Andrej Jonovic, CEO da XBP Global — Série de entrevistas

Andrej Jonovic é CEO da XBP Global, uma empresa multinacional de tecnologia e serviços voltada a fluxos de trabalho empresariais críticos para a missão. XBP Global aplica IA agêntica em setores regulamentados, incluindo saúde, setor público e serviços financeiros, nos quais precisão, segurança, soberania dos dados e auditabilidade são essenciais. Nesta entrevista, Jonovic fala sobre orquestração adaptativa de processos, modelos de pesos abertos, processamento inteligente de documentos, avaliação humana e o que é necessário para transformar a IA de uma capacidade técnica em resultados operacionais mensuráveis.

Você começou sua carreira como advogado especializado em operações transacionais, antes de passar para fusões e aquisições, transformação corporativa e, por fim, assumir a liderança da XBP Global. Como essa trajetória moldou a maneira como você avalia a governança, o risco comercial e o impacto organizacional da implementação da inteligência artificial em fluxos de trabalho críticos para a missão?

Costumo analisar a IA primeiro pelo modelo operacional. Quem vem das áreas de transações e transformação se acostuma a perguntar se a estrutura realmente se sustenta quando se deixa a apresentação de lado e se começa a executar.

Isso se torna muito importante com a IA, porque um modelo pode ter um desempenho extremamente bom isoladamente e, ainda assim, gerar um resultado operacional ruim. Na saúde, no setor público e no setor bancário, a precisão do processamento, a conformidade regulatória e a auditabilidade são inegociáveis. É preciso entender onde os dados estão armazenados, o que o sistema tem permissão para fazer, como as decisões são controladas e qual é a estrutura de custos ao executar o fluxo de trabalho em escala.

A governança precisa ser incorporada à arquitetura desde o início. Quero saber onde o modelo está sendo executado, quais informações atravessam os limites da empresa, o que é registrado na trilha de auditoria e o que acontece quando o fluxo de trabalho chega a uma decisão que exige outro nível de controle.

Provavelmente é aí que minha trajetória tem o maior impacto. Em geral, tenho menos interesse no que a tecnologia consegue fazer em uma demonstração controlada. Quero saber se é possível incorporá-la a um processo crítico para a missão e confiar nela.

A XBP Global descreve a IA agêntica como uma evolução que vai além da automação convencional baseada em regras e da automação robótica de processos. O que muda tecnicamente quando um fluxo de trabalho deixa de seguir instruções predefinidas e passa a usar agentes de IA capazes de fazer inferências, tomar decisões e coordenar várias tarefas?

A arquitetura se torna muito mais adaptável.

A automação tradicional de fluxos de trabalho é determinística. Há regras, sabe-se o que acontece na etapa seguinte e mais lógica é codificada diretamente à medida que o processo se torna mais complexo. Isso funciona muito bem para tarefas previsíveis. A dificuldade surge quando o número de regras se torna enorme ou o processo muda mais rápido do que o sistema pode ser reconstruído.

O que estamos fazendo agora é orquestração adaptativa de processos. É possível manter mecanismos determinísticos de regras onde a precisão e a conformidade exigem isso e, em seguida, introduzir modelos inteligentes nas partes do fluxo de trabalho em que a inferência agrega valor. Os agentes podem coordenar tarefas, acessar informações e selecionar a próxima ação sem que alguém precise codificar diretamente todas as rotas possíveis do processo.

Outra mudança é que o modelo subjacente se torna mais fácil de substituir. Estamos vendo modelos de pesos abertos de nível empresarial avançarem muito rapidamente. Se o pipeline for projetado corretamente, será possível integrar um modelo mais robusto à medida que o ecossistema evolui, sem reconstruir todo o processo operacional em torno dele.

Por isso, acredito que o ativo técnico mais importante será cada vez mais o próprio fluxo de trabalho: a orquestração, o conhecimento do domínio, os controles e os dados em torno do modelo.

Muitas empresas estão experimentando a IA, mas têm dificuldade para passar dos projetos-piloto à produção. Quais são as barreiras arquitetônicas ou organizacionais mais comuns que impedem as empresas de implementar fluxos de trabalho agênticos em grande escala? 

