Sobhan Daliry, CPO & Líder de Estratégia de IA na Pipefy – Série de Entrevistas

Sobhan Daliry, CPO & Líder de Estratégia de IA na Pipefy, é um executivo experiente em produto e tecnologia que lidera a estratégia de IA da empresa desde 2023, ajudando a transformar fluxos de trabalho empresariais tradicionais em processos cada vez mais inteligentes e autônomos. Ao longo de sua carreira, Daliry combinou estratégia de produto, transformação organizacional e liderança tecnológica em startups e empresas consolidadas. Antes de ingressar na Pipefy, fundou e atuou como CEO da Polen.me e passou mais de cinco anos como CEO/CPO da NZN, onde conduziu a reviravolta da empresa e a estratégia de produto. Seus cargos anteriores incluem Diretor de Gerenciamento de Produto na PSafe, Gerente de Produto no Peixe Urbano e posições que abrangem serviços digitais, telecomunicações, consultoria e desenvolvimento de negócios na Oi/Telemar, Claro, AIRCOM International e Planeta Tecnologia.

Pipefy é uma plataforma global de gerenciamento de processos e IA projetada para ajudar organizações a automatizar e orquestrar fluxos de trabalho empresariais. Fundada em 2015, a empresa evoluiu de uma plataforma de automação de processos sem código para um ambiente de orquestração focado em IA que reúne Agentes de IA, fluxos de trabalho, formulários, portais, aplicativos, dados, análises, mensagens e integrações. Sua plataforma permite que equipes criem e gerenciem Agentes de IA usando linguagem natural e ferramentas sem código, mantendo governança corporativa, segurança e visibilidade. As capacidades de IA da Pipefy incluem agentes que podem interpretar documentos, executar tarefas de fluxo de trabalho, apoiar a tomada de decisão, interagir com sistemas externos e orquestrar processos em áreas como finanças, recursos humanos, compras, operações de cliente e conformidade.

Sua carreira o levou da engenharia de telecomunicações em empresas como Claro e Oi para a liderança de produto no Peixe Urbano e na PSafe, passando por CEO/CPO na NZN, fundando a Polen.me e agora liderando a estratégia de produto e IA na Pipefy. Como essa progressão moldou a forma como você pensa em construir produtos de IA que resolvem problemas operacionais reais em vez de apenas exibir nova tecnologia?

A telecomunicação me ensinou que a infraestrutura precisa funcionar em todas as ocasiões, em escala massiva, sem espaço para “funciona na maioria das vezes”. Uma chamada perdida não é uma falha de demonstração, é um cliente que desiste. Essa mentalidade — confiabilidade acima de novidade — nunca me abandonou. No Peixe Urbano e na PSafe aprendi a lição oposta: quão rapidamente produtos de consumo nascem ou morrem dependendo de resolverem um problema real e percebido hoje, e não um problema teórico. Liderar a NZN como CEO/CPO me forçou a manter ambas as verdades simultaneamente — você não pode superar a execução de uma tese ruim, e não pode superar a tese de uma execução ruim. Fundar a Polen.me me ensinou a lição mais cara de todas: capital e tempo são finitos, portanto cada recurso que você desenvolve é um recurso que você não desenvolveu, e o custo de perseguir uma demonstração impressionante em vez de um fluxo de trabalho real aparece meses depois, não no palco. Quando cheguei à Pipefy, a pergunta que faço sobre cada recurso de IA é a mesma que faria sobre uma torre de celular: isso se sustenta em produção, sob carga real, quando ninguém está observando? Se um agente de IA funciona apenas em um ambiente de demonstração curado, não é um produto — é um trailer de um.

Você liderou a formulação e implementação da estratégia de IA da Pipefy desde 2023. Quais suposições sobre IA empresarial você tinha no início que mais mudaram à medida que a IA generativa e os agentes de IA amadureceram?

