Jen Vescio, presidente da Empiric Earth – Série de entrevistas

Jen Vescio é presidente da Empiric Earth, onde supervisiona a estratégia de produtos, o desenvolvimento corporativo e a comercialização. Anteriormente, foi diretora de desenvolvimento de negócios da Uber, onde liderou o desenvolvimento global de negócios e a criação de novas parcerias nas áreas de mobilidade e autonomia. Sua experiência também inclui investir em empresas de tecnologia emergentes e prestar consultoria a elas, com foco em ajudar a IA física a passar da pesquisa à implantação comercial.

A Empiric Earth reúne a Nexar e a Nauto para oferecer inteligência sobre a condução em condições reais, modelos de segurança e recursos de validação. A empresa combina bilhões de quilômetros de históricos de direção com registros de eventos raros para ajudar desenvolvedores, frotas e outras organizações a compreender o desempenho e os riscos. Nesta entrevista, Vescio fala sobre avaliação independente, governança responsável de dados, comercialização e a infraestrutura necessária para ampliar a IA física.

Você construiu uma carreira extensa, que abrange o desenvolvimento global de negócios na Uber, investimentos em tecnologias emergentes e consultoria a empresas do setor de IA física. Você entrou inicialmente para o conselho da Empiric Earth em abril e, recentemente, assumiu o cargo de presidente. O que atraiu você para a empresa e, por fim, convenceu você a assumir uma posição de liderança mais ativa?

Como investidora e consultora na área de IA física, eu continuava me deparando com a mesma lacuna. Muitas equipes realizavam experimentos, mas pouquíssimas dispunham de dados do mundo real para comprovar que seus sistemas funcionavam fora de um ambiente de testes. A Empiric Earth já tinha esses dados. Mais de 10 bilhões de milhas percorridas em condições reais e 60 milhões de casos extremos são algo que não se pode comprar nem falsificar.

Isso coloca a empresa em uma posição singular. Não precisamos competir com as empresas que desenvolvem robôs, veículos ou modelos. Podemos ajudar todas elas a chegar mais rápido ao mercado, fornecendo a inteligência do mundo real de que precisam para gerenciar riscos, validar o desempenho e construir confiança. Como membro do conselho, vi a oportunidade de criar algo fundamental para todo o ecossistema de IA física.

O que me levou ao cargo de presidente foi Zach e sua visão. Eu o conheço desde que nós dois trabalhávamos na criação de parcerias na área de mobilidade: eu na Uber e ele na Lyft. Quando alguém em quem você confia há tanto tempo apresenta um problema difícil e um recurso que mais ninguém tem, você escuta. Nossas competências se complementam. Ele pensa na categoria e em seu futuro. Dediquei minha carreira a transformar novas tecnologias em negócios capazes de crescer. A IA física está deixando a pesquisa e chegando à implantação no mundo real agora, e eu não queria assistir a isso de uma reunião do conselho.

A Empiric Earth foi criada a partir da fusão da Nexar com a Nauto, reunindo duas empresas com vasta experiência em inteligência sobre a condução em condições reais e segurança baseada em IA. Que capacidades exclusivas essa combinação viabiliza e como você imagina que a empresa unificada se diferenciará no mercado de IA física, que está evoluindo rapidamente?

A Nexar e a Nauto foram fundadas em 2015 e passaram, juntas, mais de duas décadas analisando o mesmo problema sob perspectivas diferentes. Em conjunto, podemos entender o que acontece nas estradas e como os motoristas reagem, obtendo um quadro muito mais completo do comportamento e dos riscos no mundo real.

Para o mercado como um todo, essa é a ponte entre a simulação e o mundo real. A maioria das equipes desenvolve e testa em simulações, mas a parte difícil é comprovar que um sistema consegue funcionar de forma confiável em condições reais. Podemos ajudar nossos parceiros a identificar situações que seus sistemas ainda não encontraram, aprimorar seus modelos e validar o desempenho em comparação com o que realmente acontece. Isso pode encurtar os ciclos de desenvolvimento, reduzir riscos e acelerar a comercialização.

