Manuel Romero, Co-Fundador e Diretor Científico da Maisa – Série de Entrevistas

Manuel Romero, Co-Fundador e Diretor Científico da Maisa, é um pesquisador e engenheiro de IA focado em desenvolver sistemas de inteligência artificial confiáveis e de classe empresarial. Ele co-fundou a Maisa em 2024 para construir uma IA responsável capaz de executar processos de negócios complexos com transparência e controle. Antes da Maisa, Romero ocupou cargos de engenharia de IA e aprendizado de máquina sênior em empresas como Clibrain e Narrativa, onde se especializou em processamento de linguagem natural e sistemas de IA em larga escala. No início de sua carreira, ele trabalhou como engenheiro de software full-stack e especialista em DevOps antes de se mudar para a pesquisa e desenvolvimento de IA avançada, tornando-se um contribuinte ativo para o ecossistema de IA de código aberto.

Maisa AI desenvolve “trabalhadores digitais” autônomos, agentes de IA projetados para automatizar fluxos de trabalho de empresa complexos enquanto mantêm rastreabilidade, governança e confiabilidade. A plataforma permite que as organizações construam e implantem agentes de IA usando linguagem natural, permitindo a automação em sistemas internos e fontes de dados sem codificação extensiva. Ao se concentrar em raciocínio verificável e execução estruturada, a Maisa visa superar as limitações comuns associadas a sistemas de IA geradora e ajudar as empresas a implantar AI autônoma com segurança em escala.

Você frequentemente se concentra em entender o “porquê” mais profundo dos sistemas de IA. Do ponto de vista técnico, o que o levou a co-fundar a Maisa em 2024, e qual lacuna na arquitetura de IA empresarial você acreditava que não estava sendo abordada?

A motivação para fundar a Maisa veio da realização de que a maioria das pilhas de IA empresariais foi construída em torno de modelos, e não sistemas.

Durante o boom de IA geradora, muitas empresas se concentraram em integrar grandes modelos de linguagem em fluxos de trabalho existentes. No entanto, esses sistemas eram frequentemente frágeis, opacos e difíceis de operar em escala. Eles careciam de:

• execução determinística onde importava.
• forte observabilidade, rastreabilidade
• reprodutibilidade

A lacuna que vimos foi a ausência de verdadeira infraestrutura de IA para empresas. As empresas estavam construindo aplicações em torno de APIs de LLM, mas careciam de algo equivalente a uma arquitetura de computador para trabalho de conhecimento.

A Maisa foi criada para abordar essa lacuna projetando uma arquitetura centrada na Unidade de Processamento de Conhecimento (KPU), um sistema que permite que a IA opere de forma confiável dentro de fluxos de trabalho de empresa reais.

Você trabalhou em processamento de linguagem natural avançado e sistemas geradores antes de fundar a Maisa. Como essas experiências moldaram as escolhas arquitetônicas por trás da plataforma?

Minha experiência trabalhando em PNL e NLG, particularmente em torno do treinamento e pré-treinamento de modelos de linguagem e mais tarde grandes modelos de linguagem (centenas deles), tornou algo muito claro ao tentar construir sistemas reais sobre eles. A arquitetura do transformador é extremamente poderosa, mas vem com pelo menos três limitações fundamentais que devem ser abordadas para usá-la de forma confiável em produção.

A primeira é a alucinação. Esses modelos geram texto probabilisticamente e podem produzir saídas que soam corretas, mas não estão fundamentadas em informações verificadas.

A segunda é a limitação de contexto. Mesmo com janelas de contexto maiores, os modelos operam dentro de um espaço de token limitado, o que torna difícil raciocinar sobre grandes ou complexos corpos de conhecimento.

A terceira é a informação atualizada. Modelos pré-treinados representam um instantâneo do conhecimento no momento do treinamento, enquanto ambientes empresariais exigem sistemas que possam raciocinar sobre informações constantemente em mudança.

Reconhecer essas limitações moldou muitas das decisões arquitetônicas por trás da Maisa. Em vez de confiar apenas no modelo, nos concentramos em construir um sistema que fornece acesso estruturado ao conhecimento, mecanismos de validação e execução controlada, para que a IA possa operar de forma confiável em fluxos de trabalho de empresa reais.

