Jonathan Horn, CEO e Co-Fundador da Treefera – Série de Entrevistas

Jonathan Horn, CEO e Co-Fundador da Treefera, é um empreendedor de tecnologia e ex-executivo de banco de investimentos com profunda especialização em gerenciamento de riscos, inteligência artificial e análise de dados em larga escala. Antes de fundar a Treefera em 2022, ele ocupou cargos de liderança sênior em ambos J.P. Morgan e Citigroup, onde se concentrou em riscos, dados e sistemas financeiros complexos. Com base em sua formação em modelagem de riscos de grau financeiro, Horn lançou a Treefera para abordar um dos principais pontos cegos nas cadeias de suprimentos globais: a “primeira milha”, onde as matérias-primas originam. Sob sua liderança, a empresa cresceu rapidamente e se tornou uma das principais fornecedoras de inteligência de cadeia de suprimentos impulsionada por IA, ajudando as empresas a obter visibilidade em tempo real sobre fontes, riscos ambientais, requisitos de conformidade e resiliência operacional.

Fundada em Londres em 2022, Treefera é uma empresa de inteligência de cadeia de suprimentos habilitada por IA, focada em trazer transparência para a primeira milha das cadeias de suprimentos de commodities globais. Seu tecido de dados proprietário combina imagens de satélite, dados espaciais e temporais, modelos de IA e análise de riscos para fornecer às organizações insights em tempo real sobre fontes, conformidade, sustentabilidade e riscos de cadeia de suprimentos. A plataforma ajuda as empresas a monitorar tudo, desde a exposição à desflorestação e os impactos de carbono até os riscos de fontes de commodities, permitindo uma tomada de decisão mais informada em todo o processo de aquisição, finanças e operações. Ao transformar dados ambientais e de cadeia de suprimentos fragmentados em inteligência ação, a Treefera visa fortalecer a resiliência da cadeia de suprimentos em uma economia global cada vez mais volátil e regulamentada.

Você fundou a Treefera após ocupar cargos sênior de risco, IA e análise de dados em J.P. Morgan e Citi. Qual foi a lacuna específica que você viu na forma como as empresas entendiam o risco de commodities agrícolas e de commodities macias que o convenceu de que a Treefera precisava existir?

As commodities baseadas na natureza representam US$ 2,1 trilhões do comércio mundial, mas os dados que sustentam a avaliação de riscos para esses ativos eram manuais, atrasados e estruturalmente imprecisos. Trabalhando com modelos de riscos em J.P. Morgan e Citi, eu vi decisões de preços e exposições que dependiam de dados originados na primeira milha das cadeias de suprimentos agrícolas: coletados à mão, propensos a omissões e frequentemente semanas ou meses atrasados em relação à realidade. Sessenta por cento do risco de suprimento se origina na primeira milha, antes que as commodities cheguem a um porto ou a uma bolsa, e foi exatamente onde a visibilidade era mais tênue.

O que me convenceu a construir a Treefera foi a convergência de duas coisas: a escala do problema e a chegada de ferramentas capazes de abordá-lo. A resolução e a cobertura de satélites haviam alcançado um ponto em que você podia observar as condições das culturas a nível de campo em regiões de produção principais a um custo mínimo. A IA havia amadurecido ao ponto de poder transformar esse sinal bruto em algo financeiramente interpretável. Ninguém estava conectando esses pontos de forma rigorosa e científica. As empresas ainda estavam precificando riscos com base em relatórios governamentais que atrasavam as condições do solo por meses, médias nacionais que mascaravam variações locais e modelos lineares que não podiam lidar com a volatilidade climática. A lacuna entre o que era conhecido e o que era sabido era enorme. Essa lacuna é onde a Treefera se situa.

A Treefera é frequentemente descrita como uma plataforma de inteligência impulsionada por IA, mas sua abordagem é explicitamente não centrada em LLMs. Como você explica a diferença entre IA preditiva para cadeias de suprimentos e os sistemas de IA gerativos que atualmente dominam a conversa?

