Afsheen Afshar, Fundador da Pilot Wave Holdings – Série de Entrevistas

Afsheen Afshar, Fundador da Pilot Wave Holdings, é um veteranos em ciência de dados e liderança de investimentos cuja carreira abrange papéis seniores no Goldman Sachs, J.P. Morgan e Cerberus Capital Management, onde ele ajudou a pioneirar iniciativas de ciência de dados e IA em larga escala dentro de instituições financeiras. Com uma base técnica enraizada em pesquisa de neurociência e aprendizado de máquina na Universidade de Stanford, Afshar construiu uma carreira na interseção de análise avançada, private equity e transformação operacional, focando-se, em última análise, em aplicar IA ao desempenho empresarial do mundo real. Na Pilot Wave, ele reúne expertise em investimentos, liderança operacional e conhecimento técnico profundo para identificar, adquirir e escalar empresas usando estratégias orientadas por dados e tecnologia moderna.

Pilot Wave Holdings é uma plataforma de aquisição e crescimento focada em transformar pequenas e médias empresas por meio de inteligência artificial e tecnologia avançada. A empresa utiliza sistemas de IA proprietários para analisar operações, descobrir ineficiências e impulsionar melhorias de desempenho em suas empresas de carteira. Ao combinar envolvimento operacional prático com infraestrutura de dados moderna, a Pilot Wave visa modernizar empresas tradicionais que historicamente carecem de acesso a ferramentas avançadas, posicionando-as para um crescimento escalável e de longo prazo em uma economia cada vez mais impulsionada pela tecnologia.

Você ocupou papéis de liderança pioneiros em IA em empresas como JPMorgan e Cerberus, e mais tarde fundou a Pilot Wave Holdings para trazer IA para setores tradicionais. Qual é a principal percepção ou frustração que o levou a mudar de construir IA dentro de grandes instituições para adquirir e transformar empresas diretamente?

A questão central era a necessidade de autonomia para agir com rapidez. Dentro de grandes instituições, mesmo quando as pessoas concordam com a oportunidade, geralmente há muitas camadas entre identificar o problema e realmente fazer algo a respeito. A IA não costuma falhar porque o trabalho técnico é impossível, ela falha porque a organização é lenta, muito política ou muito fragmentada para agir com urgência. Eu queria trabalhar em um ambiente onde estratégia, operações e tecnologia pudessem ser alinhadas rapidamente. Adquirir e construir empresas diretamente cria esse tipo de autonomia. Se você realmente quer mudar como um negócio é executado com rapidez e vontade, ser o proprietário é importante.

Muito da indústria ainda celebra pilotos bem-sucedidos, no entanto, o valor real vem de sistemas de produção. Por que as iniciativas de IA tão frequentemente falham nesse ponto de transição, e o que separa as organizações que operacionalizam com sucesso a IA daquelas que estagnam?

Muitos pilotos são projetados para ter sucesso, o que é exatamente por que muitas empresas se enganam. Eles acontecem em ambientes limpos, com atenção extra, escopo limitado e nenhuma das fricções que surgem na produção. A questão mais profunda é frequentemente uma lacuna de empatia. Tecnólogos frequentemente não se dão ao trabalho, ou francamente não têm o desejo, de aprender a experiência do operador, então constroem algo que funciona na teoria ou em uma demonstração, mas não se ajusta à realidade do trabalho. As empresas que operacionalizam a IA com sucesso são aquelas que levam a sério o fluxo de trabalho humano desde o início e constroem para a desordem das operações reais, em vez de tentar evitá-las. Todos dizem que querem valor de produção, mas muitas equipes ainda estão otimizando para aplausos de piloto.

Seu trabalho se concentra em incorporar IA a setores como infraestrutura, manufatura e comércio eletrônico. Como implantar IA nesses ambientes difere fundamentalmente de implantá-la em empresas digitais nativas ou de software em primeiro lugar?

A diferença é que em empresas mais tradicionais da Main Street, a empatia e o elemento humano são ainda mais importantes do que as pessoas no mundo da IA geralmente querem admitir. Em ambientes de software em primeiro lugar, as equipes podem se mover rapidamente e corrigir problemas mais tarde. Em infraestrutura, manufatura e comércio eletrônico, o trabalho está ligado a sistemas físicos, restrições reais e pessoas que sabem imediatamente quando algo não se ajusta à forma como o negócio realmente funciona. Isso significa que você não pode simplesmente aparecer com uma solução tecnicamente elegante e esperar adoção. Se você não entender a experiência do operador, sua estratégia de IA provavelmente já está quebrada. Esses ambientes expõem o pensamento superficial muito rapidamente, o que é parte do porquê eles importam tanto.

Você argumentou que a adoção de IA deve começar com prioridades de negócios em vez de ferramentas. Como isso se parece na prática, e como as equipes de liderança devem reestruturar sua abordagem à transformação de IA?

A maioria das equipes de liderança está começando no lugar errado. Elas começam com uma conversa sobre o que a tecnologia pode fazer por elas porque soa emocionante e atual, quando o lugar certo para começar é quais são as prioridades de negócios mais importantes. Uma vez que você saiba disso, então você pode falar honestamente sobre as melhores ferramentas para atender a essas prioridades, e não sempre precisa ser IA. Isso soa óbvio, mas a maioria das empresas ainda está perseguindo tecnologia primeiro e esperando que o caso de negócios apareça de alguma forma depois. É ao contrário e leva a muito movimento desperdiçado. Se a liderança quiser resultados reais, eles precisam parar de tratar a estratégia de IA como um exercício de compras.

