Andrei Kulik, cofundador da XENOM – Série de entrevistas

Andrei Kulik é cofundador e CEO da XENOM. Ele traz para as operações industriais experiência em IA executada no dispositivo, sistemas distribuídos e aprendizado de máquina. Anteriormente, foi cofundador da AIMatter, adquirida pelo Google, e trabalhou no Google em sistemas de IA para dispositivos de consumo. Sua carreira tem se concentrado em fazer com que a IA avançada funcione de maneira confiável dentro das limitações práticas de hardware e ambientes reais.

XENOM desenvolve uma plataforma industrial de IA que combina software e equipamentos de proteção inteligentes para oferecer aos operadores uma visão em tempo real dos locais de trabalho. Seu sistema reúne dados de localização, comunicações da equipe, monitoramento ambiental e segurança. Nesta entrevista, Kulik fala sobre IA na borda, capacetes inteligentes, supervisão humana, privacidade dos trabalhadores e o caminho do monitoramento industrial até o apoio à tomada de decisões preditivas.

Você foi cofundador da AIMatter, adquirida pelo Google, e passou anos desenvolvendo sistemas de IA projetados para funcionar diretamente em dispositivos de consumo. O que inspirou você a cofundar a XENOM e de que forma sua experiência no Google influenciou sua visão sobre levar a IA para ambientes industriais?

Depois da aquisição, passei anos trabalhando em um problema específico: como fazer uma IA avançada funcionar de maneira confiável em um dispositivo que cabe no bolso, com bateria limitada, conectividade imprevisível e condições reais que nenhum laboratório consegue simular por completo. Lançamos esse trabalho em telefones, óculos e fones de ouvido — bilhões de dispositivos. Em algum momento, comecei a me perguntar onde mais essa arquitetura poderia fazer diferença. Os dispositivos de consumo são convenientes, mas é nos locais industriais que o custo de uma decisão errada — ou da ausência de uma decisão — se mede em vidas humanas e milhões em produtividade perdida. A maioria dos locais industriais ainda não tem uma visão em tempo real do que está acontecendo. Essa lacuna parecia ser exatamente o problema certo para a tecnologia que passamos anos desenvolvendo.

A XENOM combina software com inteligência artificial e equipamentos de proteção inteligentes para oferecer visibilidade em tempo real das operações industriais. Quais são os principais pontos cegos dos sistemas tradicionais de segurança industrial e como sua plataforma enfrenta desafios que as tecnologias convencionais de monitoramento têm dificuldade para resolver?

O problema fundamental é que a maioria dos sistemas foi projetada para registrar o que aconteceu, não para evitar que aconteça. A localização de um trabalhador é atualizada a cada poucos minutos. As folhas de ponto são preenchidas no fim do turno. As violações de segurança são registradas depois que um relatório de incidente é preenchido. Quando um gerente vê os dados, o turno já acabou ou o acidente já ocorreu. O segundo ponto cego é a fragmentação: uma empresa pode ter um sistema de monitoramento de gases, um sistema de controle de acesso separado, uma lista de verificação de EPI em papel e um processo manual de registro de horas, sem que nenhum deles se comunique com os demais. A XENOM substitui tudo isso por um fluxo contínuo e único de dados do local, processados em tempo real, que oferece ao gerente uma visão coerente, em vez de cinco visões desconectadas.

Grande parte da sua carreira se concentrou em otimizar o aprendizado de máquina e a inferência de LLMs para dispositivos com recursos limitados. Como você aplica esses princípios em ambientes industriais e quais são as vantagens técnicas de processar cargas de trabalho de IA na borda, em vez de depender da infraestrutura em nuvem?

Trabalhar com dispositivos de recursos limitados ensina uma disciplina: cada milissegundo, cada miliwatt e cada byte precisa ser justificado. Essa é exatamente a mentalidade necessária para um capacete industrial, que é usado durante um turno inteiro e precisa funcionar com a mesma consistência na décima primeira hora e na primeira. Dividimos as tarefas de propósito: as atividades que exigem resposta imediata e consomem muitos dados, como processar o fluxo de voz e os sinais dos sensores ou detectar quedas e impactos, são executadas na NPU do capacete, com modelos compactados e ajustados para esse hardware; já a visão geral do local e as análises mais aprofundadas são desenvolvidas na plataforma.

O processamento na borda nos oferece quatro vantagens práticas. A primeira é a velocidade: o dispositivo reage imediatamente a um evento, sem precisar fazer uma solicitação ao servidor e aguardar a resposta. A segunda é a confiabilidade: um modelo enxuto executado no dispositivo se comporta de maneira previsível, enquanto cada elo adicional da cadeia representa mais um ponto de falha. A terceira é a carga na rede: centenas de capacetes não podem transmitir continuamente áudio bruto e dados dos sensores, por isso cada um envia o resultado da análise. A quarta é a duração da bateria: a transmissão é uma das atividades que mais consomem energia em um dispositivo; portanto, processar os dados localmente e enviar menos informações prolonga o tempo de operação.