A maior suposição que tive que abandonar foi que o modelo seria o gargalo. Em 2023, todos — inclusive eu — estavam otimizando para “qual LLM é o mais inteligente”. O que realmente se revelou como gargalo foi o contexto: o agente sabe qual é o processo, quais são as diretrizes, como é o “concluído” para a versão específica de contas a pagar do cliente. A qualidade do modelo continuou melhorando em uma curva que todos podiam prever; o contexto do processo não melhorou por si só, porque ninguém o havia estruturado. A segunda suposição que mudou foi sobre autonomia. Eu supus que o mercado queria agentes que agissem completamente de forma independente o mais rápido possível. O que as empresas realmente queriam — ainda querem — é autonomia limitada: agentes que tomam decisões reais dentro de regras que não podem violar, com um rastro que comprova isso posteriormente. Autonomia total sem governança não é ambição, é apenas risco com uma interface melhor. O mercado amadureceu mais rapidamente nas exigências de confiança do que nas exigências de capacidade bruta, e essa reordenação foi a maior coisa que errei no início.

A Pipefy diferencia entre automação de IA relativamente simples e agentes de IA que podem raciocinar em situações ambíguas, planejar múltiplas etapas e executar ações ao longo de um fluxo de trabalho. Como as empresas devem determinar quando uma tarefa realmente requer um agente de IA versus quando a automação determinística continua sendo a solução melhor?

O teste que uso é simples: se você pode escrever a regra, escreva a regra. A automação determinística ainda é a resposta correta para tudo que a árvore de decisão é conhecida antecipadamente e não muda — direcione esta fatura para este aprovador se estiver abaixo desse valor. Isso não é uma tarefa para um agente, e fingir o contrário apenas adiciona latência e imprevisibilidade a algo que já estava resolvido. Um agente ganha seu lugar no momento em que a situação tem ambiguidade que uma regra fixa não consegue resolver — a fatura não corresponde exatamente ao PO, há um campo ausente, a solicitação do cliente não se encaixa em nenhuma das suas categorias existentes. É aí que o raciocínio tem valor real: decidir o que fazer a seguir quando “próximo” ainda não está escrito. O erro que vejo as empresas cometerem constantemente é construir um agente para os 80% dos casos que já eram determinísticos, porque é mais chamativo, e deixar os 20% ambíguos — a parte realmente difícil — para um humano desembaraçar manualmente. Inverta essa proporção e você terá construído algo real.

Há uma mudança crescente de copilotos independentes para a “orquestração agente”, onde a IA pode coordenar processos que abrangem vários sistemas. O que separa a verdadeira orquestração agente de simplesmente adicionar um modelo de linguagem grande a uma plataforma de automação existente?

Adicionar um nó LLM a um fluxo de automação existente fornece um passo único mais inteligente. A verdadeira orquestração significa que a IA tem uma visão persistente e estruturada de todo o processo — não apenas desta tarefa, mas de onde ela se encaixa na sequência, o que já aconteceu a montante, o que precisa ser verdadeiro a jusante para que isso seja considerado concluído. A diferença está em se a inteligência tem memória do processo ou apenas memória do prompt. Um copiloto responde à pergunta que você lhe faz. A orquestração coordena ações entre sistemas que não se comunicam nativamente — seu ERP, seu CRM, a API de um parceiro — enquanto herda as mesmas regras, permissões e trilha de auditoria que o restante do processo já utiliza. Se você precisar construir uma camada de governança separada em torno da sua funcionalidade de IA porque a plataforma de automação subjacente não a possui, você não tem orquestração agente — tem um chatbot com acesso à API, e esses não têm o mesmo perfil de risco.

Agentes de IA sem código podem permitir que equipes de negócios automatizem processos cada vez mais complexos sem aguardar recursos de engenharia. Como democratizar essa capacidade sem criar uma nova geração de IA sombra, agentes mal projetados ou riscos de segurança?