Na Pilot Wave, você não está apenas aconselhando empresas, está reestruturando-as após a aquisição. Quais são as primeiras mudanças estruturais ou culturais que você implementa para tornar a adoção de IA realmente eficaz?

A primeira coisa é encontrar patrocinadores tanto sênior quanto júnior. Os patrocinadores júnior conhecem a realidade do dia a dia e podem garantir que o nível básico realmente faça o que precisa ser feito, enquanto os patrocinadores sênior garantem que a política seja minimizada e o esforço não seja silenciosamente estrangulado. Muitas empresas se inclinam demais para o apoio de cima para baixo e então se perguntam por que nada muda na prática. A verdade é que a adoção de IA geralmente falha porque a organização a resiste no nível do chão ou porque a liderança deixa que a interferência se acumule ao redor dela. Você precisa de ambos os tipos de apoio no lugar cedo. Caso contrário, a iniciativa se torna mais um ponto de discussão de executivos que nunca realmente pousa.

À medida que os agentes de IA se tornam mais capazes e a infraestrutura se torna cada vez mais abstrata, quais riscos estratégicos surgem para as empresas que não controlam sua própria pilha de dados e IA?

Eu argumentaria que as empresas sempre precisam de controle fundamental. Isso requer instrumentar todos os sistemas, o que é como a Pilot Wave aborda o design de sistemas, porque se você não pode ver o que está acontecendo, medir e colocar guardiões ao redor, então você está assumindo um risco que não entende. Isso não significa que você não deve delegar tarefas, porque a delegação certamente continuará em escala, mas a delegação sem medição não é uma estratégia executável. Muito do mercado está sendo seduzido pela abstração porque torna as coisas mais fáceis e rápidas, mas essa conveniência pode esconder fragilidade sistêmica real. Se a instrumentação, medição e guardiões certos estiverem no lugar, o risco sistêmico potencial pode ser minimizado. Se não estiverem, você está construindo dependência antes de ter conquistado confiança.

Há uma lacuna crescente entre como a IA é comercializada e como ela se sai em ambientes do mundo real. Quais sinais os líderes técnicos e operacionais devem procurar para distinguir capacidades de IA significativas de alegações superficiais?

Sempre peça medição de valor real. Eu tenho sido religiosamente disciplinado em medir valor por toda a minha carreira, até mesmo em projetos individuais, porque sem essa disciplina se torna muito fácil confundir entusiasmo com resultados. Todo esforço deve ser submetido a um ROI e rastreado. Se alguém não pode explicar claramente como o sistema afeta receita, custo, produtividade, eficiência de mão de obra ou alguma outra métrica de negócios real, então há uma boa chance de que eles estejam vendendo teatro. A indústria se tornou muito confortável recompensando demonstrações polidas e alegações vagas. Sem uma medição rigorosa de valor, há um risco real de jogar fora tempo e dinheiro.

Você construiu e liderou grandes organizações de ciência de dados. Como você vê o papel das equipes de IA evoluindo à medida que a automação aumenta e sistemas baseados em agentes assumem mais responsabilidades?

A IA assumirá tarefas de nível cada vez mais alto. Na Pilot Wave, já estamos desenvolvendo IA que pode receber como entrada algo como “aumente minha receita em 10 por cento” em vez de “refaça meu site”, o que está muito mais perto de onde muita IA ainda está hoje. Essa mudança altera o papel das equipes de IA de uma maneira significativa, porque o trabalho se torna menos sobre tarefas isoladas e mais sobre como os sistemas raciocinam em torno de objetivos de negócios reais. Muitas equipes ainda estão pensando de forma muito estreita sobre automação e subestimam a rapidez com que a tecnologia está se movendo para cima da pilha. O centro de gravidade vai mudar da execução de tarefas para a delegação de negócios. Essa é uma mudança muito maior do que a maioria das empresas está se preparando.

Muitas empresas estão investindo pesadamente em IA, mas lutam para gerar ROI mensurável. Quais são os padrões de falha mais comuns que você observou, e como eles podem ser evitados?

A maioria dos esforços de IA, especialmente em grandes empresas, ainda está muito focada em painéis elegantes, buzzwords e coisas que são fáceis de apresentar internamente, mas difíceis de vincular a valor real. As empresas gastam muito tempo fazendo o trabalho parecer sofisticado em vez de útil. O padrão de falha geralmente não é misterioso, é apenas uma falta de disciplina em torno da criação de valor ação. Se não houver um objetivo econômico claro, nenhum proprietário e nenhum quadro de medição, o esforço não deve avançar. Estar religiosamente focado na criação de valor em cada etapa do caminho é crítico. Caso contrário, a IA empresarial se torna um exercício de marca muito caro.

Olhando para o futuro, quais capacidades de IA ou avanços de sistema em nível de sistema terão o maior impacto nas indústrias do mundo físico nos próximos cinco a dez anos?

A capacidade de dar metas de alto nível a um sistema de IA e delegar partes principais do negócio se tornará muito real muito em breve. Essa é a capacidade que importará mais, porque move a IA além da execução de tarefas estreitas e para alavancagem operacional real. Como consequência, as pessoas se concentrarão mais nos aspectos de relacionamento e confiança dos negócios, juntamente com a natureza física real do trabalho em questão, seja na construção ou em outra indústria baseada em campo. Muitas pessoas ainda falam sobre IA como uma camada de produtividade sentada ao lado, mas essa visão já está começando a parecer ultrapassada. Os sistemas estão se tornando capazes de assumir responsabilidades muito mais amplas. O futuro é muito emocionante, mas também será muito mais disruptivo do que muitos incumbentes querem admitir.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Pilot Wave Holdings.