O que nos diferencia é nossa capacidade de viabilizar avaliações independentes em todo o ecossistema de IA física. Não desenvolvemos os veículos, robôs ou sistemas autônomos que nossos clientes estão criando. Fornecemos inteligência do mundo real para ajudá-los a compreender o desempenho, gerenciar riscos e construir confiança. Isso exige um compromisso com a neutralidade, a portabilidade e a interoperabilidade. Ao levar novas aplicações, modelos e serviços ao mercado, queremos que os clientes possam usá-los em diferentes plataformas de hardware e tecnologia, sem ficarem presos a um único fornecedor. Nosso objetivo é atuar como um “árbitro” de todo o ecossistema, e não escolher vencedores dentro dele.

A IA física está surgindo como uma das próximas grandes fronteiras da inteligência artificial, com aplicações que abrangem veículos autônomos, robótica e infraestrutura inteligente. Quais são, na sua opinião, os maiores obstáculos que impedem esses sistemas de operar de forma confiável em ambientes imprevisíveis do mundo real, e por que o acesso a dados do mundo real é tão fundamental para superar esses obstáculos?

O maior obstáculo é que o mundo físico nunca foi documentado. Os modelos de linguagem evoluíram rapidamente porque foram treinados com décadas de textos que as pessoas já haviam produzido. Não existe nada equivalente para uma estrada, o piso de um armazém ou uma calçada. A maior parte do que acontece nesses lugares, como uma quase colisão ou uma faixa fechada nesta manhã, sequer chega a ser registrada.

Isso cria dois problemas. O primeiro é que o mundo físico muda constantemente. Um sistema precisa saber o que é verdade agora, e uma foto da primavera passada não pode informá-lo sobre uma estrada que mudou esta manhã. Também não é possível voltar atrás e coletar dados de ontem. O segundo problema é a fragmentação. Nenhuma empresa consegue, sozinha, observar uma parte suficiente do mundo, por isso os desenvolvedores realizam experimentos separados, com diferentes conjuntos de dados, modelos e pilhas tecnológicas. Isso dificulta comparar resultados, compartilhar o que funciona e transformar pesquisas promissoras em produtos comercialmente viáveis.

Os dados do mundo real permitem superar os dois problemas. Os eventos raros que fazem um sistema falhar acontecem em algum lugar todos os dias, e só é possível identificá-los observando continuamente uma enorme variedade de condições reais. Nos nossos dados dos EUA, há cerca de 19 quase acidentes para cada colisão, e quase nenhum deles aparece em um boletim de ocorrência ou em uma reivindicação de seguro. Zach expressou bem a ideia em um ensaio recente: segurança é o estudo das coisas que não aconteceram. Não é possível estudá-las se ninguém as contabilizou.

A Empiric Earth acumulou mais de 10 bilhões de milhas de histórico de condução e mais de 60 milhões de casos-limite, além de registrar centenas de milhões de milhas adicionais todos os meses. Como esse vasto conjunto de dados pode ajudar desenvolvedores de IA a treinar e validar sistemas autônomos mais confiáveis, especialmente em cenários raros ou perigosos que as simulações tradicionais têm dificuldade para reproduzir?

Hoje, a maioria dos sistemas lida bem com situações comuns de direção. O que ainda os faz falhar é a cauda longa: uma colisão, um pedestre que surge entre carros estacionados, um animal na pista, uma zona de obras que não existia na semana passada. Esses momentos são raros demais para que uma frota de testes os capture em números relevantes, e as simulações só conseguem reproduzir aquilo que alguém já pensou em modelar.

A Empiric Earth foi criada para encontrá-los. Não processamos cada milha percorrida pela nossa rede. Mantemos a pequena parcela que nossos modelos identificam como incomum ou arriscada, e é assim que 10 bilhões de milhas se transformam em 60 milhões de casos-limite que um desenvolvedor pode realmente usar.

As equipes usam esse registro de três maneiras. Primeiro, fazem buscas: uma equipe que trabalha com zonas de obras pode encontrar milhares de exemplos reais de motoristas humanos atravessando essas áreas, em vez de criar alguns cenários artificialmente. Depois, identificam o que está faltando: se um sistema tem dificuldade para fazer conversões à esquerda em cruzamentos movimentados, podemos direcionar a rede especificamente para isso e coletar novos exemplos à medida que acontecem. Por fim, comparam as simulações com a realidade. Quando um parceiro reconstrói colisões e quase acidentes reais envolvendo pedestres e ciclistas, pode verificar se o mundo simulado se comporta como o real antes de lançar o produto.

