Victor Coimbra, diretor de tecnologia e sócio-diretor da Artefact – Série de entrevistas

Victor Coimbra é diretor de tecnologia e sócio-diretor da Artefact, onde lidera projetos de IA, ciência de dados e engenharia nas Américas. Sua trajetória combina experiência em estratégia empresarial na Bain e na Accenture com liderança prática na implementação de sistemas de IA e aprendizado de máquina em ambientes empresariais complexos. Seu foco é ajudar organizações a conectar capacidades técnicas a resultados de negócios mensuráveis, incluindo a arquitetura, a governança e os modelos operacionais necessários para ampliar o uso da IA.

Artefact é uma consultoria global de dados e IA que ajuda empresas a desenvolver estratégias, criar plataformas de dados, implementar soluções de IA e gerir mudanças organizacionais. Seu trabalho abrange setores como serviços financeiros, saúde, manufatura e varejo. Às vésperas do Adopt AI Summit, que acontecerá nos dias 3 e 4 de dezembro de 2026, no Grand Palais, em Paris, Coimbra fala sobre como as empresas podem ir além dos projetos-piloto, formar equipes que combinem pessoas e agentes de IA e mensurar o valor da IA em produção.

Sua carreira o levou da estratégia empresarial na Accenture à liderança de equipes de IA, ciência de dados e engenharia na Artefact, em toda a região das Américas. Como essa combinação de consultoria estratégica e liderança técnica prática moldou sua abordagem para ajudar empresas a transformar investimentos em IA em resultados de negócios mensuráveis?

Aprendi que é preciso sempre conectar a estratégia de IA à execução. A experiência em estratégia na Bain e na Accenture me mostrou que os executivos investem em mudanças nos resultados financeiros. A engenharia me ensinou que boa parte desse valor pode se perder entre a apresentação e a entrada em produção.

Hoje, a IA tem menos a ver com tecnologia e mais com a criação de uma vantagem competitiva defensável em torno das operações centrais do negócio. A questão fundamental é como transformar a produtividade individual em valor coletivo para a empresa, criando uma verdadeira capacidade cognitiva compartilhada em toda a organização.

Isso exige uma combinação de estratégia e execução, e aprendi muito fazendo as duas coisas.

Apesar dos investimentos expressivos em inteligência artificial, muitas organizações ainda têm dificuldade para ir além de projetos-piloto bem-sucedidos. Em sua experiência, quais são os obstáculos mais comuns que impedem as iniciativas de IA empresarial de chegarem à produção, e o que diferencia as empresas que conseguem expandir suas implementações com sucesso?

Na minha experiência, muitos projetos-piloto ficam parados porque a IA é incorporada a uma organização concebida apenas para pessoas. Em geral, a tecnologia funciona. O que muitas vezes ainda não está definido é a divisão do trabalho: quais tarefas cabem aos agentes, quais ficam com as pessoas, quem faz a revisão e quem se responsabiliza pelo resultado.

Além disso, 3 necessidades costumam tornar mais lenta a expansão: custos de tokens que disparam com a cobrança baseada no uso, segurança e governança, e uma adoção que nunca transforma o acesso em uso efetivo.

As empresas que vejo expandir a IA com sucesso a tratam como uma reformulação organizacional. Elas dividem a execução em 2 ciclos. No ciclo interno, os agentes realizam tarefas de ponta a ponta: codificam, compilam, testam, enviam e revisam. No ciclo externo, as pessoas definem a intenção, verificam os resultados e monitoram custos e qualidade. Depois, criam uma única plataforma de base e a reutilizam em todos os casos de uso.

Você já escreveu sobre a importância de construir uma organização nativa em IA, em vez de simplesmente acrescentar chatbots e copilotos aos sistemas existentes. Que mudanças fundamentais na arquitetura tecnológica empresarial são necessárias para viabilizar essa transição, e em que áreas as empresas estão investindo menos do que deveriam?

