Andreea Pleşea, PhD, COO e Co‑Fundadora da Druid AI – Série de Entrevistas

Andreea Pleşea, PhD, COO e Co‑Fundadora da Druid AI, é uma executiva de tecnologia e empreendedora com quase duas décadas de experiência que abrangem engenharia de software, tecnologia empresarial, inteligência artificial, operações e sucesso do cliente. Desde a cofundação da Druid AI, ela ocupou vários cargos de liderança sênior na organização, incluindo Chief Operating Officer, Chief Revenue Officer e Chief Customer Success Officer, proporcionando experiência tanto nas áreas técnicas quanto comerciais de escalonamento de uma empresa de software empresarial. Antes da Druid AI, Pleşea passou quase uma década na TotalSoft, progredindo de programadora .NET a Gerente de Desenvolvimento de Software e, finalmente, Diretora de Aplicações de Negócios Charisma, onde supervisionou desenvolvimento de produto, implementação, suporte técnico, arquitetura de soluções e responsabilidades de P&L. Seu background acadêmico também inclui pesquisa em IA na Universidade de Roma Tor Vergata, onde trabalhou com o Grupo de Pesquisa em Inteligência Artificial da universidade em tecnologia para extrair e estruturar informações de dados não estruturados. Ela também faz parte do Conselho Consultivo do Women in Tech Romania.

Druid AI é uma empresa de IA empresarial focada em construir e orquestrar agentes de IA que podem automatizar processos de negócios complexos em organizações. Sua plataforma combina compreensão de linguagem natural, IA generativa, geração aumentada por recuperação (RAG), integrações empresariais, automação de fluxos de trabalho, análise e governança, com o Druid Conductor coordenando múltiplos agentes especializados e sistemas para alcançar resultados de negócios. As organizações podem conectar os agentes da Druid a sistemas como planejamento de recursos empresariais (ERP), gerenciamento de relacionamento com o cliente (CRM), gerenciamento de serviços de TI (ITSM) e plataformas de recursos humanos, ao mesmo tempo em que implantam a tecnologia em ambientes de nuvem, híbridos, on‑premises ou isolados. A empresa afirma que sua tecnologia é usada por mais de 300 clientes empresariais e apoiada por mais de 200 parceiros globais, com aplicações que abrangem suporte a funcionários, atendimento ao cliente, saúde, ensino superior e serviços compartilhados.

Você cofundou a Druid AI em Bucareste em 2018 após passar quase uma década na TotalSoft, onde evoluiu de desenvolvimento .NET para liderança sênior em tecnologia e negócios. O que a convenceu na época de que a IA conversacional poderia se tornar uma camada central da tecnologia empresarial, e como essa visão original evoluiu à medida que a Druid avançou para IA agente? 

A convergência de duas trajetórias distintas — rigor acadêmico e dor prática nas empresas — moldou meu raciocínio enquanto fazia meu PhD. Contudo, só quando Liviu Dragan, um líder extremamente visionário, teve a ideia de fundar a Druid AI, percebi como a pesquisa que realizei poderia finalmente ser aplicada na prática.

Entre 2008 e 2011, minha pesquisa de PhD concentrou‑se em agentes de IA autônomos que se comunicavam via tecnologias da web semântica e ontologias, explorando como sistemas inteligentes poderiam substituir ou se sobrepor ao software empresarial tradicional. Logo depois, ao atuar em liderança de tecnologia empresarial, fui exposta a uma realidade crua: estávamos pedindo aos funcionários que gerenciassem uma complexidade insustentável.

Concluir uma única tarefa rotineira exigia saber qual aplicativo abrir, onde os dados estavam, qual política se aplicava e quem era responsável pelo próximo passo. Enquanto isso, fora do escritório, a troca de mensagens estava se tornando a interface dominante para a interação humana.

Quando fundamos a Druid AI em 2018, nossa visão era simples, porém ambiciosa: oferecer a cada funcionário e cliente um assistente virtual capaz de orquestrar o trabalho em toda a empresa.

