é lembrar que projetos bem-sucedidos de IA quase sempre nascem de uma necessidade ou objetivo de negócio. A tecnologia entra para acelerar a solução, não para definir o problema.

Como costumo dizer quase todos os dias aos meus clientes (e aproveito para deixar esse bordão para você), depois de 15 anos trabalhando com tecnologias inovadoras:

Tecnologia não é fim. Tecnologia é meio.

THE 5% CLUB

Como uma fintech triplicou vendas em dois meses sem contratar ninguém

Em 2024, uma fintech de crédito consignado tinha um problema comum e um objetivo ambicioso: aumentar o volume de vendas ativas sem ampliar o time comercial. A pressão era real: margem apertada, mercado competitivo, e a tentação de resolver tudo com uma camada de IA generativa por cima da operação.

Uma decisão mudou tudo:

Em vez de partir para a tecnologia, começaram pela pergunta que antecede qualquer projeto de IA: nossos dados estão minimamente preparados para isso? A resposta foi não. E antes de qualquer agente entrar em operação, três movimentos precisaram acontecer.

1. Eles construíram o contexto antes de automatizar

O primeiro passo foi criar um modelo de propensão de compra personalizado para a base existente, identificando quem tinha maior probabilidade de contratar crédito consignado naquele momento específico. Não uma segmentação genérica por faixa etária ou renda. Um modelo calibrado para o comportamento real daquele cliente, naquele produto, naquele momento.

2. Eles enriqueceram a base com dados externos

Com o modelo interno pronto, a lista de prospects foi enriquecida com fontes externas, ampliando o contexto de cada contato muito além do que o histórico interno sozinho permitia. A segmentação ficou mais precisa. O ruído, menor.

3. Só então os agentes entraram em operação

Com contexto suficiente para agir com critério, os agentes de IA foram ativados. O resultado chegou em dois meses, sem nenhuma alteração no time: volume de vendas triplicado, 400% de aumento na conversão e 300% de crescimento no faturamento em crédito consignado. Os agentes converteram cinco vezes mais do que o time humano operando sem essa estrutura.

A pergunta que fica: se sua empresa ativasse agentes de IA amanhã, com quais dados eles trabalhariam? Agentes não criam contexto, eles amplificam o que já existe.

Quando a fundação está pronta, a tecnologia multiplica. Quando não está, ela apenas acelera o problema que já existia.

Se você quer entender se os dados da sua operação estão prontos para esse próximo passo, faça o diagnóstico gratuito aqui.

Mary Fonseca

CRO da PowerOfData

Até a próxima News! 🧠

A POD PILLS é enviada quinzenalmente, toda quarta-feira às 7h15, de graça, direto na sua caixa de entrada. Se você quer receber as próximas, inscreva-se aqui.

Na edição de hoje:

💸O caminho entre investir em IA e capturar resultado

🔗A qualidade da cadeia define a qualidade do resultado

🏆Como os 5% decidem o que construir, medir e acelerar

THE DARK SIDE

O caminho entre investir em IA e capturar resultado

Sua empresa já investiu em IA. Provavelmente mais do que imaginava quando o projeto começou. Ferramentas contratadas, times treinados, pilotos aprovados — e ainda assim, na hora de medir o que mudou na operação, a resposta é desconfortável. Esse desconforto tem um nome. E não é falta de tecnologia.

Processos de negócio não melhoram apenas porque uma nova tecnologia foi adicionada à operação. Crédito, vendas, compras, cobrança, atendimento, supply chain, precificação, risco e relacionamento com clientes dependem de dados confiáveis, integrações bem desenhadas, modelos adequados, regras de negócio, governança e capacidade real de execução.

Quando essa base não acompanha a ambição do projeto, a IA passa a operar sobre uma cadeia frágil. A empresa ganha velocidade em alguns pontos, mas continua limitada nos lugares que realmente determinam o valor.

Essa complexidade ficou maior porque os dados cresceram em uma escala difícil de absorver. A IDC projetou que a esfera global de dados sairia de 45 zettabytes em 2019 para 175 zettabytes em 2025. Na prática, isso pressiona empresas a lidar com mais fontes, mais sistemas, mais integrações, mais ambientes tecnológicos, mais regras de segurança e mais decisões dependentes de dados bem conectados.

Com mais dados, integrações e decisões automatizadas, a escada fica mais alta. Cada degrau superado pode liberar um novo nível de resultado, mas cada camada mal resolvida aumenta a chance do projeto ficar preso entre piloto, apresentação e baixa adoção operacional.

É por isso que muitas iniciativas parecem corretas no planejamento e decepcionam na prática. A empresa adiciona IA, mas ainda não tem qualidade suficiente na cadeia que deveria transformar essa IA em decisão, execução e resultado.

POWER PILLS

A qualidade da cadeia define a qualidade do resultado

Uma LLM consegue explicar uma bomba atômica, uma hidrelétrica, uma análise de crédito ou uma política comercial com clareza. Também pode resumir documentos, organizar ideias e transformar informação dispersa em linguagem útil. Mas existe uma diferença enorme entre explicar como funciona uma operação e construir a estrutura que faz essa operação gerar resultado com segurança e escala.

A diferença não está na ferramenta escolhida, mas sim na cadeia que precisa existir antes dela (e que sustenta o resultado depois). Dados internos e externos formando a base, modelos preditivos operando sobre essa base, integração conectando inteligência à operação e agentes executando com contexto e critério. É essa arquitetura que a PowerOfData chama de cadeia de valor do dado:

Essa diferença ainda é subestimada em IA. Em processos de negócio, a interface de linguagem é só uma parte da solução. O resultado depende de dados confiáveis, modelos bem calibrados, regras claras e execução consistente. Dados externos ajudam a entender o cliente no mercado. Dados internos mostram a relação real daquele cliente com a empresa. Modelos preditivos estimam propensão, risco, fraude, churn ou potencial de compra. Regras de negócio definem os limites da decisão. Só então os agentes de IA conseguem automatizar comunicação, leitura, resumo e execução com contexto suficiente.

Em vendas, por exemplo, a memória vem dos dados internos. A leitura de quem ainda não é cliente depende dos dados externos. A definição de quem abordar e o que oferecer depende dos modelos de propensão. O valor, o desconto ou a taxa de juros passam por modelos de risco. O limite da negociação vem da estratégia comercial humana. Sem essa arquitetura, o agente pode até responder bem, mas não necessariamente decide bem.

É aqui que a qualidade composta se torna decisiva. Uma empresa pode olhar para cada componente separadamente e achar que tudo está aceitável: dados razoáveis, integração razoável, modelo razoável, processo razoável. O problema é que uma cadeia de IA não entrega pela média das capacidades. Ela carrega as perdas de uma etapa para a próxima.

“Quando quatro componentes críticos operam com 80% de qualidade, o resultado final não preserva esses 80%. A conta composta derruba a cadeia para algo próximo de 41%: 0,8 x 0,8 x 0,8 x 0,8 = 0,4096.” - Dalmer Sella

Essa conta não é uma previsão exata de sucesso. É uma forma simples de enxergar um risco executivo: várias partes “boas o suficiente” podem gerar uma solução final insuficiente. Nenhuma etapa precisa estar quebrada para o projeto perder força.

A baixa qualidade de dados já custa caro antes mesmo da IA entrar na operação. A IBM aponta que mais de um quarto das organizações estima perder acima de US$ 5 milhões por ano por problemas de qualidade de dados, enquanto 7% relatam perdas acima de US$ 25 milhões. Com IA, o impacto se amplia. Dados ruins deixam de comprometer apenas relatórios e passam a orientar modelos, automações e agentes que podem atuar em escala.

O toolkit executivo deve medir a qualidade das capacidades que sustentam o processo:

• Dados

• Integração

• Engenharia e Ciência de Dados

• Maturidade operacional

• Deploy

• DataOps e MLOps

• Monitoramento

• Regras de negócio

• Governança.

A empresa atribui notas, entende o peso estratégico de cada componente e identifica onde a cadeia perde força antes de investir mais em uma solução que talvez não tenha sustentação.

Essa análise também ajuda a proteger o foco dos profissionais mais estratégicos. Evoluir qualidade exige senioridade, contexto de negócio e capacidade técnica. Quando esses profissionais são distribuídos por muitas frentes ao mesmo tempo, a empresa troca profundidade por dispersão. Se o time mais qualificado passa a apagar incêndios em dados, integração, regras, deploy, agentes e governança ao mesmo tempo, a empresa troca foco estratégico por esforço disperso.

Antes de ampliar o investimento em IA, a pergunta mais importante é: qual parte da cadeia ainda impede o resultado?

