Stefan Mesken, Chief Scientist na DeepL – Série de Entrevistas

Stefan Mesken, Chief Scientist na DeepL, passou mais de cinco anos na DeepL avançando sua pesquisa e liderança científica, começando como cientista de pesquisa em outubro de 2020, progredindo para VP de Pesquisa em novembro de 2023 e assumindo seu papel atual em abril de 2025 em Munique. Antes de ingressar na DeepL, ele trabalhou como cientista de dados na real.digital na região de Colônia-Bona e realizou pesquisas em lógica matemática na Universidade de Münster. Sua carreira combina pesquisa matemática fundamental e aplicada em IA, o que o posiciona para liderar a direção científica por trás dos grandes modelos de linguagem e sistemas de IA multilíngues da DeepL.

DeepL é uma empresa de IA alemã focada em construir sistemas de IA de linguagem avançados que permitem tradução e comunicação precisas e contextualizadas em mais de 100 idiomas. Fundada em 2017 e sediada em Colônia, a empresa atende a milhões de usuários em todo o mundo e fornece soluções de nível empresarial por meio de assinaturas e ofertas de API. Sua plataforma expandiu-se além da tradução para uma suíte mais ampla de IA de Linguagem, incluindo assistência de escrita e capacidades de voz, projetadas para apoiar comunicação segura e escalável para empresas e organizações globais.

Você começou sua carreira em lógica matemática antes de se mudar para ciência de dados aplicada e, eventualmente, liderar a organização de pesquisa da DeepL. Olhando para trás, como o trabalho inicial em raciocínio formal influenciou a forma como você agora pensa sobre a construção de sistemas de IA autônomos e de nível empresarial?

O que me atraiu para o campo da teoria dos conjuntos e lógica matemática, em primeiro lugar, foi uma curiosidade insaciável para aprender como esses sistemas complexos funcionam – desde os primeiros princípios e em uma profundidade cada vez maior. Essa curiosidade tem sido uma constante em minha vida desde a infância. É também o aspecto do meu trabalho que eu mais amo. Atualmente, o desafio é avançar o estado do desenvolvimento de IA com um foco intenso na usabilidade na vida real. Além da segurança e confiabilidade, dedico meu tempo a garantir que empresas e usuários de todos os tipos possam se beneficiar dessa tecnologia incrível. Até agora, a tendência tem sido diferente: a maioria do uso de IA na vida real é completamente passiva (por exemplo, sistemas de recomendação que você consome, mas não controla) ou utilizada principalmente por pessoas altamente treinadas e técnicas (por exemplo, assistentes de codificação). Quero fechar essa lacuna: cada indivíduo e empresa deve estar preparado para o sucesso e ser capaz de revolucionar a forma como abordam o trabalho.

DeepL construiu sua reputação em tradução de alta precisão. Como essa base em modelagem de linguagem moldou o pensamento inicial da empresa sobre ir além da tradução para sistemas de IA mais gerais?

O que torna a IA tão mágica é que conceitos e ideias muito semelhantes podem levar a novas soluções em domínios muito diferentes: motores de xadrez, sistemas de recomendação, dobra de proteínas, carros autônomos, motores de tradução e muitos mais. Todos são alimentados pelo mesmo conjunto de princípios e técnicas. Tendo dominado essas técnicas por quase uma década agora, naturalmente pensamos em novos problemas para nos concentrar. Internamente, isso sempre foi o caso, levando à invenção do Glossário, Write, Voice, Customization Hub e muito mais.

Como Chief Scientist, como você distingue entre a construção de modelos de linguagem que geram saída fluente e a construção de sistemas que podem agir de forma confiável dentro de fluxos de trabalho empresariais reais?

As ideias centrais são surpreendentemente semelhantes: precisamos entender em profundidade o que os usuários desejam e, em seguida, alinhar nossos sistemas de IA com esses objetivos e preferências. Às vezes, eles são óbvios e explícitos; outras vezes, são sutis e implícitos. Em qualquer caso, é nosso trabalho garantir que o trabalho que produzimos seja de alto valor para os usuários.
DeepL sempre se destacou nessa área devido ao nosso foco no cliente. Não perseguimos benchmarks artificiais ou publicações acadêmicas – perseguimos a satisfação do cliente. Isso nunca foi mais importante do que agora, à medida que expandimos nosso horizonte e ajudamos as pessoas em seu trabalho diário.

DeepL Agent representa uma mudança de IA assistiva para execução autônoma. Quais foram os maiores desafios técnicos em tornar essa transição funcionar na prática?

De longe, o maior desafio ao construir o DeepL Agent é a usabilidade. Por anos, o ecossistema de IA atendeu principalmente a desenvolvedores de software e especialistas altamente técnicos. Com o DeepL Agent, visamos mudar isso e equipar todos os trabalhadores do conhecimento com ferramentas sofisticadas para resolver e automatizar problemas complexos. Para alcançar isso, precisamos do mesmo nível de sofisticação em reconhecimento, raciocínio, planejamento e ação. Em vez de apresentar aos usuários um conjunto rico, mas complexo, de ferramentas, trabalhamos arduamente para criar uma solução coesa, contínua e elegante para assistência e automação de fluxo de trabalho de ponta a ponta.

