Shanea Leven, Fundadora e CEO da Empromptu AI – Série de Entrevistas

Shanea Leven, Fundadora e CEO da Empromptu AI, é uma líder de produto veterana com vasta experiência na criação de plataformas para desenvolvedores e produtos baseados em IA em grandes empresas de tecnologia. Antes de lançar a Empromptu em 2025, ela fundou a CodeSee, uma plataforma de IA para desenvolvedores que ajuda equipes a visualizar e compreender bases de código complexas, adquirida pela GitKraken em 2024. No início de sua carreira, ocupou cargos de liderança sênior em produtos em empresas como Docker, Cloudflare, eBay e Google, onde trabalhou em iniciativas que variam desde APIs de pagamento do Google Assistente até programas de educação para desenvolvedores utilizados por centenas de milhares de alunos.

IA improvisada é uma plataforma empresarial projetada para ajudar as organizações a criar e implantar aplicativos de IA integrados com mais facilidade. A plataforma combina desenvolvimento de aplicativos, integração de dados, governança, avaliações, memória e orquestração de modelos em um único ambiente, permitindo que as empresas passem da experimentação rápida de IA para sistemas de nível de produção com os controles e a confiabilidade necessários para uso empresarial.

Você passou mais de 15 anos construindo plataformas para desenvolvedores em empresas como Google, eBay, Cloudflare e Docker antes de fundar a CodeSee, que mais tarde foi adquirida pela GitKraken, e agora lidera a Empromptu AI. Como essas experiências moldaram sua perspectiva sobre por que tantas ferramentas de IA falham depois da fase de demonstração, e qual problema específico você estava determinado a resolver quando fundou a Empromptu?

Uma das lições que se aprende ao construir plataformas para desenvolvedores é que os problemas mais difíceis nunca são os da demonstração. A demonstração sempre funciona. O verdadeiro teste é o que acontece quando milhares de desenvolvedores usam o sistema, quando os dados estão desorganizados, quando as integrações falham e quando empresas reais dependem dele.

Na Google, Cloudflare, Docker e eBay, passei anos trabalhando em plataformas que precisavam operar em escala global. Esses ambientes te ensinam algo rapidamente: confiabilidade, governança e observabilidade não são recursos que você adiciona depois. Elas são a própria arquitetura.

Quando comecei a desenvolver aplicações de IA, os modelos eram péssimos e, à medida que começaram a melhorar, percebi que a indústria estava repetindo o mesmo erro que vimos em gerações anteriores de software. Nas ferramentas de desenvolvimento, há um conceito que parece ter sido esquecido: quão rápido você consegue chegar ao "Olá, mundo!"? Hoje, a versão generativa do "Olá, mundo!" é um protótipo SaaS totalmente funcional. Mas agora não apenas desenvolvemos aplicações SaaS com base em intuição; desenvolvemos aplicações de IA completas com base em intuição. Uma IA que constrói IA requer outros sistemas para colocar essa IA em produção.

Você pode gerar rapidamente um aplicativo ou recurso de IA funcional, o que é empolgante e realmente útil. Mas os sistemas predominantes ainda carecem da infraestrutura necessária para ambientes de produção. Elementos como pipelines de dados estruturados, frameworks de avaliação, controles de governança, monitoramento e gerenciamento de contexto a longo prazo estavam ausentes, mas nós os incluímos, mantendo todos os aspectos incríveis da programação Vibe.

Quando meu cofundador e eu fundamos a Empromptu, o problema que queríamos resolver era simples: como tornar os aplicativos de IA prontos para produção desde o início?

Em vez de tratar governança, preparação de dados, avaliação e otimização como ferramentas separadas ou processos posteriores, nós as integramos diretamente à plataforma. A ideia é que as equipes possam criar aplicativos de IA rapidamente, mas com a mesma confiabilidade, qualidade e controle que esperam de sistemas de software corporativos.

