Fred Pericini
Co-fundador da Agência F2F, Engenheiro de Produção pela UFSCAR, empreendedor com mais de 10 anos de experiência em Marketing Digital, foi consultor na McKinsey, diretor comercial do Groupon Brasil e Groupon China.
EP 28
IA que gera resultado em escala
Arley compartilha os bastidores da decisão de construir soluções 100% internas, os desafios de equilibrar custo e performance, e como lidar com a resistência dos times.
23 mar 2026 
CONVIDADO
Arley Mendonça
Transcrição do episódio
Olá, nós somos o AI Firstcast, o primeiro e único podcast brasileiro dedicado à discussão de adoção de inteligência artificial no mundo dos negócios. Esse é Filipe Xavier, meu colega.
Fred Pericini, meu co-host, um dos melhores co-hosts que existem no sistema solar, tá? Fred, hoje vamos navegar por águas desconhecidas. Primeira vez aqui que recebemos alguém de mercado de previdência privada. Então tá preparado, meu amigo?
Tô. E eu quero fazer uma introdução, pessoal. A nossa missão é inspirar pessoas sobre a adoção de inteligência artificial no mundo dos negócios. Para inspirar pessoas, a gente precisa trazer diversidade de entrevistados, e essa diversidade passa por tipos de empresa. A gente já entrevistou empresas abertas na bolsa, como já entrevistamos empresas que estão há um ano, um ano e meio, disruptando algum segmento para a gente ver essas diferenças, essas nuances. E hoje nós estamos com uma empresa e um cara super educado, um cara super empático, gente fina para caramba. Já virou até nosso amigo aqui no aquecimento. Eu vou deixar ele se apresentar. E o cara tá representando aqui um colosso do mundo corporativo.
Obrigado, hein, nossa, você é amigo assim. Vamos pagar o jantar hoje? Muito obrigado por esse convite. Meu nome é Arlei, hoje eu sou o gerente de dados da BrasilPrev. Eu já tô no mercado de dados, trabalhando com dados há mais de 20 anos, 25 anos. Já passei por diversas empresas, são empresa pública, privada, consultoria, programas das Nações Unidas, universidade. Então fiz, sou formado em estatística, fiz o mestrado em engenharia civil na parte de transporte. Então tenho várias, eu passei por vários tipos de empresas, vários tipos de negócio, e hoje eu estou na Brasil Preve há 5 anos. Então são 5 anos que eu tô, que eu estou lá trabalhando com Previdência. Nunca tinha trabalhado com previdência na vida, mas conhecia muito desse negócio. E venho trabalhando com— entrei na BrasilPrev para ser cientista de dados. Hoje eu sou gerente, mas eu entrei na BrasilPrev para ser cientista de dados. E lá eu até brinco, né, que eu cheguei na BrasilPrev para construir modelos, modelos matemáticos. Estava ali para treinar modelos. E hoje eu posso falar que eu tô na BrasilPrev para treinar pessoas a trabalhar com dados. Então, esse é o meu maior objetivo ali dentro da BrasilPrev.
O início foi mais lá em 2021. A área de dados já existia em 2018, 2019. Hoje essa área tem dois direcionamentos, né? Uma canais digitais, outra dados. Mas em 2018, 2019 eram áreas separadas. Ali no, quando eu tava na área de dados como cientista de dados, eu tinha o objetivo de trabalhar com modelos matemáticos, modelos estatísticos, machine learning, deep learning, e daí por diante. A partir de um momento eu comecei a ver que os nossos modelos eles seriam mais assertivos se a gente tivesse dados de qualidade, dados seguros. Então a gente começou a discutir na Brasil Previo a governança de dados. Então foi o passo inicial que eu dei para me tornar gestor na BrasilPrev. Foi o quê? Foi ter um olhar para governança de dados. Pô, como é que a gente vai ter um modelo bom se o nosso dado não tá bom?
E qual era a sua opinião sobre a governança de dados naquele momento?
Eu vou falar a verdade, era contra, porque eu gostava de ter autonomia. Deixa eu ter o dado que eu quiser, deixa eu trabalhar em cima desse dado, deixa eu— e eu olhava para governança de dados como se fosse uma uma burocracia dentro daquilo. Hoje em dia até eu falo que tem o pessoal da equipe de dados, eles até reclamam: ai, lá vem o Arley com chapéu de governança de dados, né? Que tem hora que eu boto o chapéu de cientista e boto chapéu de governança, que eu boto o chapéu de analytics, boto chapéu de governança. Então eles reclamam um pouco, exatamente o que eu era ali, eles são desse jeito em relação à governança de dados. Então eu não curtia muito.
Quem já nos ouve há algum tempo sabe que nós vamos chegar em inteligência artificial no nosso papo e já meio que conectou os pontos porque a gente já falou diversas vezes, já ouviu de diversos entrevistados que sem dados não tem IA.
Não.
Né? Mas antes de aprofundar nisso, eu queria que você desse um panorama sobre a Brasil Pereve. Conta pra nós um pouco mais sobre o negócio, o tamanho dele, pra gente poder, antes de adentrar nas nos usos da inteligência artificial generativa e não generativa, mas a gente entender sobre o negócio.
A BrasilPrev é a maior empresa de previdência privada do país. Hoje ela tem aproximadamente R$470 bilhões sob gestão. Então é realmente, deve representar aí, posso estar errando um pouquinho, tá, 26%, 25% do mercado. Hoje os principais produtos é o PIV, PGBL, PGBL, PGBL. Eu não sei se vocês conhecem. As pessoas não gostam muito que eu falo, que parece o vendedor, né? Porque eu sou uma, eu gosto do produto, principalmente o PGBL. Se vocês não têm PGBL, me procurem que depois eu vou explicar melhor para vocês o que é o PGBL. E o PGBL é tão, é um produto tão forte para mim que eu criei modelos matemáticos lá dentro para focados em PGBL. A BrasilPrev, ela tem aproximadamente 700 funcionários, 700 colaboradores, né, em diferentes áreas. São 5 diretorias, 6 diretorias, 6 diretorias. E hoje a área que eu estou é a SUDACS, ela é uma Superintendência de Dados e Negócios Digitais, composta por 4 gerentes. Então, 3 gerentes focados em em canais digitais, em jornadas em canais digitais, e um gerente, que sou eu, olhando para a área de dados.
Deu para entender porque que eu comecei a entrevista falando que nós estamos aqui com representante de um colosso.
Magnitude 470 bilhões.
É, bora começar sobre AI. Como é que você acabou recebendo, né, esse mandato de implementação de modelos com esse background de dados? Como que isso aconteceu? Qual foi o gatilho?