Do ponto de vista arquitetônico, quais capacidades precisam estar em vigor antes que um sistema de IA possa ser confiável para operar de forma autônoma em ambientes empresariais?

Para uma ampla gama de tarefas administrativas, a tecnologia já está aqui. O DeepL Agent pode agir de forma confiável em seu ambiente, buscar conselho quando necessário e oferecer verificação humana no loop sempre que desejado. Esse nível de inteligência sintética era pura ficção apenas alguns meses atrás. No entanto, ainda há um longo caminho a percorrer. Nos próximos anos, os agentes de IA se tornarão uma camada horizontal nas empresas — trabalhando incansavelmente em segundo plano, colaborando com humanos e outros para eliminar o trabalho burocrático e nos capacitar a resolver problemas anteriormente inacessíveis.

Você falou sobre a compreensão profunda da linguagem como um pré-requisito para agentes de IA responsáveis. O que “profundo” significa nesse contexto, além da fluência de superfície?

A linguagem é notavelmente ambígua e dependente do contexto — especialmente em domínios profissionais. Você provavelmente já experimentou isso: ouvir um grupo de amigos discutir um hobby que você não compartilha ou uma especialização profissional que você não tem experiência… Pode não fazer sentido para outsiders, mas de alguma forma eles entendem perfeitamente. Queremos que a assistência de IA seja tão contínua quanto conversar com um colega de trabalho experiente e confiável com quem você compartilha anos de colaboração. Preferências implícitas devem permanecer implícitas. Você não deve ter que explicar repetidamente como deseja que o trabalho seja feito. Isso pode parecer óbvio, mas exige imensa pesquisa para acertar. É isso que quero dizer com “compreensão profunda da linguagem”.

Como você aborda salvaguardas e supervisão ao implantar sistemas autônomos que podem tomar ações reais, e não apenas fazer recomendações?

Para que a assistência de IA funcione em contextos empresariais, devemos equilibrar cuidadosamente a capacidade com o controle. Maior capacidade cria imensas oportunidades para produtividade, mas se deixada sem controle, se torna uma responsabilidade. Isso não pode acontecer. Desde o primeiro dia, o DeepL Agent foi equipado com salvaguardas de nível empresarial, implementadas em várias formas. Espaços de trabalho compartilhados dão aos usuários controle preciso sobre dados e acesso, alimentando rastros de auditoria, supervisão humana e verificação humana no loop. Além disso, administradores de sistema têm controle granular sobre os sistemas que o DeepL Agent pode navegar e mecanismos para notificar as ferramentas subjacentes quando elas estão sendo operadas pelo agente.

Quais lições você aprendeu sobre mover ideias da pesquisa para a produção sem sacrificar confiabilidade ou disciplina científica?

A lacuna entre pesquisa e desenvolvimento de produtos é mais ampla do que comumente acreditada. Ambos começam com uma abordagem rigorosa para resolver problemas anteriormente insolúveis e um registro meticuloso do que funciona e do que não funciona. Enquanto a pesquisa pode simplificar o escopo e assumir um modelo de mundo mais simples, o desenvolvimento de produtos deve levar em conta a complexidade dos contextos dos usuários reais. Na assistência de IA, o uso de ferramentas é um exemplo primário. É tentador assumir que os ambientes sempre estarão preparados para automação, com acesso ao sistema organizado e APIs prontas. A realidade difere. Assim como carros autônomos devem lidar com a complexidade completa da infraestrutura de hoje, os agentes de IA devem operar de forma eficaz dentro dos padrões de acesso, dados e sistemas nos quais as empresas dependem. Essa realização inicial está no coração do design do DeepL Agent.

À medida que a DeepL se expande de uma plataforma de linguagem focada para um sistema de IA empresarial mais amplo, como você decide quais capacidades devem permanecer rigidamente controladas e quais devem ser expostas para um comportamento mais autônomo?

O nível de controle necessário para uma tarefa é determinado por dois fatores: a confiabilidade do ser humano ou do sistema que a executa e o impacto potencial dos erros. Isso se aplica igualmente à execução humana e à execução da máquina. A confiabilidade da IA aumentou massivamente nos últimos anos e continuará a melhorar. Portanto, o controle rigoroso será necessário para menos e menos tarefas. Em última análise, a confiabilidade da IA excederá até mesmo os níveis de especialistas humanos para muitas tarefas. Isso também se aplica aos mecanismos de controle, que cada vez mais mudarão para supervisão de IA. Internamente, o DeepL Agent já faz isso, pedindo ajuda aos usuários sempre que a autocorreção não for possível.

Olhando para a frente, quais avanços em compreensão da linguagem ou design de agente você acredita que mais fortemente moldarão a IA empresarial nos próximos dois anos?

Os agentes de IA não apenas ajudarão com tarefas individuais. Eles formarão uma camada de produtividade colaborativa nas empresas que trabalhará em nosso nome para reduzir distrações, preparar e apresentar informações exatamente quando necessário e resolver problemas e tarefas cada vez mais sofisticadas completamente em segundo plano.

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