Uma empresa nativa em IA funciona com base em uma plataforma, composta por 4 camadas: orquestração, contexto, modelo e infraestrutura. A camada de orquestração é onde pessoas e agentes se encontram e trabalham: toda a aplicação em torno do modelo. O contexto define o que os agentes sabem e que autoridade têm. A camada de modelo determina como os modelos são acessados, encaminhados e governados com o custo adequado. A infraestrutura é onde eles efetivamente funcionam e define quem detém as chaves.

Naturalmente, a maior parte da atenção se volta aos 20% visíveis: copilotos e ferramentas de chat. Os 80% ocultos concentram a maior parte do trabalho de engenharia e determinam custos, segurança e controle.

Minha sugestão é simples: compre soluções de orquestração generalistas e desenvolva as específicas para cada setor. Alugue modelos e infraestrutura e faça experimentos com eles, pois mudam a cada trimestre. E mantenha controle total sobre o contexto. Essa é a camada que é realmente sua e onde vejo a maior oportunidade para ampliar os investimentos.

À medida que a IA passa de auxiliar os funcionários a executar fluxos de trabalho complexos de forma autônoma, como as organizações devem determinar quais processos são adequados à automação por agentes? Que salvaguardas técnicas e operacionais precisam ser estabelecidas antes de conceder maior poder de decisão aos agentes de IA?

Na minha visão, os agentes são muito bons em trabalhos voltados ao passado, enquanto as pessoas se destacam nos voltados ao futuro. Os agentes são excelentes em tudo o que se baseia em informações existentes, como análise de dados, programação, testes, documentação e conciliação. As pessoas ficam responsáveis pelo que exige criatividade, que, por definição, olha para o futuro: gosto, visão, planejamento, tomada de decisões e avaliação de se um resultado é realmente bom.

Na prática, isso corresponde aos 2 ciclos. Os agentes conduzem e executam o ciclo interno. As pessoas mantêm o ciclo externo: definem a intenção, verificam os resultados e monitoram.

As salvaguardas são projetadas, não definidas por instruções. Usamos 6 camadas de estrutura: captura de tarefas, memória, um ambiente de trabalho seguro com ambiente de execução isolado e permissões, um ciclo com pontos de verificação e esclarecimentos, roteamento de modelos e limites que definem o que um agente não pode fazer sozinho, como exigir aprovações humanas, verificações de políticas e controles de dados pessoais identificáveis (PII). A autonomia aumenta conforme o histórico de desempenho, assim como acontece com uma nova contratação.

Você descreveu os agentes de IA como colegas de equipe, e não como ferramentas de software convencionais. Como essa perspectiva muda a forma como as organizações devem estruturar equipes, atribuir responsabilidades e capacitar os funcionários para colaborar com sistemas de IA cada vez mais autônomos?

Já estamos numa organização híbrida. A questão que considero mais importante agora é como dividir a força de trabalho entre pessoas e agentes. Acredito que essa seja a chave para crescer em escala.

Em uma equipe híbrida, o organograma distribui capacidade cognitiva, não número de funcionários. Uma divisão típica que observo em uma equipe de tecnologia madura é 15% de trabalho realizado exclusivamente por pessoas, 25% de trabalho com apoio de IA e 60% de trabalho feito por agentes. O chefe de TI define os objetivos, distribui a capacidade e responde pelos resultados e pelos custos. Um desenvolvedor sênior verifica o trabalho entregue pelos agentes e decide a arquitetura. Um agente orquestrador encaminha as tarefas e informa os custos, enquanto um agente revisor verifica cada entrega.

Os ganhos se multiplicam em 3 etapas. Funcionários com apoio de IA entregam cerca de 5x mais. Agentes que atuam como funcionários sintéticos e realizam tarefas de ponta a ponta entregam cerca de 10x mais. Acredito que o potencial de 1000x está em orquestrar ambos como uma única força de trabalho.

