Transformação não espera
Como a Jump transforma conhecimento, tecnologia e IA em produtos
Quanto uma empresa realmente conhece os problemas que os seus clientes precisam resolver? Em tecnologia, essa pergunta ganha ainda mais importância. A Inteligência Artificial está tornando mais rápido desenvolver, testar, pesquisar e automatizar. Mas velocidade, sozinha, não significa inovação. É preciso saber o que construir, para quem construir e qual problema solucionar.
O cliente como ponto de partida da inovação
A Jump atua como uma consultoria especializada, desde 2014, para promover a transformação digital dos clientes, sua fonte principal de inovação. Hoje, atende mais de 60 empresas no Brasil e na América Latina. Essa presença coloca as equipes em contato com diferentes setores, desafios e necessidades de negócio e transforma a experiência acumulada nos projetos em uma importante fonte de conhecimento.
Nesse contexto, ouvir o cliente não é apenas uma etapa comercial. É parte de um ciclo que permite identificar oportunidades de melhoria nos serviços e necessidades que podem dar origem a novas soluções.
Entender a dor do cliente e as necessidades do mercado
“O produto que a Jump desenvolve vem como um agregador aos nossos serviços. Através dos nossos serviços a gente entende a necessidade dos clientes e a dor do mercado como um todo. Assim, nascem os produtos da Jump. Esses produtos são incorporados dentro dos projetos de clientes que nós temos. Depois ofertamos o produto para o mercado junto com uma consultoria especializada”, explica Rafael Capua, COO da Jump.
A IA é um meio de desenvolvimento, não um fim
A Inteligência Artificial vem auxiliando os projetos de inovação na Jump trazendo celeridade eampliando a capacidade das pessoas, acelerando etapas operacionais e abrindo espaço para que o conhecimento humano seja aplicado onde pode gerar mais valor.
Hoje, a Jump conta com 16 produtos desenvolvidos a partir das necessidades identificadas nos projetos, do conhecimento acumulado pelas equipes e das dores observadas no mercado.
É justamente esse movimento que ganha uma nova dimensão com o ecossistema de produtos da Jump e materializa uma trajetória que começa muito antes da tecnologia: na escuta do cliente.
“O grande diferencial da Jump sempre foi o relacionamento. A Jump consegue atender bem as nossas necessidades. São profissionais de qualidade, temos muita proximidade e um time sempre pronto para ajustar”, declara Karen Inoue, Head de Martech e CRM da Cogna.
Quanto mais fácil construir, mais importante construir direito
A IA reduziu algumas barreiras para transformar uma ideia em aplicação. É possível gerar código, pesquisar possibilidades, testar funcionalidades e automatizar etapas do desenvolvimento em uma velocidade difícil de imaginar há poucos anos. Mas velocidade não elimina a necessidade de engenharia e muito menos de governança.
“Quanto mais fácil ficou construir, mais importante ficou construir direito. Na Jump, como a equipe de inovação trabalha também com pré-vendas, conhece muito as regras de negócio dos clientes e isso ajuda a refinar o pedido para a IA gerar um produto que já atenda as especificações”, declara Patricia Maciel, Head de Inovação da Jump.
Antes de um produto existir, existe arquitetura. Segurança, observabilidade, rastreabilidade e capacidade de auditoria também precisam fazer parte da construção. Quando esse produto envolve Inteligência Artificial, entram ainda questões relacionadas à gestão de riscos, transparência, responsabilidade e governança.
Nesse ponto, a Jump conta com o respaldo da certificação ISO/IEC 42001, norma internacional para sistemas de gestão de Inteligência Artificial. A norma estabelece uma estrutura para que organizações desenvolvam, implementem, utilizem e aprimorem sistemas de IA de maneira responsável, incorporando práticas de governança, gestão de riscos, transparência e melhoria contínua.
O agente executa, o humano direciona
Essa nova divisão do trabalho começa a aparecer também nas pesquisas sobre IA. O Work Trend Index 2026, da Microsoft, ouviu 20 mil profissionais que utilizam IA em dez países, incluindo o Brasil, além de analisar sinais anonimizados de produtividade. Entre os entrevistados, 66% afirmaram que a IA permitiu dedicar mais tempo a trabalhos de maior valor, enquanto 58% disseram estar produzindo trabalhos que não conseguiriam realizar um ano antes.
Os números ajudam a ilustrar uma mudança: conforme agentes assumem parte da execução, o papel humano pode se deslocar para direção, julgamento, supervisão e responsabilidade sobre os resultados. É uma dinâmica que já aparece no cotidiano da Inovação da Jump.