Você tá falando de IA generativa ou não generativa? Ambas. Boa, boa, interessante. O meu caminho é longo, né? Como eu falei, eu sempre trabalhei com modelos matemáticos, de fraude em Bolsa Família até estimativa de turistas entrando no país. Então sempre trabalhei com com essa parte de dados. E sempre busquei, sempre não, tá, de uns anos para cá eu sempre busquei conversar muito com o negócio. O que ele espera da gente? O que o negócio espera da gente, né? Não sei se vocês sabem, né, vocês devem ter essa experiência, né, que o cara que é cientista de dados ele olha para o computador e fica ali, ele e a máquina, o mundo esquece. Então assim, muitas vezes os modelos eles só saem se eu tiver um vínculo ou uma conversa com o negócio, eu preciso ter essa conversa com o negócio, né? Então minha carreira ela veio muito assim. Quando eu entrei na BrasilPrev, a primeira coisa, vou dar um exemplo que é bem interessante, o modelo de propensão ao aumento de contribuição. Ou seja, você contribui ali com R$200 por mês, mas eu vejo o seu perfil por meio das variáveis, eu vejo que você pode contribuir por R$500, você com R$700.
Para construção desse modelo, como é que eu construí as variáveis? Botei o negócio dentro da sala. Então tiveram pessoas da área de clientes, de digital, estavam todos ali na sala conversando, produtos ali na sala. Qual é a variável que influencia o aumento de uma contribuição de um cliente? Eles foram trazendo e eu fui listando aquilo. A partir dali eu construí dois modelos na época como cientista, um para aumento de contribuição, propensão, e o outro para suporte ou valor ideal. Ou seja, você é propenso a aumentar contribuição sim ou não, e quanto esse valor. Então foram dois modelos que a gente construiu em quê? Em conversa com o negócio. Então todo aquele modelo matemático, ele foi desenvolvido ali por mim em 10% do meu tempo. 90% foi trabalhando em cima das variáveis que vocês conhecem muito bem e falando com o negócio. Olha, trago variável daqui, leva ali, tiro ela, adiciono aquela. E foi desse jeito que a gente começou a construir. Isso eu tô falando de IA não generativa. Agora, a parte de IA generativa. A gente começou a trabalhar com IA generativa um pouquinho antes de eu me tornar gestor. Eu me tornei gestor da área de dados em 2024.
É, 2024, isso. É, um pouquinho antes a gente começou a trabalhar com IA generativa da Microsoft. Com o Azure e com a da Databricks. Não tinha muitas coisas ainda, sabe? A gente não conseguiu desenvolver muitas coisas. Era, eu posso dizer que 2024 foi muito laboratório, né? Então foram muitos laboratórios. Em 2025, a gente começou a desenvolver realmente algumas coisas com IA generativa para o jurídico, foi uma delas. A gente começou a desenvolver a própria assessoria para o consultor Brasil Preve Foi ali em 2025, entre outras. A própria, nossa, 2019, podia esquecer. Como é que eu vou esquecer? A do WhatsApp. Hoje a gente tem uma assessoria via WhatsApp. Então, se o seu fundo não anda muito bem, se você acha que não anda muito bem, ou até anda bem, mas você quer melhorar ou quer ser mais agressivo, conversa com a nossa IA do WhatsApp. Então ela vai te direcionar. Então a gente já tem algumas coisas rodando Modelos juntando IA generativa e não generativa, a gente já tem mais de 20 modelos em produção, IA generativa e não generativa. E a generativa, a gente tem 3 modelos em produção, são 3 modelos em produção hoje.
Porém, a gente tem uma lista, eu vou comentar algo interessante para vocês, que o ano passado a gente construiu a nossa primeira instrução normativa de IA. A gente já tinha duas, uma instrução normativa de governança de dados que ali a gente criou os fóruns de dados, toda essa parte. E ano passado a gente fez a instrução normativa de IA. Dentro dela a gente fala sobre parecer técnico. Hoje qualquer IA que for desenvolvida dentro da BrasilPrev, por questão de segurança, por questão de assertividade, por várias questões, precisa passar por esse parecer técnico. E esse parecer técnico, hoje a gente já tem uma lista de 6 projetos que vão, vão para frente com o IA a partir desses pareceres que foram abertos agora esse ano. E como a gente vai fazer isso? A gente não tem braço para desenvolver 6 assim, né? É uma equipe pequena, né? A gente tem uma equipe de 9 pessoas, e para trabalhar com IA a gente tem 2, 3 pessoas ali que já trabalham muito bem com IA. A gente, ano passado, a gente criou a Jornada de IA. Essa jornada de IA foi o seguinte: a empresa precisava conhecer pelo menos um pouquinho de IA.
Então o nosso objetivo ano passado era 80% das pessoas capacitadas a conhecer IA, e principalmente a IA generativa. E por que eu falo principalmente da IA generativa? Porque para mim ela é muito mais fácil estar na mão do negócio do que a IA não generativa. Construir modelos matemáticos, machine learning, XGBoost, regressão logística, esse a gente deixa para os matemáticos, estatísticos, economistas, né? Agora, a IA não generativa, para mim, ela tem muito mais vínculo com o negócio do que com cientista de dados. Aí, a generativa, generativa, aí a generativa. Então, o que que a gente fez dentro da jornada de IA? A gente criou os embaixadores, os embaixadores de IA. Quem são os embaixadores de IA? São pessoas do negócio. Foram selecionadas aproximadamente 30 pessoas, são pessoas do negócio e que vão verificar oportunidades de desenvolvimento de IA na própria área e eles mesmos vão tentar desenvolver. Claro, vai ter um líder técnico de IA que é da nossa equipe, da equipe da Sudax, né, que pertence à gerência de dados, em que vai auxiliar esse trabalho. Mas quem vai desenvolver é o próprio negócio. Então vai ter um auditor desenvolvendo IA generativa, eu vou ter um advogado desenvolvendo uma IA generativa.
Uma pequena aula sobre adoção de inteligência artificial numa empresa muito grande e como a estrutura organizacional pode se mover, se adequar para essa adoção. Treinamento Embaixadores.
Isso. E a gente, assim, é o que eu falei, né? A gente não tinha braço para isso. Então, o que a gente foi, foi trazendo eventos ano passado. A própria equipe apresentou trabalhos para empresa. Trouxemos pessoas de fora para apresentar trabalhos e técnicas. Fizemos cursos com essas pessoas. Então, assim, era um modo de capacitar. A gente já tinha feito isso lá em 2021, quando falava em SQL, Python, para as pessoas trabalharem no Databricks. Hoje eu até falo que é mais fácil, né? É mais fácil do que o passado, porque trabalhar com SQL, o Databricks ali usando SQL ou Python ou R era muito mais complexo do que eu criar algo via Copilot, via Assistant do Databricks, entendeu? Então assim, para mim agora tá sendo menos difícil do que lá. E com o negócio, botando a mão na massa, É muito mais efetivo do que eu tentar colocar um cientista de dados, que é o cara que programa, que tá ali na frente do computador, pra tentar ir até auditoria ou marketing, desenvolver algo assim, né?