Você não obtém democratização segura pedindo que os usuários de negócios sejam mais cuidadosos — você a obtém ao

tornando as barreiras de proteção parte da pavimentação, e não uma faixa separada que as pessoas precisam escolher para dirigir. Cada agente que um usuário de negócios cria herda o mesmo controle de acesso baseado em funções, a mesma trilha de auditoria e as mesmas regras de negócio que já regem o processo em que ele está inserido — não são configurações opcionais, são estruturais. Essa é a resposta real para a IA sombra: não é um problema de política, é um problema de arquitetura. IA sombra ocorre quando a ferramenta sancionada é mais difícil de usar que a não sancionada, então as pessoas criam seu agente em uma conta pessoal do ChatGPT ou em uma ferramenta de automação aleatória sem nenhuma visibilidade para TI. Se a experiência sem código for realmente rápida e a governança for invisível porque é automática, não há motivo para que uma equipe de negócios a contorne. No momento em que você torna a governança um passo manual que alguém precisa lembrar, você já perdeu.

À medida que os agentes de IA adquirem a capacidade de tomar decisões e executar ações ao invés de apenas recomendá-las, como as organizações devem decidir onde a autonomia total é apropriada e onde os humanos devem permanecer no ciclo?

O eixo que utilizo não é “quão inteligente é o agente”, mas sim reversibilidade e raio de impacto. Se uma decisão errada for barata de detectar e barata de desfazer — roteamento, categorização, rascunho — deixe o agente agir e revisar em conjunto. Se uma decisão errada for cara, difícil de reverter ou tocar diretamente dinheiro, conformidade ou um relacionamento com o cliente, mantenha um humano no ciclo para esse passo específico, mesmo que o agente tenha acertado as últimas mil decisões. O erro está em tratar a autonomia como um único controle que você aumenta para todo o fluxo de trabalho. Processos reais são uma sequência de etapas com perfis de risco extremamente diferentes, e o design correto coloca o humano exatamente na etapa onde um erro é caro — não em todo lugar e nem em nenhum lugar. Isso também explica por que o humano no ciclo, quando bem implementado, não é um imposto à velocidade — é a forma de construir a confiança para, eventualmente, removê-lo das etapas de baixo risco, porque você tem evidências que provam quais decisões o agente acerta consistentemente.

Pipefy enfatiza a governança por meio de mecanismos como trilhas de auditoria, controles de acesso baseados em funções, regras de negócio e rastreabilidade dentro do próprio fluxo de trabalho. Incorporar a governança diretamente na camada de orquestração está se tornando essencial à medida que as empresas movem agentes de IA de experimentos para produção?

Não está se tornando essencial — já é, e as empresas que estão descobrindo isso da maneira mais difícil são as que enviaram agentes para produção primeiro e agora estão construindo o rastro de auditoria depois do fato. Isso é contrário, e é caro corrigir retroativamente. Se os rastros de auditoria, o controle de acesso baseado em funções e a rastreabilidade não são nativos da camada de orquestração, cada novo agente que você implanta é um novo ponto onde a governança pode falhar silenciosamente — e você só descobrirá quando um auditor, um regulador ou um incidente levantar a questão. Incorporar a governança na camada de orquestração significa que toda ação que um agente realiza herda automaticamente as mesmas regras e deixa as mesmas evidências que uma ação humana deixaria, sem que ninguém precise lembrar de configurá‑la separadamente. As empresas que passam de experimentos de IA para IA em produção estão descobrindo que os critérios de sucesso de um piloto e os critérios de sucesso da produção são diferentes: um piloto tem que funcionar, a produção tem que ser defensável. A governança é a diferença entre esses dois limites.

Muitas empresas podem demonstrar um piloto de IA impressionante, mas têm dificuldade em traduzi‑lo em valor de negócios mensurável. Quais métricas os líderes devem focar ao determinar se uma iniciativa de automação de IA está realmente entregando ROI, e quais são as razões mais comuns pelas quais pilotos promissores falham ao escalar?