Os clientes estão superando a fase de experimentação. Já viram as demonstrações e ouviram promessas de retorno sobre o investimento muito agressivas. Em algum momento, alguém precisa incorporar a tecnologia a um processo real e fazê-la funcionar.

É aí que a arquitetura se torna complexa. Um fluxo de trabalho em produção precisa se conectar ao ambiente que a empresa já utiliza. Talvez seja necessário manter informações confidenciais em uma nuvem privada ou em infraestrutura local. Ainda é preciso acessar os sistemas existentes. Os requisitos regulatórios precisam ser atendidos. A viabilidade econômica também precisa se manter em escala empresarial.

Recentemente, conquistamos um projeto relacionado ao ciclo de vida da manutenção de uma frota aérea global. Cada item de manutenção será vetorizado e armazenado em um banco de dados vetorial privado, dentro da nuvem privada do cliente. A infraestrutura agêntica gerencia o acesso a essas informações e permite reproduzir os registros quando as aeronaves saem do leasing ou são vendidas.

Esse é um problema muito diferente de simplesmente provar que um modelo consegue responder a uma pergunta sobre o registro de uma aeronave. Estamos lidando com todo um ambiente operacional, com controles de dados e um processo que precisa funcionar repetidamente.

Do ponto de vista organizacional, a lacuna costuma estar na definição de responsabilidades. Alguém precisa conhecer o processo a fundo para definir o que significa, de fato, colocá-lo em produção. Sem essa disciplina operacional, o piloto pode continuar impressionante por muito tempo sem se tornar útil.

A XBP Global combina automação com supervisão humana, especialmente em decisões de alto impacto. Como vocês determinam quais decisões um sistema de IA pode executar de forma autônoma e em quais casos o julgamento humano deve continuar fazendo parte do processo? 

Desenhamos o papel humano em torno da análise e resolução dos casos.

Em um fluxo de trabalho de alto impacto, geralmente há um grande volume de tarefas que pode avançar pelo processo com alto grau de confiança. Depois, há casos excepcionais em que as informações estão incompletas, as circunstâncias são incomuns ou as consequências de uma resposta errada são graves demais.

Quando o fluxo chega a um desses casos, a transação é encaminhada a um especialista no assunto. Essa pessoa resolve a questão, e seu julgamento pode então ser incorporado ao sistema para que o modelo continue melhorando.

Acredito que esse ciclo de feedback é importante. A supervisão humana agrega mais valor quando melhora o fluxo de trabalho ao longo do tempo. O especialista contribui com seu conhecimento da área nos casos em que o modelo ainda precisa dele.

O limite para a autonomia também depende muito do contexto. A análise de casos na área da saúde, os registros do setor público e os processos financeiros regulamentados têm requisitos diferentes dos de uma tarefa interna de baixo impacto. O nível de confiança aceitável precisa refletir o que a decisão realmente provoca quando o sistema a executa.

Seus clientes atuam em setores regulamentados e no setor público, onde a soberania dos dados, a segurança e a auditabilidade são essenciais. Como as organizações podem implementar grandes modelos de linguagem em ambientes protegidos sem comprometer os recursos que tornam esses sistemas úteis? 

Os modelos de pesos abertos estão mudando bastante a resposta a essa pergunta.

Durante muito tempo, partiu-se do princípio de que, para obter o melhor desempenho de um modelo, era preciso enviar informações para o ambiente de outra empresa. Isso cria um problema evidente quando os dados precisam permanecer dentro dos limites da empresa.

Agora podemos usar modelos de pesos abertos de nível empresarial e integrá-los a fluxos de trabalho com agentes já implementados, mantendo os dados no ambiente do cliente. Isso pode significar uma infraestrutura de nuvem privada ou local, dependendo dos requisitos. Ainda é possível aproveitar os avanços do ecossistema mais amplo de modelos e, ao mesmo tempo, manter os controles necessários para garantir a soberania dos dados da organização.

A arquitetura também precisa ser adaptável. Não há motivo para supor que o modelo de hoje continuará sendo o melhor para uma tarefa específica. Nossos protocolos de treinamento são projetados para permitir a integração rápida de novos modelos a um fluxo de trabalho existente.