Tem um detalhe no que você tá falando que ele pra mim é muito singular. Você dimensionou a BrasilPrev, o tamanho tá claro pra todo mundo. A estratégia de vocês é um desenvolvimento 100% interno. Das soluções de inteligência artificial, tanto generativas quanto não generativas. Qual a razão por trás dessa estratégia?
Cara, eu sou filho de mineiro, eu sou, tem uma mão de vaca na minha casa. Então eles escolheram um cara mão de vaca para pegar, pegar um projeto assim. Então assim, sabendo da capacidade da equipe, né, porque vai lembrar que o seguinte, eu era cientista de dados, aquela equipe Eu era pá daquelas pessoas, eu virei gestor daquelas pessoas. Então sabia da minha capacidade e a capacidade da equipe, porque a gente trabalhava junto ali, né? Eu virei gestor daquelas pessoas. Eu falei, cara, a gente consegue desenvolver isso junto. Como? Chamei a engenharia de dados junto, que a engenharia de dados não faz parte da equipe. Então construímos juntos tanto a governança como a estrutura do dado para criar a generativa e não generativa, sem consultoria nenhuma, tentando fazer, claro, tudo internamente, né? E uma coisa muito interessante da Brasilprev, em que eu posso falar, eu passei por mais de 15 empresas. A Brasilprev eu tô há 5 anos, são 5 anos, é a primeira vez que eu fico 5 anos numa empresa. A que eu fiquei mais tempo foi a Confederação Nacional da Indústria, que eu fiquei 3 anos e meio. 5 anos, e por quê?
Por conta da autonomia. Então assim, a gente tinha capacidade técnica E a gente tinha ferramentas para isso. Quando eu cheguei na Brasil Prev, eu tinha um Databricks para mim, eu tinha um Azure para mim, eu tinha um momento de desenvolvimento para mim, né? É aquela história, né? Antes da gente chegar ali em 2024, a gente não desenvolveu, a gente foi aprendendo. A Brasil Prev nos permitiu fazer isso, né, de aprender para 2025 e 26 voar. E não só na área, mas fora da área. Né? Como a gente qualificou algumas pessoas com SQL Compact lá em 2021, essas mesmas pessoas estão hoje olhando para IA.
São já os multiplicadores naturais da coisa.
Então, para que que eu vou procurar uma consultoria fora ou algo desse tipo se eu sei que um advogado consegue desenvolver, se eu sei que a pessoa do marketing consegue desenvolver? Porque a gente tá ensinando. E detalhe, com total apoio da nossa área e da engenharia de dados. A engenharia de dados tem feito um trabalho excelente para disponibilizar esses dados para as áreas, entendeu? Então assim, não vejo motivo de ter consultoria. Por enquanto a gente consegue desenvolver. E um dos trabalhos também que a gente tem feito junto com a engenharia é FinOps. Então a gente tem uma plataforma analítica em que a gente gasta, não sei se eu posso mencionar isso, mas a gente vem diminuindo o gasto dela com o passar do tempo. E detalhe, a gente diminui o gasto, Só que a gente tá acessando com mais gente. 40% das pessoas da empresa, 40% das pessoas da empresa acessam Databricks, e a gente vem diminuindo o custo da plataforma. Como? Olhando para do tipo, olha, tem muito dado aqui, vamos colocar na camada code, que é coisa da governança de dados, né? Aí a generativa vai chegar como? Ah, vamos dar licença. Será que é melhor dar licença para ele desenvolver para que todo mundo tem acesso e eu gastar, ou dar licença e quantas pessoas vão ter acesso?
São 5 pessoas pessoas vão ter acesso àquela IA generativa. Então dou a licença para ele e compra mais 5 licenças para aquelas outras pessoas. Por quê? Porque vai sair mais barato. Se a sua IA generativa for acessar, você acessar no futuro, vai ser acessada por 700 pessoas, é melhor o quê? A gente comprar um determinado pacote para ter menos custo em relação a isso, porque você desenvolveu para 700 pessoas. Se você desenvolveu para 5 pessoas, é melhor ter licenças para essas 5 pessoas, entendeu? Então a gente olha até para isso. Pro custo, pro quanto, e claro, né, no futuro tem o retorno disso, né, eficiência operacional, cliente que deixou de sair por conta de um modelo matemático, né, cliente que colocou mais dinheiro por conta de um modelo matemático ou por conta de uma assessoria digital.
Sim, e o custo ele escala conforme o uso, claro, na inteligência generativa, né, o consumo de tokens. Como que você argumenta o aumento de custo cruzando com os resultados? Como que você equaliza isso? Pega, pode pegar um exemplo, por exemplo, assistente para o cliente sobre o do WhatsApp, né? É o do WhatsApp, sobre alocação do fundo dele e tal, e se ele quiser realocar. Esse é um exemplo, um caso de uso. Que eu imagino que escalou tokens, né?
Quando você abre para— é o custo desse, desse do WhatsApp, ele não tem um custo muito alto. Esse do WhatsApp, ele é bem, bem tranquilo. A gente compra pacotes e como não é— imagina que eu não tenho muitos clientes que acessam o WhatsApp para falar sobre realocação, porque hoje ele só faz via realocação. Hoje eu não faço, não tem a generativa para pacote esporádico, para compra de planos, não tem, é apenas realocação. Então são poucos de todos os usos do WhatsApp que o cliente pode fazer, o que tem generativa ainda É realocação, mas tem projetos, tá, para aportes e para novos planos. Então hoje é só realocação, então não tem um custo tão alto. A realocação, ela é um modo de proteção. Imagina o seguinte: se meus fundos não estão andando muito bem e o fundo lá da empresa X ou da empresa Y estiver andando melhor, o que que vai acontecer com meu cliente? Ele vai tirar e colocar lá. Se eu tenho uma ferramenta dessa, eu consigo deixar autonomia para o cliente, ele chegar lá e mudar o fundo. Imagina o seguinte, hoje a BrasilPrev, ela, como é que ela lucra? A partir da taxa de administração do fundo.