Muitas empresas experimentam com IA geradora, mas lutam para ir além de pilotos. Do ponto de vista de design de sistemas, qual é a razão principal pela qual a escalabilidade falha em muitas organizações?

Muitas empresas lutam para ir além de pilotos de IA geradora porque a maioria das implantações é construída como experimentos, e não como sistemas robustos. Protótipos iniciais frequentemente dependem de engenharia de prompts, orquestração leve e pipelines de recuperação simples, que podem demonstrar valor, mas não fornecem a confiabilidade, observabilidade ou controle necessários para ambientes de produção. À medida que as organizações tentam escalar esses sistemas, elas enfrentam problemas como saídas inconsistentes, falta de rastreabilidade, dificuldade de integração com fluxos de trabalho de empresa e governança limitada sobre como a IA se comporta. Em seu núcleo, o problema é que os grandes modelos de linguagem são geradores probabilísticos, enquanto os processos de empresa exigem comportamento previsível e auditável. Sem uma arquitetura que adicione estrutura em torno do raciocínio, validação, execução e monitoramento, os sistemas de IA geradora permanecem difíceis de escalar além de casos de uso isolados.

Os Trabalhadores Digitais da Maisa são projetados para serem auditáveis e estruturados, e não puramente probabilísticos. O que isso significa em termos práticos para as empresas que avaliam a IA para uso em produção?

Quando dizemos que os Trabalhadores Digitais da Maisa são auditáveis e estruturados, e não puramente probabilísticos, queremos dizer que a IA opera dentro de um sistema controlado onde suas ações e raciocínio podem ser rastreados e governados. Em vez de permitir que um modelo gere saídas e decisões livremente, o sistema estrutura como a IA interage com dados, ferramentas e fluxos de trabalho. Cada etapa no processo pode ser registrada, inspecionada e validada, e as ações são executadas por meio de interfaces definidas, e não diretamente a partir da saída do modelo. Para as empresas, isso significa que os sistemas de IA podem ser monitorados, auditados e integrados a processos críticos com maior confiança. Isso muda a IA de uma caixa-preta assistente para um sistema cujo comportamento pode ser entendido, controlado e confiável em ambientes de produção.

Como arquiteto da Unidade de Processamento de Conhecimento, como ela difere de uma camada de orquestração típica ou motor de fluxo de trabalho construído em torno de grandes modelos de linguagem?

A Unidade de Processamento de Conhecimento difere das camadas de orquestração típicas porque é projetada para gerenciar o ciclo de vida completo do raciocínio impulsionado por IA, e não apenas coordenar prompts e chamadas de modelo. A maioria dos frameworks de orquestração atua como gerentes de fluxo de trabalho que encadeiam etapas como recuperação, prompting e execução de ferramentas. A KPU opera em um nível arquitetônico mais profundo, estruturando como o conhecimento é acessado, como o raciocínio é realizado e como as ações são executadas dentro do sistema. Ela trata o processamento de conhecimento como uma camada computacional fundamental, integrando memória, validação e execução controlada, para que a IA possa operar de forma confiável dentro de fluxos de trabalho de empresa complexos, e não apenas gerar respostas.

Em indústrias regulamentadas, a tolerância ao risco é baixa. Quais decisões de design específicas você fez para garantir que as saídas de IA permaneçam confiáveis e não propaguem erros por fluxos de trabalho complexos?

Em indústrias regulamentadas, a confiabilidade e o controle são essenciais, então projetamos o sistema com várias salvaguardas para garantir que as saídas de IA permaneçam confiáveis. Um princípio fundamental é a execução estruturada, onde a IA não pode acionar ações críticas sem passar por interfaces controladas. Também incorporamos camadas de validação que verificam as saídas do modelo contra esquemas, regras ou mecanismos secundários antes que sejam aceitas. Além disso, o sistema mantém total observabilidade, registrando etapas de raciocínio, interações de ferramentas e decisões para que possam ser rastreadas e auditadas. Juntas, essas escolhas de design ajudam a prevenir erros de se propagarem por fluxos de trabalho e permitem que as organizações operem sistemas de IA com o nível de confiabilidade e governança necessário em ambientes regulamentados.