“A IA não vai substituir as pessoas, mas o jeito de trabalhar tem que mudar. As pessoas que não se adaptarem talvez sejam substituídas. O que é operacional a gente usa os agentes, mas o que é mais estratégico e o conhecimento de negócio é humano. Todo esse Knowhow do que a Jump faz, o que é estratégico e importante isso é humano. O humano é o grande diferencial nesse processo, tanto em aprendizado e no espírito de equipe.” declara Patrícia.
O que a IA ainda não conhece? O seu cliente
O agente faz a parte operacional e impulsiona, mas a usabilidade é algo muito humano. A IA não tem o conhecimento do negócio, não está na ponta de quem vai usar a ferramenta.
A capacidade de desenvolver mais rapidamente só ganha significado quando aquilo que é desenvolvido gera valor para quem está na outra ponta. A usabilidade continua dependendo de compreender quem efetivamente utilizará a solução. Isso significa conversar, observar, questionar e trazer o cliente para dentro do desenvolvimento.
E talvez esteja justamente aí um dos maiores diferenciais humanos em um ambiente cada vez mais automatizado: entender contexto.
Outro grande diferencial da Jump é que os produtos são todos nacionais. Isso é muito importante em um processo de melhoria, evolução e adaptação e isso também conta muito para celeridade nas entregas. A aceleração permite ser mais criativa. “Nas nossas propostas a gente vende o humano responsável e a IA otimizando. Principalmente com o cliente a IA nunca vai substituir essa parte da curiosidade, do questionamento, do entendimento do negócio.”
IA funciona melhor quando a organização aprende junto
Existe ainda outra dimensão dessa transformação: tecnologia sozinha não transforma uma empresa. No mesmo estudo, a Microsoft identificou uma relação relevante entre fatores organizacionais como cultura, apoio das lideranças e desenvolvimento de talentos e o impacto percebido da IA.
Entre profissionais considerados usuários mais avançados, aparecem com maior frequência comportamentos como compartilhar aprendizados, discutir oportunidades de automação com colegas e estabelecer padrões para a qualidade do trabalho realizado com IA. É um cenário semelhante ao encontrado na área de Inovação da Jump. Por trás dos produtos existe uma dinâmica constante de estudo, experimentação e compartilhamento de conhecimento. O que uma pessoa descobre pode melhorar o trabalho de outra, e aquilo que funciona em um projeto pode se transformar em aprendizado para o próximo.
Da dor do cliente ao ecossistema
A lógica não é criar tecnologia e depois procurar onde aplicá-la. É começar pela necessidade, reunir conhecimento de negócio e, quando existe potencial para transformar esse aprendizado em algo replicável, transformá-lo em produto.
“A decisão estratégica da Jump de fazer o desenvolvimento de produtos vem da visão que a gente tem de que algumas coisas que a gente faz, poderiam ser mais automatizadas, usar a tecnologia para fazer mais rápido, para fazer melhor e com um custo menor. Os produtos nascem como uma etapa de melhoria do serviço”, declara Anderson Argentoni CEO da Jump.
O Burnout dos times de dados vira risco de qualidade
A IA prometia mais produtividade, automatizar tarefas e devolver tempo às pessoas, mas, estamos vivendo um paradoxo: fazer tarefas mais rapidamente não significa necessariamente trabalhar menos.
O estudo global Workforce 2026, da Korn Ferry ouviu mais de 16 mil profissionais em 11 mercados e mostrou que 52% dos profissionais afirmam que as ferramentas de IA aumentaram o volume de tarefas, em vez de reduzi-lo e mais de 60% dizem acumular funções e relatam que a carga de trabalho cresceu significativamente nos últimos dois anos.
No Brasil, essa contradição fica ainda mais evidente. Segundo dados repercutidos pela Forbes Brasil, 63% dos profissionais perceberam ganhos de eficiência com o uso da Inteligência Artificial, mas 47% afirmam estar ocupados demais para entregar resultados relevantes.
“É perfeitamente possível fazer cada tarefa mais rápido e terminar o dia com mais trabalho”, resume Vinicius De Luca, presidente de consultoria da Korn Ferry para a América do Sul.
A constatação coloca uma questão importante para empresas que estão acelerando seus investimentos em IA: o problema está na tecnologia ou na forma como o trabalho está organizado ao redor dela?
Os times de dados estão crescendo e a complexidade também
Pipelines precisam continuar funcionando. Problemas de qualidade precisam ser investigados. Acessos precisam ser gerenciados. Dados precisam estar disponíveis, seguros, documentados e em conformidade. Ao mesmo tempo, surgem novas demandas de analytics, machine learning e agentes de IA.