O diagnóstico da PowerOfData ajuda a identificar esse ponto e priorizar os próximos movimentos com mais precisão.

THE 5% CLUB

Como os 5% decidem o que construir, medir e acelerar

Os 5% não são apenas as empresas que testaram mais IA. São as que entenderam onde a IA entra na cadeia de valor e quais capacidades precisam estar maduras antes da escala.

O dado da BCG reforça essa leitura por outro ângulo. Enquanto o MIT analisa a distância entre pilotos de GenAI e impacto mensurável em P&L, a BCG observa a maturidade empresarial em IA de forma mais ampla. Em um estudo com mais de 1.250 empresas, apenas 5% foram classificadas como “future-built”, capturando valor de IA em escala. Essas empresas alcançam cinco vezes mais aumento de receita e três vezes mais redução de custos com IA do que as demais. Ao mesmo tempo, 60% das empresas analisadas reportam pouco ou nenhum valor material.

A diferença está menos no entusiasmo com tecnologia e mais na disciplina de execução. Empresas que chegam ao resultado tratam IA como transformação operacional, não como uma camada isolada de software.

Depois de medir a qualidade da cadeia, a liderança precisa decidir o que deve ser desenvolvido internamente e o que pode ser acelerado com parceiros especializados.

Uma montadora competitiva não precisa fabricar todos os componentes do carro dentro de casa para entregar um veículo superior. Ela protege o que define sua vantagem, como design, engenharia central, integração, experiência e estratégia, enquanto trabalha com fornecedores especializados nas partes em que eles conseguem entregar mais qualidade, escala ou eficiência. A qualidade final vem justamente dessa combinação entre excelência interna e parceiros certos nas partes certas.

Com IA, o raciocínio é parecido. Tentar fazer tudo internamente pode transformar um time excelente em uma operação de qualidade média. Os melhores profissionais passam a dividir energia entre dados, integração, engenharia, ciência de dados, regras, deploy, monitoramento, governança, agentes e gestão de mudança.

O próprio MIT identificou que soluções compradas de parceiros especializados chegaram à implantação em cerca de 67% dos casos, contra aproximadamente 33% das ferramentas construídas internamente. Isso não significa terceirizar a estratégia. Significa reconhecer que maturidade também envolve saber onde buscar qualidade fora para elevar a cadeia inteira.

Antes de escolher mais uma ferramenta, a empresa precisa entender qual processo realmente precisa mudar, quais dados sustentam a decisão e quais capacidades ainda precisam amadurecer para que a IA chegue à escala com segurança.

Se sua organização quer identificar onde a cadeia de IA ainda limita o resultado, faça o diagnóstico rápido da PowerOfData e priorize os próximos movimentos com mais clareza.

Dalmer Sella

Co-fundador e CEO da PowerOfData

Até a próxima News! 🧠

A POD PILLS é enviada quinzenalmente, toda quarta-feira às 7h15, de graça, direto na sua caixa de entrada. Se você quer receber as próximas, inscreva-se aqui.

Na edição de hoje:

🫣O que o mercado (ainda) não está enxergando

🧊Apenas a ponta do iceberg

🏢Como uma gigante do setor de energia estruturou a cadeia completa

THE DARK SIDE

O que o mercado (ainda) não está enxergando

Sua empresa provavelmente gastou mais com IA em 2025 do que em 2024. O orçamento cresceu, as ferramentas foram liberadas e os times foram treinados. Contudo, de acordo com a pesquisa The GenAI Divide: State of AI in Business 2025, publicada pelo MIT Media Lab, 95% das empresas que investiram em IA não conseguiram identificar nenhum retorno significativo na amostra observada (acesse aqui o estudo do MIT resumido).

Isso não se trata de um paradoxo, mas sim de um padrão. Esse padrão explica o que o mercado muitas vezes prefere evitar.

De acordo com o relatório State of Generative AI in the Enterprise, da Menlo Ventures, o gasto das empresas com IA generativa aumentou de US$ 11,5 bilhões em 2024 para US$ 37 bilhões em 2025, um crescimento de 3,2 vezes em apenas um ano. Mais de metade desse investimento foi alocado na camada de aplicações, em vez de infraestrutura de dados e modelos. O dinheiro está indo para o lugar certo e as soluções de IA são promissoras. O problema é que grande parte da fundação de dados das empresas ainda não está preparada para a IA.

A discussão ainda se concentra em ferramentas: qual modelo é mais eficiente, qual copiloto oferece melhor desempenho, qual interface a equipe adota com mais rapidez. Enquanto isso, o dado que todos preferem ignorar continua no relatório do MIT: a adoção em larga escala e a captura de valor estão concentradas em apenas 5% das iniciativas.

O mercado está focando nos aspectos positivos (volume de investimento, ritmo de adoção, novos casos de uso divulgados na imprensa). O que o mercado (ainda) não está enxergando: a IA é apenas a ponta do iceberg.

POWER PILLS

Apenas a ponta do iceberg

O problema central não é a IA, mas a fundação de dados das empresas. É tudo que precede a IA e que precisa estar conectado a ela depois. Existe uma cadeia de valor que as empresas que realmente têm resultados com IA já operam (mesmo que não a descrevam com esse nome).

Ela começa nos dados internos: quem é o cliente atual, como ele se comporta, o que o histórico da empresa já sabe sobre ele. Na prática, ela conta qual a relação íntima que a empresa tem com seus clientes.

Ao lado disso, entram os dados externos: como o cliente se comporta no mercado e na concorrência, quais dados podem ser complementados e enriquecidos para a tomada de decisão.

Sobre essa base, os modelos de machine learning passam a fazer sentido. É a inteligência que calcula, por exemplo: a propensão do cliente comprar algo; o risco associado a um empréstimo pessoal, aumento de limite de cartão ou o risco de uma empresa falir; qual a probabilidade daquela transação ser legítima ou ser fraude; qual a propensão do cliente cancelar o serviço; entre outros. E quando o problema exige outros tipos de dados (por exemplo, análise de sentimento, imagem ou voz), o deep learning entra como camada adicional.

A integração entre sistemas e a automação conectam essa inteligência à operação real e garantem a escalabilidade da solução. A experimentação (testes A/B, ajustes contínuos) garante que o que funciona hoje continue funcionando amanhã. E no topo dessa cadeia, a gestão executiva garante que a estratégia de negócios seja implementada e haja controle das atividades automatizadas por agentes inteligentes.

“Valor só surge quando dados, modelos e gestão estão integrados em um ciclo contínuo.”

Essa frase resume a diferença entre um projeto de IA e uma verdadeira transformação. A maior parte das empresas inicia o processo de maneira inadequada: disponibiliza diversas ferramentas de IA para o time, esperando que os resultados apareçam, de forma mágica.

Há um sintoma que revela isso com clareza. Empresas que liberaram IA para os times começaram a medir uso pelo volume de tokens consumidos, o chamado token maxxing. O fenômeno ganhou notoriedade quando a Meta criou um ranking interno que premiava os funcionários com maior consumo de tokens, chegando ao absurdo de 281 bilhões de tokens consumidos por um único colaborador em 30 dias.

A lógica parece razoável: mais uso da IA = mais valor gerado.

O problema é que dados da Jellyfish sobre 7.548 engenheiros mostram que os profissionais com maior budget de tokens entregam apenas 2 vezes mais produtividade consumindo 10 vezes mais tokens. Atividade não é resultado. Medir IA pelo volume de uso é como medir a eficiência de um time pelo número de reuniões que ele faz.

O gráfico abaixo diz algo importante: as categorias que mais geram receita com IA são exatamente aquelas onde o problema é mais bem definido: programação, jurídico e suporte. Não por acaso, são áreas com alto volume de trabalho, dados estruturados e impacto observável.

A medição de valor precisa se aproximar do trabalho que a IA (integrada a toda a cadeia de valor do dado) deveria melhorar:

• Análises de crédito mais democráticas e melhor saúde da carteira.

• Processos de compras mais ágeis e automatizados.

• Menor tempo operacional em atividades repetitivas.

• Maior inteligência na venda (como uso de recomendação, análise de propensão e agentes personalizados automatizando o atendimento).

• Hiper personalização real no concierge.

• Recuperação de cobrança, com foco nos públicos de maior propensão de pagamento.

• Inteligência de Dados para segurança pública.

• Entre outros.

Esses são exemplos de valor que a PowerOfData gera no mercado. Se sua organização busca resultados reais de negócio, clique aqui e preencha um diagnóstico rápido.