Desconfio de qualquer conversa sobre ROI de IA que comece com “horas economizadas”, porque quem economizou horas, como foi verificado? As métricas que realmente resistem ao escrutínio do CFO são aquelas que os auditores podem confirmar independentemente: tempo de ciclo de um processo específico, antes e depois; taxa de erro ou retrabalho; a porcentagem de um fluxo de trabalho que agora se completa sem intervenção humana; e cobertura de linhagem de auditoria — você pode mostrar, para cada decisão agente, por que ela foi tomada. Se você não conseguir produzir esse rastro, não tem um número de ROI, tem apenas uma anedota. Os pilotos falham ao escalar quase sempre pelo mesmo motivo: foram construídos para provar que o modelo funciona, não para provar que o processo funciona de ponta a ponta, em produção, integrado aos sistemas dos quais o resto da empresa já depende. Um piloto que vive em um sandbox, desconectado do verdadeiro sistema de registro, sempre parecerá melhor do que realmente funciona quando conectado a tudo o que já está em execução. Escalar é um problema de integração de sistemas disfarçado de IA.

Você também liderou iniciativas de mudança organizacional na Pipefy enquanto introduzia novas capacidades de IA. Com base em sua experiência, quanto da adoção bem‑sucedida de IA nas empresas é realmente um desafio tecnológico versus um desafio de processo, cultura e gerenciamento de mudança?

Se eu for honesto, a adoção bem‑sucedida de IA nas empresas é 20 % tecnologia e 80 % todo o resto. A tecnologia funciona na maior parte agora — isso não me tira o sono. O que realmente determina se uma iniciativa de IA se consolida é se as pessoas cujo trabalho muda confiam no sistema o suficiente para abandonar a verificação manual que realizam há dez anos, e se a liderança está disposta a redesenhar o processo em vez de simplesmente colar IA sobre o antigo. Passamos por isso internamente construindo nossas próprias ferramentas de engenharia — a tecnologia para automatizar partes de como construímos software existia muito antes de a equipe realmente confiar nela o bastante para parar de conferir tudo manualmente. O desbloqueio não foi um modelo melhor, foi uma prova visível, repetida vezes suficientes, de que o julgamento do sistema correspondia ao deles. O gerenciamento de mudança para IA não é um exercício de comunicação, é um exercício de acumulação de evidências — você ganha confiança em pequenos lotes verificáveis, não a declara em uma assembleia geral.

Olhando para o futuro, você espera que o software tradicional de fluxo de trabalho e processos de negócios evolua para camadas de orquestração onde humanos, agentes de IA e sistemas corporativos colaborem continuamente? Em caso afirmativo, o que mudará fundamentalmente na forma como as empresas projetam e gerenciam suas operações?

Sim, e acho que a mudança é maior do que a maioria das pessoas está calculando. O software de fluxo de trabalho costumava ser onde você documentava como o trabalho deveria acontecer. Está se tornando onde o trabalho realmente acontece — um runtime ao vivo onde humanos, agentes e sistemas corporativos atuam dentro do mesmo processo governado ao mesmo tempo, em vez de um humano usar o software como um guardião passivo de registros após o fato. O que muda fundamentalmente é onde o “sistema de registro” realmente reside. O registro costumava ser um banco de dados que era atualizado depois que algo já acontecia fora dele. Em uma camada de orquestração, o registro e a execução são a mesma coisa — o processo em si se torna a interface, acessível não apenas por uma tela, mas por uma API, um servidor MCP, uma CLI, de modo que qualquer agente, interno ou de parceiro, possa agir dentro dele sob as mesmas regras que um humano seguiria. Empresas que tratam essa mudança como “adicionar IA às minhas ferramentas existentes” continuarão batendo no teto que descrevi anteriormente. Aqueles que tratam sua camada de processo como o produto real — algo que vale a pena investir para estruturar adequadamente — são os que vão multiplicar uma vantagem que ninguém pode copiar apenas comprando o mesmo modelo de IA.

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