É isso que torna esse trabalho valioso para além dos próprios dados. As simulações são essenciais, mas precisam se basear no que realmente acontece no mundo real. Dar aos desenvolvedores acesso a essas evidências os ajuda a identificar lacunas mais cedo, aprimorar seus sistemas mais rapidamente e tomar decisões mais bem fundamentadas sobre quando estão prontos para entrar em operação. Isso também cria uma base para avaliações mais consistentes e independentes à medida que o setor cresce.

Um dos princípios fundamentais da Empiric Earth é sua independência em relação aos fabricantes de veículos e sistemas autônomos que avalia. Por que a verificação independente está se tornando cada vez mais importante à medida que a IA física se aproxima de uma implantação generalizada, e quais padrões o setor deve adotar para estabelecer parâmetros significativos de segurança da IA?

À medida que a IA física sai dos ambientes de pesquisa e chega aos espaços públicos, a confiança se torna tão importante quanto o desempenho técnico.

Hoje, grande parte do setor depende dos próprios desenvolvedores para testar e relatar o desempenho de seus sistemas. Isso é compreensível nesta etapa, mas, à medida que mais sistemas autônomos passam a fazer parte do cotidiano, clientes, órgãos reguladores e o público vão querer cada vez mais evidências independentes de que esses sistemas funcionam de forma confiável.

Já vimos versões desse desafio em outros setores. Ao entrar em um carro, há uma estrutura estabelecida para habilitar motoristas, inspecionar veículos e definir expectativas de segurança. A IA física precisará de abordagens próprias para demonstrar prontidão e desempenho. No caso dos veículos autônomos, isso poderia se assemelhar a uma carteira de motorista: um teste padronizado que demonstre que um sistema tem desempenho igual ou superior ao de um motorista humano.

A questão é como estabelecer parâmetros significativos que reflitam as condições do mundo real, em vez de depender exclusivamente de testes controlados ou simulações. Esses parâmetros precisam se basear em dados do mundo real, levar em conta cenários raros e perigosos e permitir que o desempenho seja avaliado de forma consistente entre diferentes sistemas.

É aí que a Empiric Earth pode desempenhar um papel importante. Não acreditamos que as empresas que desenvolvem sistemas autônomos devam ser as únicas a avaliar seu desempenho. Nosso papel é fornecer inteligência independente sobre o mundo real, modelos e recursos de validação que permitam a outras partes avaliar o desempenho, gerenciar riscos e construir confiança. Ao mantermos nossa neutralidade e interoperabilidade, podemos apoiar avaliações em diferentes tecnologias e plataformas, em vez de favorecer uma abordagem específica.

Em última análise, estabelecer padrões exigirá a colaboração entre desenvolvedores, pesquisadores, órgãos reguladores e outras partes interessadas. Queremos ajudar a fornecer a base que torne possível a avaliação independente, para que a confiança se fundamente em evidências, e não em alegações.

À medida que sistemas de IA cada vez mais sofisticados interagem com o mundo físico, as organizações precisam equilibrar a necessidade de dados abrangentes do mundo real com a privacidade, a segurança e a governança responsável dos dados. Como a Empiric Earth enfrenta esses desafios e quais salvaguardas são essenciais para conquistar a confiança do público em uma infraestrutura de IA física em larga escala?

A confiança começa pela forma como os dados são coletados, protegidos e usados. Na Empiric Earth, a privacidade faz parte da nossa abordagem desde o início. Nosso foco é capturar eventos do mundo real que forneçam informações relevantes, em vez de tratar cada momento ao volante como igualmente valioso. A desidentificação e o tratamento responsável dos dados são fundamentais nesse processo.

A procedência dos dados é igualmente importante. À medida que a IA física avança rumo à implementação comercial, os desenvolvedores precisam saber de onde vieram os dados, como foram coletados e quais direitos regem seu uso. Sem essa base, é difícil estabelecer a confiança necessária para crescer.

Os diferentes mercados também têm requisitos distintos em relação à privacidade, ao consentimento e à residência dos dados. Nossa plataforma aplica configurações específicas para cada país, permitindo que atendamos às regras locais sem reconstruir o sistema. Precisamos levar essas diferenças em conta ao avaliar onde e como expandir.

