Jason Wojahn, CEO da KMS Technology – Série de entrevistas

Jason Wojahn é CEO da KMS Technology e tem cerca de três décadas de experiência na criação e expansão de empresas de serviços de tecnologia para o mercado corporativo. Ele cofundou e liderou a Thirdera antes de sua aquisição pela Cognizant, liderou anteriormente a operação global de ServiceNow da Accenture e ocupou cargos de liderança na Cloud Sherpas e na IBM Global Services. Seu trabalho se concentra na transformação empresarial, nos modelos operacionais e em converter os avanços da IA em resultados de negócios mensuráveis.

KMS Technology é uma empresa de engenharia digital, dados e IA que ajuda organizações a desenvolver software, modernizar aplicações, fortalecer suas bases de dados e implementar IA em produção. Seus serviços abrangem consultoria técnica, engenharia de produtos, engenharia de dados e automação inteligente de fluxos de trabalho. Nesta entrevista, Wojahn fala sobre a “Economia da Execução”, a distância entre projetos-piloto de IA e a produção, a autoridade decisória dos agentes e como as empresas podem medir o progresso por meio de resultados de ponta a ponta.

Você passou três décadas criando e expandindo organizações de tecnologia para o mercado corporativo, desde o crescimento da Navigis e a liderança da operação global de ServiceNow da Accenture até a criação da Thirdera e, agora, sua atuação como CEO da KMS Technology. Como essas experiências moldaram sua perspectiva sobre a transformação empresarial e o que o atraiu no desafio de ajudar organizações a se tornarem nativas em IA?

Comecei na IBM Global Services, liderando a prestação de serviços para grandes clientes corporativos. Depois vieram a Navigis, a Cloud Sherpas, a Accenture, a Thirdera e a Cognizant — quase toda a minha trajetória no ecossistema ServiceNow.

Eis o padrão que eu via repetidamente. Cada nova onda de plataformas prometia transformação, mas raramente era a tecnologia que determinava quem sairia vencedor. As vencedoras eram as empresas que mudavam a maneira como o trabalho realmente fluía pela organização.

Os anos na ServiceNow me ensinaram que o valor está nos fluxos de trabalho, não nos painéis. Durante trinta anos, os softwares empresariais ficaram muito bons em nos dizer o que estava acontecendo. Foram bem menos eficazes em fazer algo a respeito. As pessoas preencheram essa lacuna. Tornaram-se a equipe de integração não remunerada, levando o trabalho de um sistema para outro.

A IA muda isso. A inteligência está se tornando abundante. O que agora é escasso é a capacidade de transformá-la em ação coordenada. Foi isso que me trouxe à KMS: a profundidade técnica necessária para criar sistemas que realizem o trabalho, em vez de apenas acompanhá-lo, e a oportunidade de nos tornarmos nativos em IA, em vez de apenas habilitados por IA.

Muitas empresas já demonstraram com sucesso o potencial da IA por meio de projetos-piloto, mas têm dificuldade para transformar esses primeiros resultados em valor em escala de produção. Quais são os obstáculos mais comuns que as organizações encontram ao ir além da experimentação e por que esses desafios costumam surgir somente depois que a tecnologia já provou seu valor?

Um projeto-piloto comprova que o modelo funciona. A produção comprova que a organização funciona.

São testes muito diferentes. Um projeto-piloto usa dados limpos e selecionados a dedo, conta com um patrocinador motivado e uma pequena equipe que contorna todas as lacunas. Ele é concebido para evitar as partes difíceis.

Na produção, não há como evitá-las. Agora, o agente precisa acessar cinco sistemas em vez de um. Alguém precisa ser responsável pelo resultado quando ele cometer um erro, decidir o que ele tem permissão para aprovar e arcar com os custos de operá-lo todos os dias.

É por isso que esses desafios aparecem depois que a tecnologia já provou seu valor. Nunca foram problemas tecnológicos. São problemas de dados, integração, responsabilidade e autoridade, e o projeto-piloto foi concebido para contornar todos eles.

A solução é deixar de tratar projetos-piloto como demonstrações. Trate o projeto-piloto como a primeira fase da produção. Escolha um fluxo de trabalho importante, conecte-o aos sistemas reais, defina quem será responsável e estabeleça o que o agente pode decidir desde o primeiro dia. O início é mais lento, mas a expansão é muito mais rápida.

Você descreveu uma mudança em direção a uma “Economia da Execução”, na qual a vantagem competitiva depende cada vez mais da capacidade de uma organização de transformar inteligência em ação coordenada. O que esse conceito significa na prática e como ele muda a maneira como as empresas devem abordar os investimentos em IA?