Para clientes de setores regulamentados, essa flexibilidade é extremamente valiosa, pois permite que o fluxo de trabalho continue melhorando enquanto os dados permanecem dentro dos limites estabelecidos. Essa também é uma forma de começar a atender a requisitos como os da Lei de IA da UE sem tratar a conformidade como algo a ser acrescentado depois que a tecnologia já foi implementada.

Uma quantidade significativa de informações empresariais continua presa em documentos, imagens, sistemas legados e registros físicos. Como está evoluindo o processamento inteligente de documentos e que papel ele desempenha na transformação de dados fragmentados em informações que os agentes de IA possam usar com confiabilidade?

Acredito que o processamento inteligente de documentos está se tornando parte da infraestrutura dos fluxos de trabalho com agentes.

Historicamente, grande parte do processamento de documentos era baseada em modelos predefinidos. Sabia-se como era o documento, qual campo se queria obter e o sistema extraía essa informação. Raramente as informações empresariais são tão simples. Só na área da saúde, pode haver EOBs, correspondências complexas, informações sobre pedidos de reembolso e registros que chegam em diferentes formatos.

A abordagem mais recente leva muito mais em conta o contexto. É possível receber informações não estruturadas, identificar o que é relevante e convertê-las em resultados estruturados que os sistemas subsequentes possam realmente usar. Isso é importante porque um agente não consegue coordenar o trabalho de forma confiável se as informações em que se baseia estiverem incompletas ou forem interpretadas incorretamente.

A escala também muda o problema. Operamos ambientes que processam volumes enormes de imagens, pedidos de reembolso, transações de pagamento e outros documentos. Nesse nível, uma pequena diferença na qualidade da extração se transforma em um grande problema operacional.

Assim, o processamento inteligente de documentos (IDP) ocupa cada vez mais a etapa inicial do fluxo de trabalho inteligente. Ele transforma informações fragmentadas em dados utilizáveis, fornece à etapa seguinte do processo uma base confiável para agir e cria os alicerces para ampliar a automação nas etapas posteriores.

A XBP Global falou sobre a migração de processos legados baseados em regras para fluxos de trabalho com agentes de IA e sobre como alcançar índices mais altos de resolução na primeira tentativa. O que um sistema de IA precisa entender sobre os processos, as exceções e o conhecimento institucional de uma organização antes de poder oferecer resultados confiáveis?

Grande parte do conhecimento institucional nunca foi registrada em um documento claro sobre o processo.

Isso está presente em sistemas antigos, conjuntos de regras e no discernimento de pessoas que passaram anos conduzindo o processo. Elas sabem quais informações são importantes, qual regra se aplica em determinadas circunstâncias e o que acontece nas etapas seguintes quando uma decisão errada é tomada.

Ao migrar esse trabalho, é preciso preservar esse conhecimento operacional. No nosso setor, isso muitas vezes significa combinar lógica determinística com IA, em vez de presumir que todas as regras devam desaparecer imediatamente. Há partes de um fluxo de trabalho regulamentado em que um mecanismo de regras é extremamente útil, porque o requisito é preciso. Em outras partes, um modelo inteligente consegue lidar com variações com muito mais eficácia.

A experiência no setor indica onde cada um deles se encaixa.

É também por isso que a resolução na primeira tentativa não pode ser avaliada apenas pela pontuação do modelo. O fluxo de trabalho precisa gerar um resultado que se sustente na etapa seguinte do processo. Se criar outra escalada em algum ponto mais adiante, o problema terá sido transferido, não resolvido.

O sistema precisa compreender o processo o suficiente para saber como é uma transação bem-sucedida do início ao fim.

A XBP Global está aplicando automação não apenas às operações dos clientes, mas também à própria transição para um modelo operacional que prioriza a IA. O que vocês aprenderam ao usar a empresa como campo de testes interno e como equilibram os ganhos de produtividade com o desenvolvimento da força de trabalho e a gestão da mudança?

Temos sido bastante arrojados na aplicação interna, porque acredito que aprendemos muito rapidamente quando os resultados afetam diretamente a economia da própria empresa.

Agora, espera-se que nossos esforços de automação que prioriza a IA gerem de US$ 65 milhões a US$ 75 milhões em ganhos de eficiência operacional anualizados, com aproximadamente US$ 35 milhões em benefícios previstos para 2026. A receita por funcionário chegou a cerca de US$ 89.000 no segundo trimestre, ante aproximadamente US$ 82.000 no trimestre anterior, e esperamos que se aproxime de US$ 100.000 até o fim do ano.