A capacitação segue a mesma lógica. As pessoas aprendem a orientar um agente como se fosse um engenheiro júnior, fornecendo contexto estruturado e resultados esperados com clareza, e a dedicar seu tempo ao discernimento, ao planejamento e à tomada de decisões.

Os sistemas de IA empresariais dependem muito de uma infraestrutura de dados confiável, mas muitas organizações continuam enfrentando dificuldades com dados fragmentados, governança inconsistente e tecnologias legadas. Quais recursos fundamentais as empresas devem priorizar ao preparar suas plataformas de dados para a IA agêntica e como podem modernizá-las sem interromper as operações existentes?

Projete sua plataforma de dados para um novo tipo de consumidor: os agentes. Se um painel apresenta um número incorreto, uma pessoa questiona o dado. Um agente que recebe um número incorreto age com base nele, em grande escala.

Priorize 4 recursos. Definições de negócio compartilhadas, para que todos os agentes e equipes entendam da mesma forma o que significa “cliente ativo”. Um gateway de integração com autenticação e protocolos padrão, como o MCP, para que os agentes acessem os dados com as permissões do papel que representam. Qualidade e linhagem observáveis. E dados não estruturados tratados como um ativo essencial, pois contratos, chamados e anotações de reuniões contêm a maior parte do conhecimento real.

Para modernizar sem causar interrupções, primeiro crie uma camada de integração sobre os sistemas legados e, depois, faça a migração caso de uso por caso de uso. Os agentes também mudam a economia dessa modernização. Pipelines de migração com vários agentes já modernizam centenas de milhares de linhas de código legado em poucos meses, enquanto as pessoas decidem a arquitetura.

Além do acesso a dados estruturados, os agentes de IA precisam cada vez mais compreender o conhecimento institucional, os processos de negócio e o contexto organizacional. Como as empresas podem capturar e integrar esse conhecimento aos sistemas de IA de maneira eficaz, e que riscos surgem quando os agentes operam sem contexto de negócio suficiente?

O contexto é o que transforma um modelo em colega. Ferramentas entendem tarefas; agentes entendem contexto. Você não pediria a um engenheiro júnior que trabalhasse sem explicar o objetivo, as restrições e o que é considerado um bom resultado; com um agente, não é diferente.

Capture o conhecimento a partir do próprio trabalho, em vez de depender de grandes projetos de documentação, difíceis de manter atualizados. Cada reunião, chamado, decisão e correção alimenta uma camada de contexto que combina arquivos, tabelas, vetores e um grafo de relações. Cada tarefa concluída é registrada na memória, para que a organização aprenda com cada entrega. E o contexto precisa de sua própria governança: avaliações, permissões e controle de custos.

Sem contexto, os agentes tendem a enfrentar algumas dificuldades previsíveis. Seguem a regra escrita e deixam passar a regra não escrita que todos conhecem. Recuperam as informações erradas e respondem com total confiança. Trabalham com dados do trimestre passado. E uma camada de contexto sem permissões rigorosas pode colocar dados confidenciais em risco.

Muitas empresas medem o sucesso da IA com base em ganhos de produtividade, taxas de adoção ou número de projetos-piloto lançados. Que métricas os CIOs e líderes empresariais devem usar para avaliar o retorno real sobre o investimento em IA, especialmente ao considerar os custos de infraestrutura, a manutenção contínua e a complexidade operacional dos agentes autônomos?

Meça a força de trabalho híbrida, não a ferramenta. A adoção é apenas o primeiro de 4 níveis, sempre comparada com uma linha de base definida antes da implementação. A adoção pergunta se as pessoas usam a ferramenta. A produtividade pergunta se entregamos mais rápido: tempo de ciclo, volume de trabalho concluído e tempo de resolução. A qualidade pergunta se o resultado é melhor: defeitos que chegam à produção, taxa de falha em mudanças e retrabalho. Valor e custo perguntam se vale a pena: capacidade liberada, tempo até o lançamento no mercado e custo total por tarefa.