IA gerativa e modelos de linguagem grande resolvem um problema fundamentalmente diferente. Eles são ferramentas de produtividade: extraordinariamente úteis para simplificar tarefas repetitivas, como redação e resumo. O desafio comercial para esses sistemas é a adoção, fazer com que as pessoas mudem a forma como trabalham. Isso é um problema de educação de mercado, não científico.

A Treefera usa IA para resolver problemas científicos com requisitos de precisão de grau financeiro. Nossos modelos de aprendizado profundo são treinados para interpretar imagens de satélite, sinais climáticos e biologia de culturas para produzir previsões de rendimento e área de produção precisas o suficiente para informar decisões de alocação de capital. A pergunta que estamos respondendo não é “o que este documento diz?” É “o que essa região renderá em três meses, e quão confiante você deve ser?” Esses não são o mesmo tipo de problema e não exigem o mesmo tipo de modelo. LLMs são otimizados para linguagem; nossos modelos são otimizados para interpretação do mundo físico. Confundir os dois leva a aplicar a ferramenta errada a um problema para o qual não foi construída.

Muitas empresas de IA argumentam que um melhor desempenho requer mais computação, modelos maiores e maior acesso a GPUs. A Treefera parece desafiar essa suposição. O que “computação frugal” significa na prática, e por que é importante para IA aplicada?

A suposição prevalecente em IA é que a escala equivale a desempenho: mais parâmetros, mais GPUs, mais infraestrutura de nuvem. Para IA aplicada em contextos específicos de domínio, essa suposição está errada e produz custo e desperdício de energia desnecessários.

Computação frugal, na prática, significa três coisas para nós. Primeiro, desacoplamos o cálculo do tempo. A maioria de nossas tarefas de processamento não precisa ocorrer em um segundo específico. Em vez de executar infraestrutura sempre ligada, identificamos períodos de capacidade de rede excessiva e emprestamos capacidade de computação durante essas janelas.

Segundo, descentralizamos as cargas de trabalho. Em vez de rotear tudo por meio de um hub de nuvem único, distribuímos por uma rede de nós disponíveis, incluindo infraestrutura de blockchain, que carrega capacidade ociosa significativa em certos períodos. Se um nó se torna ineficiente, as tarefas são redirecionadas dinamicamente.

Terceiro, dimensionamos o hardware corretamente. Usamos NVIDIA AG6 em vez de chips de nível superior, onde o desempenho é equivalente para nossas cargas de trabalho a uma fração do custo e da energia. O motivo pelo qual isso importa além da eficiência é a precisão. A computação frugal força a disciplina sobre o que é necessário em termos de computação. Isso produz modelos mais magros e mais interpretáveis – o tipo de modelo que os tomadores de decisão financeiros e operacionais podem realmente usar. Eles não precisam de um modelo maior; precisam de uma resposta mais precisa.

Sua plataforma entrega saídas preditivas sobre rendimento de culturas, uso de terra e risco de suprimento sem confiar em infraestrutura de nuvem sempre ligada. Como você desacopla o cálculo do tempo e ainda entrega inteligência comercialmente útil e quase em tempo real?

Inteligência quase em tempo real e computação contínua não são a mesma coisa. Nossos clientes precisam de previsões atualizadas semanalmente; eles não precisam que o cálculo que gera essas previsões esteja rodando continuamente.

Mapeamos nossos ciclos de processamento para o ritmo natural dos dados. As imagens de satélite chegam em um ritmo. As entradas de clima são atualizadas em um ritmo. As questões analíticas que nossos modelos respondem também são impulsionadas por ritmo: qual é a trajetória do rendimento para essa região, o que mudou esta semana na área plantada. Então, programamos previamente os trabalhos de computação para rodar contra essas janelas de dados, emprestando capacidade de infraestrutura distribuída durante períodos de baixa demanda. A saída para o cliente é um feed de dados semanal que é atual, ação e pronto para o modelo. A infraestrutura por trás disso só roda quando há algo significativo para processar. Essa arquitetura também é mais resiliente. Uma carga de trabalho distribuída que roteia em torno de nós com falha é mais confiável do que um servidor sempre ligado com um único ponto de falha.

