O verdadeiro custo do desperdício em cloud (e por que ele voltou a crescer)
O relatório State of the Cloud Report da Flexera mostrou que o desperdício estimado em gastos com cloud chegou a 29% em 2026. A análise foi realizada com 753 tomadores de decisão de cloud entrevistados e chamou atenção pelo fato de reverter uma tendência de queda observada nos últimos cinco anos. O principal fator apontado foi o crescimento acelerado das cargas de Inteligência Artificial.
Workloads de IA generativa não se comportam como as cargas tradicionais que o FinOps aprendeu a domar. GPUs ficam provisionadas por picos de treinamento e continuam ociosas. Modelos são testados em produção sem critério claro de desligamento.
A maturidade de FinOps ainda é baixa
Embora FinOps tenha se consolidado como disciplina estratégica, poucas organizações alcançaram um nível elevado de maturidade. Segundo o State of FinOps 2026, publicado pela FinOps Foundation, 51,4% das empresas ainda estão no estágio “Walk”, fase em que existem práticas iniciais de visibilidade e controle, mas a tomada de decisão ainda depende fortemente de processos manuais.
Apenas 14,2% das organizações chegaram ao estágio “Run”, considerado o nível mais avançado de operação, no qual otimização contínua, automação e decisões orientadas por dados fazem parte da rotina.
Isso significa que a maioria das empresas ainda reage aos custos depois que eles aparecem na fatura. Assim, a conversa sobre cloud deixou de ser apenas tecnológica e passou a ocupar espaço nas reuniões financeiras.
Da otimização para a automação
As discussões mais recentes do mercado mostram que FinOps está entrando em uma nova fase: a da automação inteligente. Empresas começam a buscar agentes capazes de acompanhar continuamente o ambiente, identificar desperdícios, recomendar ações e executar otimizações.
Em vez de apenas gerar dashboards, esses agentes passam a atuar como verdadeiros copilotos financeiros da infraestrutura. O objetivo deixa de ser apenas reduzir custos e passa a ser maximizar o retorno de cada real investido em infraestrutura digital.
Times de tecnologia agora atuam para autofinanciar investimentos em IA através de economias de otimização em cloud. Em outras palavras, a eficiência que se ganha cortando desperdício vira o orçamento que libera o próximo investimento em IA.
O papel estratégico do CFO
Esse novo cenário também redefine o papel da liderança financeira. Historicamente, a cloud era vista como um centro de custo tecnológico. Hoje, ela representa uma das principais alavancas de competitividade da empresa.
As organizações mais maduras já perceberam que dashboards, sozinhos, não resolvem o problema. Visibilidade é importante, mas agir rapidamente é ainda mais importante.
O futuro aponta para plataformas capazes de combinar observabilidade, inteligência artificial, automação e governança em um único fluxo operacional.
Nesse modelo, sistemas inteligentes analisam continuamente milhares de métricas de infraestrutura, identificam padrões de desperdício e apoiam decisões quase em tempo real.
O verdadeiro desafio é garantir que cada investimento em cloud gere valor mensurável para o negócio. Empresas que tratam FinOps apenas como um projeto de redução de despesas correm o risco de ficar presas ao ciclo permanente de urgência. Já aquelas que adotam práticas maduras estarão mais preparadas para sustentar o crescimento da IA com eficiência, previsibilidade e governança.
Três movimentos parecem se impor a qualquer CFO:
– Separar o desperdício “clássico” do desperdício de IA. São problemas diferentes, com ferramentas e ciclos de decisão diferentes. Medir os dois juntos esconde onde está a origem real do aumento.
– Perguntar se a automação já substituiu a revisão manual onde a velocidade de decisão importa. Se workloads de IA sobem e descem em horas, um processo de revisão mensal não tem como capturar o desperdício antes que ele vire custo consolidado.
– Tratar a eficiência de cloud como fonte de funding, não como economia de linha. Se a organização está sendo pressionada a autofinanciar IA via otimização, vale tornar esse vínculo explícito no orçamento.