Separadamente, são atividades normais de uma operação de dados. Quando o retrabalho, as exceções e as intervenções manuais se tornam permanentes, porém, podem revelar algo que dificilmente aparece nos dashboards executivos: a quantidade de complexidade operacional que está sendo absorvida pelas pessoas.
E é nesse ponto que sobrecarga, governança e qualidade de dados passam a integrar uma mesma conversa, não porque seja possível atribuir o esgotamento profissional a uma única causa, mas porque a organização do trabalho, a qualidade dos processos e a clareza das responsabilidades também fazem parte do ambiente em que essas equipes trabalham.
Burnout e o risco da qualidade dos dados
O Burnout é um fenômeno complexo e deve ser tratado com a seriedade devida. Não cabe atribuí-lo a uma ferramenta, a uma arquitetura tecnológica ou à ausência de determinada prática de governança. Mas isso não impede as organizações de observarem os fatores estruturais relacionados à maneira como o trabalho acontece.
O que os próprios profissionais de dados já dizem
Uma pesquisa da DataKitchen e da data.world realizada com 600 engenheiros de dados ajuda a dimensionar o problema. Embora o levantamento seja de 2021, anterior à atual expansão da GenAI, seus resultados são especialmente interessantes quando observados no contexto atual.
Entre os profissionais pesquisados, 69% afirmaram que as políticas de governança de dados de suas organizações tornavam o trabalho cotidiano mais difícil. Além disso, metade dos entrevistados apontaram o fluxo constante de erros como fonte de pressão, e a outra metade mencionou processos manuais que ocupavam o espaço destinado à inovação.
O que os gestores precisam observar
Os primeiros sinais de adoecimento costumam ser físicos e comportamentais: atrasos de quem sempre chegou no horário, saídas frequentes ao banheiro, perda de peso, falhas de memória e redução da interação com colegas. A recomendação é contratar avaliações de riscos psicossociais e implementar rotinas de proteção à saúde mental das equipes.
NR-1 e as diretrizes gerais de segurança e saúde no trabalho no Brasil
No Brasil, essa discussão ganhou ainda mais relevância em 2026. A nova redação do capítulo 1.5 da Norma Regulamentadora nº 1 (NR-1) entrou em vigor em 26 de maio e passou a incluir expressamente os fatores de risco psicossociais relacionados ao trabalho no Gerenciamento de Riscos Ocupacionais (GRO).
O próprio Ministério do Trabalho e Emprego destaca que a abordagem deve considerar os fatores relacionados ao trabalho, dentro de uma perspectiva de prevenção e gerenciamento de riscos e isso muda o olhar das empresas para a performance dos funcionários.
Em vez de olhar exclusivamente para a capacidade individual de lidar com pressão, torna-se necessário observar também como o trabalho é desenhado, distribuído e executado.
Nos times de tecnologia e dados, essa análise pode incluir fatores bastante concretos: interrupções constantes, retrabalho, processos excessivamente manuais, demandas sem priorização clara, dependência de poucas pessoas, responsabilidades indefinidas e pressão para manter sistemas críticos funcionando enquanto novos projetos continuam chegando.
Quanto esforço humano é necessário para manter os dados governados?
O objetivo não é criar uma organização sem incidentes ou sem pressão, mas construir uma operação capaz de absorver crescimento e mudança sem depender continuamente de heroísmo individual.
Para empresas que estão acelerando investimentos em dados e Inteligência Artificial, talvez essa seja uma nova dimensão de maturidade a considerar.
O que é GenAI, na prática, para quem decide o orçamento
A IA passa de assistente para agente e, agora, para quem decide o orçamento, é preciso entender como a Inteligência Artificial Generativa pode se tornar um valor mensurável para o negócio.
O que é GenAI na prática?
A Inteligência Artificial Generativa, ou GenAI, é uma categoria de IA capaz de gerar novos conteúdos e respostas a partir de padrões aprendidos em grandes volumes de dados. Texto, código, imagens, análises e documentos estão entre suas aplicações mais conhecidas.
No ambiente corporativo, GenAI pode apoiar desenvolvedores na geração de código, resumir contratos, auxiliar análises financeiras, atender clientes, apoiar equipes comerciais, produzir relatórios e se conectar a diferentes sistemas. É justamente essa evolução que muda a conversa sobre orçamento.
Uma licença tradicional de software tende a oferecer relativa previsibilidade. Com a GenAI, o custo deixa de depender apenas de ter a tecnologia disponível e passa a depender também de quanto, como e para que ela é utilizada.