THE 5% CLUB

Como uma gigante do setor de energia estruturou a cadeia completa

Na prática, o que separa os 5% não é o modelo de IA que usam. É a clareza sobre qual problema precisava ser resolvido e a disciplina de construir a cadeia completa antes de escolher a tecnologia.

Uma das maiores empresas de energia do país enfrentava um desafio que muita organização de grande porte conhece bem: o processo de prospecção, qualificação e cadastro de fornecedores era lento, dependente de trabalho manual e baseado quase exclusivamente na base de fornecedores que a empresa já conhecia. O universo de quem poderia fornecer era muito maior do que a empresa enxergava.

A solução construída (o SupplyOn AI) percorreu cada etapa da cadeia de valor que defendemos. Começou pelos dados internos: toda a base histórica de fornecedores da empresa foi processada para criar um score interno, capturando padrões de desempenho, confiabilidade e aderência às exigências da operação. Em seguida, foram conectadas mais de 15 fontes de dados externos para enriquecer esse perfil (informações fiscais, contábeis, cadastrais e de mercado que sozinhas dizem pouco, mas combinadas com os dados internos revelam muito do comportamento do fornecedor).

Com essa base montada, o sistema passou a prospectar ativamente novos fornecedores, identificando CNPJs fora da base atual que compartilham características com os melhores fornecedores já cadastrados, empresas que nunca tinham fornecido para a companhia, mas que o modelo identificava como alto potencial. A gestão dessa prospecção acontece via e-mail, com agentes de IA atuando como assistentes para refinar a busca e qualificar as respostas ao longo do processo.

Na etapa de qualificação, o sistema analisa documentos fiscais, contábeis e técnicos para validar o cadastro antes que qualquer decisão humana precise ser tomada, reduzindo o tempo de triagem e aumentando a consistência das aprovações. O processo, antes concentrado em poucos analistas e dependente do conhecimento tácito da equipe, virou um ativo documentado, auditável e escalável da organização.

Cada etapa dessa solução corresponde a uma camada da cadeia de valor: dados internos, dados externos, machine learning, integração, automação e agentes inteligentes operando em conjunto. Não foi a implementação de uma ferramenta, mas a construção de uma estrutura que converte dados e ferramentas em decisões que podem ser mensuradas através dos resultados:

• Menor tempo de atividades repetitivas do time.

• Maior competitividade entre fornecedores.

• Maior compliance e padronização de dados.

• Menor preço médio nas contratações.

Quer entender como sua operação pode construir esta cadeia de valor com dados e IA? Faça o diagnóstico gratuito aqui.

Rauhe Abdulhamid

CMO na PowerOfData

Até a próxima News! 🧠

A POD PILLS é enviada quinzenalmente, toda quarta-feira às 7h15, de graça, direto na sua caixa de entrada. Se você quer receber as próximas, inscreva-se aqui.

Na edição de hoje:

🔄A IA começou a redistribuir valor na tecnologia

📉A cloud reduziu o custo de escalar. A IA reduz o custo de construir

💰A pergunta do mercado mudou: a receita é defensável?

🔍APIs, módulos e ferramentas isoladas entram em revisão

✅Clientes não querem mais ferramentas. Querem operação resolvida

⚠️O risco de criar novos legados com aparência moderna

🎛️The 5% Club

A IA começou a redistribuir valor na tecnologia

Nas primeiras semanas de 2026, o chamado “SaaSpocalypse” colocou uma pressão incomum sobre algumas das maiores empresas globais de software. Segundo levantamentos de mercado, o índice S&P 500 de Software e Serviços perdeu quase US$ 1 trilhão em valor de mercado nas seis primeiras semanas do ano. Em apenas dois dias, 3 e 4 de fevereiro, o Nasdaq 100 viu quase US$ 300 bilhões desaparecerem de ações ligadas ao setor, incluindo nomes como Salesforce, ServiceNow, Adobe, Workday e Intuit.

O dado mais relevante, porém, não está apenas na correção. Está no que ela sinaliza. O mercado parece ter passado a questionar quais empresas realmente conseguirão sustentar valor em um cenário onde a inteligência artificial altera custos, modelos de negócio e velocidade competitiva.

Esse movimento também não atingiu todas as camadas da tecnologia da mesma forma. Enquanto software passou por forte pressão, infraestrutura e semicondutores seguiram em direção oposta. O ETF iShares Expanded Tech-Software recuou em 2026, enquanto um ETF de semicondutores avançou mais de 40% no mesmo período, sugerindo que o capital não saiu de tecnologia, mas começou a migrar para onde enxerga captura mais direta de valor no ciclo da IA.

A cloud reduziu o custo de escalar. A IA reduz o custo de construir

A computação em nuvem foi uma das grandes responsáveis por mudar a dinâmica competitiva da tecnologia nas últimas décadas. Antes dela, criar uma empresa de software exigia investimento pesado em servidores, ambientes próprios, infraestrutura e capacidade técnica inicial. Com a cloud, startups puderam prototipar, testar e escalar com menor investimento de entrada, pagando conforme uso e crescimento.

A IA generativa começa a provocar um efeito semelhante em outra camada. Ela acelera desenvolvimento, prototipação, automação e lançamento de novas funcionalidades. Times menores conseguem testar hipóteses mais rápido, operar com estruturas mais leves e explorar nichos antes pouco atrativos para grandes players.

Isso não elimina a força das empresas consolidadas, mas reduz parte da vantagem histórica baseada apenas em escala, capital e tamanho de equipe. Em mercados onde competir ficou mais barato, a pressão tende a aumentar.

A pergunta do mercado mudou: a receita é defensável?

A queda recente de empresas como SAP, ServiceNow, Workday, Intuit, Salesforce e Adobe não deve ser lida apenas como reação a resultados trimestrais. Em vários casos, o mercado parece antecipar uma discussão mais profunda sobre a resiliência futura dessas receitas.

Toda empresa de produto passa a encarar a mesma pergunta: o que me protege quando construir isso ficar mais fácil?

O caso da ServiceNow ajuda a ilustrar essa mudança. Mesmo com crescimento de receita e revisão positiva de outlook, suas ações sofreram forte queda em meio a preocupações com atrasos em grandes contratos e, principalmente, com o risco de disrupção por IA em plataformas tradicionais de software. A própria empresa destacou que mais de 50% dos novos negócios já vêm de modelos baseados em uso, e não apenas em licenças por usuário, mostrando que a monetização também começa a mudar.

Muitos softwares cresceram em torno de conveniência, workflow e cobrança recorrente por assento. Se agentes de IA passam a executar parte das tarefas antes feitas por usuários humanos, a base econômica de algumas categorias pode ser revista. Workday, Intuit, Asana e outros modelos ligados a camadas transacionais entram nessa discussão porque operam processos repetitivos e administrativos, mais suscetíveis à automação.

A questão não é se todo SaaS será substituído. A questão é quais receitas continuam defensáveis quando surgem alternativas internas, automatizadas ou mais baratas.

APIs, módulos e ferramentas isoladas entram em revisão

Outro efeito relevante aparece no consumo corporativo de APIs e soluções SaaS pontuais. Com IA, empresas que gastam valores altos em determinados componentes podem começar a avaliar se parte desses serviços ainda precisa ser comprada externamente ou se pode ser internalizada com custo menor.

Isso não significa que todo cliente vai virar empresa de software. O que muda é o poder de negociação. Quando alternativas internas passam a ser viáveis, fornecedores de componentes simples ou pouco diferenciados tendem a perder proteção comercial.

Esse é um dos motivos pelos quais o mercado pode revisar projeções de crescimento. Se uma empresa dependia de expansão contínua baseada em mais usuários, mais módulos ou mais consumo de API, a IA introduz novas formas de compressão dessa demanda.

Clientes não querem mais ferramentas. Querem operação resolvida

Se por um lado a IA amplia a oferta de soluções, por outro ela também aumenta a complexidade de decisão para quem compra tecnologia.

Grandes organizações não operam em laboratório. Elas lidam com sistemas legados, regras regulatórias, processos críticos, dados distribuídos e riscos que impactam receita, custo e reputação. Nesse contexto, adotar uma ferramenta nova raramente resolve o problema completo.

Essa é a diferença entre automatizar uma tarefa isolada e transformar um processo de negócio inteiro. O segundo exige integração, governança, confiabilidade e capacidade contínua de evolução.

Por isso, a próxima fase do mercado pode favorecer empresas capazes de entregar soluções mais completas, conectando tecnologia, processo e operação. Quanto maior a complexidade do ambiente, maior tende a ser o valor de quem consegue assumir responsabilidade por resultado.

O risco de criar novos legados com aparência moderna

O avanço da IA também traz uma armadilha: confundir velocidade inicial com maturidade tecnológica.

