Randall Newman, CPTO e Co-Fundador da Satisfi Labs – Série de Entrevistas

Randall Newman, CPTO e Co-Fundador da Satisfi Labs, é um líder em tecnologia e produto com ampla experiência na construção de plataformas de IA, tecnologia financeira e sistemas de alto desempenho. Desde a cofundação da Satisfi Labs, Newman desempenhou um papel central na concepção, design e escalonamento da tecnologia de IA conversacional da empresa, enquanto supervisionava o desenvolvimento de produtos, arquitetura, equipes de engenharia e integrações estratégicas. Antes da Satisfi Labs, ele atuou como Head of Product na Satisfi Inc. e cofundou a empresa de marketing móvel Right On Mobile. No início de sua carreira, Newman passou mais de 17 anos na CIBC World Markets, onde ocupou cargos de liderança sênior abrangendo risco estratégico, negociação de alta frequência e arbitragem de ações, combinando expertise em negociação quantitativa com desenvolvimento prático de tecnologia.

Satisfi Labs é uma empresa de IA focada em implantar agentes de IA especializados para esportes, entretenimento, turismo, atrações e outros negócios de experiências ao vivo. Fundada em 2016, a empresa evoluiu da IA conversacional e de seu Answer Engine para uma plataforma agente projetada para ajudar organizações a automatizar o suporte ao cliente, aumentar as conversões de ingressos e comércio, e extrair insights das conversas com clientes. Seus agentes de IA podem operar em mais de 50 idiomas e conectar-se a sistemas de bilheteria, CRM, gerenciamento de conteúdo e outros sistemas empresariais para executar ações como vender ingressos, escalar conversas para equipe humana, coletar informações do cliente e fornecer respostas personalizadas. A Satisfi Labs afirma que sua tecnologia agora é confiada por mais de 775 marcas, com integrações e parcerias que abrangem empresas como Ticketmaster, Simpleview, MappedIn, Ventrata e Vozzi.

Você passou quase duas décadas nos mercados financeiros, incluindo a construção de sistemas de negociação de baixa latência e liderando estratégias de negociação de alta frequência na CIBC, antes de migrar para o empreendedorismo tecnológico e, finalmente, cofundar a Satisfi Labs. Quais lições dos sistemas operacionais, onde velocidade, confiabilidade e gerenciamento de risco eram críticos, mais influenciaram a forma como você constrói agentes de IA de nível de produção hoje?

O comércio me ensinou que uma boa ideia e um bom negócio são duas coisas diferentes. Você pode identificar uma oportunidade corretamente e ainda assim perder dinheiro porque sua execução é lenta, seus custos são muito altos ou suas suposições de risco estão erradas. IA é a mesma coisa. A capacidade do modelo é um dos insumos. O negócio depende de você conseguir transformar essa capacidade em um resultado repetível a um custo e risco aceitáveis.

Gerenciar um livro de arbitragem de índices também ensina a olhar além das decisões individuais. Um pequeno erro repetido em todo um portfólio se torna uma exposição muito grande. Com IA, você pode ter milhares de agentes tomando decisões individualmente razoáveis que, coletivamente, criam um problema. Todos dependem dos mesmos dados ruins, ou todos tentam novamente o mesmo serviço com falha. Você precisa gerenciar o sistema, não apenas a resposta individual.

E a velocidade só importa quando melhora o resultado. Na negociação havia momentos em que microssegundos eram decisivos. Em IA, eu prefiro gastar um segundo a mais confirmando uma transação do que entregar o resultado errado instantaneamente. A disciplina consiste em saber onde a velocidade cria valor e onde ela apenas acelera um erro.

A última lição é a que deu início a todo o negócio. A vantagem vem de identificar um preço incorreto antes que todos os outros o façam. Acho que o preço incorreto atualmente é que a maioria das empresas vê os agentes de IA como uma forma de reduzir custos de suporte. Na Satisfi Labs, nós os vemos como um canal de receita. Em nossos locais esportivos, cerca de 40% das conversas dos agentes são sobre ingressos. Esses fãs não vêm para reclamar. Eles chegam com dinheiro na mão, perguntando onde sentar. Encontre o que o mercado está precificando errado e vá capturá‑lo. O mesmo instinto do negócio de arbitragem.