A nova unidade econômica da IA
Sarah Friar, CFO da OpenAI, afirmou que clientes corporativos estão buscando retornos mais mensuráveis dos investimentos em Inteligência Artificial. Em artigo publicado na Fortune, em julho de 2026, Friar afirma que a principal dúvida apresentada por executivos financeiros é como transformar investimentos em IA em valor concreto para os negócios. “A pergunta que ouço de diretores financeiros em todos os lugares é simples: como podemos obter mais valor de nossos investimentos em IA?”.
Ela propõe a métrica “useful intelligence per dollar”, algo como “inteligência útil por dólar investido”. A ideia é medir resultados concretos: tarefas relevantes concluídas, custo total da tarefa (incluindo revisões humanas e tentativas adicionais), precisão e capacidade de aumentar o valor entregue sem fazer os custos crescerem. A unidade econômica da IA talvez não seja o token. É a tarefa concluída com qualidade e o valor que ela gera.
O investimento em IA cresce, e a visibilidade de custo acompanha?
Segundo pesquisa do Gartner, divulgada em setembro de 2026, com 1.303 líderes de organizações com receita anual acima de US$ 50 milhões, 85% pretendem aumentar seus gastos com IA em 2026. Apenas 22% das organizações conseguiram escalar IA de forma consistente entre múltiplas áreas de negócio e 11% sequer sabem quanto gastaram com IA em 2025. O orçamento pode estar crescendo mais rapidamente do que a capacidade de medir seu retorno.
A mesma pesquisa encontrou uma diferença relevante nas empresas que tratam IA como investimento mensurável. Entre as organizações de alto desempenho, que acompanham ROI, avaliam regularmente os projetos e realocam recursos quando necessário, 81% das iniciativas de IA apresentaram retorno positivo.
Produtividade x geração de valor
A adoção da GenAI desde o início foi sustentada por ganhos de produtividade. O estudo State of AI in the Enterprise 2026, da Deloitte, mostra que, apesar de melhorias de produtividade e eficiência apenas 20% dizem já ter conseguido aumentar receitas por meio da IA, embora 74% esperem alcançar esse resultado no futuro.
A Deloitte aponta que apenas 34% das organizações pesquisadas estão utilizando IA para promover transformações mais profundas, como criar produtos e serviços ou reinventar processos e modelos de negócio.
Escalar exige infraestrutura, integração, segurança, governança, qualidade dos dados, monitoramento e capacidade de acompanhar consumo e custos. E essa equação ganha uma nova dimensão quando a IA deixa de apenas responder e começa também a executar.
Da IA que responde para a IA que executa
O setor financeiro brasileiro ajuda a mostrar como essa transformação está acontecendo na prática. Com o tema “Agentes Inteligentes, Liderança Humana”, o Febraban Tech 2026 que aconteceu em agosto, em São Paulo, colocou no centro das discussões uma nova etapa da adoção corporativa de IA para sistemas capazes de interpretar objetivos, acessar informações, interagir com aplicações e executar etapas de processos.
“IA pra mim é uma infraestrutura central para a tomada de decisão. A IA em si não é um diferencial, a forma como você usa a IA é que vai diferenciar pessoas, empresas e nações”, declarou Maurício Minas, presidente do Conselho do Febraban Tech e conselheiro do Bradesco e da B3, ao Portal Febraban.
A dimensão dos investimentos ajuda a compreender por que essa mudança também precisa entrar na agenda de quem decide orçamento.
Segundo a Pesquisa Febraban de Tecnologia Bancária 2026, os bancos brasileiros devem investir R$ 50,4 bilhões em tecnologia neste ano. Cerca de R$ 3 bilhões serão destinados a IA, Analytics e Big Data, enquanto os investimentos em migração para cloud devem alcançar R$ 3,9 bilhões.
Um assistente de GenAI pode receber uma solicitação, processar determinado contexto e produzir uma resposta, consultar diferentes fontes de dados, acessar APIs, interagir com sistemas corporativos e executar diversas etapas antes de concluir uma tarefa.
Quando a IA executa, o custo também muda
Com mais agentes, usuários e processos automatizados, os gastos podem se tornar mais variáveis e complexos de prever e atribuir. Isso não significa que custos de IA sejam incontroláveis. Significa que precisam ser observados de maneira diferente.
Essa variabilidade também está mudando a disciplina que sustenta a operação de IA. MLOps deixa de ser preocupação só de times de dados e passa a ter impacto financeiro direto. Cada retraining, cada rota de inferência, cada modelo em produção consome recursos que precisam ser rastreados como qualquer outro custo de nuvem. Do lado dos dados, arquiteturas de Data Mesh trazem o mesmo dilema em outra escala: cada domínio passa a gerar, consumir e pagar por dados de forma independente, o que exige visibilidade de custo tão granular quanto a de um pipeline de agentes de IA.