Uma aplicação criada rapidamente pode resolver um problema imediato, mas isso não garante sustentabilidade.

Essa não é uma preocupação teórica. Grandes empresas já passaram décadas modernizando sistemas críticos, como bancos com mainframes e ambientes transacionais complexos. A lição permanece atual: tecnologia que entra no centro da operação precisa ser tratada com responsabilidade técnica.

A IA acelera a construção inicial, mas não elimina o custo de manter, evoluir e integrar software em ambientes críticos. O movimento observado em 2026 talvez seja menos sobre queda de valuation e mais sobre mudança no critério de valor.

Em um mercado onde acesso à tecnologia ficou mais amplo, o diferencial sustentável tende a migrar para quem consegue transformar tecnologia em performance de negócio.

Até a próxima News! 🧠

A POD PILLS é enviada quinzenalmente, toda quarta-feira às 7h15, de graça, direto na sua caixa de entrada. Se você quer receber as próximas, inscreva-se aqui.

Na edição de hoje:

📚A tecnologia chegou antes das pessoas estarem prontas

🔗Quando a empresa vira a escola

♾️Quem precisa de talento parou de esperar

🎓Do global ao Brasil: o mesmo movimento

🚀Formar e entregar ao mesmo tempo — esse é o modelo

🎛️The 5% Club

A tecnologia chegou antes das pessoas estarem prontas

Em um momento de inflexão tecnológica, o mercado mudou mais rápido do que os modelos tradicionais de formação conseguem acompanhar. Universidades e instituições de ensino seguem relevantes, mas já não suprem sozinhas a demanda por profissionais preparados para atuar com dados, IA e novas tecnologias no ritmo que as empresas precisam. Por isso, empresas passam a assumir papel mais ativo na formação das competências de que dependem.

A tecnologia chegou antes das pessoas estarem prontas para operá-la. O uso de IA cresce rapidamente dentro das empresas, muitas vezes em testes, experimentação ou iniciativas isoladas, sem times preparados para transformar adoção em resultado. Quando a capacitação fica para depois, aumentam custos, desperdícios e projetos sem retorno claro.

De acordo com o World Economic Forum, quase metade das habilidades exigidas no mercado deve mudar até 2027, e 59% da força de trabalho global precisará de requalificação até 2030. Ao mesmo tempo, grande parte dos profissionais já utiliza ferramentas de IA no dia a dia, mas apenas uma parcela recebeu treinamento formal.

Nesse cenário, equipes se formam, entregam resultados iniciais e muitas vezes mudam antes que conhecimento, contexto e ritmo de execução amadureçam plenamente. O ciclo de recomeços consome energia, reduz consistência e limita a evolução das iniciativas.

Quando a empresa vira a escola

As empresas sempre tiveram um papel ativo na formação profissional das pessoas. Mas neste momento o que se observa são diversas empresas criarem instituições de ensino: elas deixam de apenas qualificar funcionários e passam a criar escolas corporativas, academias próprias, parcerias educacionais e programas estruturados para formar talentos para o mercado.

Esse avanço revela a dimensão do gap atual. Em vez de esperar que os modelos tradicionais acompanhem a velocidade das mudanças, organizações passam a construir diretamente as competências de que precisam em dados, IA e tecnologia.

Não se trata apenas de capacitar quem já está dentro de casa. Cada vez mais, empresas atuam também na formação de novos profissionais, ampliando a oferta de talento disponível e aproximando aprendizado das demandas reais do mercado por meio de suas próprias instituições de ensino. Na PowerOfData, esse movimento já se reflete na prática: hoje, mais de 50% do time foi formado pela PoD Academy, conectando formação técnica e capacidade real de entrega.

Os dados reforçam essa pressão. Levantamentos da McKinsey indicam que entre 70% e 80% das empresas apontam a falta de talentos em dados e tecnologia como um dos principais obstáculos à execução de suas estratégias, enquanto 77% afirmam não possuir competências suficientes para operar áreas críticas ligadas a dados e IA.

O que está mudando na sociedade fica evidente quando um banco cria uma escola. A Fundação Itaú lançou sua própria plataforma de ensino, com mais de 120 cursos gratuitos, especializações em IA em parceria com universidades federais e 378 mil alunos em menos de um ano.

O efeito é direto: quem precisa executar deixa de esperar que a formação venha de fora e passa a participar ativamente da construção dessa capacidade.

Quem precisa de talento parou de esperar

O avanço desse movimento já pode ser visto em decisões concretas. Organizações que dependem de tecnologia passaram a entender que disputar os mesmos profissionais escassos não resolve, por si só, um problema estrutural.

Por isso, algumas empresas ampliaram seu papel na formação de talentos. O ecossistema BTG Pactual participou da criação do Inteli, voltado ao desenvolvimento de lideranças em tecnologia.

Grandes grupos financeiros também fortalecem parcerias com universidades e centros de excelência para aproximar ensino e mercado. Na mesma direção, a PowerOfData estruturou a PoD Academy com foco em formação aplicada para desafios reais de negócio.

Na prática, essa resposta combina quatro frentes:

• Requalificação de equipes já existentes

• Programas próprios conectados à operação

• Formação de novos profissionais para o mercado

• Aprendizado contínuo integrado à entrega

Para muitas organizações, participar diretamente da construção dessa capacidade passou a ser mais eficiente do que depender apenas da oferta limitada de talentos disponíveis.

O impacto vai além da contratação. Reduz-se o tempo entre desenvolvimento e resultado, aumenta-se a aderência ao negócio e amplia-se a disponibilidade de profissionais preparados para novas demandas.

Do global ao Brasil: o mesmo movimento

Em escala global, a aproximação entre formação e aplicação deixou de ser tendência e virou decisão estratégica. Governos e empresas perceberam que esperar pelo sistema educacional tradicional tem um custo que a velocidade tecnológica não perdoa.

Na China, o alinhamento entre pesquisa acadêmica e indústria virou política de Estado. No Vale do Silício, grandes empresas de tecnologia há anos formam internamente os profissionais que o mercado não consegue entregar. Na Europa, consórcios entre universidades e setor privado se multiplicam para reduzir o tempo entre aprendizado e aplicação real.

No Brasil, o movimento chegou pelo setor financeiro, um dos mais maduros no uso de dados e tecnologia para operar. BTG e Itaú não esperaram: fundaram suas próprias instituições.

A PowerOfData e PoD Academy chegaram à mesma conclusão por outro caminho: desenvolver e formar talentos, unindo competência técnica, conhecimento de negócio, aplicação prática (através de hackathons e projetos reais) e construção de portfólio. Esta parceria tem sido responsável também por alocar profissionais especializados em clientes, proporcionando benefícios mútuos, tanto para o profissional, quanto para as empresas contratantes.

O padrão é o mesmo em qualquer geografia: diante da velocidade das mudanças, quem precisa de capacidade parou de esperar e passou a construí-la.

Segundo Tâmara Jardim, CEO da PoD Academy,

“Formar talentos em dados exige mais do que conhecimento técnico, é preciso compreender o impacto das decisões e criar profissionais capazes de pensar o dado como ativo de negócio.”

Formar e entregar ao mesmo tempo — esse é o modelo

Esse movimento ganha relevância quando deixa de ser apenas conceito e passa a se materializar em estruturas capazes de conectar formação, pesquisa e execução dentro do mesmo ciclo.

Na PowerOfData, essa lógica se materializa em diferentes frentes. Somada ao trabalho já realizado na formação aplicada por meio da PoD Academy, a empresa também mantém iniciativas com instituições como o ITA, em projetos voltados ao avanço tecnológico e à aplicação de conhecimento de alta complexidade em desafios reais de mercado.

Essa agenda se estende ao fortalecimento contínuo de capacidades estratégicas. A atuação junto à FAPEMIG, em diversos projetos de P&D, bem como atuação em programas de inovação pública e privada, contribui para a criação de novas tecnologias e para a expansão das capacidades no longo prazo.

Esse direcionamento também se reflete na própria liderança técnica da empresa. O CTO e cofundador da PowerOfData vem aprofundando sua especialização acadêmica em computação quântica, em um movimento que reforça a busca contínua por estar na vanguarda tecnológica e antecipar necessidades que devem ganhar relevância nos próximos ciclos do mercado.

The 5% Club

Um estudo do MIT em 2025 apontou que 95% das empresas que investiram em IA ainda não conseguiram medir retorno relevante. O dado revela um ponto central: para muitas organizações, o desafio deixou de ser acesso à tecnologia e passou a ser capacidade de execução.