A Satisfi Labs foi fundada em 2017, bem antes do atual boom de IA generativa, e evoluiu do processamento contextual de linguagem natural e IA conversacional para uma plataforma agente. Quais foram as maiores mudanças arquiteturais necessárias para passar de sistemas projetados principalmente para responder perguntas para agentes capazes de executar ações em nome dos usuários?

Passamos uma década construindo milhares de agentes de IA para mais de 800 clientes corporativos, incluindo equipes da MLB/NFL, locais de entretenimento e organizações de turismo. A maior mudança é que você está concedendo ao sistema autoridade, não apenas informação.

Se um assistente lhe informa quais ingressos estão disponíveis, ele está fornecendo uma resposta. Se ele troca seus ingressos, está alterando o inventário, os registros de clientes e, potencialmente, o dinheiro. Agora você precisa saber quem autorizou a ação, o que realmente aconteceu e como recuperar se o processo for interrompido pela metade.

Portanto, separamos o julgamento do modelo da autoridade para executar. O modelo pode interpretar uma solicitação e propor o próximo passo. Os sistemas subjacentes impõem permissões, regras de negócio e limites de transação. Uma explicação persuasiva do modelo não pode sobrescrever esses controles.

Você também precisa de uma distinção clara entre “o agente disse que completou a tarefa” e “o sistema empresarial confirmou a conclusão”. Não são a mesma coisa. Se uma solicitação de compra expirar, é melhor descobrir se a compra ocorreu antes de tentar novamente.

E estrategicamente, modelos melhores não devem obrigá-lo a reconstruir seus controles de negócios. Quero aproveitar cada melhoria no raciocínio sem renegociar o que o sistema tem permissão para fazer a cada novo modelo lançado.

O termo “agentic AI” está sendo aplicado agora a uma ampla gama de produtos. De uma perspectiva de engenharia, onde você traça a linha entre um chatbot avançado, um copiloto de IA e um agente de IA genuinamente autônomo?

Eu faria uma pergunta: que responsabilidade a pessoa realmente delegou?

Um chatbot fornece informações. Um copiloto ajuda você a concluir o trabalho, mas você ainda dirige e aprova as etapas importantes. Um agente autônomo tem permissão para tomar algumas dessas decisões por conta própria enquanto persegue um objetivo.

A interface não indica qual deles você está observando. Um produto conversacional pode ter autonomia real por trás dele. Algo comercializado como agente ainda pode precisar que uma pessoa aprove cada ação útil.

Para uma empresa, a autonomia deve ser um acordo específico: este sistema pode executar essas ações, para esses usuários, dentro desses limites, e deve parar sob essas condições. Isso é algo que você pode realmente testar e governar.

Eu também não faria da autonomia máxima o objetivo. Às vezes, o melhor produto faz uma única pergunta bem cronometrada e cuida do resto. Remover essa pergunta torna a demonstração mais impressionante e o negócio menos seguro. O objetivo é eliminar trabalho humano desnecessário, não o julgamento humano necessário.

A Satisfi Labs lançou recentemente o Satisfi Forward, uma prática de engenharia implantada adiante. Que lacuna você observava entre construir uma plataforma de IA capaz e realmente fazer os agentes funcionarem de forma confiável no ambiente real de um cliente que o levou a criar esse modelo?

A última milha estava se tornando o gargalo. Uma plataforma pode padronizar muito, mas não pode assumir que o negócio de cada cliente funciona da mesma maneira. O sistema de tickets deles tem certas limitações. O processo de aprovação passa por três departamentos. A definição deles de lead qualificado difere da do próximo cliente. Esses detalhes decidem se a implantação é realmente útil.

Você pode comprar uma plataforma pronta e montar uma demonstração que impressiona as pessoas. Comercializá‑la como uma experiência robusta para usuários reais é diferente. É aí que entram os engenheiros implantados adiante. O trabalho da nossa equipe no Satisfi Forward é entender o resultado, descobrir o que o está bloqueando e construir os fluxos de trabalho e integrações sobre a plataforma que o façam acontecer.

Mas estabelecemos limites claros em cada engajamento. Antes de construir, concordamos sobre o que significa sucesso, quem possui o processo de negócios, o que depende do cliente e quem o mantém após o lançamento. Caso contrário, um projeto de última milha se torna uma obrigação ilimitada. E o engajamento não termina quando o código é entregue. Ele termina quando o fluxo de trabalho funciona na operação do cliente e alguém é responsável por mantê‑lo em funcionamento.