Você tem se manifestado abertamente sobre a lacuna entre demonstrações impressionantes de IA e sistemas prontos para produção. Da sua perspectiva, quais são os erros arquitetônicos mais comuns que as equipes cometem ao tentar transformar um protótipo de IA em um produto confiável usado por clientes reais?

O erro mais comum que as equipes cometem é presumir que o modelo é o produto.

Nos primeiros protótipos, o modelo realiza a maior parte do trabalho visível. Você o insere, ele produz uma resposta e, se a resposta parecer boa, o sistema aparenta funcionar. Isso cria a ilusão de que aprimorar o modelo é o principal desafio.

Mas, em sistemas de produção, o modelo é apenas um componente em uma arquitetura muito maior.

O primeiro erro é tratar os dados como uma reflexão tardia. Em protótipos, as equipes costumam testar com conjuntos de dados pequenos e limpos. Assim que o sistema se conecta a dados operacionais reais, as coisas mudam rapidamente. Os dados chegam incompletos, inconsistentes, duplicados ou em formatos inesperados. Sem um pipeline de dados estruturado para normalizar e validar as entradas, o sistema se torna não confiável, independentemente da qualidade do modelo.

O segundo erro é a ausência de estruturas de avaliação. Muitas equipes lançam funcionalidades de IA sem definir o que realmente significa "bom". Elas podem até verificar manualmente os resultados durante o desenvolvimento, mas não criam fluxos de avaliação automatizados que meçam continuamente a precisão, a deriva e os casos extremos após a entrada em produção do sistema. Sem essas salvaguardas, as falhas são frequentemente descobertas pelos clientes em vez dos engenheiros.

Uma terceira questão é a falta de mecanismos de governança e controle. Os sistemas de IA são probabilísticos, o que significa que podem se comportar de maneira diferente sob condições ligeiramente diferentes. Em ambientes regulamentados ou de alto risco, essa imprevisibilidade precisa ser controlada com políticas determinísticas, fluxos de aprovação e registros de auditoria que documentem como as decisões foram tomadas.

Em resumo, o que significa que os sistemas de IA em produção não são apenas modelos. São sistemas operacionais.

As empresas que estão obtendo sucesso com IA hoje são aquelas que tratam os fluxos de dados, a avaliação, a governança e o monitoramento como infraestrutura essencial, e não como complementos opcionais.

Muitas plataformas de programação com IA prometem que qualquer pessoa pode criar um aplicativo usando instruções simples. Por que essas ferramentas geralmente funcionam bem para demonstrações, mas apresentam dificuldades quando as empresas tentam implementá-las em ambientes de produção reais?

Muitas dessas plataformas funcionam bem para demonstrações porque são otimizadas para o momento da criação, e não para o ciclo de vida de um sistema real.

Mas existe uma diferença fundamental entre usar IA para gerar uma landing page e usar IA para construir um aplicativo de IA.

Uma landing page é, em sua maior parte, um software estático. Uma vez que ela é renderizada corretamente, o trabalho está praticamente concluído. O sistema não precisa tomar decisões probabilísticas, processar dados em constante mudança ou se adaptar ao comportamento imprevisível do usuário.

As aplicações de IA são completamente diferentes. São sistemas dinâmicos que dependem de fluxos de dados, comportamento de modelos, estruturas de avaliação e monitoramento contínuo. A aplicação precisa gerenciar o contexto, detectar quando as saídas se desviam, lidar com casos extremos e operar com segurança quando o modelo se depara com situações nunca antes vistas.

A maioria das ferramentas de programação orientadas a prompts não aborda essas camadas porque são projetadas para gerar resultados rápidos. Elas geram código que produz um resultado visível, o que é perfeito para um ambiente de demonstração. Mas os sistemas de produção exigem um conjunto muito maior de recursos: manipulação de dados estruturados, controles de governança, pipelines de avaliação, observabilidade e mecanismos para atualizar o comportamento com segurança ao longo do tempo.