Na prática, as empresas que avançam de forma consistente operam com uma lógica diferente. Em vez de depender apenas da contratação pontual de talentos escassos ou de estruturas lentas para amadurecer, combinam capacidade interna com apoio especializado, acelerando entregas enquanto constroem continuidade, conhecimento e maturidade dentro da operação.

É nesse contexto que modelos como o PoD Squads & Team Building ganham relevância, permitindo contar com times preparados para desafios reais de negócio, com rápida integração, liderança técnica e desenvolvimento contínuo. Ao longo do tempo, essa capacidade também pode ser absorvida pela própria empresa, fortalecendo sua estrutura interna.

Os resultados ajudam a tangibilizar essa lógica. Na B3, squads atuando por mais de sete anos, com rotatividade inferior a 10%, sustentaram a operação de mais de 25 produtos de dados. No Banco BV, a integração entre formação e execução contribuiu para consolidar uma cultura de dados mais estruturada, alinhada à estratégia do negócio e associada a ganhos consistentes em eficiência e tomada de decisão.

Essa é a diferença de estar nos 5%.

Se você também quer fazer parte do The 5% Club, faça um diagnóstico rápido com a nossa equipe.

Até a próxima News! 🧠

A POD PILLS é enviada quinzenalmente, toda quarta-feira às 7h15, de graça, direto na sua caixa de entrada. Se você quer receber as próximas, inscreva-se aqui.

Na edição de hoje:

🧠Como dados, analytics e inteligência artificial estão mudando a lógica das decisões estratégicas

🧭Quando o ambiente de decisão muda

🖥️A infraestrutura da inteligência

⚙️Quando capacidade deixa de ser o principal desafio

⚡A nova economia da inferência

🧩Como o valor começa a se reorganizar

🎯A nova natureza da vantagem competitiva

🎛️The 5% Club

🧠Como dados e inteligência artificial estão mudando a lógica das decisões estratégicas

Entre os dias 12 e 18 de março, aconteceu em Austin, no Texas, o SXSW, um dos principais encontros globais de inovação, tecnologia, cultura e negócios. Todos os anos, um dos momentos mais aguardados do evento é a apresentação de Amy Webb, futurista, fundadora e CEO da Future Today Strategy Group, professora de strategic foresight na NYU Stern e uma das vozes mais influentes hoje quando o tema é antecipação de cenários e transformação de mercados.

Em 2026, Webb levou ao SXSW uma mudança importante no próprio formato de leitura do futuro. Depois de anos apresentando o tradicional Tech Trends Report, ela anunciou o Convergence Outlook 2026, um novo report construído a partir da ideia de que o mundo já não muda uma tendência de cada vez. O que passa a importar agora é a convergência entre forças tecnológicas, econômicas, geopolíticas, sociais e industriais, que começam a se reforçar mutuamente e a produzir impactos mais amplos, mais rápidos e mais difíceis de reverter. Ao longo deste material, exploramos como essa mudança começa a impactar decisões na prática.

E, ao final, mostramos um caso real de uma cooperativa de crédito que está redesenhando sua operação com dados e IA.

ConvergêncIA: o novo mapa do futuro

Nossa leitura completa do Convergence Outlook 2026 — com os 10 eixos de transformação, infográficos e análise para o mercado brasileiro.

Baixar o resumo executivo →

Inteligência artificial, infraestrutura computacional, energia, cadeias produtivas, reorganização geopolítica e novos modelos de automação estão avançando ao mesmo tempo e, cada vez mais, passam a se reforçar mutuamente.

Esse tipo de dinâmica altera o ambiente em que empresas tomam decisões. Mudanças que antes surgiam de forma isolada agora aparecem combinadas. Tecnologia, economia, infraestrutura e política industrial começam a se mover em conjunto, criando pressões novas sobre modelos de negócio, cadeias de valor e estruturas competitivas.

Nesse contexto, o desafio para empresas deixa de ser apenas acompanhar inovação. Passa a ser entender como essas forças se conectam e de que forma começam a alterar a lógica de operação dos mercados.

É justamente nesse ponto que dados, analytics e inteligência artificial ganham um papel mais estratégico. Eles ajudam organizações a interpretar um ambiente mais complexo e a reduzir a distância entre sinal e decisão. Na prática, esse movimento já começa a aparecer com mais clareza nas empresas que conseguem conectar dados, modelos e processos à tomada de decisão do dia a dia, saindo de iniciativas isoladas para estruturas mais integradas de operação. Essa mudança já começa a aparecer na operação de algumas empresas.

Ao final do texto, mostramos como isso se traduz na prática dentro de uma instituição financeira.

🧭Quando o ambiente de decisão muda.

Durante muito tempo, transformação digital foi tratada como um processo relativamente linear. Uma nova tecnologia surgia. As empresas começavam a adotá-la. Processos eram digitalizados e ganhos de eficiência apareciam ao longo do tempo.

Esse modelo pressupunha um ambiente relativamente estável. Hoje, essa estabilidade é menor. Mudanças tecnológicas passaram a interagir com transformações econômicas, industriais e geopolíticas, e o resultado é um cenário em que várias variáveis relevantes começam a se mover ao mesmo tempo.

Quando isso acontece, o impacto da tecnologia deixa de ser apenas operacional. Ele passa a influenciar diretamente a forma como empresas interpretam risco, alocam capital, estruturam cadeias de suprimento e organizam suas capacidades internas.

Decisões sobre arquitetura de dados, capacidade analítica ou automação, por exemplo, deixam de ser apenas iniciativas de eficiência. Em muitos casos, passam a influenciar a velocidade com que a organização consegue reagir a mudanças no mercado. Em um ambiente mais dinâmico, a qualidade da decisão se torna um ativo competitivo.

Hoje, o diferencial já não está na capacidade de analisar, mas na capacidade de transformar análise em decisão dentro da operação. Fale agora com nosso time e acelere a sua jornada de dados e IA.

🖥️A infraestrutura da inteligência

Grande parte da conversa pública sobre IA ainda se concentra em aplicações: modelos, interfaces ou novas ferramentas. Mas uma mudança relevante está acontecendo em uma camada anterior. A economia da IA começa a depender cada vez mais de infraestrutura física e industrial.

Data centers, energia, semicondutores, redes, resfriamento e capacidade de construção passaram a ser elementos centrais para que sistemas de inteligência possam operar em escala.

Isso faz com que a IA deixe de ser tratada apenas como uma camada tecnológica dentro das organizações. Ela passa a envolver decisões mais amplas sobre infraestrutura, capacidade energética, supply chain tecnológico e planejamento industrial.

Ao mesmo tempo, esse avanço de infraestrutura começa a destravar uma outra frente de impacto. Na prática, o ganho mais direto tende a aparecer na automação de processos de negócio. Tarefas repetitivas, análises operacionais e decisões baseadas em regra ou probabilidade passam a ser executadas com mais velocidade e consistência, reduzindo dependência operacional e aumentando a capacidade de resposta. Nesse sentido, a discussão não se limita à capacidade computacional, mas à forma como essa capacidade é aplicada na operação do dia a dia - Dalmer Sella, CEO da PowerOfData

⚙️Quando capacidade deixa de ser o principal desafio

Nos primeiros anos do atual ciclo de IA, o principal debate era sobre capacidade técnica. A tecnologia conseguiria realizar determinadas tarefas?

Nos últimos dois anos, essa pergunta começou a perder centralidade. Sistemas de IA já demonstraram capacidade para escrever, analisar dados, gerar código, interpretar documentos e executar diversas tarefas cognitivas.

O desafio agora começa a se deslocar: confiabilidade, integração entre sistemas, governança e uso operacional consistente passaram a ser fatores decisivos.

No final do material, mostramos como esse tipo de desafio aparece na prática dentro de uma instituição financeira e o que muda quando a área de negócio passa a ter mais autonomia sobre dados e decisões.

Nesse contexto, a IA deixa de ser vista como um elemento isolado e passa a atuar como uma peça dentro de uma cadeia mais ampla de inteligência. Antes dela, estão os dados estruturados, os modelos de machine learning e as regras de negócio, que continuam sendo definidos, ajustados e orientados por pessoas, de acordo com a estratégia da empresa.

A diferença entre um experimento bem-sucedido e uma transformação real dentro da empresa está na capacidade de conectar esses elementos e transformar tecnologia em processos que funcionam de forma consistente no dia a dia da operação. Sem dados confiáveis, integração entre áreas e capacidade de medir impacto, iniciativas de IA tendem a gerar ganhos pontuais, mas encontram dificuldade para se consolidar como melhorias estruturais.