O código também ficou muito mais barato de produzir, o que torna esse modelo muito mais prático do que antes. Mas não vejo o Satisfi Forward como um braço de serviços acoplado a um produto SaaS. Cada engajamento nos ensina qual deve ser o próximo produto. Quando três clientes pedem o mesmo fluxo de trabalho, isso não é um fardo de suporte. Isso é a própria escrita da roadmap, com clientes pagantes anexados. O antigo modelo SaaS adivinhava recursos e esperava por evidências. Dessa forma, obtemos a evidência primeiro e a receita enquanto a coletamos. Acho que é assim que as empresas de produto se constroem na era da IA.

Seus agentes podem se conectar a sistemas de tickets, plataformas de gerenciamento de relacionamento com o cliente, sistemas de gerenciamento de conteúdo e outras fontes de informação em tempo real. À medida que os agentes ganham a capacidade de transacionar e disparar ações, como você equilibra o acesso a dados em tempo real e baixa latência com a fundamentação, segurança e salvaguardas contra ações incorretas?

Primeiro, eu nunca deixaria a velocidade compensar uma falha de segurança. Alguns requisitos são restrições. Você otimiza dentro delas.

Depois você distingue entre tipos de trabalho. Responder a uma pergunta sobre estacionamento e concluir a compra de um ingresso não exigem a mesma frescura de dados ou os mesmos controles. Você pode armazenar em cache informações estáveis. Quando dinheiro muda de mãos, você precisa que o sistema de transação autoritário confirme preço, disponibilidade e conclusão.

Os casos perigosos são aqueles em que o sistema não sabe o que aconteceu. Um backend aceita uma compra, mas a resposta nunca chega. Se o agente supõe falha e tenta novamente, você tem duas compras. Isso não é um problema de linguagem. É um problema de recuperação de transação.

E você mede a experiência sob as condições que realmente importam. Latência média em uma terça‑feira tranquila quase não diz nada. Se um evento é cancelado pela chuva, de repente milhares de pessoas perguntam o que acontece com seus ingressos, todas ao mesmo tempo. Se você planeja apenas em torno do tráfego médio por minuto, perderá a capacidade necessária naquele pico. Aprendi isso diretamente dos sistemas de negociação.

Há também uma decisão de custo aqui. Nem toda solicitação precisa do modelo mais caro ou de uma cadeia de agentes. Use o caminho mais simples que atenda ao requisito e gaste o tempo ou o poder de computação extra onde isso melhore materialmente a decisão. O usuário deve receber um resultado honesto, inclusive uma declaração honesta de que algo não pôde ser confirmado.

Satisfi Labs descreve um modelo no qual agentes especializados podem operar juntos como uma força de trabalho de IA. Quais são os problemas técnicos mais difíceis envolvidos na orquestração de múltiplos agentes especializados, particularmente em relação ao roteamento, contexto compartilhado, decisões conflitantes e à determinação de qual agente deve agir?

A parte mais difícil é manter a responsabilidade à medida que você distribui o trabalho.

Comece perguntando se você realmente precisa de outro agente. Às vezes, você precisa de um especialista. Às vezes, você só precisa de uma chamada de ferramenta ou de um fluxo de trabalho simples. Cada agente que você adiciona é outra interpretação da solicitação, outra dependência, outro ponto de falha. E a quantidade de agentes operando nos bastidores deve ser invisível para o usuário.

Quando vários agentes são justificados, quero que um agente seja responsável pela interação. Especialistas podem fornecer informações ou realizar trabalhos delimitados. Um agente de bilhetagem lida com inventário e trocas, um agente de atendimento ao cliente lida com políticas. Mas alguém precisa reconciliar os resultados e decidir se o usuário realmente recebeu o que procurava.

O roteamento é difícil porque as pessoas não fazem perguntas em categorias bem definidas. Uma solicitação pode envolver três agentes. O sistema precisa decidir: um agente pode lidar com isso, vários precisam ser executados em sequência, ou deve fazer ao usuário mais uma pergunta antes de fazer qualquer coisa?