Então, se aquele cliente pega o fundo e leva embora, minha taxa de administração para aquele cliente zerou, entendeu? Se eu seguro aquele cliente, eu ainda tenho Então assim, esse é o retorno que a gente tem. O AUM dele, que tá lá dentro dos R$470 bilhões, ficou na Brasil Prev por meio dessa ferramenta. Outra ferramenta é o assessoria que a gente está desenvolvendo, que vai para Salesforce. A gente testou ela no ano passado, então a gente conseguiu retenção de clientes, ou seja, deixaram de sair, realocaram, ou nem realocaram, só ficaram porque o próprio consultor teve acesso àquele cliente, falou: nossa, aquele cliente tá com propensão a saída. Nossa, aquele cliente tem um recurso alto, então vamos entrar em contato com ele. Então, a partir dali, a gente tem pelo menos, no que a gente conseguiu mapear, foi aproximadamente R$200 milhões que a gente deixou de sair por conta da assessoria naquele momento. R$200 milhões.
Sobre esse caso de uso específico, eu quero, vou voltar nele para tentar clarear para todo mundo. Então, eles criaram modelos preditivos com IA não generativa.
Isso.
De o quanto propenso a pessoa tá a sair do fundo de previdência lá. E aí o consultor consulta, usa esse sistema para você, para ele poder evitar o churn do cliente.
Isso.
E vocês colocaram uma camada no meio, antes da inteligência não generativa, colocaram a inteligência generativa para mastigar essa análise para o consultor.
É isso aí.
Isso aí para mim tem uma coisa magnífica que eu queria enfatizar e te ouvir mais, porque muitas vezes a gente pensa, né, cara, a inteligência generativa é tão boa, é só plugar a minha base de dados lá e sair conversando. E não é bem assim, né?
Não, não, não.
Ela consultar uma análise feita por um outro modelo, pegar o resultado pronto e fazer o last mile, né, o último momento da entrega, aí ela é top. Conta para nós um pouco mais sobre isso que eu trouxe.
É, a estrutura, ela, imagina que são várias tabelas. Então eu tenho uma tabela aqui que fala do modelo de saída, eu tenho uma tabela aqui que fala sobre aporte esporádico, tem uma tabela que essas tabelas estão dando resultado para cada um dos clientes. Tem lá propensão de saída, o valor que ele tem, cada uma dessas tabelas. Então se cria uma estrutura por trás para que leia dessas tabelas. Eu posso nem ser, talvez o meu cientista de dados vai me matar se eu falar isso, mas existe um pré-prompt feito por ele mesmo. Então olha, esse campo aqui é o campo que vai dar o resultado da propensão, esse campo aqui ele é o campo do encarteiramento do cliente, esse campo ele vai dando um direcionamento, ele vai escrevendo por trás e vai melhorando. Eu vou te dar um exemplo. Um desses assessoria, ele era focado em portabilidade de saída, que são aqueles clientes que pegam um pedaço do dinheiro ou o dinheiro total e vai para outra instituição. Imagina que eu usei, eu fui testar, né, porque eu gosto de testar. Eu usei e falei assim, o pessoal usa muito o tal de porte-out, não é porte-out, é transfer-out ou portabilidade de saída.
Aí eu botei, escrevi porte-out, ele não identificou. Mas por quê? Porque o cientista de dados não tinha colocado o port out lá, ele não sabia o que que era port out, entendeu? Então ele foi lá e fez essa construção. Então antes de chegar no consultor, então tenho essa estrutura de tabelas, eu tenho esse pré-prompt ou um ensinamento para ele, para aí sim chegar no consultor. E aí o consultor, o primeiro que a gente lançou, que foi no final do ano passado, foi só de retenção. Ou seja, ele só falava de retenção, como é que tá o fundo do cliente, os fundos que ele tem na BrasilPrev está se ele era bom, ruim, ou algo desse tipo, se ele era um cliente propenso, quanto ele tinha de AUM na companhia, quanto ele tinha de saldo na companhia. Então eram tabelas que se juntava com essa estrutura, e essa estrutura construída pelo cientista chegava até o consultor, e o consultor começava a fazer a sua pergunta, como linguagem natural, do jeito que ele faz a pergunta. E o mais interessante, que para essa construção, como eu tenho muito contato com consultores, eu fui construindo junto com o cientista.
Não, olha as perguntas que um consultor vai fazer. Fiz uma lista de perguntas exatamente no linguajar do consultor e pensando até no gerente do banco, porque a ideia é exatamente levar essa ideia lá para o Banco do Brasil, entendeu? Então assim, pensando ali, eu construí todas as perguntas e dei para o cientista: agora vai lá e monta. E ele foi montando exatamente por meio das perguntas. No final do ano, novembro por ali, a gente fez alguns treinamentos com os consultores 80% dos nossos consultores foram treinados, é, 80% dos nossos consultores foram treinados e conheceram a ferramenta e deram feedbacks. Então a gente tá melhorando a ferramenta para levar ela para os seus fósseis. E a partir dali, ele, ele, como é a ferramenta do consultor, a gente vai conseguir ter esse trabalho mais efetivo com os consultores, porque o que a gente fez foi na cara do Databricks e usando Databricks One. Não sei se vocês conhecem o Databricks One. Então a gente usava ali a carinha do Databricks e tudo, porém não era a melhor ferramenta para aquele momento. Então a gente tá tentando migrar ela, tentando não, a gente vai migrar para o Salesforce, tá começando esse trabalho agora.
Tem muita coisa que você falou que a gente vai ver nos checkzinhos, né? Então produtividade, eficiência, educação, trazer todo mundo, várias coisas. E como o Fred trouxe no nosso começo, a gente gosta de ver pluralidade aqui, entender empresas de diferentes momentos. Vocês gigantescos aplicam inteligência artificial e estão sendo beneficiados claramente por isso. Existiu resistência em algum momento? Se sim, como é que você tirou isso do caminho?
Acho que existiu em algum momento alguma resistência e tal, em alguns momentos. Mas a resistência foi maior na governança de dados do que na inteligência artificial. Existem diferentes tipos de resistência, né? A governança de dados, ela tem uma resistência diferente do tipo: nossa, eu não quero ser dono do dado, por que que eu preciso ser dono desse dado? Não, responsável é outro. Ou do tipo: para que que a gente vai aplicar isso se nunca existiu na empresa? Ou seja, cultura. Cultura é dificílimo se trabalhar. E eu falo que cresce dados, inteligência artificial, se cresce a partir de cultura. Então vou tentar aculturar as pessoas. A inteligência artificial hoje, o maior, e eu acho que a maioria vai falar sobre isso, o maior empecilho que existe é exatamente o medo de chegar no cliente, né, no cliente final. E quando eu falo cliente final, é o cliente que tem um Brasil Previo, não cliente consultor, cliente gerente do banco, porque esses são os nossos clientes hoje em dia, né.
E se a generativa entregar alguma coisa não conforme para esses, a gente considera também que eles tem uma capacidade de filtro, tem, tem. Agora o cliente final é mais sensível, muito mais sensível.
