Yoav Naveh, cofundador e codiretor-executivo da Reindeer – Série de entrevistas

Yoav Naveh é cofundador e codiretor-executivo da Reindeer. Ele traz experiência na criação de empresas de tecnologia, na expansão de negócios e no investimento em fundadores. Antes da Reindeer, criou a ConvertMedia, deu continuidade ao seu trabalho na Taboola e investiu por meio da INT3. Hoje, seu foco é ajudar empresas a passar de implementações isoladas de IA para agentes capazes de realizar tarefas operacionais complexas, aprender com a experiência humana e continuar confiáveis à medida que os processos de negócio mudam.

Reindeer desenvolve agentes de IA para operações essenciais de empresas, em áreas como finanças, cadeia de suprimentos, logística e serviços compartilhados. Sua plataforma combina a execução de fluxos de trabalho com feedback de especialistas, avaliação e aprovação humana, para que os agentes possam se adaptar a exceções e a políticas em evolução. Nesta entrevista, Naveh aborda os limites dos modelos de implementação que dependem muito de engenharia, como o conhecimento institucional se transforma em contexto para os agentes e quais práticas de governança e métricas são necessárias para reduzir o esforço humano total ao longo do tempo.

Depois de criar a ConvertMedia, crescer dentro da Taboola e investir em outros fundadores por meio da INT3, que problema o levou de volta à criação de uma empresa e como isso influenciou sua decisão de cofundar a Reindeer?

O mercado de IA era empolgante demais para ficarmos apenas observando. Meu cofundador, Yair, e eu ficamos muito interessados na diferença entre o quanto a IA se tornou útil quando a usamos individualmente e a dificuldade que as empresas ainda enfrentam para adotá-la em escala. A tecnologia está avançando a uma velocidade impressionante, mas a maioria das organizações ainda tem dificuldade para transformar esse potencial em mudanças operacionais significativas.

A IA vai transformar a maneira como as empresas operam, mas, para chegar lá, é preciso mais do que uma tecnologia melhor. É preciso uma liderança disposta a repensar como o trabalho é feito e uma forma prática de incorporar a IA às operações do dia a dia sem criar novas camadas de complexidade.

Esse desafio moldou a Reindeer. Criamos uma plataforma que ajuda as empresas a passar do primeiro agente para um rebanho inteiro de agentes que aprendem com o feedback humano e melhoram ao longo do tempo. Nosso objetivo é reduzir a distância entre o potencial da IA e sua adoção no mundo real, ajudando as empresas a transformar suas operações essenciais em uma força de trabalho baseada em agentes de IA, sem precisar reconstruir nem manter continuamente cada agente.

Você argumentou que o modelo de engenharia alocada junto ao cliente corre o risco de transformar a IA empresarial em um negócio de serviços que exige muita mão de obra. Em que situações a engenharia integrada gera valor duradouro e em que momento se torna uma dependência que impede os clientes de crescer?

Engenheiros alocados junto ao cliente (FDEs) são valiosos para integrações complexas e para colocar os agentes iniciais em produção. O problema começa quando os próprios processos de trabalho mudam e os FDEs se tornam permanentemente necessários para manter os agentes em funcionamento. Isso é especialmente problemático em escala. O modelo de FDE funciona quando há 5 agentes. Deixa de funcionar quando há cem.

Se todo novo fluxo de trabalho ou exceção inesperada exige mais engenharia, você não está expandindo um software: está expandindo uma força de trabalho humana cara.

A maioria das empresas que implementa FDEs afirma que, com o tempo, seus engenheiros passam a se dedicar a outras tarefas. Antes de assinar um contrato que exige FDEs, as empresas devem exigir provas de que isso realmente acontece. Já vimos como a automação robótica de processos (RPA) se tornou frágil à medida que os processos de negócio evoluíram. Não devemos esperar que agentes construídos manualmente sejam diferentes.

Os fluxos de trabalho empresariais muitas vezes incluem exceções não documentadas e práticas conflitantes entre equipes. Como a Reindeer registra a maneira como o trabalho realmente é feito e, ao mesmo tempo, distingue o conhecimento institucional útil dos hábitos que não deveriam ser automatizados?

