Sohrab Hosseini, Co-Fundador da orq.ai – Série de Entrevistas

Sohrab Hosseini, Co-Fundador da orq.ai, é um líder tecnológico e empreendedor baseado na área de Amsterdã com experiência profunda em SaaS, sistemas de grande escala e inteligência artificial aplicada. Desde a fundação da orq.ai em 2022, ele se concentrou em construir infraestrutura prática que ajuda as equipes a mover os grandes modelos de linguagem da experimentação para o uso de produção confiável. Seu histórico inclui funções de liderança sênior como COO e CTO da Neocles, CTO de Tecnologia Futura da Transdev, onde trabalhou em roteamento autônomo e gerenciamento de frota, e COO da TradeYourTrip. Em paralelo, ele atua como consultor e investidor anjo, apoiando empresas de IA em estágio inicial com direção de produto, julgamento técnico e estratégia de execução.

orq.ai é uma plataforma de colaboração e LLMOps de inteligência artificial gerativa construída para ajudar as organizações a projetar, operar e dimensionar produtos e agentes alimentados por IA em ambientes do mundo real. A plataforma traz gerenciamento de prompts, experimentação, coleta de feedback e visibilidade em tempo real do desempenho e custos em um único espaço de trabalho, permanecendo compatível com todos os principais provedores de grandes modelos de linguagem. Ao permitir a colaboração estreita entre equipes técnicas e não técnicas, a orq.ai ajuda as empresas a encurtar os ciclos de lançamento, melhorar a governança e a transparência, e reduzir a complexidade e o custo de executar sistemas de IA em produção.

Você ocupou funções técnicas e operacionais sênior em sistemas autônomos, tecnologia de gerenciamento de frota e plataformas SaaS antes de fundar a Orq.ai — como essa trajetória de carreira influenciou sua decisão de construir uma camada de controle de empresa para agentes de IA em 2022?

Nossos antecedentes sempre foram sobre liderar equipes de engenharia e se concentrar em plataformas de habilitação; coisas como nuvem, DevOps e habilitação de dados, especialmente durante nosso tempo como consultores de tecnologia. Quando o boom da inteligência artificial gerativa começou, meu co-fundador e eu nos perguntamos: que tipo de habilitação as empresas precisarão não apenas para construir IA, mas para governar e controlá-la adequadamente?

Vimos que a necessidade real era por uma camada de controle de empresa para agentes de IA. Isso nos levou a construir a Orq.ai em primeiro lugar.

Quando você lançou a Orq.ai, o que você viu no mercado que o convenceu de que o verdadeiro gargalo não era a qualidade do modelo, mas a incapacidade de levar sistemas de agentes de demonstração para produção confiável?

Sempre acreditamos que, ao construir software inovador, você tem que construir para o futuro. Desde o início, supusemos que os grandes modelos de linguagem simplesmente continuariam melhorando e se tornando mais inteligentes com o tempo. Então, o desafio real que vimos não foi a qualidade do modelo em si, mas todos os problemas de controle, governança e gerenciamento de ciclo de vida que surgem quando você tenta mudar de uma demonstração para um ambiente de produção real.

Em outras palavras, mesmo que os modelos melhorem, o valor real para nossos clientes (e para nós) é garantir que esses sistemas realmente funcionem de forma confiável em produção. E é isso que nos propusemos a resolver.

A maioria das equipes pode construir protótipos impressionantes, mas luta com a orquestração de tempo de execução, governança e monitoramento. Na sua opinião, qual é o maior ponto de quebra quando as equipes de engenharia tentam dimensionar de um ambiente de conceito para um agente de produção ao vivo?

O maior ponto de quebra é que as equipes frequentemente pensam que é apenas um caminho linear reto de começar a construir um agente para tê-lo concluído. Na realidade, é um processo muito iterativo.

Você está constantemente ajustando suas suposições, testando-as, movendo-as para a produção e, em seguida, monitorando o que acontece no mundo real. Você encontra casos de bordo e, em seguida, começa esse ciclo novamente.