Todo trabalho percorre a mesma cadeia: Informação, Insight, Decisão e Execução.

Durante décadas, os softwares empresariais se concentraram nas duas primeiras etapas, e a IA está aprimorando rapidamente as três primeiras. A execução é o ponto em que a maioria das organizações ainda está emperrada — e é aí que a vantagem está se deslocando.

Na prática, a Economia da Execução significa que a inteligência já não é o recurso escasso. Fazer as coisas acontecerem é. Duas empresas podem ter os mesmos modelos, os mesmos dados e os mesmos insights. A vencedora é aquela que transforma esses insights em ação coordenada, com autoridade clara e uma trilha de auditoria.

Isso muda a forma de investir. Hoje, a maior parte dos orçamentos de IA é destinada a ferramentas: copilotos, assistentes e mecanismos de busca melhores. Elas tornam as pessoas mais rápidas. Mas uma proposta redigida por IA em dez minutos ainda pode esperar três dias por uma aprovação. Tarefas mais rápidas não significam resultados mais rápidos.

Portanto, financie fluxos de trabalho, não ferramentas, e comece com uma pergunta diferente. Não “Como podemos aumentar em 20% a produtividade deste funcionário?”, mas “Que trabalho não deveria mais exigir coordenação humana?”

À medida que a IA deixa de apenas auxiliar os funcionários em tarefas individuais e passa a executar autonomamente fluxos de trabalho inteiros, como as organizações devem repensar seus processos atuais, suas estruturas de tomada de decisão e seus modelos de responsabilização?

A maioria dos processos empresariais foi concebida em função dos limites humanos. Como as informações circulavam lentamente, criamos reuniões. Como as decisões exigiam supervisão, criamos cadeias de aprovação. Grande parte do que chamamos de processo nada mais é do que a transferência de tarefas entre pessoas.

Se automatizarmos esses processos tal como estão, teremos automatizado o organograma. As transferências serão mais rápidas, mas não haverá menos delas.

A revisão começa pelas decisões, não pelas tarefas. Para cada fluxo de trabalho, mapeie as decisões que ele envolve. O que um agente pode recomendar? O que pode decidir? O que pode executar por conta própria? Em que situações uma pessoa precisa intervir?

A autoridade deve estar vinculada às decisões, não a fluxos de trabalho inteiros. Um agente pode ter plena autonomia para conciliar uma fatura e, ainda assim, precisar da aprovação de uma pessoa para qualquer pagamento acima de um limite predefinido.

A responsabilização não desaparece. Ela fica mais clara. Humanos e agentes compartilham a responsabilidade pela execução: os agentes realizam o trabalho, e as pessoas definem a autoridade, lidam com as exceções e respondem pelo resultado. Cada agente precisa ter um responsável identificado, e toda ação deve ser rastreável e, sempre que possível, reversível.

A liderança deixa de coordenar o trabalho e passa a projetar os sistemas que o executam.

Na KMS Technology, vocês estão focados em transformar a engenharia digital tradicional em execução empresarial nativa de IA. Como essa transformação se manifesta internamente e de que forma a KMS aborda a integração de IA, plataformas de dados e orquestração inteligente de fluxos de trabalho para gerar resultados empresariais mensuráveis?

Estamos começando por aplicar essa mesma abordagem a nós mesmos. A KMS cresceu como uma empresa de engenharia digital. Nossa próxima etapa é a execução empresarial nativa de IA: desenvolver, modernizar e operar, com humanos e agentes compartilhando a responsabilidade pela execução. Os resultados se refletem no tempo e no esforço:

Desenvolver. A Evergreen Telehealth queria uma plataforma de telemedicina baseada em IA agêntica e no padrão de dados de saúde FHIR, mas não havia nada parecido no mercado. Trabalhando com uma abordagem nativa de IA e com Claude integrado a todas as etapas — requisitos, design, desenvolvimento e testes —, nossa equipe e os engenheiros da Evergreen levaram a plataforma principal da concepção à produção em 75 dias úteis. Isso incluiu três aplicativos (web, iOS e Android), quatro integrações em funcionamento (prontuário eletrônico, verificação de identidade, pagamentos e farmácia) e dois agentes em produção. O modelo era liderado por pessoas e acelerado por IA. Os agentes elaboraram histórias de usuário, geraram código e executaram testes. Os engenheiros eram responsáveis pela arquitetura, pelo mapeamento dos dados clínicos e por todas as decisões importantes.

