O maior obstáculo para a consolidação da inteligência artificial no país está na qualificação de profissionais capazes de atuar “fim a fim”, do dado à produção. Essa é a avaliação de João Paulo Ribeiro, especialista em cultura organizacional e CEO do Grupo Inove. Em entrevista ao IA Brasil Notícias para a série especial O Futuro da IA no Brasil, o executivo propõe cinco pilares para ajudar na formação de talentos para o setor: trilhas de carreira definidas por função, programas de residência em empresas, laboratórios setoriais com dados representativos, formação de professores em áreas críticas como MLOps e segurança, além de competências transversais em inglês técnico e ética.
Como você vê o papel do Brasil no mercado global de IA hoje, e qual deve ser o peso do país nesse setor nos próximos anos?
Hoje, o Brasil é mais “aplicador” do que “fabricante” de IA. Na prática, isso significa que avançamos rápido em soluções de uso, especialmente em finanças (detecção de fraude, crédito), varejo e marketplaces (operações, atendimento e logística), agronegócio (monitoramento e previsão), governo digital (serviços ao cidadão) e saúde (triagem, regulação de leitos, apoio diagnóstico), enquanto ainda temos pouca presença em pesquisa de fronteira e no treinamento de modelos fundacionais em larga escala.
O potencial, porém, é grande: temos escala de dados em setores intensivos (financeiro, consumo e agro), boas universidades, e um mercado interno que pressiona por eficiência.
Nos próximos anos, vejo o Brasil ganhando peso como hub de IA aplicada em português e espanhol, com foco em produtividade e automação de processos. Não disputaremos, no curto prazo, a liderança em infraestrutura de chips ou na corrida por modelos generalistas gigantes, mas podemos “puxar a fila” em casos de uso setoriais (tributação, logística, crédito, saúde suplementar, seguros, utilities).
O “salto” virá se conseguirmos transformar nossa massa de dados setoriais em ativos interoperáveis e confiáveis, e se aproximarmos universidades, empresas e órgãos públicos em arranjos de teste e validação.
O que ainda falta para o Brasil avançar mais nesse mercado e aproveitar plenamente as oportunidades atuais?
Quatro travas se repetem no dia a dia. A primeira está relacionada com acesso a computação e dados de qualidade. As empresas esbarram em custo/latência de GPU, governança de dados e burocracia para uso de bases públicas e privadas. Precisamos de consórcios de dados com “clean rooms” e mecanismos de data sharing que respeitem a LGPD, além de compras públicas que financiem infraestrutura de inferência em edge e nuvem.
A segunda diz respeito aos mecanismos de financiamento e contratação orientados a resultado. Licitações e editais ainda premiam projeto (horas/homem) e não impacto (KPIs). Modelos de “vouchers de IA” para PMEs, challenge-based procurement e sandboxes regulatórios setoriais acelerariam a adoção, sobretudo fora do eixo financeiro.
Em terceiro lugar, padrões e medição. Falta padronizar avaliação de modelos em português, auditoria de vieses e métricas de segurança/qualidade. Sem isso, as decisões de compra ficam opinativas e lentas.
Por fim, formação de times completos. Não basta treinar prompting ou modelagem isolada. O gargalo é integrar produto, dados, engenharia, segurança e jurídico para escalar da POC ao ambiente de produção.
Quais são os maiores desafios na formação de profissionais para atuar com IA no país, e como superá-los?
O principal desafio é formar para o “fim a fim”. Muita gente aprende a usar bibliotecas ou a chamar uma API, mas poucos dominam o ciclo completo, coleta e catalogação de dados, feature store, avaliação, MLOps, monitoramento, custo de servir e governança. Para virar o jogo, proponho cinco pilares:
Trilhas de carreira claras por função, analista de dados, engenheiro de dados, engenheiro de ML, desenvolvedor de apps com IA, PM de IA e especialista jurídico/ética. Cada trilha com competências, projetos e métricas objetivas.
Residências e estágios-aprendizagem de 6–12 meses em empresas, com projetos reais e tutoria. É aí que o profissional aprende a lidar com latência, custo, drift e requisitos de conformidade.
Laboratórios de dados setoriais (saúde, agro, finanças, bens de consumo) com bases sintéticas e clean rooms para treinar e avaliar modelos em cenários representativos do Brasil.
Formação de formadores, capacitar professores e líderes técnicos em MLOps, segurança e avaliação de modelos em português; sem isso, os cursos ficam defasados.
Complemento com duas camadas transversais, inglês técnico (para acompanhar documentação e papers) e ética/segurança (privacidade, vieses, segurança de modelo e de cadeia de suprimento).
Quais são as principais iniciativas ou inovações voltadas ao mercado de IA que seu grupo está desenvolvendo atualmente?
Na organização em que atuo, estamos conduzindo frentes complementares para tirar IA do laboratório e levar ao resultado operacional:
Residência em IA Aplicada (coortes semestrais). Programa de imersão para formar times “prontos para produção”. Cada participante entrega um caso real com KPIs pactuados (ex.: redução de TMA, acurácia em triagem, ganho de produtividade por hora).
Consórcios de Dados com clean rooms. Estruturas setoriais para permitir treinamento/avaliação com dados sensíveis sem expor PII, com trilhas de data lineage, auditoria e contratos-padrão que reduzem o atrito jurídico.
Benchmarks em Português. Conjunto de tarefas e métricas para avaliação de modelos em PT-BR (compreensão de documentos, extração fiscal, atendimento regulado, resumo jurídico), publicando leaderboards e playbooks de adoção.
Guia LGPD + IA para implantação segura. Modelos de DPIA, controles de risco, padrões de retenção e red teaming de modelos, para acelerar compliance desde o desenho do produto.
Hub de Casos de Uso com ROI. Biblioteca viva de casos medidos (antes/depois), com templates de business case, arquitetura de referência e runbooks de MLOps.
Rede de Municípios e Órgãos Setoriais. Pilotos em serviços ao cidadão (triagem de demandas, análise de documentos, inspeção de campo) com métricas de qualidade, fallbacks humanos e transparência algorítmica.
Eu vejo o Brasil com condições de liderar IA aplicada com qualidade e responsabilidade, desde que resolvamos a tríade dados confiáveis, computação acessível e formação fim a fim. Minha prioridade é costurar essas peças em projetos que entreguem ganho medido, e que possam ser replicados por PMEs e pelo setor público sem fricção.