O mesmo vale para o contexto. Você não envia tudo a todos os agentes. Isso aumenta a latência, gera ruído e pode expor informações que um agente não precisa. E a suposição de um agente não deve se tornar um fato apenas porque foi repassada ao próximo agente.

Se dois agentes discordam, não quero que eles discutam até que um pareça mais convincente. Deve haver um modelo de autoridade claro. O sistema de bilhetagem estabelece a disponibilidade. O negócio estabelece a política de troca. Dados em tempo real superam dados em cache, regras de negócios superam o julgamento do modelo e, se ainda não for possível resolver, você pergunta ao usuário ou envolve uma pessoa. A parte difícil não é fazer os agentes conversarem entre si. É ser capaz de reconstruir exatamente qual agente fez o quê e onde a responsabilidade estava.

Satisfi Labs tem se concentrado cada vez mais em medir agentes em relação a objetivos e resultados de negócios, em vez de métricas como volume de conversas. O que as empresas realmente deveriam medir para determinar se um agente de IA está tendo um bom desempenho, e como avaliar a confiabilidade antes de conceder maior autonomia a um agente?

Comece com o resultado de negócios, depois pergunte quanto desse resultado o agente realmente causou.

Se alguém compra ingressos após conversar com um agente, isso não significa automaticamente que o agente criou a venda. Eles podem ter comprado de qualquer forma. Onde for possível, você deseja comparações controladas ou uma linha de base credível, não apenas crédito pela última interação. Para um cliente de bilhetagem, isso significa medir se o fã acabou com assentos, não se o agente respondeu educadamente. Para um local que tenta reduzir filas na bilheteria, isso significa medir o que o agente resolveu antes que alguém precisasse ficar na fila.

Em seguida, analise a economia de um resultado bem-sucedido: custos do modelo, infraestrutura, revisão humana, escalonamentos e o custo de corrigir erros. Um agente que parece barato até que você contabilize as pessoas que corrigem seu trabalho não é barato.

Confiabilidade precisa de seu próprio placar. Conclusão, correção, ações não autorizadas, recuperação de falhas, qualidade de escalonamento. Você não inclui um incidente grave de privacidade na taxa de conversão positiva.

Para maior autonomia, eu exigiria evidências sobre a classe específica de ação que está sendo delegada. Teste-a, observe-a sob supervisão, expanda dentro de limites e mantenha um meio de interrompê‑la. Uma boa pontuação geral de precisão não prova que o sistema está pronto para todas as transações. E tenha cuidado com os incentivos. Às vezes, envolver uma pessoa é o resultado correto. Se você recompensar o agente apenas por evitar transferências, não se surpreenda quando ele mantiver problemas que deveria ter escalado.

Você argumentou recentemente que a IA de voz precisa ser projetada em torno de resultados mensuráveis, em vez de ser tratada como outra interface para um chatbot existente. Que avanços técnicos ainda são necessários antes que agentes de voz possam se tornar a interface principal para interações complexas e em tempo real, particularmente em ambientes como estádios, atrações e eventos ao vivo?

Muitos clientes perguntam: é possível simplesmente pegar o aplicativo de chat e conectar a voz a ele? Podemos. Mas isso não significa que será uma boa experiência. A próxima melhoria real não é uma voz que soe mais humana. É uma interação que sobreviva às condições em que as pessoas realmente a utilizam.

Em um estádio, alguém fala sobre o ruído da multidão, usa o nome de um jogador desconhecido, muda de ideia no meio de uma frase e tenta concluir a compra antes que os portões se abram. O sistema precisa lidar com interrupções, incertezas e atrasos de backend sem perder a tarefa.

Preste atenção especial aos detalhes críticos. Confundir uma frase casual é uma coisa. Confundir o número de ingressos ou a data do evento é outra. O agente precisa confirmar os detalhes que alteram a consequência da ação sem tornar toda a conversa cansativa.

E a voz não deve ser forçada a fazer tudo. Comparar vinte opções de assentos é melhor em uma tela. Alguém pode começar digitando, entrar no carro e querer continuar a mesma conversa falando. O sistema deve preservar esse contexto e usar voz, texto e recursos visuais da forma que melhor se adequar ao momento.