O princípio mais amplo é a transparência. Qualquer pessoa que desenvolva infraestrutura para IA física deve ser capaz de explicar quais dados coleta, como os protege e quem pode usá-los. Práticas responsáveis de tratamento de dados não são algo separado da construção de um negócio bem-sucedido. Elas fazem parte do que possibilita a adoção em larga escala.

Sua experiência na Uber envolveu transformar tecnologias emergentes e parcerias estratégicas em negócios escaláveis. No seu novo cargo, você é responsável pela estratégia de produto, pelo desenvolvimento corporativo e pela comercialização da Empiric Earth. Quais lições da sua passagem pela Uber são mais relevantes para expandir a IA física, e como você decide quando desenvolver competências internamente em vez de buscar aquisições ou parcerias?

A Uber me ensinou que a resposta certa pode mudar. Criamos nosso próprio programa de veículos autônomos, o ATG, porque acreditávamos que precisávamos controlar toda a plataforma tecnológica. Mais tarde, o transferimos para a Aurora e voltamos ao setor de veículos autônomos por meio de parcerias. As duas decisões faziam sentido no momento em que foram tomadas. O que mudou foram nossos critérios relacionados a velocidade, custo e risco.

Por isso, fazemos as mesmas perguntas diante de cada decisão de desenvolver, comprar ou firmar uma parceria. Qual é o risco? De que recursos e capital ela precisa? Com que rapidez nos levará ao mercado e o que a concorrência estará fazendo nesse meio-tempo? Ela se encaixa na estratégia?

A Empiric Earth parte de uma posição diferente da maioria das empresas, porque já conta com o elemento mais difícil de desenvolver: os dados. Desenvolvemos soluções quando essa base nos dá uma vantagem difícil de reproduzir. As aquisições fazem sentido quando acrescentam competências complementares ou aceleram nossa estratégia. E as parcerias costumam ser o caminho mais rápido para chegar a clientes, novos mercados e escala comercial. A IA física é ampla demais para que uma única empresa desenvolva tudo; por isso, queremos trabalhar com parceiros que possam ajudar a fortalecer todo o ecossistema e definir a sequência da nossa abordagem com base tanto nas condições do mercado quanto no alinhamento com nossa vantagem competitiva: nossos ativos.

Você também participou do ecossistema de IA de código aberto, inclusive em trabalhos com a comunidade OpenClaw. Como você vê a contribuição da inovação de código aberto para o avanço da IA física? Uma transparência e uma colaboração maiores podem ajudar a acelerar a adoção, mantendo os padrões de segurança e governança exigidos por esses sistemas?

O código aberto mudou a velocidade do avanço da IA no software. Quando mais pessoas podem desenvolver com as mesmas ferramentas, os ciclos de pesquisa ficam mais curtos e boas ideias surgem de todos os lados, não apenas dos maiores laboratórios. A IA física está em um estágio inicial dessa trajetória. Grande parte da área ainda se concentra em pesquisa e demonstrações, e a questão agora é como transformar esse trabalho em negócios duradouros.

Fui responsável por parcerias na OpenClaw Foundation, criada para apoiar a visão de Peter Steinberger de uma IA agêntica pessoal e de código aberto. É um dos exemplos mais claros que já vi de um projeto aberto acelerando o trabalho concreto, porque as pessoas podiam adotá-lo, executá-lo em seus próprios sistemas e adaptá-lo ao que realmente fazem.

Essa é a lição que, na minha opinião, a IA física deveria levar a sério. Ferramentas abertas permitem que mais equipes desenvolvam e experimentem sem começar do zero. Manter os dados no próprio ambiente do cliente, em vez de pedir que ele os envie para outro lugar, elimina um dos principais motivos de hesitação das empresas. Uma frota, uma cidade ou um fabricante pode aplicar IA aos próprios dados, sob seus próprios controles, e perceber os benefícios mais rapidamente.

Juntas, essas duas ideias permitem que o setor passe da pesquisa e das demonstrações para produtos pelos quais as pessoas pagam. A abertura, por si só, não torna um sistema seguro; por isso, ele ainda precisa de testes concretos, governança clara e responsabilização. Mas um ecossistema aberto, em que os dados permanecem com quem lhes pertence, leva mais sistemas ao uso real — e é nesse contexto que o aprendizado se acumula.