Uma métrica que é fácil deixar passar é como a capacidade cognitiva se distribui entre pessoas e agentes, equipe por equipe. A capacidade humana liberada precisa ser direcionada intencionalmente para trabalhos voltados ao futuro. Caso contrário, parte do ganho se perde.

Em relação aos custos, a cobrança está deixando de ser fixa e passando a depender do uso, o que pode tornar as faturas mais difíceis de prever. Por isso, o roteamento de modelos e o FinOps devem fazer parte da plataforma desde o primeiro dia. Trate os gastos com IA como os gastos com a nuvem: eles devem ser visíveis, atribuídos a uma equipe e vinculados ao valor gerado.

A Artefact trabalha com empresas de diversos setores, como serviços financeiros, saúde, indústria, varejo e outros, nos quais a adoção da IA traz desafios diferentes. Que lições estão surgindo das implementações no mundo real nesses setores e como as organizações devem equilibrar inovação, conformidade regulatória, confiabilidade e supervisão humana?

Todos os setores enfrentam a mesma questão: como dividir o trabalho entre pessoas e agentes. O que muda é quanto do ciclo externo precisa permanecer sob responsabilidade humana. No varejo e nos bens de consumo, os erros custam pouco, então os agentes assumem mais tarefas e fazem isso mais rapidamente. Na indústria, a confiabilidade e a integração com os sistemas operacionais determinam o ritmo. Nos serviços financeiros e na saúde, todas as decisões precisam ser explicáveis, por isso as pessoas continuam responsáveis por uma parcela maior da verificação e da tomada de decisões por mais tempo.

A lição que vejo em todos os lugares é que a conformidade funciona melhor quando faz parte da plataforma desde o início. Quando as salvaguardas, os registros de auditoria e as aprovações humanas estão integrados à estrutura de execução, todos os novos casos de uso já contam com esses recursos. Quando a conformidade só é considerada no fim, cada novo projeto precisa retomar essa conversa desde o começo.

A supervisão deve ser escalonada. Os agentes atuam por conta própria em tarefas de baixo risco, são avaliados em casos excepcionais quando o risco é médio e, em situações de alto risco, apenas preparam a decisão. Os níveis mudam à medida que a confiança aumenta.

Com o Adopt AI Summit da Artefact marcado para dezembro, em Paris, as discussões sobre soberania em IA, governança e competitividade industrial estão se tornando cada vez mais importantes. Como você vê a abordagem europeia à adoção da IA influenciando as estratégias globais das empresas? E quais avanços, na sua opinião, definirão a próxima fase da IA empresarial nos próximos anos?

A Europa foi uma das primeiras a levantar a questão da soberania, e acredito que ela esteja se tornando um princípio global de concepção. As multinacionais não querem uma arquitetura para cada regulamentação, então projetam para atender à mais rigorosa: mantenha o controle sobre seu contexto, alugue seus modelos e controle onde eles são executados e quem detém as chaves. A próxima oportunidade para a Europa é dedicar o mesmo empenho à adoção, pois a competitividade virá do uso em larga escala.

A próxima fase será a organização híbrida, que, acredito, representa o futuro do trabalho. As empresas deixarão de contar funcionários e passarão a gerir uma capacidade cognitiva compartilhada entre pessoas e agentes. Os agentes assumirão a maior parte do trabalho voltado para o passado: análise, código e relatórios. As pessoas se dedicarão ao trabalho voltado para o futuro: senso crítico, visão, planejamento e decisões.

Acredito que as empresas que primeiro encontrarem a melhor divisão do trabalho sairão na frente. É essa conversa que quero ter em Paris para definir os próximos anos.

Obrigado pela excelente entrevista. Leitores que queiram saber mais sobre a adoção da IA nas empresas, os fluxos de trabalho com agentes e a transformação de dados devem visitar a Artefact.