GenAI não deve ser analisada apenas como uma nova linha de despesa tecnológica, mas passa a exigir uma aproximação cada vez maior entre tecnologia, finanças e negócio.
Centro de Excelência e ISO 9001: como a Jump conecta capacitação, qualidade e experiência do cliente
Em tecnologia, aprender sempre fez parte do trabalho. Mas a velocidade com que a Inteligência Artificial generativa, as plataformas de dados e a automação está mudando a dimensão desse desafio.
Durante a execução de um projeto, as necessidades identificadas fazem com que o conhecimento técnico também precise evoluir no processo. Competências passam a exigir atualização em ciclos cada vez mais curtos, enquanto novas especializações ganham espaço. Nesse cenário, capacitação não é mais opcional, é continuidade.
O movimento de requalificação que ocorre no mercado também precisa estar presente dentro das empresas. Na Jump, o Center of Excellence (CoE) materializa parte dessa visão ao funcionar como um hub estratégico de conhecimento e inovação que conecta desafios a especialistas e promove capacitação, acompanhamento técnico e compartilhamento de boas práticas.
Do conhecimento à qualidade da entrega
O CoE atua em três frentes principais:
- Capacitação técnica: treinamentos internos e cursos especializados em tecnologias de ponta.
- Acompanhamento recorrente em capacitação: suporte diário para a evolução dos consultores.
- Compartilhamento de experiências: encontros e workshops que disseminam boas práticas e fortalecem a cultura colaborativa da Jump.
O Painel CoE da Jump cria um ciclo de desenvolvimento contínuo, no qual o conhecimento adquirido é compartilhado e aplicado em outras entregas. Esse modelo impulsiona a carreira dos consultores, fortalece a confiança dos clientes e aproxima o trabalho do CoE a outro compromisso da Jump: a gestão contínua da qualidade.
ISO 9001: qualidade como processo contínuo
A Jump possui a certificação ISO 9001, norma internacional para Sistema de Gestão da Qualidade (SGQ). Mais do que um selo, a ISO 9001 estabelece uma abordagem estruturada para que as organizações implementem, mantenham e melhorem continuamente seus processos, com forte orientação para atender às necessidades dos clientes e aumentar sua satisfação.
Entre os princípios associados à gestão da qualidade estão foco no cliente, engajamento das pessoas, abordagem por processos, melhoria contínua, tomada de decisão baseada em evidências e gestão de relacionamentos. É justamente na busca pela melhoria contínua que o CoE e a gestão da qualidade se encontram.
Em um setor transformado pela IA e pela velocidade da inovação, qualidade também depende da capacidade de aprender, adaptar-se e evoluir continuamente.
Conhecimento técnico não precisa ser construído sozinho
Um dos diferenciais do Painel CoE da Jump é a participação de um mentor técnico: um consultor mais experiente que atua como referência para compartilhar experiências, esclarecer dúvidas e ajudar a conectar os conceitos estudados aos desafios encontrados no projeto.
Esse modelo transforma conhecimento individual em conhecimento coletivo. Em vez de depender apenas de cursos ou conteúdos teóricos, o consultor pode acessar a experiência acumulada por outros profissionais e aplicá-la para acelerar sua própria curva de aprendizado.
Para os consultores, significa ter acesso a especialistas e experiências que aceleram o desenvolvimento profissional. Para o cliente, significa contar não apenas com o profissional alocado no projeto, mas com um ecossistema de conhecimento capaz de apoiar tecnicamente aquela entrega.
Proximidade é o grande diferencial
É na percepção do cliente que esse ciclo ganha significado.
“A Jump é parceira de tecnologia da CPP desde o começo, atuando em sistemas, segurança, dados, BI e martech. Os colaboradores têm ótimo conhecimento técnico, qualidade e atendimento excelentes.”
Rafael Fialho, Caixa PréPagos
“O projeto foi muito bom. A gente ficou feliz com o resultado e foi além do esperado em termos de entrega e interação. O time estava muito comprometido com o projeto. Percebemos o engajamento em todo o processo desde o entendimento do que a gente precisava e confirmou o profissionalismo da empresa.”
Luiz Zerbinatti, VR Benefícios
“O diferencial da Jump sempre foi o relacionamento. A Jump consegue atender bem as nossas necessidades e tem profissionais com nível de qualidade e proximidade e um time sempre pronto para ajustar. A parceria para mim é o principal diferencial da Jump.”
Karen Inoue, Cogna Educação
A combinação entre conhecimento técnico, qualidade e relacionamento ajuda a explicar como a Jump conduz a transformação digital pela construção contínua das competências necessárias para aplicá-las com consistência e gerar valor para os clientes.
Capacitação em IA: por que preparar pessoas será tão importante quanto investir em tecnologia?