Então tem sim, por isso foi criada a Instrução Normativa. Essa resistência tinha muito mais isso, ah, tá todo mundo usando IA generativa já na empresa. A gente pensa o seguinte, lá em 2021 a gente deu Databricks para quem quisesse, acesso aos dados à vontade, entendeu? Então assim, opa, aí foi o momento que entrou a governança para pisar no freio. Agora, aí, foi a mesma coisa, pô, tá todo mundo usando IA, usando IA até plataformas que não são fora, claro que ele não consegue usar nas plataformas do Brasil prévio, mas ele consegue usar ali no celular, o ChatGPT, humanos, AI, ele vai ali, né, que lê sua tela, tudo, tudo. Só que assim, você não consegue mexer nada na sua máquina, nossas máquinas são totalmente bloqueadas em relação a isso, mas ele consegue fazer no WhatsApp e tá ali no dia a dia. Como passar isso, como normalizar isso como se fosse no dia a dia, e não só normalizar do dia a dia, mas trazer algo, como é que fala, legal, né, para empresa? Legal quando eu falo de jurídico, né? Então, compliance, né, compliance e tudo, foi criar instrução normativa. Então hoje, se você quer desenvolver algo de IA na companhia em 2026, Você precisa passar pelo parecer técnico, entendeu?
Então assim, a gente atendeu exatamente. Opa, não pode usar IA, então o que que a gente faz? Vamos criar uma instrução normativa e essa instrução normativa vai falar do parecer técnico. Pronto, entendeu? Parecer técnico, quem participa? Área de risco, segurança, agente, governança de dados, engenharia de dados, arquitetura de dados. Então todos esses participam para assim, passou pelo parecer a gente consegue desenvolver.
Ou seja, sintetizando o que você tá me dizendo, tem um marco de inteligência artificial na BrasilPrev. Qual é esse marco?
São dois para mim, dois marcos. Um, governança de dados. Para mim esse é um marco, entendeu? Hoje, se a gente tem inteligência artificial para todos da empresa, todos, todos, quem quiser desenvolver inteligência artificial pode desenvolver, veio por conta da governança de dados. Então, a primeira instrução normativa de governança de dados. A segunda instrução normativa de inteligência artificial. Esses são os dois marcos que eu posso falar. Então, a governança de dados trouxe essa autonomia e essa responsabilidade pelo dado. Você é responsável pelo seu dado, você é responsável pelo seu dado. Esse é o primeiro. E agora você é responsável pela sua IA, entendeu? Então, a gente tem um líder técnico de IA lá dentro do parecer, a gente tem um líder técnico que acompanha, mas quem é o responsável? É o advogado. É o auditor que vai desenvolver a própria IA.
Afinal, ele tem muito conhecimento das dores da área dele, né?
Foi o que eu já te falei, né? Prefiro que o negócio desenvolva a IA generativa do que o próprio cientista de dados. Sim.
E a IA tá gerando resultado na BrasilPrev?
Ah, eu posso falar que, olha, já gerou bastante. Inclusive, o ano passado a gente conseguiu próximos dos R$16 bi de negócios indireto e diretamente com IA. Tocados por IA. Tocados por IA. A grande maioria ainda como IA tradicional, tá? Não a generativa. A generativa ela tem muito mais eficiência operacional, por enquanto, por enquanto, né? A do WhatsApp ela consegue trazer algum resultado via WhatsApp, mas— e por que que eu falo por enquanto? Porque dessas que vão, a gente vai desenvolver esse ano. A primeira coisa que eu pensei o ano passado é que a gente precisava ter um PO de dados. Então hoje a área tem um PO de dados em que ela direciona os projetos de engenharia e os projetos de dados. E a partir de um PO de dados eu construí junto exatamente como é que a gente pode ser mais efetivo em relação ao negócio que a IA trouxe, o valor que ela trouxe. O C6B ele tem direto e indiretamente, porque eu coloco o meu modelo lá no NBA, o Next Best action. Eu coloco o meu modelo lá dentro de uma plataforma chamada Hub Brasil Prev, que vai lá na mão do gerente.
Então são estimativas em que eu sei que o gerente abordou ou não abordou, eu sei que o NBA abordou e não abordou, mas eu quero algo mais direto. Então esse PO eu consigo construir. Então em 2026 a gente vai ser muito mais assertivo, porque eu vou saber exatamente a receita que a IA vai trazer para a companhia.
Só traduzindo, NBA, Next Best Action, melhor próxima ação, modelo preditivo que com base em algumas variáveis do cliente, vocês dizem qual é a melhor aproximação. Isso, o modelo já existia, vocês plugaram AI lá dentro e ela de alguma forma ainda indireta gera algum resultado.
Hoje não tem IA generativa dentro dela, tá? Tem IA não generativa. Então a gente tem alguns modelos nela. Vai lembrar que tem muitas regras de negócio dentro do NBA, mais os modelos, tá? Então são regras mais modelos. Hoje ela não tem algo generativo. Quando é que ela vai se tornar generativa? No momento que o assessoria for plugado lá no Salesforce.
Então, se a gente for afunilar para implementações com generativo, vocês desenvolveram até agora o conversacional ali com o cliente para ele entender melhor da carteira dele e tal.
O WhatsApp, realocação.
E o de preditivo de churn com o consultor.
Isso. Não, mas a gente também tem algo no jurídico, né? Lembra da leitura de documentos? Eu acho que eu não tinha mencionado, né, esse, mas podemos aprofundar agora. Ah, boa, boa, boa. Ele é simples. Imagina que chegam vários processos no jurídico e o assessor jurídico ali, o analista jurídico, ele lia o documento e passava isso para plataforma, para os seus fósseis. Hoje a gente tem uma IA generativa que faz a leitura do documento em PDF via OCR. Pode ser PDF, ele foi construído primeiramente em PDF, mas pode ser que agora esse pensamento tá chegando até em imagens. Então a gente vai pegar de imagens também. E a partir daquela leitura do documento, ele começa a preencher alguns campos. Alguns campos são preenchidos automáticos pelo exatamente formato do campo, outros são preenchidos via IA generativa. Então a gente já consegue preencher desses documentos pensado, né? Então a gente fez esse teste já com tudo, e aí depois começou a ver os resultados. Então assim, é um preenchimento desse documento era aproximadamente 8 a 10 minutos na plataforma da SeuSócio. Hoje é o documento chega, você abre a plataforma, tá preenchido. É, então assim, não tem uns 8, 10 minutos.
Quando se fala em eficiência operacional, é gritante, né?
É, é. E assim, isso eu tô dando esses 3 exemplos, mas assim, a gente tem outras IAs construídas ali dentro da Brasilprev, em que o Brasilprev GPT, que era um auxílio para o consultor dentro do hub, então ele falava, você quer saber sobre PGBL, VGBL? Tinha lá no Brasilprev GPT, que foi o nosso primeiro GPT. Que a gente construiu, tá lá ainda, existe tudo.