A XENOM desenvolveu capacetes inteligentes que integram localização, comunicação, monitoramento ambiental e recursos de IA. Quais foram os desafios de engenharia mais difíceis para integrar essas tecnologias, especialmente em ambientes onde a conectividade, a duração da bateria e a confiabilidade podem ser imprevisíveis?

O maior desafio não foi nenhuma tecnologia isoladamente, mas fazer com que todas coexistissem de forma confiável em um único dispositivo, em condições que destruiriam a maioria dos eletrônicos de consumo. Os locais industriais são sujos, fisicamente exigentes e sujeitos a temperaturas extremas. O capacete cai no chão, fica exposto à chuva e é usado em turnos de doze horas. A duração da bateria se torna uma limitação real quando posicionamento, sensores, comunicação e inferência de IA funcionam simultaneamente. E há ainda a arquitetura de conectividade: precisávamos de uma transição contínua entre o posicionamento por satélite RTK em ambientes externos e nossa rede mesh UWB proprietária em ambientes internos, sem qualquer perda de precisão quando um trabalhador passa de um ambiente para o outro. Fazer essa transição ocorrer automaticamente, de forma confiável e em tempo real, foi um dos desafios técnicos mais exigentes que já enfrentamos.

Sua equipe desenvolveu um modelo de IA de voz capaz de detectar sinais de comprometimento por álcool na fala, com resultados que superam referências acadêmicas anteriores. Que avanços técnicos tornaram isso possível e como vocês validam a confiabilidade do sistema em diferentes idiomas, sotaques, níveis de ruído de fundo e condições reais de trabalho?

A principal descoberta foi que a intoxicação deixa uma assinatura detectável nos micropadrões da fala — não nas palavras, mas nas propriedades acústicas: ritmo, variação do tom e precisão da articulação. Criamos um modelo que analisa esses padrões em segundo plano durante comunicações de voz normais, sem exigir um teste específico nem qualquer ação por parte do trabalhador. O índice de precisão de 86,7% resultou de testes rigorosos de desempenho com conjuntos de dados acadêmicos publicados. Para validar o modelo em situações reais, fazemos testes em diferentes idiomas e sotaques, bem como em condições de ruído de fundo representativas de locais industriais de verdade — máquinas pesadas, vento e várias pessoas falando ao mesmo tempo. O modelo precisava ser robusto o suficiente para funcionar em condições muito diferentes das de um estudo controlado. Para isso, foram necessários dados de treinamento bastante diversificados e várias rodadas de ajustes.

Sistemas de IA concebidos para identificar comprometimento ou fadiga entre trabalhadores levantam questões importantes sobre falsos positivos e responsabilização. Como a XENOM equilibra a detecção precoce de riscos com a necessidade de verificação humana, e que salvaguardas impedem que uma avaliação imprecisa da IA afete injustamente um trabalhador?

Pensamos nisso com muito cuidado desde o início. O sistema foi concebido para sinalizar uma preocupação a um supervisor, não para tomar medidas de forma autônoma. Uma avaliação da IA que indique possível comprometimento leva a uma verificação humana: o supervisor pode observar diretamente o trabalhador, fazer perguntas ou solicitar um teste físico, se for o caso. A IA não afasta ninguém do local de trabalho. Ela fornece a uma pessoa as informações necessárias para que possa tomar uma decisão mais rapidamente do que tomaria sem elas. Também acompanhamos as taxas de falsos positivos durante a implantação e aprimoramos continuamente o modelo. O objetivo é reduzir o número de incidentes que ocorrem porque ninguém percebeu o problema — não criar um sistema que penalize trabalhadores com base apenas em um algoritmo.

Antes de fundar a XENOM, você foi CTO da OneSoil, onde aplicou visão computacional e aprendizado de máquina ao monitoramento agrícola e à análise de produtividade. Que aprendizados da implantação de IA na agricultura se mostraram mais valiosos na criação de sistemas inteligentes para canteiros de obras, minas, portos e instalações de energia?