À medida que a GenAI avança, preparar profissionais para utilizar, supervisionar e extrair valor da IA se torna o gargalo da transformação digital. Com o tema “Agentes Inteligentes, Liderança Humana” o Febraban Tech 2026, realizado na última semana, em São Paulo, reuniu executivos dos principais bancos do país e especialistas em tecnologia, e um dos principais pontos do debate foi justamente a capacitação dos profissionais.
O que os números da Febraban Tech mostram?
A Pesquisa Febraban de Tecnologia Bancária 2026 apontou que os bancos brasileiros devem investir R$ 50,4 bilhões em tecnologia em 2026. Desse total, cerca de R$ 3 bilhões serão destinados a IA, Analytics e Big Data, enquanto os investimentos em migração para cloud devem alcançar R$ 3,9 bilhões, alta de 30%.
Paralelamente, os investimentos em treinamento e capacitação profissional especificamente em IA e IA Generativa devem chegar a R$ 29,4 milhões, crescimento de 31%.
Os números mostram que infraestrutura tecnológica e capacidade humana começam a avançar na mesma direção. Investir em modelos, dados e cloud amplia a capacidade tecnológica; investir em capacitação é fundamental para que essa capacidade seja poderá ser incorporada aos processos e transformada em resultado.
“IA para mim é uma infraestrutura central para a tomada de decisão. A IA em si não é um diferencial, a forma como você usa a IA é que vai diferenciar pessoas, empresas e nações”, declarou Maurício Minas, presidente do Conselho do Febraban Tech e conselheiro do Bradesco e da B3 ao Portal Febraban.
O que é capacitação em IA?
Capacitação em IA é o desenvolvimento das competências necessárias para que profissionais utilizem, supervisionem e avaliem sistemas de Inteligência Artificial de forma produtiva, segura e alinhada aos objetivos do negócio. Ela envolve fluência tecnológica, conhecimento do negócio, governança, segurança e capacidade de mensurar resultados.
IA ganhou orçamento, pessoas precisam ganhar capacidade
Os debates do Febraban Tech ajudam a mostrar que a transformação não acontece em camadas independentes. Agentes organizam e executam o trabalho, dados e cloud fornecem contexto e capacidade computacional, governança estabelece os limites da execução e as pessoas sustentam responsabilidade, conhecimento e segurança.
É a coordenação entre essas dimensões que permitirá escalar IA de forma sustentável. Para as lideranças, isso significa olhar para capacitação como investimento na capacidade operacional da organização.
A adoção da IA e GenAI nas instituições financeiras já está em andamento. A capacitação é que está correndo atrás. Até agora, os benefícios obtidos com IA ainda estão concentrados principalmente em ganhos de produtividade e automação, enquanto aplicações que envolvem decisões mais sofisticadas e julgamento ampliado permanecem distantes do valor estratégico que a tecnologia promete.
É a coordenação entre essas dimensões que permitirá escalar IA de forma sustentável. Para as lideranças, isso significa olhar para a capacitação como investimento na capacidade operacional da organização, e não apenas como item de treinamento corporativo.
A Pesquisa FEBRABAN mostra que 70% dos bancos já possuem ou estão desenvolvendo estratégias de requalificação profissional. No último ano, 226,1 mil profissionais do setor bancário receberam treinamento em tecnologia, com investimento total de R$ 100,4 milhões. Ao mesmo tempo, 42% das instituições pesquisadas pretendem ampliar suas equipes de TI, com crescimento médio previsto de 22%.
As competências estão mudando mais rápido
Uma empresa pode desenvolver agentes e descobrir que seus processos não estão preparados para delegar decisões. Também pode automatizar atividades sem estabelecer claramente quem supervisiona as respostas.
Nesse cenário, tecnologia sem capacidade operacional pode se transformar em backlog caro, ferramentas subutilizadas e experimentos que nunca chegam à escala.
O fenômeno não está restrito ao setor financeiro brasileiro. O Global AI Jobs Barometer 2025, da PwC, analisou quase um bilhão de anúncios de emprego em seis continentes e identificou que as competências procuradas pelos empregadores estavam mudando 66% mais rapidamente nas ocupações mais expostas à IA.
“A relação tradicional entre experiência e especialização está mudando. A IA está eliminando parte do trabalho rotineiro que antes funcionava como uma etapa de aprendizado e formação profissional, ao mesmo tempo em que aumenta, desde o início da carreira, a demanda por capacidade de julgamento, liderança e adaptabilidade. As organizações precisam repensar como desenvolvem seus talentos se quiserem que as pessoas prosperem nesse novo ambiente.”