Quais são os casos de uso mais convincentes iniciais onde você viu os Trabalhadores Digitais mudarem de assistência orientada para execução de IA totalmente operacional?

Alguns dos casos de uso mais convincentes iniciais aparecem em fluxos de trabalho intensivos em conhecimento onde os processos são bem definidos, mas ainda exigem análise e tomada de decisão significativas. Em áreas como revisão de conformidade, operações de suporte técnico e gerenciamento de conhecimento interno, os Trabalhadores Digitais podem mudar de apenas assistência humana para execução de tarefas estruturadas de ponta a ponta. Eles podem recuperar e analisar grandes volumes de informações internas, aplicar procedimentos definidos, interagir com sistemas de empresa por meio de ferramentas controladas e produzir saídas que alimentam diretamente os fluxos de trabalho operacionais. A mudança fundamental ocorre quando a IA não está apenas gerando sugestões, mas é capaz de executar ações definidas de forma confiável dentro de um sistema governado, permitindo que as organizações automatem partes do trabalho de conhecimento complexo, em vez de apenas aumentá-lo.

À medida que a fiscalização regulatória em torno da IA intensifica globalmente, como você vê a infraestrutura de IA central evoluindo para atender aos requisitos de conformidade sem limitar a inovação?

À medida que a fiscalização regulatória em torno da IA aumenta, acredito que veremos uma mudança para longe de arquiteturas que simplesmente chamam APIs de provedores de modelos e confiam cegamente na saída. As empresas e os reguladores exigirão cada vez mais sistemas onde o comportamento da IA é observável, auditável e governado. É aí que arquiteturas como a Unidade de Processamento de Conhecimento se tornam importantes. Esse tipo de arquitetura permite que as organizações imponham controles, rastreiem decisões e garantam que as saídas de IA sejam confiáveis antes de influenciarem processos reais. Com o tempo, espero que esses sistemas se tornem a base padrão para infraestrutura de IA confiável.

Você falou sobre ética e responsabilidade ao lado de seu trabalho técnico. Como essas perspectivas influenciam a forma como você aborda a construção de sistemas de IA transparentes?

Ética e responsabilidade, para mim, se traduzem diretamente em escolhas de design de sistema. Se os sistemas de IA vão participar de fluxos de trabalho operacionais reais, eles não podem funcionar como caixas-preta opacas cujo comportamento não pode ser inspecionado ou entendido. Essa perspectiva influenciou fortemente a forma como abordo a construção de sistemas de IA. Transparência, rastreabilidade e supervisão humana precisam ser incorporadas à arquitetura desde o início. Isso significa garantir que as etapas de raciocínio possam ser observadas, decisões podem ser auditadas e ações são executadas por meio de mecanismos controlados. Quando esses princípios são incorporados ao nível da infraestrutura, os sistemas de IA se tornam não apenas mais confiáveis, mas também mais fáceis para as organizações governarem de forma responsável.

Olhando para o futuro, você acredita que a infraestrutura de IA agente se tornará tão fundamental quanto a infraestrutura de nuvem se tornou na década passada — e o que precisa acontecer tecnicamente para que essa mudança se materialize?

Acredito que a infraestrutura de IA agente tem o potencial de se tornar tão fundamental quanto a infraestrutura de nuvem se tornou na última década. À medida que as organizações buscam automatizar cada vez mais o trabalho de conhecimento complexo, elas precisarão de sistemas que possam coordenar raciocínio, memória e execução em muitas tarefas e fontes de dados. No entanto, para que essa mudança se materialize, a arquitetura subjacente precisa amadurecer além de simples integrações de modelo. Precisamos de infraestrutura que forneça raciocínio estruturado, acesso confiável ao conhecimento empresarial, forte observabilidade e execução controlada de ações. Quando essas capacidades são incorporadas ao sistema central, a IA agente pode evoluir de ferramentas experimentais para infraestrutura confiável que as organizações dependem para operar processos críticos.

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