Implantar IA no mundo físico é um desafio fundamentalmente diferente de implantá-la em software. É preciso lidar com a variabilidade, com equipamentos que não se comportam da mesma maneira duas vezes e com profissionais que fazem seu trabalho há décadas e desconfiam profundamente de qualquer coisa que lhes diga para trabalhar de outra forma. Nos locais industriais, a dinâmica é a mesma. A tecnologia precisa conquistar a confiança das pessoas, acertando com mais frequência do que elas esperam, e ser simples o bastante para que alguém responsável por uma equipe de cinquenta pessoas consiga usá-la de fato sem treinamento. Outro aprendizado: a qualidade dos dados em campo quase sempre é pior do que o previsto. É preciso criar sistemas capazes de lidar com ruídos, lacunas e casos extremos que nunca aparecem em um conjunto de dados limpo.

Plataformas de IA industrial podem gerar informações detalhadas sobre a localização, as atividades e as comunicações dos trabalhadores, além de dados sobre sua produtividade. Como vocês abordam a privacidade dos dados, o consentimento dos funcionários e o risco de vigilância no local de trabalho, garantindo ao mesmo tempo que essas tecnologias realmente melhorem a segurança e a eficiência operacional?

Abordamos essa questão pelo princípio da limitação da finalidade. Os dados coletados pela XENOM destinam-se à segurança e à visibilidade operacional — não são uma ferramenta de vigilância da produtividade e não devem ser usados como tal. Antes da implantação, trabalhamos com as empresas para definir políticas claras de governança de dados: o que é coletado, por quanto tempo é mantido, quem tem acesso e em que circunstâncias pode ser usado em uma decisão sobre pessoal. Os dados de localização dos trabalhadores são agregados e anonimizados para a análise de produtividade; o rastreamento individual fica disponível para os supervisores de segurança em situações de emergência, mas não para os gerentes de linha avaliarem o desempenho. À medida que a Lei de IA da UE passar a abranger sistemas de IA industriais, esperamos que os marcos regulatórios formalizem muitos desses aspectos. Preferimos nos antecipar a isso, em vez de correr para cumprir as regras.

Levar a IA de ambientes laboratoriais controlados para operações industriais críticas para a segurança apresenta desafios que as empresas de IA exclusivamente de software raramente enfrentam. Quais foram as maiores surpresas nas implantações da XENOM no mundo real e como vocês avaliam se a tecnologia está proporcionando melhorias significativas na prevenção de acidentes, na eficiência operacional e na produtividade da força de trabalho?

A maior surpresa é o enorme valor que se obtém simplesmente ao ter uma visão precisa de onde as pessoas estão e de como o tempo está sendo usado. Esperávamos que a principal conversa com os operadores fosse sobre segurança. O que descobrimos é que a visibilidade da produtividade — entender onde os turnos estão perdendo tempo, por que certas equipes têm desempenho superior ao de outras e onde estão os gargalos — muitas vezes gera um retorno sobre o investimento mais rápido e cria defensores internos da plataforma muito mais depressa. A segunda surpresa é a grande variação entre os setores e até entre locais de trabalho dentro de um mesmo setor. A construção civil na Alemanha funciona de maneira muito diferente da construção civil nos Emirados Árabes Unidos. Não é possível desenvolver um único produto e presumir que ele será adequado em todos os lugares sem fazer ajustes significativos.

Olhando para o futuro, a XENOM vislumbra um copiloto de IA industrial capaz de ir além do monitoramento, prevendo riscos e recomendando decisões operacionais. Como você vê a evolução da IA física nos próximos cinco anos e quais avanços tecnológicos ainda são necessários para que os sistemas de IA industrial possam operar com maior autonomia, mantendo a supervisão humana?

Atualmente, a IA industrial se concentra sobretudo na visibilidade — saber o que está acontecendo. A próxima etapa é a previsão: identificar padrões que antecedem um incidente ou uma perda de produtividade antes que qualquer um deles ocorra. Para isso, é preciso acumular dados estruturados e rotulados em grande escala ao longo do tempo, exatamente o que a XENOM vem fazendo desde o primeiro dia. A etapa seguinte é a recomendação: o sistema não apenas informa o que provavelmente acontecerá, mas também sugere o que fazer — como realocar pessoas, quando interromper uma operação e qual configuração de equipe produz os melhores resultados em determinada tarefa. É essa terceira etapa que buscamos alcançar com o Copiloto de IA Industrial. O avanço tecnológico necessário não é, sobretudo, uma melhoria na modelagem — é um problema de dados. São necessários dados operacionais de alta qualidade, provenientes de locais de trabalho suficientemente diversos, para treinar um modelo que generalize de forma confiável. As empresas que começarem a coletar esses dados agora terão uma vantagem muito difícil de reproduzir mais tarde.

Obrigado pela ótima entrevista. Os leitores que quiserem conhecer a IA de borda, os equipamentos de proteção inteligentes e o monitoramento da segurança industrial em tempo real devem visitar XENOM.