O desafio é que não é apenas um esforço de uma vez; é um loop contínuo de refinamento. E para construir sobre isso, não é apenas que é iterativo, mas é que frequentemente não há ferramentas ou estruturas suficientes para apoiar esse processo suavemente.

Você precisa de uma maneira para que especialistas em domínio, gerentes de produto e engenheiros colaborem sem criar silos ou transferências caras que desperdiçam muito tempo. Então, essa é outra grande peça do quebra-cabeça: garantir que todos esses stakeholders possam iterar juntos de forma eficiente. E é algo que realmente tentamos resolver.

A Orq.ai se posiciona como uma camada de controle unificada que abrange experimentação, avaliação, observabilidade e tempo de execução. Por que você acreditou que uma arquitetura de ponta a ponta era essencial, em vez de oferecer ferramentas isoladas como muitas soluções pontuais?

Quando você começa, é natural escolher uma ferramenta que resolva sua maior dor de cabeça no momento, frequentemente isso pode ser observabilidade. Mas à medida que sua equipe evolui, você atinge o próximo gargalo e adiciona outra ferramenta, por exemplo, um gateway de IA. Antes que você saiba, você tem cinco a sete diferentes ferramentas em seu paisagem. Os dados se tornam fragmentados, as pessoas perdem visibilidade e você desperdiça recursos apenas mantendo todas essas integrações. Você perde essa visão unificada em todo o ciclo de vida.

Acreditamos que, à medida que as empresas impulsionadas por agentes surgem, você realmente precisa dessa arquitetura de ponta a ponta. Você precisa de uma visão unificada do que todos os seus agentes estão fazendo em toda a organização, não apenas soluções pontuais fragmentadas. É por isso que não vimos outra maneira senão abranger essas grandes partes do fluxo de trabalho em uma plataforma unificada.

Com o novo Agent Studio e o tempo de execução redesenhado, quais foram os principais pontos de dor que você tentou resolver com base no feedback de clientes iniciais na Europa e nos EUA?

O que vimos foi que as equipes estavam usando todas as bibliotecas de código aberto para construir seus agentes, mesmo que a arquitetura real de um agente possa ser bastante limpa e simples. Eles acabaram com bibliotecas infladas, muito acréscimo e uma grande curva de aprendizado apenas para obter agentes simples lá. Com a Orq, queríamos tirar essa carga.

Em vez de se preocupar com a arquitetura, o cálculo, o dimensionamento automático, toda a infraestrutura, as equipes podem simplesmente se concentrar em configurar seus agentes e dar-lhes as ferramentas e APIs certas. Nós lidamos com o levantamento pesado para que eles possam se concentrar em construir seus casos de uso reais. E em cima disso, porque apoiamos todo o ciclo de vida, construímos bancadas especializadas que permitem que você realmente teste seus agentes em escala.

Isso significa que você pode encontrar casos de bordo mais rápido e endurecer seus agentes de forma mais eficaz. É tudo sobre dar às equipes as ferramentas não apenas para construir agentes facilmente, mas para refiná-los e endurecê-los em cenários do mundo real, sem todo o incômodo extra.

À medida que o GDPR e o Ato de IA da UE apertam os requisitos, como essas regulamentações estão influenciando a forma como as empresas projetam, monitoram e implantam agentes — e como a Orq.ai está se adaptando?

Não é tanto que esses requisitos estejam se apertando subitamente, eles simplesmente fazem parte da lei, e nossos clientes devem aderir a eles. O que estamos fazendo é garantir que, em todo o ciclo de vida, damos às equipes as ferramentas certas, avaliadores e guardrails para que elas possam construir a conformidade desde o início.

Garantimos que a residência de dados, a privacidade de dados, tudo isso esteja incorporado desde o início. E com as tensões geopolíticas e o impulso para a soberania tecnológica e de IA na Europa, vimos uma grande demanda por isso. Como podemos executar totalmente localmente e ajudar as empresas a reduzir a dependência, estamos em uma boa posição para ajudá-las a manter o controle de seu próprio destino.