Quase uma década depois, essa visão central não mudou — a tecnologia simplesmente alcançou o nível necessário. A IA conversacional tratava principalmente de reconhecimento de intenção, recuperação e acionamento de scripts estáticos. A IA agente altera a fronteira da delegação. Agentes modernos avaliam metas, colaboram com sub‑agentes especializados, navegam por sistemas díspares e executam fluxos de trabalho complexos e de múltiplas etapas de forma autônoma.

Para nós, a atual revolução agente não representa um desvio estratégico da IA conversacional. É a realização natural da nossa tese fundadora: a tecnologia empresarial deve se tornar mais simples para que as pessoas concluam suas tarefas, mesmo que a orquestração nos bastidores se torne infinitamente mais sofisticada.

Grande parte da indústria de IA tem se concentrado em construir modelos de base cada vez mais poderosos, enquanto a Druid AI tem focado em conectar diferentes modelos a dados, sistemas e fluxos de trabalho empresariais. À medida que os modelos se tornam cada vez mais intercambiáveis, você acredita que a orquestração se tornará uma vantagem competitiva mais importante do que o próprio modelo subjacente?

Na Druid AI, nossa missão central é simples: extrair o extraordinário de cada interação humana, realizando a tarefa de forma eficiente. Mas, à medida que o mercado amadurece, a chave para entregar esse valor está se afastando da pilha tecnológica subjacente.

Estamos testemunhando um padrão clássico na tecnologia empresarial: capacidades que antes eram diferenciadores iniciais estão se tornando rapidamente commodities. Hoje, os modelos de base são acessíveis a todos os players. As empresas inevitavelmente implantarão uma matriz híbrida de modelos selecionados por desempenho, custo, segurança ou requisitos regulatórios específicos. À medida que a inteligência se torna uma commodity, o campo estratégico sobe na pilha.

Hoje, os problemas mais difíceis em IA empresarial dizem respeito ao contexto de execução: governança e acesso (quais dados a IA pode acessar e sob quais políticas), roteamento agente (qual agente especializado deve tratar uma tarefa específica), integração de sistemas (como múltiplos sistemas transacionais coordenam de forma segura), autonomia vs. controle (quando um agente pode agir independentemente e quando a aprovação humana é necessária), auditabilidade (se um fluxo de trabalho falha, é possível reconstruir a trilha de decisão passo a passo).

É por isso que a orquestração se tornou a alavanca estratégica definitiva. Os modelos geram inteligência, mas as empresas precisam de execução confiável.

A Druid AI foi construída para servir como essa camada definitiva de controle e orquestração. Ela conecta diferentes modelos de forma segura através de dados empresariais, fluxos de trabalho e pessoas. Crucialmente, fornece a estrutura de referência para medir a eficácia da execução, avaliando resultados de negócios reais.

À longo prazo, a questão vencedora não será, “Qual modelo você está usando?” Será, “Quão eficazmente você pode transformar inteligência bruta em trabalho concluído para seus funcionários e clientes?”

O Druid Conductor pode coordenar múltiplos agentes especializados em recuperação de conhecimento, lógica de decisão e ações de sistema. O que se torna tecnicamente difícil quando uma empresa passa de um único assistente de IA que responde perguntas para múltiplos agentes que podem executar independentemente processos de negócios de múltiplas etapas?

A transição de interfaces conversacionais simples para arquiteturas multi‑agente altera fundamentalmente o desafio de engenharia. Você deixa de gerenciar uma conversa linear e passa a gerenciar um sistema distribuído de decisão e execução.

Com um único assistente de perguntas e respostas, os principais obstáculos são o reconhecimento de intenção, a recuperação e a geração de respostas com alto nível de precisão. Ecossistemas multi‑agente introduzem uma classe totalmente diferente de sistemas distribuídos e questões:

1. Qual agente tem autoridade para agir, e como evitar o desvio de domínio?
2. Como o estado é mantido à medida que a responsabilidade é transferida entre agentes?
3. Como decisões contraditórias entre agentes especializados são reconciliadas?
4. Como sub‑agentes herdam permissões de acesso de forma dinâmica e segura?

Esses desafios se agravam quando aplicados à infraestrutura empresarial real. Um único fluxo de trabalho pode abranger um CRM, ERP, plataforma de gerenciamento de identidade, sistema de tickets e bancos de dados legados. Cada um opera sob lógica de negócios e modos de falha distintos, mas, no final, o agente condutor precisa concluir a tarefa corretamente.