Parte disso precisa de modelos melhores. Muito disso precisa de melhor integração e design de interação. Esperar por uma grande descoberta não resolverá um fluxo de trabalho que foi projetado em torno de texto e depois lido em voz alta. Eu avaliaria o progresso de uma forma: as pessoas completam a tarefa com precisão, com menos esforço, em condições reais?

À medida que os agentes passam de fornecer informações para vender ingressos, coletar dados de clientes, personalizar experiências e interagir com sistemas operacionais, como as empresas devem determinar quais decisões um agente pode tomar autonomamente e quais devem sempre exigir supervisão humana?

É gestão de risco. Se isso sair dos trilhos, que dano pode causar? O agente abre uma porta que não pode fechar?

Reversibilidade é um teste inicial útil, mas também é preciso observar a exposição total. Um reembolso pode ser pequeno e reversível. Dez mil reembolsos incorretos antes que alguém perceba é um problema diferente. É necessário impor limites às ações individuais e à atividade cumulativa do sistema.

Se a ação for de baixo risco e reversível, conceda mais autonomia: atualizar uma preferência, verificar um pedido, reservar um item. À medida que as consequências aumentam, adicione confirmação ou aprovação. Uma compra pode exigir que o cliente confirme o preço. Um grande reembolso pode precisar da aprovação de um funcionário. Uma ameaça à segurança é escalada imediatamente. E algumas decisões devem permanecer apenas com uma pessoa, ponto final.

Consentimento do cliente e aprovação da empresa são coisas diferentes, aliás. O cliente que confirma uma compra não autoriza o agente a contornar a política da empresa. Um funcionário que aprova uma exceção não significa que o cliente concordou com a cobrança.

Os limites precisam ser aplicados pelos sistemas que executam a ação, não apenas descritos em um prompt. Você não concede acesso amplo a um agente e depois confia em um prompt para que ele seja cuidadoso. E quando uma pessoa é necessária, forneça a ela contexto suficiente para tomar uma decisão real. Dar a alguém centenas de aprovações sem informação cria um carimbo de borracha, não supervisão. Direcione a atenção humana para onde ela reduz riscos significativos. Não a disperse em todas as interações.

Olhando para o futuro, você espera que tecnologias como o Model Context Protocol e a comunicação agente‑para‑agente mudem fundamentalmente a forma como os sistemas de IA corporativa são construídos, nos movendo de agentes isolados para ecossistemas nos quais os agentes podem descobrir ferramentas, trocar contexto e coordenar ações entre empresas e plataformas?

Acho que os protocolos são um meio para um fim. O MCP oferece às aplicações de IA uma forma comum de acessar ferramentas e contexto. Os protocolos agente‑para‑agente gerenciam a cooperação entre agentes. Isso é valioso. Você não deveria precisar criar uma integração personalizada toda vez que um agente precisar de uma ferramenta. É semelhante ao que as APIs fizeram para integrações de software.

Mas um formato comum não significa que duas empresas concordem sobre o que uma ação significa, quem pode autorizá‑la ou o que acontece quando falha. Só porque um agente pode descobrir uma ferramenta não significa que ele deva usá‑la. Ainda é necessário definir identidade, permissões, confiança e responsabilidade. Se um agente pede a outro que faça algo e algo dá errado, quem é o responsável por essa decisão?

Aqui está o que eu realmente acho que muda. Hoje, um local tem um site e um aplicativo. Em alguns anos, terá um agente com o qual outros agentes negociam. O assistente pessoal de um fã solicita ao agente do local dois assentos por um preço determinado, além de um passe de estacionamento, e toda a transação ocorre entre os dois agentes. Encontrar as capacidades corretas é a etapa fácil. Saber a autoridade de gasto do cliente, confirmar o preço combinado e lidar com o caso em que os ingressos são aprovados, mas o estacionamento falha, são os verdadeiros problemas.

E eu não acredito que operar um agente lhe entregue automaticamente o relacionamento com o cliente. Isso precisa ser conquistado. Mas também não acredito que os locais vão transferir essas transações para uma empresa de busca ou um marketplace de ingressos. Nosso objetivo na Satisfi Labs é ser o agente que representa o local nessa economia, aquele confiável o suficiente para que uma empresa coloque seu nome nele. Tudo o que construímos em torno de confiabilidade, permissões e responsabilidade é o que garante esse lugar.

Obrigado pela ótima entrevista, leitores que desejam saber mais devem visitar Satisfi Labs.