O segundo dia do AI & Big Data Expo, realizado em conjunto com a Digital Transformation Week em Londres, deixou claro que o mercado está em transição.
A empolgação inicial em torno dos modelos generativos começa a ceder lugar a questões práticas: líderes de empresas enfrentam agora o atrito de inserir essas ferramentas nas pilhas tecnológicas existentes. As sessões do segundo dia deram menos ênfase a grandes modelos de linguagem e mais foco à infraestrutura necessária para operá‑los — como linhagem de dados, observabilidade e conformidade — elementos essenciais para que modelos avancem de provas de conceito para produção.
Maturidade dos dados determina sucesso de implementação
A confiabilidade da IA depende diretamente da qualidade dos dados. DP Indetkar, do Northern Trust, alertou para o risco de permitir que a IA vire um “robô de filme B” — cenários em que algoritmos fracassam por causa de entradas defeituosas. Indetkar destacou que a maturidade analítica precisa preceder a adoção de IA: a automação de decisões tende a ampliar erros, não reduzi‑los, quando a estratégia de dados não está validada.
Eric Bobek, da Just Eat, endossou essa postura, explicando como dados e machine learning orientam decisões em uma empresa global. Sem uma base de dados consolidada, investimentos em camadas de IA acabam sendo desperdiçados. Na mesma linha, Mohsen Ghasempour, do Kingfisher, ressaltou a importância de transformar dados brutos em inteligência acionável em tempo real — no varejo e na logística, reduzir a latência entre coleta e geração de insight é crucial para obter retorno.
Escalar em ambientes regulados
Setores como finanças, saúde e jurídico têm tolerância próxima de zero para erros, e isso exige cuidados específicos. Pascal Hetzscholdt, da Wiley, afirmou que a IA responsável nesses campos repousa sobre precisão, atribuição e integridade. Sistemas corporativos precisam de trilhas de auditoria; danos reputacionais ou multas regulatórias tornam inaceitáveis implementações em “caixas-pretas”.
Konstantina Kapetanidi, da Visa, detalhou os desafios de construir aplicações generativas multilíngues, com uso de ferramentas e escaláveis. Modelos estão se transformando em agentes ativos que executam tarefas — não apenas geram texto — e permitir que um modelo utilize ferramentas, como consultas a bases de dados, abre vetores de segurança que exigem testes rigorosos. Parinita Kothari, do Lloyds Banking Group, reforçou a necessidade de requisitos claros para implantar, escalar, monitorar e manter sistemas de IA, confrontando a mentalidade do “deploy and forget”: modelos precisam de supervisão contínua, similar à infraestrutura de software tradicional.
Mudanças no fluxo de trabalho dos desenvolvedores
A IA está alterando a maneira como o código é escrito. Um painel com representantes da Valae, Charles River Labs e Knight Frank discutiu como copilotos de IA reconfiguram a criação de software: eles aceleram geração de código, mas deslocam o foco dos desenvolvedores para revisão e arquitetura. Essa mudança demanda novas habilidades.
Outro painel, com participantes da Microsoft, Lloyds e Mastercard, tratou das ferramentas e mentalidades necessárias aos desenvolvedores do futuro. Há um descompasso entre as capacidades atuais da força de trabalho e o que um ambiente aprimorado por IA exige; diretores precisam planejar programas de treinamento que garantam a validação adequada do código gerado por IA.
Dr. Gurpinder Dhillon, da Senzing, e Alexis Ego, da Retool, apresentaram estratégias low-code e no-code. Ego descreveu como combinar IA com plataformas low-code para criar aplicações internas prontas para produção, uma abordagem destinada a reduzir o backlog de solicitações internas. Dhillon argumentou que tais estratégias aceleram o desenvolvimento sem sacrificar a qualidade — desde que protocolos de governança sejam mantidos — o que, para C‑level, indica potencial de entrega de software interno com custo menor.
Capacidade da força de trabalho e utilidade específica
O mercado começa a trabalhar com “colegas digitais”: Austin Braham, da EverWorker, explicou como agentes modificam modelos de trabalho, passando de softwares passivos para participantes ativos e exigindo que líderes revisitem protocolos de interação humano‑máquina. Paul Airey, da Anthony Nolan, trouxe um exemplo concreto do valor da automação: ele detalhou como a IA melhora o pareamento de doadores e reduz prazos em transplantes de células-tronco, mostrando impacto diretamente ligado a vidas.
Um tema recorrente foi que aplicações efetivas costumam resolver problemas muito específicos e de alta fricção, em vez de tentar ser soluções de propósito geral.
Gerenciando a transição
As sessões do segundo dia evidenciaram que o foco das empresas mudou para integração. A novidade inicial deu lugar a demandas por disponibilidade, segurança e conformidade. Líderes de inovação devem avaliar quais projetos dispõem da infraestrutura de dados necessária para sobreviver ao contato com o mundo real.
Organizações precisam priorizar fundamentos: limpar data warehouses, estabelecer guardrails legais e treinar equipes para supervisionar agentes automatizados. A diferença entre uma implantação bem sucedida e um piloto parado muitas vezes está nesses detalhes. Executivos, por sua vez, devem direcionar recursos a engenharia de dados e frameworks de governança; sem isso, modelos avançados dificilmente entregarão valor consistente.