Se a etapa quatro de um processo de seis etapas falhar depois que três sistemas já executaram alterações transacionais, um pipeline agente básico entra em colapso. A camada de orquestração não pode simplesmente lançar um erro genérico. Ela deve gerenciar o estado, executar reversões se necessário, determinar se existe roteamento alternativo ou escalar de forma elegante para a intervenção humana no loop.

A verdadeira orquestração empresarial é gerenciamento de estado, consistência transacional, observabilidade, aplicação de políticas e autonomia à prova de falhas. O objetivo dessa complexidade subjacente é a simplicidade: oferecer uma única interação sem atritos, onde trabalhos complexos envolvendo múltiplos sistemas são simplesmente concluídos.

A Druid AI já alimentou mais de um bilhão de conversas através de milhares de agentes implantados. Nessa escala, o que você aprendeu sobre IA empresarial que seria impossível descobrir em pilotos ou demonstrações controladas?

A produção ensina humildade rapidamente.

Um piloto normalmente é um ambiente relativamente controlado. O caso de uso está definido, os dados são razoavelmente limpos, os usuários são conhecidos e geralmente há uma equipe de projeto observando de perto.

A produção não se comporta nada assim. As pessoas fazem a mesma pergunta de vinte maneiras diferentes. Elas mudam de ideia no meio da conversa. Fornecem informações incompletas. Alternam entre idiomas ou tópicos. Interagem em momentos inesperados. As políticas mudam. APIs falham. Sistemas de back‑end desaceleram. Novos casos limites surgem, que ninguém pensou em incluir no design original. Uma coisa é certa: a expectativa dos usuários é que a tarefa seja concluída de forma eficaz, fluida e natural. Seja por texto, mas especialmente por voz, a conversa deve fluir naturalmente, sem latência; deve soar, até certo ponto, empática, e executar a tarefa sugerindo as melhores opções e próximos passos quando necessário, ou tratar exceções e ciclos de forma humana quando preciso.

Algumas das automações de maior valor surgem ao fazer coisas relativamente ordinárias de forma excepcionalmente boa e repeti‑las centenas de milhares de vezes: responder a uma pergunta de um funcionário, verificar uma conta, remarcar um compromisso, resolver uma solicitação de TI ou recuperar a informação correta de um sistema empresarial. Isso mudou nossa forma de pensar sobre o valor da IA.

A segunda lição é que o lançamento em produção é apenas o início de um ciclo de aprendizado. É preciso observar o que os usuários estão solicitando, quais intenções estão crescendo, onde as conversas falham, onde as pessoas escalam e, às vezes, onde o próprio processo de negócios subjacente precisa mudar.

E talvez a lição mais importante seja que a confiança é operacional, pois as empresas confiam na IA porque, ao longo do tempo, ela se comporta de forma previsível, as exceções são tratadas corretamente, as decisões são visíveis e a organização permanece no controle.

Os dados de produção da Druid indicam que um número relativamente pequeno de fluxos de trabalho pode representar a maior parte do uso real de IA empresarial. Isso indica que as empresas devem inicialmente concentrar o investimento em IA em um pequeno conjunto de fluxos de alta volumetria, em vez de tentar uma transformação ampla em toda a empresa?

Um dos padrões mais claros em nossos dados de produção é que a demanda tende a se concentrar. Nos serviços financeiros, por exemplo, três categorias de fluxos de trabalho respondem por cerca de 90 % do uso em produção. No ensino superior, a concentração é ainda maior. Isso nos revela algo importante sobre como as empresas devem encarar a transformação em IA. Analisamos esses insights e elaboramos relatórios de referência para o ensino superior, saúde e bancos, que permitem aos nossos parceiros e clientes identificar os processos que gerarão eficiência e projetar como os humanos interagirão com os agentes.