Pete Brown, líder global de Workforce da PwC
Requalificação não pode ser apenas treinamento em ferramentas
Uma estratégia consistente de requalificação deveria combinar pelo menos quatro dimensões.
Fluência em IA: compreender possibilidades, limitações e funcionamento básico da tecnologia.
Conhecimento do negócio: identificar problemas nos quais a IA efetivamente pode gerar valor.
Governança: entender segurança, privacidade, responsabilidade, qualidade de dados e limites para decisões automatizadas.
Mensuração: conseguir relacionar utilização da IA a produtividade, eficiência, receita, redução de risco ou melhoria da experiência do cliente.
Produtividade X ROI de IA
Um estudo da PwC mostrou que os setores mais expostos à IA apresentaram crescimento de receita por empregado três vezes superior ao registrado pelos setores menos expostos. A produtividade também avançou de forma significativamente mais rápida nos setores com maior exposição à tecnologia.
Esses resultados sugerem que quando tecnologia, processos e competências conseguem trabalhar juntos, existe potencial para ampliar a capacidade produtiva das pessoas. Mas há uma variável que cresce junto com a autonomia dos agentes: quanto mais eles decidem sozinhos, mais importante se torna saber quem pode decidir, quem deve validar e quem responde pela decisão.
É por isso que a discussão sobre ROI da IA não pode parar na régua de produtividade. Ela precisa incluir capital humano e precisa incluir governança. Um agente que executa mais rápido sem um dono claro, sem trilha de decisão auditável e sem inventário do que está rodando não é eficiência, é risco represado.
Governar escala exige especialização
O que vemos no setor financeiro é apenas um recorte da realidade das empresas que estão operando com IA. Treinar 226 mil profissionais é um esforço contínuo, e enquanto a capacitação interna avança, os agentes já estão em produção, tomando decisões que precisam ter responsáveis claramente definidos e estar devidamente inventariadas. É aí que entra a diferença entre construir capacidade do zero e contratar quem já resolveu esse problema em escala.
Esse cenário coloca um desafio adicional para as organizações: não basta colocar agentes em produção, é preciso criar uma estrutura capaz de acompanhar sua evolução, estabelecer responsabilidades e garantir que seu uso esteja alinhado aos objetivos do negócio. Construir essa capacidade internamente exige tempo, conhecimento especializado e processos de governança que acompanhem a velocidade da tecnologia.
É justamente nesse ponto que contar com uma expertise especializada pode acelerar a jornada. Em vez de começar do zero, as empresas podem recorrer a parceiros que já possuem experiência na estruturação de ambientes de dados, IA e governança, reduzindo o tempo entre a adoção da tecnologia e a geração de valor em escala.
A Jump é uma consultoria especializada em tecnologia, dados e IA. Extraímos o máximo potencial dos dados com metodologia única, agilidade e eficiência comprovada. Enquanto o RH constrói fluência ao longo dos próximos ciclos de treinamento, a Jump pode cuidar da governança de IA da sua empresa. Veja um pouco mais da cobertura do Febraban Tech 2026 e algumas entrevistas com parceiros e clientes da Jump.
Um guia de decisão para CTOs e CFOs resolverem custos multicloud e governança de IA
A inteligência artificial está avançando dentro das empresas em uma velocidade que dificulta acompanhar cada novo modelo, ferramenta e aplicação por meio de processos manuais. O problema começa quando essa expansão acontece sem uma visão consolidada do que está sendo utilizado, quanto custa, quem é responsável e quais riscos estão envolvidos. Olhar para o problema e mapear a melhor solução para a empresa no momento está sendo o principal desafio dos CTOs e CFOs.
O Gartner estima o gasto empresarial global com inteligência artificial em US$ 2,59 trilhões em 2026, e uma parcela desse volume é consumida por recursos ociosos, projetos que continuam ativos depois da prova de conceito e workloads de agentes que utilizam tokens sem critérios claros de parada.
O OPT-3 e o Radar AI são produtos da Jump que atuam sobre dimensões diferentes de um mesmo desafio. O OPT-3 trata da dimensão financeira, oferecendo visibilidade sobre o consumo de cloud e plataformas de dados como Databricks, com atribuição por time, projeto e caso de uso, além de recomendações de otimização.
Enquanto o Radar AI atua sobre a dimensão de risco, a plataforma permite identificar ferramentas de IA em uso, classificar situações de Shadow AI, acompanhar a maturidade da governança e monitorar comportamentos anômalos que podem indicar um problema antes que ele se transforme em incidente.
FinOps multicloud: OPT-3 x CloudZero x Vantage x Flexera
O mercado de FinOps cresceu de menos de cinco plataformas há uma década para mais de cem atualmente. Isso significa cem variações do mesmo recorte: visibilidade de custo por engenharia, ou visibilidade de custo por finanças. Raramente as duas coisas ao mesmo tempo, e quase nunca com um caminho estruturado de maturidade entre elas.