Na Empiric Earth, interessa-nos saber como ferramentas abertas e dados que permanecem no ambiente do cliente podem contribuir para o crescimento de todo o ecossistema de IA física, enquanto protegemos os dados do mundo real que tornam nosso trabalho valioso. Não acreditamos que promover o avanço do ecossistema e construir um negócio sustentável sejam objetivos incompatíveis.

Você já falou sobre a importância de trazer mais mulheres para cargos de liderança em IA, especialmente agora que o setor começa a estabelecer padrões de segurança e estruturas de governança que vão moldar a maneira como máquinas inteligentes operam na sociedade. Como você acredita que uma liderança mais diversa pode influenciar o desenvolvimento de sistemas de IA mais seguros e responsáveis?

Tenho cuidado ao abordar esse tema, porque dizer que «basta incluir mais mulheres para tornar a IA mais segura» também é uma forma de viés. A questão é mais ampla. Os agentes que estamos desenvolvendo aprendem com o que os seres humanos já fizeram e com a maneira como os ensinamos. Se todas as pessoas que moldam esse aprendizado pensarem da mesma forma, os sistemas acabarão reproduzindo os mesmos pontos cegos.

Uma liderança diversa traz mais perspectivas para as decisões sobre o que um agente deve valorizar, incluindo empatia, cuidado e o impacto de uma escolha sobre a pessoa que está do outro lado. Muitos riscos da IA são de natureza técnica. Outros surgem quando os sistemas tomam decisões que não refletem os valores ou as necessidades das pessoas afetadas por elas. Incorporar diferentes perspectivas a essas decisões nos ajuda a identificar pontos cegos antes que se tornem problemas no mundo real.

O que espero desses sistemas é simples. Eles devem ajudar as pessoas a tomar decisões melhores e nos dar mais tempo para conviver na vida real. Para chegar lá, é preciso equilíbrio e mecanismos de controle efetivos, concebidos a partir de muitas perspectivas. Nenhum grupo consegue resolver isso sozinho, e precisamos motivar e incentivar as mulheres a participar e ajudar a promover conexões entre agentes e pessoas, entre agentes e entre pessoas.

Olhando para os próximos três a cinco anos, onde você vê as maiores oportunidades para a Empiric Earth, além das aplicações atuais em segurança viária e inteligência de frotas? À medida que veículos autônomos, robótica e outras tecnologias de IA física se integram cada vez mais ao cotidiano, que papel você imagina que a Empiric Earth terá na infraestrutura que dará suporte a essa transição?

Começamos com segurança viária e frotas, e essas áreas continuam sendo fundamentais para o nosso negócio. Mas a oportunidade maior é apoiar a IA física reduzindo riscos, oferecendo um padrão de validação e, em última análise, tornando o mundo real mais seguro.

Os desafios fundamentais são semelhantes, quer se esteja desenvolvendo um veículo autônomo, um robô de entregas ou um sistema de inteligência para o varejo que opere uma rede de publicidade e comércio no mundo real. Como entender o que está acontecendo no mundo real? Como saber se um sistema consegue lidar com situações inesperadas? E como avaliar o desempenho e gerenciar os riscos à medida que esses sistemas avançam para a implantação comercial?

Vejo a Empiric Earth se tornando uma importante camada de inteligência para o ecossistema de IA física, fornecendo dados do mundo real, modelos, aplicações e serviços que ajudam desenvolvedores, parceiros e operadores a responder a essas perguntas. Neutralidade, portabilidade e interoperabilidade serão importantes para concretizar essa visão. Queremos que nossos recursos funcionem em diferentes tecnologias e plataformas, para que os clientes possam adotar as soluções que fizerem mais sentido para eles.

Temos uma base extraordinária em inteligência sobre a condução no mundo real, e agora podemos ampliá-la com novos recursos, parcerias e modelos comerciais.

A IA física não ganhará escala porque uma empresa desenvolve o melhor robô ou o melhor modelo. Ela ganhará escala quando o ecossistema mais amplo dispuser da inteligência, das ferramentas e das medidas de segurança necessárias para colocar esses sistemas em uso no mundo real. Esse é o papel que queremos que a Empiric Earth desempenhe.

Obrigado pela excelente entrevista. Os leitores que quiserem conhecer melhor a inteligência no mundo real e a validação independente para a IA física podem visitar a Empiric Earth.