Modernizar. Em outro caso, uma empresa de software marítimo precisava substituir uma plataforma que operava em suas próprias instalações havia mais de 20 anos. Ela não podia justificar uma reconstrução tradicional demorada antes que os investidores vissem progresso, então realizamos um projeto de desenvolvimento agêntico com prazo fechado de seis semanas. Os requisitos do cliente foram carregados como contexto, para que os agentes desenvolvessem a solução com base nas especificações, em vez de apenas gerar código. A equipe entregou de 35% a 45% do escopo do produto mínimo viável em cerca de 800 horas de trabalho da equipe, diante de uma estimativa inicial de 6.000 a 8.000 horas. Os agentes escreveram o código e mais de 5.000 testes unitários. Os engenheiros estabeleceram os limites e avaliaram a qualidade.

Operar. Desde então, a Evergreen expandiu sua arquitetura de agentes para toda a empresa, com agentes supervisores monitorando o sistema e pessoas envolvidas para avaliar e corrigir problemas.

Não estamos apenas escrevendo código mais rapidamente. Estamos ampliando o volume de trabalho que uma equipe consegue executar.

Nos três casos, humanos e agentes compartilham a responsabilidade pela execução. Os agentes cuidam do trabalho repetitivo. Nossos engenheiros e as equipes de nossos clientes são responsáveis pelas decisões, pelas exceções e pelos resultados.

Essa mesma mudança nos permite ampliar a capacidade de entrega. Essa é a diferença entre uma entrega nativa de IA e uma entrega habilitada por IA.

Os sistemas de IA empresarial dependem cada vez mais do acesso a informações distribuídas entre aplicativos legados fragmentados, plataformas de nuvem e ambientes de dados. Qual é a dimensão do desafio de conectar esses sistemas e quais fundamentos arquitetônicos as organizações devem estabelecer antes de tentar implementar fluxos de trabalho orientados por IA em grande escala?

Esse é o desafio central. A maioria das empresas não tem um problema de IA. Tem um problema de fragmentação que a IA tornou impossível ignorar.

Veja como o trabalho é feito hoje. Alguém encontra informações em um aplicativo, busca uma aprovação em outro e copia o resultado para um terceiro. As pessoas são a camada de integração. Um agente não consegue realizar esse trabalho sem acessar esses sistemas, compreender o contexto e agir com as permissões adequadas.

Por isso, os fundamentos são mais importantes do que o modelo. Quatro vêm primeiro:

• uma arquitetura de dados moderna que forneça aos agentes contexto confiável
• uma camada de integração que permita aos agentes agir em diferentes sistemas, e não apenas ler informações deles
• identidade e permissões concebidas para agentes, não apenas para pessoas
• monitoramento para que seja possível ver o que cada agente fez e por quê

A pilha tecnológica também está se comprimindo. As plataformas de dados estão se tornando operacionais, as plataformas de fluxo de trabalho estão se tornando inteligentes e as aplicações estão se tornando sem interface. Se o fluxo de trabalho pode atravessar toda a pilha, por que o usuário deveria ter de fazer isso?

Não espere pela arquitetura perfeita. Escolha um fluxo de trabalho importante e modernize tudo o que ele envolve. Depois, faça o mesmo com o próximo.

Quando os agentes de IA começarem a tomar decisões e executar ações em diferentes áreas das operações empresariais, as questões de governança, responsabilização e supervisão humana se tornarão cada vez mais importantes. Como as empresas devem determinar quais decisões podem ser delegadas à IA e quais devem permanecer sob controle humano?

Eu começaria mudando a pergunta. Não «A IA consegue fazer isso?». Cada vez mais, a resposta é sim. A pergunta melhor é: «Quem lhe deu permissão para agir?»

Capacidade e acesso não são autoridade. Quando um agente pode aprovar um reembolso, alterar um cronograma de produção ou comprometer recursos financeiros, alguém precisa estabelecer os limites.

Um critério prático é avaliar o custo e a reversibilidade. Uma decisão de alto volume, baseada em regras e fácil de reverter é uma forte candidata à delegação. Uma decisão de grande impacto, irreversível ou que define o relacionamento com um cliente deve continuar nas mãos de uma pessoa.

A delegação também precisa ser conquistada. Comece com agentes fazendo recomendações e uma pessoa aprovando-as. À medida que as evidências se acumularem, essa pessoa pode deixar de aprovar cada ação e passar a supervisionar o sistema e lidar com as exceções.

O objetivo não é ter uma pessoa em cada ciclo, mas nos ciclos certos. Os dados fornecem contexto. Os modelos raciocinam. Os agentes executam. As pessoas definem a autoridade e assumem as consequências.

Você liderou importantes negócios de plataformas empresariais na Accenture e na Cognizant, onde ampliar as operações exigia alinhar tecnologia, pessoas e processos em organizações globais. Que lições dessas experiências se aplicam às iniciativas atuais de transformação com IA, sobretudo quando a resistência organizacional ou modelos operacionais ultrapassados se tornam obstáculos maiores do que a própria tecnologia?