A maioria das empresas tem enormes quantidades de conhecimento institucional que não estão documentadas em lugar algum. Esse conhecimento fica guardado na cabeça dos funcionários. Nossos agentes começam com conhecimentos parciais e aprendem com casos reais, pedindo orientação a especialistas no assunto quando encontram situações desconhecidas.

Mas aprender com um funcionário não significa reproduzir seu comportamento cegamente. Nosso sistema distingue exceções individuais de padrões recorrentes e propõe mudanças mais abrangentes para aprovação humana.

Não estamos tentando automatizar todos os hábitos. Queremos transformar conhecimento institucional valioso em inteligência confiável, sem exigir que engenheiros prevejam todos os cenários com antecedência.

A maioria das empresas que trabalha com agentes de IA começa documentando e, em seguida, codificando o processo, por meio de entrevistas e da análise minuciosa de dados anteriores. Mas, na realidade, a maneira mais eficaz de aprender um processo se repete sempre que um novo membro entra na equipe: ninguém memoriza um ano de dados ou um procedimento operacional padrão de 3.000 páginas. As pessoas aprendem algumas habilidades, veem alguns exemplos, começam a trabalhar, fazem perguntas quando se deparam com algo que não entendem e ampliam seus conhecimentos. Foi esse processo que criamos.

A IA baseada em agentes também dá às empresas a oportunidade de repensar um processo, em vez de simplesmente automatizá-lo tal como existe. Equipes formadas apenas por pessoas, automação baseada em regras e softwares tradicionais moldaram cada um os processos de acordo com suas próprias limitações. Com agentes que aprendem junto com especialistas, a Reindeer ajuda as empresas a reconsiderar como um processo deveria funcionar, inclusive quais práticas devem ser mantidas, quais devem ser abandonadas e onde agentes e pessoas podem gerar mais valor.

Quando você diz que os agentes da Reindeer aprendem continuamente em produção, o que muda de fato: os pesos do modelo, a memória, a lógica do fluxo de trabalho ou as políticas explícitas? Você poderia nos explicar um caso de exceção que ensine um agente a lidar de outra forma com situações futuras?

O que muda é o contexto e as habilidades do agente: a lógica do fluxo de trabalho, as políticas e as instruções sobre quando aplicar cada uma delas.

Pense em um agente de processamento de faturas. Ele recebe uma fatura cujo valor está 4% acima do pedido de compra e não encontra uma política que se aplique ao caso. Em vez de processá-la, o agente encaminha o caso a um especialista. O especialista explica que esse fornecedor tem uma exceção aprovada para sobretaxas de combustível. O agente resolve o caso, e a explicação é armazenada como contexto apenas para esse fornecedor.

Se o mesmo tipo de exceção voltar a ocorrer com outros fornecedores e outros especialistas a resolverem da mesma forma, o sistema propõe uma alteração na política, como “sobretaxas de combustível de até 5% são aceitáveis quando o contrato permitir”. Essa proposta passa por testes e aprovação humana antes de ser usada pelo agente. A resposta de um especialista resolve um caso. Um padrão observado em vários casos se torna um possível fundamento para uma nova regra.

A decisão de um funcionário pode ser adequada para um cliente ou uma transação específica sem ser apropriada como regra geral. Como vocês determinam quando o feedback deve continuar sendo uma exceção pontual e quando deve se tornar uma proposta de alteração na política?

Separamos a resolução de um caso individual da mudança na forma como o agente opera dali em diante.

Um funcionário pode autorizar uma exceção para um cliente, mas isso não significa que a mesma exceção deva ser aplicada universalmente. Eu diria até que dois funcionários diferentes podem chegar a resoluções distintas para a exceção de um mesmo cliente. Nosso sistema avalia as circunstâncias, identifica padrões recorrentes, concilia contradições e procura possíveis conflitos com as políticas existentes.

Quando há evidências que justificam uma mudança mais ampla, executamos o agente em nossa plataforma de avaliação — uma espécie de “Show de Truman” para agentes, por assim dizer — e propomos uma atualização para aprovação humana.