Assim, quando as empresas tentam implementar esses sistemas em ambientes reais, a lacuna se torna óbvia. O protótipo funcionou porque o ambiente era controlado. A produção é caótica.

A Empromptu se concentra em transformar softwares existentes em sistemas nativos de IA, em vez de forçar as empresas a reconstruir tudo do zero. O que essa transformação realmente envolve em termos de infraestrutura e produto?

Em termos de produto, cada aplicação é totalmente autossuficiente e conteinerizada. Criamos tudo o que você precisa, desde front-ends e back-ends até bancos de dados, modelos, avaliações, regras de operações e tudo é extremamente flexível, adaptando-se às necessidades da empresa.

Temos diversas opções diferentes para aplicativos de IA:

“Sem interface” significa que, se um cliente já possui um front-end, podemos conectá-lo ao nosso sistema e enviar os dados de volta.

Totalmente conteinerizados, podem ser implantados em nossa infraestrutura ou na infraestrutura do cliente, sendo, portanto, instalados localmente por padrão.

Ou podemos simplesmente gerá-los e implantá-los diretamente na nuvem, para a opção mais conveniente.

Qualquer código que eles tenham, podemos importar diretamente para o nosso sistema e transformá-lo em agente, caso ainda não esteja. Por exemplo, vemos isso com vários clientes que tentaram criar seus aplicativos em plataformas populares como Lovable, Replit, Bolt ou Base44. Muitas vezes, não funciona. Mas os clientes já investiram muito tempo, energia e créditos nesses aplicativos, então nós os importamos, reescrevemos e fazemos toda a IA funcionar.

E podemos fazer isso porque possuímos diversas tecnologias personalizadas e proprietárias, tais como:

• Mecanismo de contexto adaptativo para gerenciar o contexto
• Memória infinita para processar aplicações de código de longa duração.
• Modelos de dados personalizados e pipelines de dados padrão para garantir que possamos lidar com qualquer limpeza de dados e rotulagem sintética que seja necessária.

Sua plataforma enfatiza contexto, avaliação, governança e dados estruturados como componentes essenciais de sistemas de IA. Por que esses elementos são tão frequentemente negligenciados quando as equipes se apressam em adicionar recursos de IA aos seus produtos?

Porque são difíceis de fazer! Meu cofundador, Dr. Sean Robinson, lidera nosso laboratório de pesquisa e é um astrofísico computacional que inventou diversas tecnologias inspiradas pelas minhas ideias malucas, mas também pelas necessidades dos nossos clientes e pelas tendências do mercado. Nossa experiência combinada na criação de diversos aplicativos de agentes, no lançamento de satélites ao espaço e na construção de sistemas nas maiores empresas de tecnologia do mundo nos proporciona insights que nos ajudam a resolver problemas complexos melhor do que outras pessoas.

Você trabalha com muitos fundadores que nunca escreveram código antes. Quais são os maiores equívocos que fundadores sem formação técnica têm quando tentam criar aplicativos de IA pela primeira vez?

Penso que existem dois grandes equívocos:

A primeira é que a IA é mágica. A IA não é mágica. É apenas boa engenharia. E, eventualmente, você atinge um limite no que pode fazer nessas plataformas sem um engenheiro de verdade.

Em segundo lugar, eles possuem excelentes habilidades em gestão técnica de produtos. Eu tenho experiência em gestão técnica de produtos e a habilidade de traduzir uma visão, às vezes uma visão muito ampla, em pequenas partes entregáveis ​​com a especificação técnica correta para articular exatamente o que você deseja. Essa é, na verdade, uma habilidade muito difícil que leva tempo para ser desenvolvida.

Por exemplo, imagine que você está criando um aplicativo que carrega um PDF e o salva para que você possa visualizá-lo posteriormente. Esse conceito é chamado de persistência. O PDF é codificado em código e salvo em um banco de dados.