Existe a tentação, particularmente ao nível do conselho, de começar com uma demanda muito ampla: “Você PRECISA usar IA ou ficaríamos para trás.” A equipe operacional então luta para identificar as tarefas corretas que os agentes poderiam executar, ao mesmo tempo em que tem medo de perder seus próprios empregos. Então, qual seria o equilíbrio correto e como eles poderiam contratar o agente de IA adequado para fazer o trabalho JUNTAMENTE com eles, maximizando o KPI que o conselho espera?

Comece onde há potencial para aumentar a receita e/ou reduzir custos, coisas que geralmente as pessoas executam repetidamente. Se milhares de clientes, funcionários, estudantes ou pacientes tentam repetidamente alcançar o mesmo resultado, você tem uma base mensurável e uma forte oportunidade de comprovar valor.

Mas há uma distinção importante: comece de forma restrita, projete de forma ampla.

Os primeiros casos de uso podem ser concentrados. A plataforma subjacente a eles deve ser capaz de expandir-se por toda a empresa. Você comprova a economia, o modelo de governança, as integrações e os mecanismos de escalonamento humano em um pequeno conjunto de fluxos de trabalho significativos. Em seguida, expande para processos adjacentes usando o que aprendeu.

O volume não deve ser o único critério. Um fluxo de trabalho de baixa frequência ainda pode ser extremamente valioso se cada resolução bem‑sucedida gerar um impacto financeiro ou operacional significativo.

À medida que as empresas se concentram cada vez mais na resolução bem‑sucedida em vez de simplesmente maximizar a porcentagem de interações atendidas sem humanos, como as organizações devem determinar quais decisões um agente de IA pode tomar autonomamente e onde a escalada humana deve permanecer obrigatória?

A Druid AI desenvolveu uma estrutura de avaliação que abrange 26 critérios e garante uma avaliação objetiva da orquestração agente, desde como foi construída até como realiza a tarefa.

Se uma ação for reversível, de risco relativamente baixo, regida por regras claras e apoiada por informações confiáveis, há um forte argumento a favor da autonomia. Remarcar um compromisso com parâmetros predefinidos é muito diferente de tomar uma decisão clínica e pode parecer simples. Mas deve considerar muitos elementos para ser feita de forma eficaz: por exemplo, se o médico B tem um horário livre, mas deseja bloqueá‑lo, o agente de IA não deve remarcar a consulta de um paciente naquele horário apenas porque a tarefa é maximizar a cobertura da agenda do médico.

Existem várias dimensões que eu consideraria: a consequência financeira ou humana de um erro, se a ação é reversível, a completude e qualidade das informações disponíveis, requisitos regulatórios e se é necessário julgamento ou empatia humanos genuínos. Então, você projeta a escalada de forma intencional.

É aqui que acredito que algumas ideias iniciais sobre automação de IA foram simplistas demais. O objetivo tornou‑se “conter o maior número possível de interações sem envolver um humano”. Mas, em muitos processos, a escalada é exatamente o resultado correto.

Por isso, prefiro pensar em termos de resolução governada em vez de contenção pura.

O objetivo é que a IA resolva autonomamente o trabalho que deve resolver, reconheça as situações em que não deve agir e traga uma pessoa ao processo com o contexto relevante já reunido.

Quando os agentes de IA podem recuperar informações sensíveis, atualizar sistemas empresariais e iniciar ações no mundo real, observabilidade e governança tornam‑se muito mais relevantes. O que as empresas devem ser capazes de auditar sobre o raciocínio, o acesso a dados e as ações de um agente antes de confiar nele em fluxos de trabalho críticos?

Seguindo as diretrizes da Gartner, a DRUID possui uma estrutura de avaliação incorporada que analisa agentes a partir de 5 ângulos: tolerância a erros, risco, conformidade, observabilidade e desvio. Sob essas categorias, temos um total de 26 componentes. Cada um tem uma definição, um artefato que pode ser aberto e uma métrica.

Ao avaliar um agente, a plataforma deve ser capaz de reconstruir a cadeia completa da solicitação original do usuário até o sistema final de ação. Isso significa saber qual agente atendeu à solicitação, qual modelo foi usado, que contexto o modelo recebeu, quais informações empresariais foram recuperadas, quais regras ou políticas de negócios foram aplicadas, por que uma rota ou ação específica foi selecionada e exatamente o que mudou nos sistemas subjacentes. Dezenas de interações auditáveis são rastreadas, analisadas e mensuradas.