O objetivo é aprender com as pessoas, não reproduzir cegamente as decisões humanas. Caso contrário, você estará simplesmente automatizando erros.

Um agente pode melhorar ao lidar com casos recentes e, ao mesmo tempo, tornar-se menos confiável em situações que antes resolvia corretamente. Por quais processos de teste e aprovação uma mudança proposta precisa passar antes de entrar em produção, e como vocês detectam e revertem regressões?

O aprendizado contínuo sem governança é perigoso. Por isso, toda mudança proposta passa por três salvaguardas: testes de regressão, aprovação humana e um limite de confiança que determina quando o agente pode agir por conta própria.

Os testes vêm primeiro, e são mais difíceis do que parecem, porque o trabalho operacional não tem um gabarito fixo. Selecionamos casos representativos com base no feedback de especialistas, definimos critérios para comparar os resultados e repetimos esses casos tanto com o agente atual quanto com a versão proposta. Ações com efeitos colaterais, como o envio de um e-mail, são executadas em um simulador criado a partir de execuções anteriores, e os casos de teste que já não correspondem à política atual são retirados. Assim, conseguimos medir o efeito real de uma mudança. Os agentes precisam acreditar que estão no mundo real, e suas ações precisam ter consequências reais: um registro inserido no SAP ou um e-mail enviado a um cliente. Essa é a única maneira de criar uma estrutura de avaliação verdadeiramente adequada a cada agente.

Em seguida, um gerente analisa a mudança, as evidências que a embasam e os resultados dos testes, e pode aprová-la, revisá-la ou rejeitá-la. A forma como o agente opera não muda até que a mudança seja aprovada.

O limite de confiança protege a empresa depois que uma mudança entra em vigor. O agente só age por conta própria quando sua confiança supera esse limite; os casos abaixo dele são encaminhados a um especialista. As equipes de operações ajustam esse limite por conta própria, podendo começar de forma conservadora e conceder mais autonomia ao agente à medida que seu histórico de desempenho se consolida.

Se a qualidade cair após uma mudança, o sistema torna automaticamente os critérios de revisão mais rigorosos, encaminhando mais casos a especialistas. O feedback deles traz o problema à tona pelo mesmo ciclo que propôs a mudança. Todas as alterações de política têm controle de versão, são atribuíveis e ficam registradas, para que a equipe possa ver o que mudou, quem aprovou a mudança e por quê, além de restaurar a versão anterior.

Reduzir o trabalho de engenharia ainda pode deixar uma carga considerável para as equipes de operações, que precisam revisar exceções e corrigir os agentes. Como vocês medem se a Reindeer reduz o esforço humano total necessário, em vez de apenas transferi-lo para outra equipe?

A realidade é que a maioria das empresas já tem uma equipe de pessoas que realiza esse trabalho manualmente. Nosso objetivo não é transferir essa carga para outra equipe, mas reduzi-la ao longo do tempo. Escolhemos as pessoas mais experientes dessa equipe e as capacitamos para ensinar o agente a lidar com exceções e tomar decisões melhores de forma independente.

O problema do modelo FDE é que, muitas vezes, ele transfere o trabalho de funcionários operacionais relativamente baratos para engenheiros caros. Isso não resolve o problema da mão de obra; torna-o mais caro. A Reindeer não inclui engenheiros nessa equação. Em vez disso, medimos o sucesso pela quantidade de trabalho que os agentes conseguem resolver de forma independente ao longo do tempo e pela redução da intervenção humana necessária em todo o processo.

Acompanhamos três indicadores: a proporção de casos que o agente resolve de ponta a ponta sem intervenção humana, o número de interações com especialistas por caso e o tempo total de atendimento por caso, somando agentes e pessoas. Se o terceiro indicador não estiver caindo, estaremos apenas redistribuindo o trabalho.

Você poderia contar como foi uma implantação na Hellmann Worldwide Logistics ou na Papaya Global e explicar o que mudou desde o lançamento até a operação contínua? O que aconteceu com a precisão, as taxas de exceção, o tempo de resposta e o nível de intervenção humana necessário?