As empresas estão cada vez mais pedindo arquiteturas prontas para soberania e implantações híbridas/local. O que essa mudança diz sobre para onde a infraestrutura de IA empresarial está indo?

Cada empresa e até mesmo cada caso de uso envolve trade-offs. É uma questão de quão pronto e seguro algo precisa ser. Apoiamos todos os sabores ao longo desse espectro. Mas o que estamos vendo é um foco forte na soberania e na residência de dados na camada do modelo.

Os clientes querem clareza sobre onde seus dados vivem e a capacidade de reduzir a dependência dos grandes provedores de nuvem. Graças ao nosso gateway de IA, que executa em todos os principais plataformas de nuvem e localmente, as equipes podem facilmente fazer esses trade-offs com base no caso de uso. Eles obtêm a flexibilidade para permanecer no controle e mover-se suavemente entre ambientes.

Vemos uma grande onda de demanda de grandes empresas e instituições do setor público.

Como você vê os fluxos de trabalho de multiagentes, guardrails de segurança e sistemas de raciocínio mais avançados evoluindo à medida que as empresas se movem da experimentação para a verdadeira industrialização de agentes em 2026?

À medida que o uso de agentes realmente se industrializa, estamos vendo novos tipos de problemas surgirem, especialmente com configurações de multiagentes. Você pode ter dezenas ou até centenas de agentes executando em sua organização a qualquer momento, assim como funcionários.

A pergunta é: como você governa todos eles quando você tem esse conjunto multidimensional de problemas, como custos, qualidade de dados, residência de dados, correção, métricas de alucinação, e assim por diante? Você precisa de uma nova camada de governança para lidar com isso, e você precisa de guardrails de segurança que possam ser implantados de cima para baixo.

Você também precisa de visibilidade de cima para baixo e de novas camadas de agregação para que seu CFO, COO, CISO possam ver o que está acontecendo e intervir com insights ações. Realmente acreditamos que, em 2026, todo o conceito de “departamento de agentes” e a tecnologia para apoiá-lo se tornará um tópico muito mais quente.

Deriva de agente, regressão de qualidade e fluxos de dados não claros são problemas recorrentes em IA de produção. Como a camada de controle da Orq.ai lida com essas lacunas de longa data em versionamento, avaliação e monitoramento contínuo?

Cada agente realmente precisa de seu próprio conjunto de avaliações. Essas avaliações basicamente definem o que é certo e errado para esse cenário específico. Ao gastar tempo inicialmente configurando esses conjuntos de avaliação corretamente, as equipes podem fazer melhor experimentação offline para ver como as coisas se comportam antes de ir ao vivo. E, em seguida, ao monitorar essas mesmas avaliações online, você pode detectar quando os modelos se desviam ou quando o comportamento do agente começa a mudar com o tempo. Dessa forma, você tem um conjunto consistente de métricas de qualidade durante testes offline, monitoramento online e guardrails.

Olhando para o futuro, o que você acredita que definirá a próxima geração de agentes de IA de empresa — e como a Orq.ai está se posicionando para se tornar a plataforma operacional padrão para esse mundo?

Olhando para a frente, acho que o que definirá a próxima geração de agentes de IA empresariais é que cada fornecedor fornecerá seus próprios agentes. Em empresas maiores, será esse amplo paisagem de agentes de primeira e terceira parte trabalhando juntos e chamando um ao outro.

Não será apenas um tipo de agente ou um fornecedor; será um ecossistema inteiro que precisará de governança e conformidade. E é aí que a Orq entra. Estamos nos posicionando como a torre de controle de agente que dá às diferentes camadas na organização a visão agregada certa e insights ações para intervir em qualquer estágio.

Seja construindo, escalando, operando ou até mesmo desligando agentes, diferentes funções precisarão de diferentes visões desse paisagem. E vamos ser o provedor padrão para essa capacidade. Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar orq.ai.