Já é um gestor de conhecimento para o consultor acessar.
Hoje a gente já tem um algo melhor chamado Infoprev, esse fica lá na central. Então ela responde quase o que tem no BrasilPrev GPT, só que muito mais evoluído. Então, por exemplo, no BrasilPrev, se você perguntar sobre o IOF, não sei se vocês estão sabendo, acima de R$600 mil tem um IOF de 5% acima do valor excedente, né, a partir desse ano, 2026. Se você perguntar alguma coisa sobre IOF, R$600 mil, VGBL lá dentro do Brasil Previo GPT, ele não vai te responder nada. No Infoprev que a gente já desenvolveu lá na central, ele já te responde o IOF acima de R$600 mil, ele já te responde direitinho. Então temos o Infoprev, que é a primeira IA que a gente desenvolveu dentro da Salesforce. A gente não tinha desenvolvido na Salesforce. A gente tem outra IA também para o Service Desk, que essa a gente desenvolveu um ano e meio também, foi uma das primeiras. A gente precisa até melhorar ela, em que imagina que Ah, meu computador não liga. Você vai, pergunta ali, tem um, pede ajuda para um amigo, né, que o computador ele não tá ligando, né. Então vai lá no amigo, pô, faz a pergunta aí de como ligar meu computador e tudo.
Ele vai lá, liga no Service Desk e tal, não sei o quê, ou não, reinicia a máquina dessa forma e tudo. Ele vai ensinando. Que você liga para o Service Desk pedindo ajuda, é a SIA, vai, vai te auxiliar nessa parte antes de você precisar ligar.
Como tá a fila de projetos?
Ah, fila de projetos tá gigante, gigante, gigante, gigante.
A gente, a gente tem mais, eu ouvindo aqui jurídico, service desk, atender o cliente.
Só de mapeamento são mais de 60 projetos mapeados, mais de 60 projetos mapeados com o IA mix generativo e não generativo. Isso, exatamente, entendeu? Existem algumas não generativas, são poucas e tudo. As não generativas a gente já deixou de A gente já colocou meio que vai ser desenvolvido pela área de dados mesmo, mas as IA generativas é onde você quer o pessoal do negócio. Exatamente.
Um pipeline robusto. E Fred, a gente falou que a conversa ia ser muito relevante. Eu vou fazer um recorte aqui, Arlei. Então, né, você, um enorme prazer para a gente conversar com você. A pessoa que está conduzindo mais, estimulando mais de 700 colaboradores a utilizar inteligência artificial em sua rotina. E movendo a Brasil Prévia a pensar AI First em diversas frentes. Você é um cientista de dados que está prosperando com inteligência artificial, claramente. Tem como você democratizar o que você entende que são as competências de sucesso para um cientista de dados ou pessoas que querem prosperar com inteligência artificial? Dá para fazer isso? Tem o que você acredita que são competências ou habilidades que ajudam?
Cara, a gente tem quantas horas? Mais 2 horas? Porque esse assunto eu posso falar por horas.
Joga, dá para jogar? É isso? E aí a gente deixa como a lição de casa para as pessoas irem se letrar e buscar conhecimento adicional.
Acho que é importante ainda trabalhar com SQL, com Python da vida, assim, entendeu? É importante ainda trabalhar com isso e isso não vai morrer. Apesar de eu ter lá no Databricks o Assistant, né, que nossa, eu que sou um raiz, cientista de dados raiz, quando eu mexo no Assistant do Databricks eu falo, nossa, que Nutella, cara, tá muito fácil, tá muito simples, mas fácil até o raiz, né? Impressionante, eu fiquei assustado. Então é realmente, é importante saber de codificação Lógica é importante também, entendeu? Construir um texto em linguagem natural precisa de lógica. Você conversa com ChatGPT de qualquer jeito? Não, você precisa conhecer um pouco, né? Vai no Copilot, faz uma pergunta qualquer, ele vai te responder qualquer coisa também. Então assim, você precisa ter alguma lógica na cabeça. Eu falo que é, talvez a matemática é a matéria mais importante da vida. Então para aqueles jovens que vão assistir, né, com certeza tem muito jovem olhando para inteligência artificial com 16, 17, 18 anos, estudem matemática, que é importante para ter essa lógica até na construção do texto, entendeu? Então isso é importante. Porém, para esses que já são cientistas de dados, que já estão há muito tempo trabalhando com isso, eu falo que precisa de uma visão diferente do apenas o computador.
Apenas olhar para sua, o seu programa. E eu sempre trago uma listinha comigo que são esses 6 aptidões.
Então vamos lá, papel e caneta aí, pessoal, vamos lá.
Eu vou baixando os dedos, tá bom?
Vai lá, Fred. Eu acho que a primeira é relacionamento, entendeu? Não basta se relacionar só com seu computador, precisa se relacionar com o negócio.
Rede.
Rede. É importantíssimo ter rede, né? Muitas vezes você não vai saber certas coisas. Hoje em dia dá para buscar no ChatGPT e tudo, mas eu ainda falo aquela frase antiga que eu sempre usei: importante não é saber, é ter o telefone de quem sabe. Boa, entendeu? Então assim, mesmo para construir sua frase no ChatGPT ou no Copilot, cara, conversa primeiro com aquele seu amigo, aquele seu amigo que conhece do assunto e tudo. Acho que relacionamento é o primeiro. O segundo é negociação. Negociar é, talvez seja um dos mais importantes para que eu traga. Por exemplo, eu tive que negociar para trazer governança de dados para Brasil Prev. Eu tive que negociar para construir um modelo de aumento de contribuição, entendeu? E eu negocio com quem? Com área de negócio. Eu negocio com diretores. Eu negocio para ter o dado. Eu tenho histórias aqui, e vai para outro podcast, que eu tive que negociar na Polícia Federal para ter dado na Polícia Federal. Para construir estimativa de turismo, turista, lá atrás, quando eu trabalhei lá atrás no Ministério do Turismo, entendeu? Então negociação é importante. Ou seja, a negociação faz na frente do computador? Não faz, entendeu?
Então tem que sim levantar da cadeira e negociar.
Aí até te ajuda, né, a pensar na negociação, mas depois você tem que agir.
É isso aí. Terceiro, precisa ser arrojado.
Arrojado?
Arrojado.
Em que sentido?