Mercados de commodities agrícolas e de commodities macias ainda dependem fortemente de dados atrasados, baseados em pesquisas ou fragmentados. Como a IA muda a forma como as empresas, bancos, seguradoras e traders avaliam o risco antes que ele se torne visível em relatórios oficiais?

O problema estrutural com relatórios baseados em pesquisas é que eles são retrospectivos por design. Até que uma agência governamental publique uma estimativa de suprimento, as condições físicas subjacentes são semanas ou meses antigas. Mercados que se movem com base nesses dados estão reagindo à história.

A IA muda isso ao mudar a fonte de informações de pesquisas para observação direta. Imagens de satélite, sinais climáticos e dados de desenvolvimento de culturas estão disponíveis agora, não em seis semanas quando um relatório é compilado e publicado. O que nossos modelos fazem é traduzir esses dados físicos na linguagem financeira que traders, underwriters e analistas realmente usam: previsões de rendimento com intervalos de incerteza declarados, estimativas de área de produção com atualizações semanais, escores de estresse que quantificam o risco na origem antes que ele apareça nos preços.

Em 2022, nossos modelos de milho dos EUA sinalizaram uma revisão descendente cinco semanas antes de o USDA publicar a sua. Em janeiro de 2025, nossos modelos identificaram um escore de estresse de 0,76 na região de cacau de Gana; a COCOBOD não revisou sua previsão da safra até junho. A vantagem de informação não é marginal; é estrutural. Empresas que ainda esperam por relatórios oficiais para tomar decisões de suprimento e preços estão operando com um atraso que seus contrapartes podem não compartilhar.

A “primeira milha” das cadeias de suprimentos foi historicamente uma das áreas menos transparentes para as empresas globais. Por que a visibilidade da primeira milha está se tornando tão crítica agora, especialmente à medida que a volatilidade climática, a regulação e a incerteza geopolítica aumentam?

Três forças estão convergindo e cada uma é individualmente material.

A volatilidade climática está aumentando a frequência e a gravidade de choques de produção na origem. O mesmo evento climático agora carrega um impacto de suprimento maior porque os sistemas de culturas estão mais estressados e os eventos extremos são menos previsíveis a partir de médias históricas. Modelos de risco lineares construídos sobre normas históricas estão estruturalmente mal equipados para lidar com isso. Você precisa de observação física em tempo real para ver o que está realmente acontecendo no campo.

A regulação está criando um vínculo de responsabilidade direta entre o que acontece na primeira milha e o que uma empresa pode vender ou financiar. EUDR, CSRD, TCFD: esses quadros exigem que as empresas saibam, com evidências, de onde vêm suas commodities e quais eram as condições na origem. “Confiamos no fornecedor” não é mais uma posição defensável. Essa responsabilidade está impulsionando a rastreabilidade e a procedência de uma preferência de aquisição para um requisito legal.

A interrupção geopolítica tornou a dependência de uma única origem um risco para a sala de diretoria. Quando uma região representa uma participação dominante no suprimento global de uma commodity e essa região se torna politicamente ou fisicamente instável, as empresas sem visibilidade da primeira milha não têm mecanismo de alerta antecipado. Elas descobrem quando o mercado já repricou.

Há também uma mudança mais ampla acontecendo no ecossistema de dados em si. O lançamento recente do Google Earth AI de mapas de commodities pan-tropicais – impressões digitais de culturas anuais de 10 metros para cacau, café, óleo de palma e borracha, lançados como dados abertos – é um indicador útil de para onde as coisas estão indo. O mundo físico está cada vez mais legível a partir do espaço, e a demanda por transparência da cadeia de suprimentos agora é mainstream o suficiente para atrair investimentos de grande escala de big tech. A Treefera acolhe isso. Uma camada de dados fundamentais mais rica eleva o piso para todo o mercado e cria uma consciência compartilhada de que melhor informação não é apenas possível, está disponível.

O que os mapas de descoberta abertos não podem fazer é fechar a lacuna de inteligência. Saber onde as culturas são plantadas não é o mesmo que saber como essa safra está se desenvolvendo, o que as condições na origem significam para sua exposição ao suprimento ou onde seu portfólio está em risco. A tradução da observação para insights de grau financeiro é para o que a Treefera foi construída.