Mas se você não soubesse que isso se chama persistência, como conseguiria digitar? Certifique-se de que esses dados sejam mantidos. A escolha de palavras técnicas é como falar um idioma diferente. Há uma diferença entre escrever em linguagem natural e escrever em linguagem técnica.

Muitas startups presumem que a solução para criar produtos de IA é simplesmente contratar mais engenheiros. Por que você acredita que essa abordagem geralmente falha e o que os fundadores deveriam considerar ao desenvolver produtos com IA?

Contratar mais engenheiros às vezes é a resposta certa. Se você está desenvolvendo um produto altamente técnico ou trabalhando na vanguarda da pesquisa de modelos, você definitivamente precisa de equipes de engenharia fortes. Não há substituto para bons engenheiros quando se trata de resolver problemas complexos.

Mas o erro que muitas startups cometem é presumir que mais engenheiros resolvem automaticamente o desafio de construir um produto de IA.

Na realidade, os problemas mais difíceis em produtos de IA muitas vezes não são puramente problemas de engenharia. São problemas de sistemas, assim como qualquer outro problema de engenharia. Engenheiros são especificamente treinados para pensar em termos de sistemas. Mas o desenvolvimento generativo é diferente do desenvolvimento determinístico. Muitos de nós fizemos essa transição quando passamos da programação orientada a objetos para a programação funcional. Ambas são programação? Sim, absolutamente, mas são diferentes? São formas diferentes de pensar? Sim, com certeza.

As aplicações de IA situam-se na intersecção de dados, design de produto, fluxos de trabalho operacionais e comportamento de modelos. Você pode contratar uma equipe incrível de engenheiros, mas se os fluxos de dados forem instáveis, os critérios de avaliação forem obscuros ou o sistema carecer de governança e monitoramento, o produto ainda enfrentará dificuldades quando chegar aos usuários reais.

Outro problema é que muitas equipes começam a construir o sistema sem definir como ele se comportará em produção. Questões como a forma de avaliação do sistema, o tratamento de casos extremos, o registro de decisões e a atualização de modelos ao longo do tempo geralmente surgem muito depois. Nessa altura, a arquitetura já se torna difícil de alterar.

O que os fundadores realmente deveriam estar considerando é o modelo operacional de seu sistema de IA.

Quem é o proprietário do pipeline de dados?

Como o desempenho do modelo é medido continuamente, e não apenas durante o desenvolvimento?

O que acontece quando o sistema se depara com uma situação que nunca viu antes?

Como atualizar o comportamento de forma segura sem interromper os fluxos de trabalho subsequentes?

Às vezes, resolver esses problemas significa contratar mais engenheiros. Mas também pode significar escolher a infraestrutura certa, definir restrições de produto rigorosas e construir sistemas que permitam que pequenas equipes operem de forma confiável em grande escala.

As empresas que estão obtendo sucesso com IA hoje não são necessariamente aquelas com as maiores equipes de engenharia. São aquelas que tratam a IA como um sistema de longo prazo que precisa de disciplina de dados, avaliação, governança e melhoria contínua incorporadas desde o início.

Você argumentou que alguns dos modelos de negócios atuais em ferramentas de desenvolvimento de IA não se alinham com a criação de produtos duráveis. Quais incentivos no atual ecossistema de ferramentas de IA você acredita que estão levando as empresas na direção errada?

Um dos maiores desalinhamentos de incentivos atualmente é que muitas ferramentas de desenvolvimento de IA são otimizadas para métricas de crescimento em vez de durabilidade do produto.

Muitas empresas nesse setor são recompensadas pela rapidez com que os usuários conseguem criar algo impressionante. Se uma ferramenta consegue gerar um aplicativo funcional, um recurso ou uma demonstração em poucos minutos, isso impulsiona cadastros, compartilhamentos em redes sociais e o entusiasmo de investidores. Do ponto de vista da adoção do produto, isso faz todo o sentido.