No sentido do tipo Imagina que eu tô aqui desenvolvendo um modelo matemático, sei de tudo, desenvolvi lindo, maravilhoso, mas eu tô apresentando e tem um cara que conhece muito daquele negócio, como aconteceu comigo no mercado imobiliário. Eu trabalhei para o mercado imobiliário, alguém levantou a mão e falou: tem um tempo, tem a idade do imóvel nesse modelo? Eu disse: não, não tem. Ele: então esse modelo não vale nada. E realmente não valia, porque a idade do imóvel— imagina que eu tenho um imóvel de 100 metros quadrados, 100 anos de idade, eu tenho um imóvel 100 metros quadrados, 6 meses de idade, qual que vale mais?
Com certeza, com certeza, entendeu?
Então assim, depende, depende da localização.
Mas imagina, são vizinhos, são vizinhos, número do CEP.
Beleza.
E por que ser arrojado para construir esse modelo? Eu tive que fazer um modelo dentro de um modelo, porque eu não tinha idade do imóvel, então tive que construir uma clusterização para encaixar no modelo. E por que que essa clusterização? Imagina que no banco de dados eu tinha lá o imóvel, que valores binários, tá? Imóvel que tem piscina, sim ou não? Imóvel que tem academia, sim ou não? No banco de dados eu tinha tudo isso. Imóvel que tem garagem, com duas garagens, sim ou não? Imóvel que tem depósito.
E o nome é o ano da construção, né?
Construir, o ano da construção. Olha que construiu o ano da construção, até esquisito. A partir de uma clusterização, cluster de 5, onde o primeiro cluster é um imóvel novo, o último cluster é um imóvel velho. Adicionei, fui arrojado dentro do modelo matemático. Eu preciso— e como é que eu consegui? Porque o cara levantou, o cara que entende do negócio levantou a mão e falou. Então, ser arrojado é sim, bota um modelo matemático dentro de outro modelo matemático. Isso é ser arrojado. Melhorou em quantos por cento? 8% a acurácia do modelo. Boa, entendeu? Então esse é o primeiro.
Vamos lá, lista tá boa, hein?
Era 3, só falei 3.
Falou 3, vamos para o quarto.
Curioso. A curiosidade é o que me tornou um cientista de dados que programava em R e virou Python.
Eu falo muito de curiosidade aqui também.
Curiosidade é importantíssimo. E assim, eu fui curioso em aprender Python porque eu sou estatístico, estatístico sabe R. E não teve um momento que tinha um projeto que eu separei em duas pessoas. E um, eu tinha lá quase 30 anos, 30 e poucos anos, na verdade já tinha 34 anos, na verdade. E o rapaz falou, ah não, já tô muito velho para aprender R, quero continuar no Python. Eu disse, beleza, então vou com você nesse Python aí da vida, você quer do Python. Ele falou que era muito velho, tinha uns 23 anos o cara, que já era muito velho para aprender outra linguagem. Mas eu, beleza, eu tô com 34 e quero aprender essa linguagem. Fui curioso, busquei, né? Eu tenho vários exemplos de curiosidade onde eu busquei, aprendi, pronto, comecei a desenvolver em Python. Não deixei o R de lado, mas a partir daquele momento desenvolvi em Python e a maioria dos projetos eram em Python. Então, por meio da minha curiosidade, consegui desenvolver.
E a progressão de carreira faz a curiosidade reduzir. Isso é muito importante as pessoas não perderem de vista.
Eu tenho um nome para esse fenômeno.
Qual?
Fenômeno do gato gordo. As pessoas vão ficando acomodadas conforme crescem, por isso a curiosidade diminui. Mas aí, até o que o Charlie Munger fala, né, stay hungry, stay foolish. Mas é um desafio de disciplina, né, em você mesmo.
Se você pensa em você, você tem que manter aquele olhar de estagiário para o resto da tua carreira.
E se você quiser conversar comigo com sobre qualquer assunto, qualquer assunto, tô falando sério. Eu passei por 15 empresas diferentes, não tinha nada a ver, um Bolsa Família a criptomoedas, já passei por todas as coisas assim. Mas qualquer outro assunto, futebol, pode me procurar. Por quê? Porque eu sou curioso. Sim, entendeu?
Você vai procurar saber e depois volta na conversa.
Eu sou muito curioso, entendeu? E assim, cuidado com que a IA fala para você. Porque tem muita coisa que ela vai te falar que não é verdade, entendeu? Você vê muita coisa, aí ela te direciona para algumas coisas que talvez não seja verdade.
Então você tem que saber isso.
E você sabe por quê? Você é curioso. Então, por ser curioso, você— vou dar um exemplo super rápido. Eu tava num trem na Suíça, e esse trem na Suíça eu falava, cara, é muito caro, é muito caro. Certeza que isso aqui não se paga. Eu perguntei para o ChatGPT se paga, ele falou que se paga. Eu disse jamais, questionei para ele, não se paga, tal, não sei o quê. Daqui a pouco ele falou, não, o governo mantém 60%.
Beleza, beleza, tá bom, agora eu aceito. Agora beleza.
Agora, no caso, eu discuti com o GPT sobre o mercado imobiliário de Balneário Camboriú. Eu fui visitar lá e eu falei, não, isso aqui é uma bolha. E ele não, não é uma bolha. Isso aqui é uma bolha, não é. Não tenho ainda conclusão se é ou não é uma bolha, mas cara, foi uma discussão ali.
Sim, você não aceitou a primeira resposta.
E foi uma discussão que eu pedi mais argumentos e ele trouxe bons argumentos de que a maioria dos compradores não se financiam e etc., né? Mas realmente eu adoro esse tipo de entrave ali com ele. Acho que falta um.
Faltam dois.
Empatia. Empatia é o principal, tá claro. Eu preciso ter empatia com área de negócio, não importa qual é a área de negócio, que se eu goste ou não goste daquela área, cara, se tem oportunidades ali de eficiência operacional, se tem oportunidade de trazer negócio, cara, você entende escuta ativa como algo que tá aqui na empatia? Importantíssimo, escuta ativa. A escuta ativa eu venho aprendendo, né? Porque, cara, é impressionante, quem tem esse perfil parece que já tem a ideia formada na cabeça. Então eu falo que a escutativa— eu contei esse caso há pouco tempo. Quando a pessoa não tem escutativa, imagina que uma pessoa que tá falando, falando, falando, falando, falando, aqui começa outra, aqui começa outra falar, ou a mesma, ou duas pessoas falando. É assim, eu paro de falar para você falar, não é assim? Quem não tem escutativa, o que que acontece? A pessoa tá falando, mas ela já tá aqui, ó, a ideia formada. Então quando ela terminou de falar aqui, a pessoa tava com a ideia formada. Ela não escutou um percentual, 90%, 50%, do que a outra falou. Por quê? Porque ela não tava aqui esperando a outra terminar, ela já tinha terminado de ouvir a pessoa e tava aqui.