A identidade é igualmente importante. Um agente de IA nunca deve se tornar um atalho em torno do controle de acesso empresarial. É preciso saber quem iniciou a solicitação, o que essa pessoa estava autorizada a ver ou fazer, e se o agente permaneceu exatamente dentro desses limites.

Com arquiteturas multi‑agente, a rastreabilidade torna‑se ainda mais importante. Qual agente delegou a outro agente? Que informação cruzou esse limite? Onde a decisão se originou? Qual componente realmente executou a ação? E há evidências operacionais: carimbos de tempo, sinais de confiança, resultados de execução, exceções, eventos de escalonamento e a capacidade de entender ou reproduzir o que ocorreu.

Essa é uma das maiores mudanças ao passarmos da IA conversacional para a IA agente.

Quando a IA apenas responde a uma pergunta, a observabilidade é útil. Quando a IA pode alterar o registro de um cliente, disparar um pagamento, atualizar múltiplos sistemas de registro ou iniciar um processo de negócios, a observabilidade torna‑se parte da arquitetura de controle.

Você ocupou uma gama incomumente ampla de cargos na Druid AI, abrangendo desenvolvimento, operações, receita e sucesso do cliente. Como o contato direto com os clientes moldou sua visão sobre por que algumas implantações de IA empresarial geram valor mensurável enquanto outras permanecem presas no modo piloto?

Comecei minha carreira como desenvolvedora e, como muitos engenheiros, inicialmente tive o forte instinto de que, se a tecnologia fosse boa o suficiente, seu valor seria evidente. Os clientes ensinam rapidamente que não é assim que a tecnologia empresarial funciona.

Uma implantação tecnicamente sofisticada ainda pode gerar muito pouco valor se o problema de negócios não for suficientemente importante, se o responsável pelo processo estiver ausente, se a integração for tratada como algo secundário ou se ninguém concordar sobre o que significa sucesso. Os clientes são extremamente bons em eliminar a narrativa tecnológica. Eles não se importam com a elegância arquitetural de algo se o processo de que são responsáveis não melhorou.

Quando falamos de implementações nessa escala, há um proprietário de negócio com um problema real a ser resolvido. Existe um volume mensurável, custo/receita ou atrito. A IA está conectada aos sistemas onde o trabalho realmente ocorre. E há um plano de adoção e melhoria contínua após o go‑live. Pilotos costumam permanecer como pilotos porque provam que a tecnologia funciona sem provar que o modelo operacional funciona. Por isso, sempre que projetamos um projeto de IA, treinamos nossa equipe e parceiros para primeiro entender o trabalho, não os cliques que os usuários fazem nos sistemas. O “trabalho” significa todo o processo, como tratam as exceções, qual é o resultado, com que frequência as exceções aparecem, o que impede o aumento de produtividade, quanto tempo leva e qual esforço é necessário para obter um aumento de produtividade se o trabalho não fosse automatizado.

Minha própria carreira transcorreu por tecnologia, operações, vendas, sucesso do cliente e construção de empresa, e agora vejo essa amplitude como uma das minhas maiores vantagens. A tecnologia ensina como algo funciona. As vendas ensinam por que alguém pagará por isso. O sucesso do cliente ensina se funciona no mundo real. As operações ensinam se a organização pode entregá‑lo de forma repetida e em escala.

De muitas maneiras, a evolução da Druid AI seguiu o mesmo caminho: provar que a IA conversacional poderia funcionar, provar que ela poderia gerar valor, e construir a infraestrutura necessária para tornar os agentes inteligentes confiáveis em escala empresarial.

Você também tem participado do Women in Tech Romania enquanto construía a Druid para se tornar uma empresa internacional de IA. Onde você ainda vê as maiores barreiras para que mulheres fundem e liderem empresas de IA, e o que aumentaria de forma significativa a representação delas nos níveis executivo e de fundadora? 

Dados recentes destacam uma lacuna marcante na tecnologia europeia: apenas 5 % das startups de IA são fundadas ou co‑fundadas por mulheres, e apenas metade dessas fundadoras possui PhD. Embora as estatísticas sejam alarmantes, enfrentar essa disparidade exige ir além das narrativas tradicionais sobre discriminação de gênero.