A CloudZero ilustra bem a primeira hipótese. Desde que se reposicionou como especialista em ROI de IA, a plataforma aprofundou a atribuição de custo por modelo de LLM e por unidade de negócio, cliente, feature, ambiente. É um avanço real mas a operação depende de ferramentas de BI externas, o que mantém a decisão de custo dentro do time de engenharia. Para o CFO que precisa de um número confiável sem depender de tradução técnica, esse modelo não adianta muito.
A Vantage resolve a fricção de adoção, interface simples, integração rápida só que ao custo de profundidade. O próprio mercado reconhece que alocação sofisticada e unit economics ficam fora do escopo da plataforma. Ela mostra o problema, mas não aponta o que fazer com ele.
A Flexera cobre a ponta que falta às duas anteriores: showback e chargeback auditável, pensado para times financeiros. O preço dessa robustez é a velocidade, implementações mais longas, herança de ferramentas de IT asset management, menos DNA multicloud nativo.
O diferencial do OPT-3
Nenhuma das três principais concorrentes do mercado entrega as três coisas ao mesmo tempo: visibilidade técnica, controle financeiro e um caminho para a organização percorrer em etapas. Esta é exatamente a proposta do framework Crawl/Walk/Run do OPT-3. Com isso, ROI deixa de ser estimativa e vira equação: gasto × percentual de desperdício × percentual de recuperação, um número que CTO e CFO conseguem validar juntos, na mesma reunião.
Governança de IA: Radar AI x Indicium x Dataside
A segunda decisão é menos discutida, mas igualmente cara: como saber, com evidência auditável, quais sistemas de IA operam dentro da empresa, quem é o dono de cada um, qual o nível de risco e se estão em conformidade com EU AI Act, ISO 42001, NIST AI RMF e LGPD ao mesmo tempo.
A resposta histórica do mercado é consultoria. A Indicium, agora unificada como Indicium AI após a fusão com a britânica Mesh-AI, é o exemplo mais forte disso com atuação de ponta a ponta em transformação por IA. A Dataside ocupa um espaço complementar no mercado brasileiro: portfólio amplo em analytics e governança, certificações Microsoft e ISO, modelo de alocação de time sob demanda.
A dinâmica do ShadowAI
O ponto de atenção é o formato de consultoria que mapeia o cenário de IA da empresa como projeto, um retrato do momento, entregue em semanas ou meses, que já começa a ficar desatualizado assim que um novo time sobe uma ferramenta sem passar pelo radar de ninguém. Shadow AI não é um risco que se resolve uma vez; é um risco que se recria toda semana.
O Radar AI ataca esse problema como produto vivo, não como fotografia de projeto. Ele detecta o uso não autorizado de IA, mantém um inventário centralizado, com responsável, nível de risco e status de conformidade de cada sistema, e permite consultar tudo isso em linguagem natural, sem depender de um relatório estático.
O critério que a maioria ignora: governança de agentes
Nenhum dos concorrentes citados, nem os de FinOps, nem os de governança de IA, constrói o discurso em torno de governança de agentes autônomos como eixo central de decisão. É um ponto cego relevante, porque as duas frentes (custo de cloud e uso de IA) convergem exatamente para o mesmo lugar: quanto mais IA autônoma opera dentro da empresa, mais crítico é ter uma camada que audite essas decisões continuamente, e não apenas em auditorias pontuais.
Você sabe quanto custa uma IA sem controle? | LinkedIn
Checklist antes de assinar um contrato
Antes de escolher entre plataforma e consultoria em FinOps ou em dados vale confrontar cada opção com quatro perguntas simples:
O modelo é contínuo ou por projeto? Um mapeamento ou relatório envelhece no dia em que é entregue, já uma plataforma acompanha a operação em tempo real.
Quem fica dono do conhecimento gerado? Se a resposta é “o fornecedor”, o próximo ciclo de decisão volta a depender externamente.
A maturidade organizacional tem um caminho claro, ou só um dashboard? Visibilidade sem framework de evolução é fotografia, não plano.
Existe camada de governança sobre as decisões automatizadas, com auditoria contínua e não pontual? Se a resposta é não, o problema de amanhã já está sendo criado hoje.
Essas quatro perguntas não eliminam a necessidade de avaliar preço, integração e suporte. Mas evitam o erro mais comum nessa decisão: comparar ferramentas pela lista de features, quando a escolha real é entre dois modelos de relação, o que entrega um retrato, e o que fica instalado para agir.