Então a escuta ativa é importantíssimo, importantíssimo. Se eu não escuto o cara que falou sobre o tempo do imóvel, eu ia construir aquele modelo? Jamais. De escutativa é uma coisa que eu venho trabalhando, eu mesmo trabalho o tempo inteiro, porque se construísse um modelo sem escutar, não ia emplacar. Não, não ia, não ia.
Não teria valor.
E por último, por último, principal para mim, ó, comunicação. Saber se comunicar. Eu posso ter o melhor modelo matemático do mundo, a melhor IA generativa do mundo, Mas se eu não souber vender ou falar dela, não adianta nada, entendeu? Então eu tenho vários exemplos aqui, e muitos exemplos eu trouxe como pontos, assim, são textos lúdicos, sabe? É a história do cientista de dados construindo uma ciência de dados com a receita de pão de queijo. Eu tenho séries temporais a partir da sua fotografia hoje e ontem e 10 anos atrás. Entendeu? Alguns momentos precisa ser até lúdico, porque é algo complexo de se conversar, né? Então a comunicação, para mim, ela é a principal. E aí, claro, desses 6 pontos eu tenho vários assuntos e tudo, aí eu não—
então, cientista de dados hoje em dia quiser prosperar, são 6 pontos comportamentais. Total, total, nada técnico.
Eu simplesmente não pergunto quando eu faço uma entrevista por um cientista de dados, por um analítico, eu não pergunto nem a universidade que ele fez.
Não vai mudar.
Desculpa, ele sabe trabalhar com Python, com R, com o que for, com SQL, olhando para o ChatGPT, para o Databricks, já desenvolve para ele praticamente.
Não vai ser isso que vai fazer ele ter sucesso nem boa, boa. Olha, Fred, hoje não foi um podcast aqui, a gente tem uma MBA para quem quiser aproveitar aproveitar essa oferta e generosidade do Arlei, que estamos trazendo para todos que nos escutam com o patrocínio do SoftBank. Essa temporada do AI First Cast tem o patrocínio do SoftBank, o banco de investimento que mais entende de inteligência artificial da América Latina.
Arlei, cara, simpatia nota mil. Boa. Muito curioso o papo contigo.
Curioso.
Bem em vários âmbitos da inteligência artificial, generativa, não generativa, Como que dados conecta nisso. Um cara super bacana de conversar.
O cara que agora a gente vai ter o telefone, né, Fred? Porque se eu não souber, eu vou ligar para ele, entendeu? Agora eu tenho para quem ligar.
Foi um papo tão leve que a gente até foi além do que a gente normalmente fica de tempo. Com muito prazer. Eu espero que vocês tenham gostado desse papo. Muito obrigado pela sua presença. E qual a sua dica final para quem nos está ouvindo sobre inteligência artificial e o impacto que isso pode trazer para os negócios?
Cara, minha mensagem final é que discuta com a IA. Esse é o primeiro ponto. Eu acho que é importante discutir. Uma palestra com um VP da Microsoft, eu levantei a mão, o pessoal perguntou manteiga ou margarina, o que que o ChatGPT vai responder? Isso há 2 anos e meio, 3 anos atrás. E eu levantei a mão e contei a minha história com ChatGPT construindo um modelo matemático onde era séries temporais. Perguntei para ele, fui perguntando para ele. Daqui a pouco ele falou para mim, o ChatGPT: procura um especialista. Aí eu disse: como assim? ChatGPT mandou procurar um especialista? Como assim? Você tá mexendo com o cara de boa? Perguntei para o ChatGPT isso e ele falou assim: não, não, porque a série temporais é algo muito complexo e tudo, mas aqui segue mais uma lista. Ele já tinha feito um monte de coisa, ele mandou uma lista e uma das listas era sobre tendência. Eu falei: nossa, interessante, será que tem essa função? Fui lá, procurei a função e construí. Eu disse: nossa, beleza, você me ajudou e tudo, como é que eu faço isso em datas? Aí ele falou, mandou uma função matemática para mim.
Isso há 3 anos atrás, tá? Mandou a função para mim, eu olhei para aquela função, falei: esse Python tá errado. Eu disse: agora, ChatGPT, você precisa procurar um especialista porque essa função tá errada. Aí ele falou: você tem razão, a função é exatamente— ele mudou a função e mostrou para mim. Então discuta com IA, não acredite 100% nela. Discuta com ela. Eu acho que isso é importante. E sobre o negócio, eu sinto que se não tiver inteligência artificial dentro do negócio, o negócio não vai andar. Hoje é isso, não adianta. Não é hype, não é hype, entendeu? A generativa tem um momento que eu falo, cara, isso é hype, mas você sente que Tem coisas para o seu negócio que você consegue andar se você começar a desenvolver com IA generativa, não generativa, entendeu? Você precisa sim de capacitação das pessoas da sua empresa em relação a esse movimento. Hoje eu vi uma reportagem que contrataram uma pessoa, eu não vi o contexto e tudo, e não é uma pessoa, é uma pessoa super importante, eu não vou falar a empresa nem por bilhão de dólares a contratação de uma pessoa que vá trabalhar com isso.
Então assim, as empresas estão investindo nisso, tá na moda o acquihire, né, aquisição para comprar o capital intelectual.
Então assim, as pessoas estão, é tomada decisão sem ser por achismo, né, e sim por meio de dados. Isso já existe, a decisão por meio de dados, já sei lá, 25 anos que eu já trabalho com isso. É decisão em cima de dados. Só que agora é a decisão que lá atrás eu levava 30 dias para tomar uma decisão, porque lá atrás eu não tinha processamento em nuvem, não tinha esse potencial. Hoje são segundos. E segundos se você conseguir desenvolver dentro da empresa essa parte de IA. Se ficar esperando, desculpa, você vai voltar lá atrás onde eu demorava 30 dias para tomar uma decisão.
Bom demais, bom demais, Arlei. Várias coisas vão ficar aqui ecoando na minha cabeça cabeça, muitas reflexões, discutir com AI então, né? Errar não é apenas humano, né? Então também acontece na inteligência artificial e vale a gente discutir com ela. Vamos fechar com esse insight.
Boa, tá?
É isso aí. Muitíssimo obrigado, Fred. Valeu por mais um e a gente espera todos vocês no próximo episódio de AI First Cast.
APRESENTADORES
Quem apresenta o AI First Cast
Fred Pericini
Co-fundador da Agência F2F, Engenheiro de Produção pela UFSCAR, empreendedor com mais de 10 anos de experiência em Marketing Digital, foi consultor na McKinsey, diretor comercial do Groupon Brasil e Groupon China.
Filipe Xavier
Especialista em marketing digital, branding e estratégia de conteúdo. Experiência c-level, visão ampla de comunicação e tecnologia e entusiasta early-adopter de inteligência artificial.