Essas são métricas úteis porque nos dizem se o modelo operacional está de fato se tornando mais produtivo.

As implicações para a força de trabalho são reais. Estimamos uma redução de aproximadamente 20% no quadro global de funcionários até o fim de 2026, à medida que avançamos para um modelo operacional mais produtivo. A gestão da mudança precisa reconhecer que as alterações de produtividade afetam as necessidades de pessoal.

Ao mesmo tempo, as pessoas que permanecem nesses fluxos de trabalho precisam se tornar mais capacitadas. Precisamos de especialistas no domínio, arquitetos e operadores capazes de estruturar o trabalho, avaliar resultados e assumir a responsabilidade por decisões de maior valor.

Conduzir essa transformação dentro da nossa própria empresa tornou a conversa muito mais prática. Percebemos rapidamente quais automações geram ganhos de eficiência duradouros e quais atividades consistem apenas em alguém usando IA com mais frequência.

Projetos de IA empresarial costumam ser promovidos por meio de demonstrações, e não de resultados de negócios mensuráveis. Quais métricas os líderes devem usar para avaliar um fluxo de trabalho inteligente e como devem levar em conta a precisão, as taxas de exceção, o tempo de processamento, os custos operacionais e a redução de riscos?

Eu avaliaria o fluxo de trabalho em dois níveis.

No nível operacional, quero saber qual é a precisão, a taxa de resolução na primeira tentativa, o tempo de processamento, o volume de exceções e o custo de execução do trabalho. Em um ambiente regulamentado, também me importa saber se a transação pode ser auditada e se os controles se mantêm de forma consistente em grande escala.

Depois, quero ver se esses ganhos se refletem nos resultados financeiros da empresa.

Na XBP, nossa margem bruta ajustada chegou a 24,9% no segundo trimestre, o nível mais alto até hoje, enquanto a receita por funcionário aumentou para aproximadamente US$ 89.000. Nossa meta de eficiência operacional anualizada também subiu para US$ 65 milhões a US$ 75 milhões, à medida que identificamos novas oportunidades de automação.

Essas métricas revelam algo diferente de uma pontuação de referência. Elas mostram se a tecnologia está alterando a estrutura de custos da operação.

Um fluxo de trabalho pode ter uma precisão excelente do modelo e, ainda assim, representar uma implantação ruim se for caro demais para operar ou gerar trabalho manual de retrabalho em excesso. Acredito que os líderes precisam acompanhar os resultados até o fim. A tecnologia deve proporcionar um benefício operacional que se manifeste em algo que possa ser efetivamente mensurado.

Olhando para o futuro, você espera que a IA agêntica continue sendo uma camada adicionada aos sistemas empresariais existentes ou que se torne a principal camada de orquestração por meio da qual pessoas, software, dados e processos de negócios interagem?

Acredito que uma parcela maior dos fluxos de trabalho se tornará agêntica.

As empresas continuarão tendo sistemas, repositórios de dados e aplicativos que desempenham funções específicas. O que muda é a forma como o trabalho transita entre eles. Um fluxo de trabalho agêntico pode recuperar informações, coordenar ferramentas, acionar ações e determinar quando uma transação precisa de outro tipo de intervenção.

Já é possível perceber isso no exemplo da companhia aérea. Os registros de manutenção ficam em um banco de dados vetorial privado, dentro do ambiente do cliente, enquanto a camada agêntica gerencia como essas informações são acessadas e utilizadas ao longo do ciclo de manutenção.

Espero que esse tipo de orquestração se torne muito mais comum.

Os modelos subjacentes continuarão mudando. Os modelos de pesos abertos estão melhorando rapidamente, e haverá uma nova geração depois dos que usamos hoje. Isso torna a camada de orquestração cada vez mais importante, pois as empresas precisam de algo duradouro em torno desses modelos.

Se você construir o pipeline em torno do processo, do conhecimento do domínio, dos requisitos de segurança e dos controles empresariais, poderá continuar aproveitando modelos melhores à medida que forem surgindo. Acredito que grande parte do valor a longo prazo estará aí.

Agradeço pela excelente entrevista. Os leitores que quiserem saber mais devem visitar XBP Global.