No cerne, o empreendedorismo é uma busca individual moldada por personalidade, tolerância ao risco, prioridades pessoais e escolhas de carreira. Em vez de encará‑lo apenas como uma barreira social, devemos examinar o caminho prático pelo qual os fundadores são formados.

Embora as meninas sejam estatisticamente menos atraídas por disciplinas técnicas no início, uma barreira muito mais significativa e menos discutida surge mais tarde nas carreiras corporativas: a exposição à plena propriedade de negócios.

As mulheres frequentemente se destacam como especialistas técnicos de classe mundial e líderes funcionais. Contudo, menos delas transitam para cargos com responsabilidade direta de receita, gestão de P&L, tomada de decisão comercial e estratégia corporativa abrangente. Esses são os músculos operacionais exatos necessários para fundar e escalar uma empresa de tecnologia empresarial.

Minha própria trajetória, de desenvolvimento de software a CEO, não foi linear, mas uma série de transições entre liderança, operações, execução comercial e, finalmente, construção de empresa. Em ambientes como o sistema educacional romeno, onde a educação financeira prática e o treinamento empreendedor estavam ausentes para todos, independentemente do gênero, aprender a lidar com risco empresarial foi um processo gradual de exposição.

Superar essa lacuna também requer desfazer um mito comum: a ideia de que a liderança tecnológica exige domínio absoluto antes de avançar. Na era da IA em rápida evolução, ninguém detém todas as respostas. As características de liderança definidoras hoje são curiosidade, aprendizado contínuo e a confiança para enfrentar problemas complexos antes que o resultado seja garantido.

Para ver mais mulheres à frente de empresas de tecnologia, precisamos ampliar o acesso a redes comerciais, promover modelos de papel visíveis e incentivar ativamente talentos experientes a sair dos silos funcionais, assumir responsabilidade de P&L e abraçar os riscos da propriedade de negócios.

Olhando para o futuro, o que você acha que separará as plataformas de IA empresarial que se tornarão profundamente incorporadas nas operações de negócios daqueles inúmeros produtos de IA que acabam lutando para ir além da experimentação?

A linha divisória será se elas conseguem passar da inteligência para a execução confiável.

Gerar uma resposta impressionante já está se tornando relativamente fácil. Operar de forma confiável dentro de uma grande empresa é outra história.

As plataformas que se tornarão incorporadas nas operações de negócios precisarão se conectar de forma segura aos sistemas existentes, em vez de exigir que as empresas substituam tudo que já utilizam. Elas precisarão operar através de diferentes modelos e tecnologias.

Precisarão de orquestração capaz de coordenar agentes, fluxos de trabalho e decisões humanas. E precisarão de identidade, governança, observabilidade e controle incorporados na arquitetura, em vez de adicionados posteriormente.

Mas há outro requisito que acredito que separará cada vez mais experimentos de infraestrutura: confiabilidade sob condições imperfeitas. Uma demonstração mostra o que um sistema de IA pode fazer quando tudo funciona, mas uma empresa quer saber o que acontece quando algo falha.

O que acontece quando os dados estão incompletos? Quando uma API falha? Quando duas políticas entram em conflito? Quando a confiança está baixa? Quando um usuário solicita algo que não está autorizado a fazer?

Se um agente desempenha brilhantemente 90 % das vezes, mas se comporta de forma imprevisível nos 10 % restantes, não se pode atribuir a ele a responsabilidade por um processo crítico.

Nos últimos anos, a questão dominante tem sido: “O que este modelo pode fazer?”

A questão empresarial está se tornando: “Como posso concluir este trabalho de forma eficaz?”

As plataformas de IA que se tornarão profundamente incorporadas nas organizações serão aquelas que responderão convincentemente à segunda pergunta: tecnicamente, operacionalmente e economicamente. Essa foi, em última análise, a oportunidade que vimos ao iniciar a Druid AI: tornar a inteligência parte de como o próprio trabalho é realizado.

Obrigado pela ótima entrevista, leitores que desejam saber mais devem visitar Druid AI.