⚡A nova economia da inferência

Outra mudança importante está acontecendo na própria dinâmica de uso da IA. Durante muito tempo, a maior parte da atenção esteve concentrada no treinamento de modelos, um processo intensivo em dados e infraestrutura.

À medida que a tecnologia entra em uso contínuo, o foco começa a se expandir. O que passa a crescer rapidamente é a chamada inferência: o momento em que modelos aplicam conhecimento para gerar respostas, recomendações ou decisões em tempo real.

Sempre que um sistema detecta fraude, recomenda um produto, analisa um risco ou orienta uma decisão operacional, ele está executando inferência. Quanto mais a IA entra no fluxo vivo das organizações, maior se torna essa demanda.

Isso faz com que a IA passe a se comportar menos como um projeto de inovação e mais como uma camada permanente da operação. O relatório aponta esse crescimento da inferência como um dos movimentos centrais do novo ciclo de inteligência artificial.

Na nossa leitura, esse avanço não substitui o treinamento, mas adiciona uma nova camada de uso, aumentando a demanda por modelos próprios e mais especializados, ao mesmo tempo em que amplia custos e complexidade da operação de IA em escala - Dalmer Sella, CEO da PowerOfData

Aproveite e baixe a nossa leitura do Convergence Outlook 2026 — os 10 eixos de transformação, análise de infraestrutura, concentração de valor e o que muda para empresas brasileiras. Com infográficos.

Baixar gratuitamente →

🧩Como o valor começa a se reorganizar

Mudanças tecnológicas profundas costumam reorganizar a forma como valor é distribuído dentro da economia. No cenário atual, o que começa a aparecer é uma reorganização em torno de alguns elementos estruturais da nova economia digital: infraestrutura computacional, plataformas tecnológicas, dados em escala e a capacidade de transformar esses dados em modelos de machine learning e aplicações de inteligência artificial integradas à operação.

Mais do que identificar vencedores ou perdedores, o ponto central é reconhecer que a arquitetura da economia digital está se tornando mais interdependente. Quando certos componentes da infraestrutura tecnológica avançam, diversos setores conseguem acelerar ao mesmo tempo. Quando enfrentam limitações, o efeito também se espalha pelo sistema.

Nesse contexto, o uso efetivo de dados em escala passa a ser um fator determinante para capturar valor. Não apenas o volume de dados, mas a qualidade, consistência e governança dessas informações começam a definir o quanto uma organização consegue transformar potencial em resultado. Esse valor, no entanto, só se materializa quando esses dados são convertidos em inteligência aplicada, por meio de modelos de machine learning e aplicações de IA integradas aos processos de negócio.

Na prática, o desafio deixa de ser apenas ter acesso a dados e passa a ser garantir que esses dados sejam confiáveis e utilizáveis ao longo de toda a operação, sustentando decisões e processos de forma contínua.

Para organizações, isso significa que compreender o posicionamento dentro desse ecossistema passa a ser cada vez mais relevante. Conheça o ecossistema da PowerOfData e maximize seu resultados de negócios. Agende uma conversa.

🎯A nova natureza da vantagem competitiva

No fim, a chamada “Era da Convergência” muda menos a importância da tecnologia em si e mais o papel da capacidade organizacional. Em ambientes relativamente estáveis, eficiência operacional costuma ser suficiente para sustentar vantagem competitiva. Em ambientes de transformação estrutural, outras capacidades começam a ganhar peso:

• A capacidade de interpretar sinais complexos.

• De conectar informação dispersa.

• E de transformar análise em decisões e ações coordenadas, integradas a processos de negócio digitalizados.

Nesse contexto, dados deixam de ser apenas registro do passado. Analytics deixa de ser apenas leitura de desempenho e predição e a inteligência artificial deixa de ser apenas automação de tarefas. Mas os três passam a atuar como instrumentos para melhorar a qualidade da decisão em ambientes cada vez mais complexos.

Quando múltiplas transformações acontecem ao mesmo tempo, a capacidade de interpretar contexto e agir com clareza tende a se tornar um dos fatores mais importantes para sustentar crescimento e adaptação nos próximos anos.

Um paralelo possível é a evolução da indústria automotiva, que deixou de operar de forma mais fragmentada para se estruturar como montadoras, justamente para lidar com a complexidade crescente de escala, padronização e coordenação - Dalmer Sella, CEO da PowerOfData.

Na prática, esse mesmo movimento começa a acontecer em diferentes setores: empresas que conseguem estruturar melhor seus dados, processos e decisões tendem a responder mais rápido à complexidade do ambiente e capturar mais valor dessas transformações simultâneas. Até aqui, falamos sobre como o cenário está mudando. A partir daqui, começamos a olhar para quem já está operando nesse novo modelo e o que essas organizações fazem de diferente na prática.

🎛️The 5% Club

Um estudo do MIT em 2025 concluiu que 95% das empresas que investiram em IA não conseguiram medir nenhum retorno. Nesta seção vamos falar dos 5% que conseguiram ter retorno, trazendo boas práticas, cases e recomendações do que as organizações que estão gerando resultado com dados e IA fazem de diferente.

---

Como uma cooperativa de crédito está substituindo uma plataforma global

Uma das maiores cooperativas de crédito do Brasil opera com uma ferramenta globalmente reconhecida para gestão de processos e análise de dados. Robusta, auditável, consolidada no mercado há décadas, mas lenta demais para o ritmo que a área de negócio passou a exigir.

O problema não é a capacidade da ferramenta, mas sim o modelo de dependência que ela cria. Cada nova regra, cada ajuste de critério, cada alerta que precisa ser configurado passa por um ciclo longo de demanda para TI, fila de priorização e tempo de desenvolvimento.

O gap não é de tecnologia, mas de agilidade. E esse gap tem custo: risco que cresce enquanto a regra não chega, retrabalho que se acumula, processos que dependem de pessoas, não de processos.

É para resolver esse gap que a cooperativa está substituindo a solução atual pelo Power Guide AI:

O Power Guide AI é uma interface tecnológica que habilita analistas de negócio a utilizar dados com mais facilidade no dia a dia, seja para realizar estudos, estruturar relatórios recorrentes ou gerar análises próprias, sem necessidade de programação. A área de negócio passa a explorar os dados diretamente, com mais autonomia e menor dependência de times técnicos.

Mais do que substituir as plataformas tradicionais, o Power Guide AI foi desenhado para complementá-las. Enquanto a arquitetura tecnológica exige hard skills de engenharia e ciência de dados, a plataforma permite que analistas com menor carga técnica consigam acessar, interpretar e trabalhar com os dados de forma prática dentro da operação.

Isso permite que o conhecimento do negócio seja aplicado diretamente na construção e execução dos processos, aproximando quem entende o contexto da operação de quem toma as decisões. O processo, antes concentrado em poucos analistas, vira um ativo documentado, padronizado e auditável da organização.

O que muda não é só a ferramenta. É o modelo de operação: menos dependência de pessoas-chave, mais previsibilidade sobre o que está sendo executado e quanto tempo cada etapa leva.

Essa é a diferença entre adotar tecnologia e estar nos 5%.

Se você também quer fazer parte do The 5% Club, faça um diagnóstico rápido com a nossa equipe.

Dalmer Sella

CEO & Co-founder na PowerOfData

Até a próxima news! 🧠

Compartilhar PowerOfData

Na edição de hoje:

💰 Em 2026, projetos de IA com resultado efetivo são prioridade.

🧪Da experimentação à automação de um processo de negócio.

🧠Inteligência Artificial como parte de uma engrenagem maior

🧰Da ferramenta à jornada completa

🤝Redefinindo o uso da capacidade humana

🎯O que define maturidade em 2026

💰Em 2026, projetos de IA com resultado efetivo são prioridade

A inteligência artificial é inevitável. Ela continuará ampliando eficiência, competitividade e capacidade de inovação nas organizações. Esse movimento já está consolidado.

O que se transforma em 2026 não é a relevância da tecnologia, mas o critério com que ela passa a ser conduzida. A discussão evolui da adoção para a clareza de benefício. A pergunta deixa de ser apenas “como implementar IA?” e passa a ser “para qual propósito, com qual impacto, com qual custo e com qual retorno?”.

Essa mudança sinaliza um avanço natural de maturidade. Toda tecnologia, ao ganhar escala, exige maior objetividade. A IA não é exceção.

🧪Da experimentação à automação de um processo de negócio.

Nos últimos anos, a IA avançou rapidamente dentro das empresas. Agentes evoluíram, aplicações generativas se tornaram mais acessíveis e novas possibilidades surgiram em praticamente todos os setores. Esse ciclo foi importante para ampliar a compreensão sobre o potencial da tecnologia e acelerar a curva de aprendizado das organizações.