A Hellmann Worldwide Logistics é um ótimo exemplo de como os agentes podem melhorar as operações no mundo real ao longo do tempo. A equipe de precificação passava muito tempo processando manualmente solicitações de transporte recebidas por e-mail, planilhas e outros documentos, e muitas vezes levava dias para preparar uma cotação.

Começamos com cerca de 20 solicitações de exemplo para entender o fluxo de trabalho e treinar o agente. Em seguida, os especialistas em precificação da Hellmann começaram a trabalhar diretamente com o sistema, dando feedback e ajudando-o a lidar com exceções. Acompanhamos a precisão e a velocidade durante os testes e continuamos monitorando o desempenho depois que o agente entrou em produção.

Hoje, as solicitações rotineiras são processadas automaticamente, enquanto os casos mais complexos são encaminhados à equipe. É fundamental que o agente reconheça quando faltam informações, em vez de fazer suposições, permitindo que os funcionários intervenham quando sua experiência é realmente necessária.

O resultado foi uma redução no tempo de resposta às solicitações de cotação, menos tarefas manuais de entrada de dados e mais tempo dedicado ao atendimento dos clientes. A Hellmann também observou uma melhora na taxa de sucesso das cotações. O objetivo não é eliminar as pessoas do processo, mas reduzir continuamente o volume de tarefas rotineiras que exigem sua intervenção.

O que vocês aprenderam sobre os limites dessa abordagem? Quais características de um fluxo de trabalho indicam que ele está pronto para um agente adaptativo e quais sugerem que a empresa deveria primeiro reformular o processo ou manter a automação convencional?

Nem todo processo precisa de um agente de IA. As melhores oportunidades estão em fluxos de trabalho repetitivos e de alto volume que exigem discernimento contextual, especialmente quando as informações estão distribuídas entre vários sistemas e os funcionários lidam regularmente com exceções.

A lição mais clara que tiramos de nossas implantações é que está surgindo uma nova função nas empresas, assim como as operações de receita surgiram com o CRM e o DevOps com a nuvem. À medida que as empresas passam de poucos agentes para um grande grupo deles, precisam de uma pessoa ou equipe que os gerencie como um chefe de departamento administra uma equipe: responsabilizando-se pelos KPIs e pelo ROI dos agentes, decidindo onde eles devem assumir tarefas e onde não devem, e aprovando suas mudanças. As empresas que já estão criando essa função avançam mais rápido e são as que estão mais bem posicionadas para vencer.

Práticas conflitantes não são motivo para esperar. Especialistas discordam em quase todas as operações, e nosso sistema foi desenvolvido para revelar essas contradições e transformá-las em propostas de políticas. Resolver essas divergências faz parte do trabalho da pessoa responsável pela função, o que é mais um motivo para estabelecê-la antes de ampliar o uso de agentes.

A própria abordagem também tem limites. As operações essenciais não serão totalmente automatizadas, e esse não é nosso objetivo. Os agentes ampliam sua cobertura gradualmente, e os casos de alto risco continuam sob responsabilidade das pessoas por definição.

À medida que os modelos de base e as ferramentas para criar agentes melhoram, quais partes da implantação empresarial devem se tornar commodities, e em que áreas a Reindeer está construindo uma vantagem que se fortalece a cada implantação em produção?

Os modelos de base serão cada vez mais intercambiáveis à medida que ficarem mais baratos, rápidos e capazes. Criar agentes básicos e conectá-los aos sistemas empresariais também está se tornando mais fácil.

Mas criar um agente não é o mesmo que torná-lo confiável, ao longo do tempo, dentro de uma empresa complexa.

A verdadeira vantagem competitiva está no conhecimento proprietário sobre como uma empresa realmente funciona — algo que está sempre mudando. Cada caso em produção dá aos nossos agentes a oportunidade de aprender, resolver exceções futuras e reduzir a intervenção humana.

Os modelos ficarão mais baratos. Criar agentes ficará mais fácil.

As empresas vencedoras eliminarão a cara infraestrutura de engenharia humana necessária para manter esses agentes funcionando e relevantes ao longo do tempo.

Obrigado pela ótima entrevista. Leitores que quiserem saber mais sobre agentes adaptativos de IA para empresas, automação operacional e aprendizado orientado por humanos devem visitar Reindeer.