Mas esses incentivos muitas vezes cessam no momento da criação.

O trabalho mais árduo em software de IA acontece depois disso. É quando a confiança é construída. Quando você pode contar com a qualidade. Quando o usuário quer voltar sempre, sem a frustração de uma IA com resultados ruins. É preciso que ela forneça boas respostas mesmo diante da ignorância ou má-fé humana.

Outro problema é que muitas ferramentas são otimizadas para geração de código em vez de design de sistemas. Gerar código rapidamente é útil, mas construir um produto de IA envolve mais do que produzir código. Requer definir como o sistema gerencia o contexto, como as decisões são avaliadas, como as falhas são tratadas e como o comportamento evolui de forma segura ao longo do tempo.

As empresas que alinham seus incentivos para ajudar os clientes a executar sistemas de IA de forma confiável, e não apenas a construí-los rapidamente, são as que criarão valor duradouro nesse ecossistema.

Alguns dos seus clientes incluem empreendedores que desenvolvem produtos muito específicos, como ferramentas especializadas para a saúde ou negócios focados em sustentabilidade, muitas vezes sem equipes de engenharia tradicionais. Que padrões você observou entre os fundadores que conseguem transformar essas ideias em produtos de IA funcionais? 

Um dos padrões mais interessantes que observamos é que os fundadores que têm sucesso não são necessariamente os mais técnicos. São aqueles que entendem o problema que estão resolvendo extremamente bem.

Muitos dos empreendedores que usam o Empromptu são especialistas em suas áreas. Eles podem vir da área da saúde, finanças, sustentabilidade ou outro setor especializado. O que eles trazem é um profundo conhecimento dos fluxos de trabalho, regulamentações e decisões que existem nesse ambiente. Esse contexto é incrivelmente valioso ao projetar um produto de IA, porque define o que o sistema realmente precisa fazer.

Os fundadores que obtêm sucesso tendem a abordar a IA menos como um experimento tecnológico e mais como um sistema de produto. Eles começam fazendo perguntas muito concretas. Que decisões a IA deve ajudar os usuários a tomar? A quais fontes de dados ela precisa acessar? Como seria uma resposta correta nesse domínio? Quais mecanismos de segurança precisam existir para que o sistema se comporte de forma responsável?

Outro padrão é que eles pensam cuidadosamente na estrutura. Equipes bem-sucedidas percebem rapidamente que os resultados da IA ​​são tão bons quanto o contexto e os dados que os alimentam. Elas investem tempo inicialmente na definição de fluxos de dados, na organização de fontes de conhecimento e na criação de critérios claros de avaliação do que significa "bom".

Também observamos fundadores de sucesso que adotam a colaboração entre humanos e IA em vez de tentar automatizar tudo imediatamente. Eles projetam fluxos de trabalho nos quais a IA lida com análises repetitivas ou síntese de dados, enquanto os humanos permanecem responsáveis ​​pelo julgamento e pelas decisões finais. Esse equilíbrio torna os sistemas muito mais confiáveis, especialmente em áreas como saúde ou finanças.

Em muitos aspectos, a maior mudança está na mentalidade. Os fundadores que têm sucesso não pensam na IA como um recurso que estão adicionando. Eles a veem como uma nova camada operacional para o funcionamento do produto.

À medida que os sistemas de IA se integram cada vez mais às operações comerciais essenciais, quais capacidades definirão a próxima geração de plataformas de aplicação de IA? 

Eu sei que isso é loucura e talvez eu esteja dizendo algo sacrílego, mas as pessoas poderão programar seus próprios modelos personalizados por meio de vibração. Algo que nosso laboratório de pesquisa chama de nanomodelos especializados ajudará a controlar os custos.

Obrigado pela ótima entrevista, os leitores que desejam saber mais devem visitar IA improvisada.