Em 2026, a evolução se dá em outra dimensão. O foco deixa de estar na aplicação isolada da tecnologia e passa para a automação de processos completos de negócio. Projetos de IA passam a exigir conexão explícita com objetivos operacionais e resultados mensuráveis.

Não basta demonstrar capacidade técnica. É necessário demonstrar contribuição concreta para eficiência operacional, melhoria de margem, redução de custo, aumento de conversão ou ganho de produtividade.

Isso exige que a inteligência artificial deixe de atuar apenas na interface e passe a percorrer toda a cadeia operacional, conectando dados, decisões e execução dentro do processo de negócio.

A maturidade deixa de ser medida pela quantidade de iniciativas lançadas e passa a ser avaliada pela capacidade de conectá-las ao resultado gerado. A inteligência artificial deixa de ser tratada como experimento isolado e passa a ser aplicada diretamente nos processos que sustentam a operação da empresa.

Se sua organização busca aplicar IA em processos reais de negócio e gerar resultados mensuráveis, nosso time pode ajudar nessa jornada.

🧠Inteligência Artificial como parte de uma engrenagem maior

Outro ponto central dessa transição é entender que a IA não opera de forma autônoma. Ela é um componente de uma arquitetura mais ampla.

Para gerar impacto consistente, depende de dados organizados, governança estruturada, pipelines confiáveis e modelos preditivos bem construídos. Depende também da integração entre sistemas e processos, garantindo que a inteligência não fique restrita à interface, mas percorra toda a cadeia operacional.

Quando a IA permanece apenas na camada de interação, respondendo perguntas, gerando textos ou conduzindo conversas, o impacto tende a ser limitado. Sem conexão com o processo de negócio e com a execução operacional, ela pode se tornar apenas uma camada adicional de custo, sem gerar resultado real.

Quando esses fundamentos não estão alinhados, a aplicação pode gerar ganhos pontuais, mas encontra dificuldade para sustentar escala. A tecnologia impressiona, mas o resultado não se consolida.

Ao mesmo tempo, a empresa continua sendo um ambiente de decisões e gestão humanas. Mesmo quando um processo de negócio é automatizado por agentes e modelos inteligentes, o gestor precisa manter controle sobre o que a IA está fazendo: acompanhar a atividade, entender como as decisões são executadas e observar a operação em tempo real.

Em muitos contextos, dados antes pouco explorados passam a ser reconhecidos como insumo estratégico. Modelos que operavam de forma limitada precisam ganhar volume e consistência. A discussão sobre machine learning deixa de ser técnica e passa a ser estrutural: quantos processos estão sendo suportados por modelos, em que escala e com qual governança.

A IA se consolida como a camada visível de uma engrenagem maior, uma engrenagem que conecta dado, modelo e decisão de forma contínua. É essa integração que transforma potencial em impacto mensurável.

🧰Da ferramenta à jornada completa

A maturidade também se expressa na forma como os processos são redesenhados.

Não se trata apenas de implementar um agente ou automatizar uma tarefa específica. O avanço ocorre quando a organização revisita o fluxo completo: atendimento, venda, pós-venda, retenção e suporte. A inteligência passa a percorrer a jornada de ponta a ponta.

Nesse contexto, modelos de linguagem (LLMs) são apenas uma das ferramentas dentro dessa jornada. Seu valor não está apenas na capacidade de gerar respostas, mas na forma como são conectados ao processo de decisão e execução do negócio.

A eficiência desses sistemas depende de algo mais fundamental: fazer a coisa certa, para a pessoa certa, no momento certo. Para isso, os modelos precisam operar guiados por dados estruturados, contexto de negócio e modelos preditivos que orientem a tomada de decisão.

Valor consistente surge quando dados internos e externos alimentam modelos analíticos e preditivos, que por sua vez se conectam aos sistemas e processos operacionais da empresa. É essa sequência, dados, modelos, integração e execução, que permite que agentes inteligentes automatizem atividades de forma confiável, sob acompanhamento da gestão executiva.

É nesse estágio que eficiência, personalização e escala deixam de ser promessas isoladas e passam a fazer parte da operação diária.

🤝Redefinindo o uso da capacidade humana

Há ainda um aspecto que vai além da tecnologia: a reorganização do trabalho.

Ao longo dos anos, equipes altamente qualificadas dedicaram parcela relevante do tempo a tarefas repetitivas, operacionais e previsíveis. Atividades necessárias, mas que consomem energia intelectual que poderia estar direcionada à análise, criatividade e tomada de decisão.

O esforço humano é valioso e raro. Utilizar essa capacidade em atividades puramente repetitivas significa desperdiçar potencial. Quando processos são automatizados de forma estruturada, abre-se espaço para que profissionais concentrem sua atenção onde realmente geram valor: interpretar cenários, resolver problemas complexos e orientar decisões estratégicas.

Em muitas organizações, grande parte dessa capacidade ainda está presa em tarefas operacionais. Identificar onde existe maior volume de trabalho repetitivo costuma ser o primeiro passo para iniciar automações com IA.

Essa mudança também tem um impacto mais amplo. O mundo está cheio de desafios reais, segurança, educação, saúde e sustentabilidade, enquanto grande parte da capacidade intelectual das organizações ainda está consumida por atividades operacionais. Liberar pessoas dessas atividades permite que elas atuem em problemas que exigem julgamento humano e visão de longo prazo.

Um exemplo simples ajuda a ilustrar essa mudança de expectativa. Um médico gera pouco valor apenas lendo um exame e confirmando que está dentro da média. O valor real está em interpretar o contexto do paciente, orientar decisões e ajudar a construir caminhos para uma vida mais saudável e longeva.

A aplicação madura da inteligência artificial permite exatamente essa transição: automatizar tarefas recorrentes para que profissionais atuem onde sua capacidade intelectual realmente faz diferença.

O ganho não é apenas de produtividade. É de foco, qualidade de execução e melhor uso da inteligência humana dentro da organização.

🎯O que define maturidade em 2026

A maturidade da IA nos negócios não será definida pela sofisticação das ferramentas adotadas, mas pela clareza com que são aplicadas e pela capacidade de entregar o resultado que foi projetado.

Em outras palavras, maturidade significa saber estimar o impacto de um projeto antes de implementá-lo e, depois, medir se esse impacto realmente se concretizou.

Não se trata apenas de demonstrar que a tecnologia funciona. Trata-se de conectar a aplicação da inteligência artificial a resultados operacionais claros e verificáveis.

Por exemplo: uma empresa pode projetar que, ao automatizar determinados processos com IA, será capaz de atender três vezes mais clientes sem ampliar o tamanho da equipe. Quando esse resultado se concretiza, há um sinal claro de maturidade.

Organizações que conseguem estruturar dados, aplicar modelos, integrar sistemas e medir resultados reais desenvolvem uma relação mais consistente com a inteligência artificial. Nesse estágio, a discussão deixa de ser sobre experimentar tecnologia e passa a ser sobre gerar impacto mensurável de forma contínua.

Se sua organização busca aplicar IA em processos reais de negócio e gerar resultados mensuráveis, fale com nosso time e entenda por onde começar.

Dalmer Sella

CEO & Co-founder na PowerOfData

Até a próxima news! 🧠

Compartilhar PowerOfData

Na edição de hoje:

🧠A nova fase da Inteligência Aplicada

⚙️De 2018 a 2025: construção de tecnologia e capacidades de execução

🧭O que isso significa para os próximos cinco anos

🏗️A IA pode ser visível, mas o resultado vem da base

⚡️O que vai definir o próximo ciclo

🧠A nova fase da Inteligência Aplicada em 2026

A inteligência artificial está no centro das estratégias corporativas. Os números confirmam: 96% das empresas brasileiras pretendem expandir o uso de Agentes de IA e 88% já os consideram um requisito competitivo.

Mas há uma contradição: 88% das iniciativas-piloto não avançam para produção e 85% enfrentam problemas de qualidade e confiança dos dados. Segundo o MIT, cerca de 95% das organizações ainda não conseguem extrair retorno financeiro consistente dessas iniciativas.

A oportunidade é clara para todos. A capacidade de capturá-la, não.

Há uma assimetria profunda no mercado: entre empresas de diferentes portes, entre players do mesmo setor, e até entre áreas de uma mesma organização. Não falta intenção, mas falta estrutura, método e as competências certas para transformar essa intenção em resultado.

E foi observando esse padrão, ao longo de sete anos operando em projetos reais de alta complexidade, que a PowerOfData consolidou um novo papel: chegar em qualquer empresa, entender onde ela está na sua jornada de dados e IA, e complementar o que falta para que ela capture resultado mais rápido.