A ignorância da primeira milha costumava ser comercialmente tolerável quando o mundo era mais previsível. Ela não é mais.

Sua base de clientes inclui organizações importantes, como JP Morgan, Microsoft, Bayer e Anew. Quais são os principais problemas que as empresas estão tentando resolver com a Treefera: conformidade, risco de suprimento, previsão, sustentabilidade, aquisição ou algo mais?

O problema central que as empresas nos trazem é uma versão da mesma coisa: elas têm uma exposição financeira significativa ao que acontece na primeira milha das cadeias de suprimentos agrícolas e não têm um mecanismo confiável para ver isso antes que isso lhes custe. A formulação específica difere por setor.

Para traders e instituições financeiras expostas a commodities, a questão é a vantagem de informação: ver mudanças de suprimento antes que elas apareçam nos preços ou nos dados oficiais. Para instituições de empréstimo agrícola e seguradoras, é a avaliação de risco; elas estão emitindo ou financiando operações cujo desempenho é governado diretamente por condições que elas não podem observar. Para corporações com obrigações de sustentabilidade ou conformidade, a questão é a evidência: provar, com dados defensáveis, que suas cadeias de suprimentos atendem aos padrões que reguladores e contrapartes agora exigem.

A resposta tradicional – confie no fornecedor, espere o relatório do governo, compre a estimativa de consenso – não é mais adequada. A precisão e a velocidade de que precisam não existem no ecossistema de dados público. Ela existe na primeira milha.

A Treefera relatou um crescimento de 6x ano a ano, zero rotatividade e uma Série B super-subscrita em dois anos. O que esse nível de adoção sugere sobre a demanda das empresas por sistemas de IA que são precisos, eficientes e operacionalmente fundamentados, em vez de apenas em grande escala?

Zero rotatividade é o sinal mais revelador. O crescimento de receita pode refletir a execução comercial; zero rotatividade reflete a adequação do produto ao mercado. Clientes que usaram os dados por uma safra completa, testaram contra seus próprios modelos e tomaram decisões com base neles, e então renovaram, estão nos dizendo que o sinal é real e que está mudando a forma como operam.

Isso também aponta para uma demanda empresarial significativa e não atendida por IA que seja precisa, auditável e integrável operacionalmente – demanda subatendida por um cenário pesadamente inclinado para ferramentas gerativas e modelos de grande escala. Profissionais de cadeia de suprimentos e riscos precisam de uma previsão com um intervalo de incerteza declarado que possam defender em um comitê de riscos. Quando essa barra é atingida – dados de domínio específico, precisão de grau financeiro, metodologia transparente – as empresas priorizam isso. A captação de fundos super-subscrita reflete o reconhecimento dos investidores da mesma dinâmica: o mercado é grande, o problema é estrutural e a infraestrutura de dados existente não foi construída para resolvê-lo.

Olhando para o futuro, você acredita que a próxima fase de IA aplicada será definida menos pela escala do modelo e mais pela eficiência operacional, dados de domínio específico e resultados de negócios mensuráveis?

Sim, e a evidência para isso já é visível.

IA de grande escala está começando a atingir os limites do que a escala bruta pode resolver. Adicionar parâmetros não melhora uma previsão de rendimento de culturas se os dados subjacentes são grosseiros, atrasados ou geograficamente mal alinhados. O valor marginal da computação está diminuindo quando o gargalo é a qualidade dos dados e a precisão do domínio, não o tamanho do modelo.

A próxima fase será definida por dados de treinamento de domínio específico, modelos dimensionados corretamente e saídas verificáveis. Em setores como agricultura, finanças e cadeia de suprimentos, onde as decisões têm consequências financeiras e operacionais, a pergunta nunca foi “quão grande é o modelo?” Foi “quão confiável é a resposta e quão rápido você pode agir sobre ela?” A escala sozinha não pode responder a isso. As empresas que liderarão em IA aplicada nos próximos cinco anos terão construído pipelines de dados proprietários para o mundo físico, treinado modelos nesses dados com rigor científico apropriado e demonstrado precisão mensurável em condições de vida. A tecnologia está se tornando cada vez mais uma commodity; os dados e a expertise de domínio não são.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Treefera.