A integração me ensinou mais do que qualquer outra coisa. Na Cloud Sherpas, depois na Accenture e, mais tarde, na Cognizant, passei anos unindo organizações. Culturas, modelos de prestação de serviços, incentivos e regiões diferentes precisavam operar como uma única empresa de plataformas.

Raramente a tecnologia era o fator limitante. O modelo operacional era.

Três lições se aplicam diretamente à transformação com IA.

Primeiro, a resistência costuma ser racional. As pessoas protegem aquilo pelo qual são avaliadas. Introduza agentes e continue avaliando as equipes com base em horas, número de funcionários e atividade, e você terá conformidade, não mudança. Mude os critérios de avaliação, e o comportamento acompanhará.

Segundo, os direitos de decisão precisam ser explícitos. Em toda integração, as conversas mais difíceis eram sobre quem decide o quê. A IA torna essa questão inevitável, porque alguns dos responsáveis pelas decisões já não são pessoas.

Terceiro, deixe claro o que permanece igual. As pessoas assimilam melhor as mudanças quando entendem o motivo e sabem o que não vai mudar.

A transformação com IA é uma mudança no modelo operacional que, por acaso, envolve tecnologia. Os líderes que a tratarem como uma implantação de software ficarão decepcionados.

As métricas tradicionais de sucesso da IA costumam enfatizar as taxas de adoção, os ganhos de produtividade e o tempo economizado. Que métricas os executivos devem priorizar para determinar se a IA está realmente melhorando a execução dos negócios, e como as organizações podem distinguir ganhos incrementais de eficiência de uma transformação operacional significativa?

A adoção e o tempo economizado são métricas de entrada. Elas mostram que as pessoas estão usando a ferramenta, não se a empresa está avançando mais rápido.

Se um engenheiro economiza duas horas, mas o lançamento continua esperando uma semana por uma revisão, nada mudou para o cliente. Tarefas mais rápidas não significam resultados mais rápidos.

Eu priorizaria três tipos de métricas:

• Tempo entre a necessidade e o resultado: quanto tempo uma solicitação leva para se transformar em um resultado, de ponta a ponta.
• Onde o trabalho fica parado: quanto tempo as decisões levam, as transferências de responsabilidade e as filas entre as equipes.
• Trabalho sem coordenação: quanto do fluxo de trabalho ocorre sem coordenação humana, enquanto as pessoas se concentram no julgamento e nas exceções.

Depois, relacione essas métricas aos resultados do negócio: custo de atendimento, qualidade e receita.

O critério para avaliar a transformação é simples. A tarefa ficou mais rápida ou o fluxo de trabalho mudou de forma? Os ganhos incrementais tornam mais rápido o mesmo processo. A transformação elimina etapas, transferências e aprovações que já não precisam existir.

Meça o tempo entre a necessidade e o resultado. Descubra onde o trabalho fica parado. Mude o que o mantém parado.

Olhando para os próximos três a cinco anos, como você espera que evolua a relação entre a IA, o software empresarial e os trabalhadores humanos? Você imagina um futuro em que sistemas nativos de IA substituam fundamentalmente os fluxos de trabalho empresariais tradicionais, e o que os líderes empresariais deveriam fazer hoje para se preparar para essa transição?

Durante trinta anos, o software empresarial nos dizia o que estava acontecendo. Nos próximos três a cinco anos, cada vez mais, fará o trabalho.

O que a IA substituirá é a coordenação: cobrar, copiar, repassar tarefas e fazer o acompanhamento, atividades que ocupam a maior parte do dia das pessoas. Elas passarão a se dedicar mais ao julgamento, às exceções, aos relacionamentos e à responsabilidade pelos resultados. Esse é um uso melhor da expertise humana, mas exige novas capacidades, que os líderes precisam desenvolver de forma deliberada.

O que os líderes devem fazer hoje? Escolher um fluxo de trabalho de grande impacto e mapear as decisões envolvidas. Corrigir os dados que o sustentam. Definir o que o agente tem permissão para decidir e identificar quem é responsável pelo resultado. Em seguida, passar ao próximo fluxo de trabalho.

As empresas que tratarem a IA como uma ferramenta ganharão eficiência. As que se reorganizarem em torno dela obterão mais alavancagem. A IA não é a estratégia. A execução é.

Obrigado pela ótima entrevista. Leitores que desejam explorar a execução empresarial nativa em IA, os fluxos de trabalho inteligentes e a transição de projetos-piloto de IA para a produção devem visitar KMS Technology.