Este é o novo posicionamento da empresa: estratégica, com a combinação certa de tecnologia, execução e visão de negócio. Para explicar este novo posicionamento, listamos as competências e maturidade que nos permite assumir hoje um posicionamento mais ambicioso.

💎 Vamos explicar como chegamos aqui.

Depois de sete anos desenvolvendo e operando soluções na cadeia completa de dados, atingimos um novo patamar: as competências e a maturidade de um ecossistema completo de inteligência aplicada, capaz de gerar ROI consistente a partir de dados, machine learning, decisão e IA. Para marcar este momento, a PowerOfData lança um posicionamento mais estratégico e ousado: não como promessa, mas como reflexo do que já construímos e entregamos.

Nesse período, consolidamos competências integradas em engenharia e ciência de dados, sistemas de decisão e inteligência artificial, aplicadas de forma consistente em projetos reais de alta complexidade em setores como serviços financeiros, energia, telecomunicações e segurança pública.

O que muda agora é a clareza com que assumimos essa posição: um ecossistema de inteligência aplicada que democratiza o acesso a soluções sofisticadas de dados, machine learning, decisão e IA, tanto para áreas de grandes empresas com menor maturidade técnica, quanto para empresas menores que ainda não possuem essa estrutura internamente.

A necessidade e a oportunidade são claras para todos. O que varia é a capacidade de execução. E é exatamente essa assimetria que a PowerOfData completa, integrando o que cada organização já possui e acelerando o que ainda precisa ser construído. Se você quer dar esse próximo passo, faça sua aplicação e conheça as soluções da PowerOfData.

⚙️De 2018 a 2025: construção de tecnologia e capacidades de execução

De 2018 ao final de 2025, estruturamos a base que sustenta nossa inteligência aplicada. Consolidamos plataforma e motor de decisão, evoluímos para a mesa de decisão e ambientes completos de IA, fortalecemos a execução com times dedicados e consultoria para diversos setores.

Em paralelo, estruturamos a PoD Academy para formar profissionais capazes de operar essa cadeia de ponta a ponta. Ao longo desses sete anos, tecnologia, execução e formação passaram a compor um modelo integrado de inteligência aplicada.

Nesse período, estruturamos tecnologias proprietárias voltadas à automação, eficiência em engenharia de dados, enriquecimento e implantação de modelos, além de ambientes completos para operação autônoma. Consolidamos ainda monitoramento, testes e aplicações de IA, incluindo generativa, com foco em eficiência interna, vendas, cobrança e crédito.

A evolução tecnológica foi acompanhada por atuação prática em setores de alta complexidade. Alguns dos resultados alcançados que merecem destaque:

• Grande banco: lucro de R$ 1,5bi, com redução de time-to-market de 18 meses para 1 dia na área de risco.

• Bureau de Crédito: triplicar a produtividade do time de Dados, com aumento de qualidade de dados e modelos até a excelência.

• Segurança pública: redução de 5 dias para real-time no início da investigação policial.

• Financeira: aumento de 300% no faturamento em venda de crédito consignado, em 3 meses.

• Varejista: 60% de aumento no faturamento, com diminuição de risco em cartão de crédito e empréstimo pessoal, em apenas 6 meses.

• Indústria de beleza: incremento de R$ 4 milhões por campanha de venda direta, a cada 21 dias, com diminuição de 65% no erro de meta estabelecida em vendas reais.

• Fintech: 35% de redução na inadimplência, com 50% de aumento na emissão e cartões, em 2 meses.

• Indústria de bebidas: 62% de redução de trabalho manual na área de QSE (Qualidade, Segurança e Meio Ambiente), usando IA para automatizar análise de dados e tarefas repetitivas.

• Empresa de Cobrança: aumento de 50% na recuperação de crédito, sem elevar custos operacionais, em 6 meses, com aumento na qualidade dos dados e modelos.

Em paralelo, fortalecemos a execução com PoD Squads através de profissionais em engenharia, ciência de dados e inteligência artificial, formados pela PoD Academy.

Essa trajetória consolidou nosso modelo de inteligência aplicada, integrando tecnologia, execução e formação. Organizamos essa atuação em quatro pilares: confiança na entrega e no impacto, estratégia conectada a decisões reais, agilidade na redução de ciclos e ousadia para propor caminhos diferentes, princípios que traduzem nossa prática de unir solidez técnica e resultado de negócio. Se sua organização busca estruturar essa jornada, vale iniciar essa conversa.

🧭O que isso significa para os próximos cinco anos?

Nos próximos cinco anos, quem captura resultado com dados vai distanciar quem ainda está debatendo adoção. O cenário já é claro: a IA deixou de ser um tema restrito à tecnologia e passou a ocupar espaço central nas estratégias corporativas. Independentemente do setor ou do estágio de maturidade, a grande maioria das empresas passou a priorizar iniciativas ligadas a dados e IA.

Os dados da Cloudera e do MIT não deixam dúvida: a janela para capturar vantagem com IA está aberta, mas é menor do que parece. Nos próximos cinco anos, o que vai separar as organizações não é quem adotou IA, mas quem conseguiu integrá-la a dados, processos e decisões de forma consistente. A discussão deixa de ser apenas sobre adoção e passa a ser sobre integração, conectar tecnologia, dados e decisão de forma coerente com a realidade do negócio.

A diferença, nos próximos anos, estará em como cada organização escolhe complementar suas capacidades atuais ou estruturar aquelas que ainda não estão consolidadas.

Com as capacidades e a maturidade construídas pela PowerOfData nos últimos anos, atuamos tanto no fortalecimento das iniciativas já iniciadas quanto na estruturação das bases que ainda precisam ser consolidadas. Essa atuação integrada redefine a trajetória das organizações já em 2026 e nos ciclos seguintes, ao reduzir riscos e ampliar a consistência dos resultados. O próximo passo pode começar com uma conversa estruturada com nosso time.

🏗️A IA pode ser visível, mas o resultado vem da base

Toda empresa quer crescer receita e reduzir custo com IA, mas poucas conseguem porque o problema raramente é a tecnologia, mas sim o que sustenta ela.

A IA é a camada mais visível da transformação, mas o impacto depende da maturidade que a sustenta. Tecnologia isolada não resolve: é a integração entre engenharia e ciência de dados, sistemas de decisão, formação e execução que transforma inteligência em operação, como software, como serviço ou na combinação dos dois.

Em contextos estratégicos, não basta ter capacidade técnica, é preciso tê-la no tempo certo. Em ambientes competitivos, acelerar competências faz diferença. E, em construções complexas, integrar capacidades complementares tende a ser mais eficaz do que desenvolver tudo de forma isolada.

Não por acaso, empresas altamente tecnológicas recorrem a aquisições para acelerar competências críticas. A Microsoft incorporou a Nuance para fortalecer sua IA aplicada, o Google realizou movimentos semelhantes, e o Nubank adquiriu a Hyperplane para reforçar sua estrutura de dados e inteligência.

São decisões orientadas por estratégia e velocidade. Integradas, tecnologia e execução transformam inteligência em impacto operacional, mais previsibilidade e decisões mais ágeis.

Como resume Dalmer Sella, CEO e Co-founder da PowerOfData: “Quando você está em uma corrida estratégica, a questão não é apenas ser capaz, mas ser capaz rapidamente. Quem estrutura essa jornada antes captura vantagem.”

⚡️O que vai definir o próximo ciclo

Nos próximos anos, não se destacará quem fala mais sobre IA, mas quem transforma dados em resultados concretos. Faturar mais e operar com eficiência sempre foi o objetivo de qualquer negócio. A diferença agora é que a maturidade em dados e decisão passou a definir quem captura esses resultados primeiro e com mais consistência.

À medida que essa maturidade avança, os impactos aparecem em receita, margem e qualidade das escolhas estratégicas. Não é sobre tecnologia isolada, mas sobre base estruturada.

Eficiência deixa de ser tema pontual e passa a integrar a estrutura do negócio. As ferramentas evoluem, e a capacidade de integrá-las com clareza ganha peso nas decisões.

IA deixa de ser novidade e passa a ser ferramenta dentro de uma cadeia mais ampla. O diferencial está menos na tecnologia em si e mais em como ela se conecta a dados, processos e decisões consistentes. Nosso papel é apoiar essa evolução, encurtando o caminho entre priorização e impacto real no negócio, para organizações que desejam acelerar essa jornada com método e estrutura. Se esse é o seu momento, inicie essa conversa com nosso time.

Dalmer Sella

CEO & Co-founder da PowerOfData.

Até a próxima news! 🧠