OPT-3: o único produto brasileiro de FinOps para a era da IA
Ambientes em cloud crescem rápido. Com o avanço de dados, IA, analytics e automações, acompanhar esse consumo com clareza se torna ainda mais importante. Foi por isso que a Jump criou o OPT-3, uma plataforma multicloud de FinOps que conecta as soluções de cloud e, em dez dias, produz uma análise completa do investimento da sua empresa na nuvem.
O OPT-3 conecta tecnologia, operação e negócio para transformar dados financeiros da cloud em inteligência para tomada de decisão. Ele consolida os ambientes de cloud em uma visão única, além de detectar anomalias, priorizar recomendações de rightsizing e entregar ao time financeiro e à liderança a clareza que os provedores de nuvem nunca foram projetados para oferecer.
A ferramenta já está em operação e possui clientes com ROI documentado de até 61%. A plataforma evolui no ritmo do seu time seguindo a lógica evolutiva da FinOps Foundation. A análise do momento da empresa passa por três etapas:
Crawl – enxergue seus custos
Walk – otimize com confiança
Run – FinOps como cultura
Fale com nossos especialistas para uma PoC gratuita
Sua empresa tem política de uso de IA, mas isso não é suficiente. E agora?
Uma política de uso de IA é o documento que define o que colaboradores podem e não podem fazer com ferramentas de inteligência artificial no ambiente de trabalho. Ela lista os sistemas aprovados, os tipos de dado que não devem ser inseridos em ferramentas externas, as responsabilidades de cada time e as consequências de uso indevido.
A maioria das organizações que levam governança de IA a sério tem uma, embora uma pesquisa de 2025 com colaboradores corporativos tenha identificado que 58% já usaram ao menos uma ferramenta de IA não aprovada pela TI, e desses, 34% inseriram dados de clientes em ferramentas de consumo.
Esses dados descrevem empresas com política e sem sistema para garantir o cumprimento dela. A distinção é o centro do que separa governança de IA declarada de governança de IA que funciona e é o que a Jump, certificada ISO 42001, uma das únicas empresas brasileiras com governança verificada de Inteligência artificial, trabalha para construir com suas clientes.
Este artigo define o que é uma política de uso de IA, por que ela é necessária (mas não suficiente) e o que um sistema de gestão acrescenta. Além disso, apresenta um modelo em cinco cláusulas que servem de ponto de partida para organizações que ainda não têm essa estrutura formalizada.
O que é uma política de uso de IA e por que toda organização precisa de uma
Uma política de uso de IA, também chamada de AI Acceptable Use Policy, é o documento que governa o comportamento de colaboradores, contratados e parceiros em relação ao uso de ferramentas e sistemas de inteligência artificial no contexto organizacional. Ela responde a perguntas que, sem resposta formal, cada pessoa resolve de forma diferente: posso usar o ChatGPT para resumir uma proposta comercial? Posso inserir dados de clientes numa ferramenta de tradução automática? Quando devo declarar que um conteúdo foi gerado por IA?
A ausência de resposta padronizada para essas perguntas não significa que os colaboradores não as respondam, mas que cada um resolve da forma que lhe parecer mais prática.
O resultado disso é o que pesquisas documentam consistentemente: dados sensíveis representam 34,8% dos inputs de colaboradores no ChatGPT em 2025, alta significativa em relação a 11% em 2023, segundo levantamento publicado pela LayerX. Enquanto 67% dos colaboradores colam dados em ferramentas de IA generativa, e 82% dessas ações acontecem via contas pessoais, fora do perímetro corporativo, segundo o mesmo estudo.
A política existe para criar um padrão claro, ela precisa ser específica o suficiente para que um colaborador comum consiga tomar decisões no dia a dia sem precisar consultar o time jurídico, e abrangente o suficiente para cobrir os casos de uso mais relevantes da organização. Do ponto de vista regulatório, a política também é evidência.
O EU AI Act, com obrigações ativas desde 2025 e em expansão até dezembro de 2026, exige que organizações demonstrem governança sobre os sistemas de inteligência artificial que usam em suas operações, incluindo as ferramentas voltadas aos colaboradores. Pesquisa da IBM projeta que 80% das organizações terão formalizado políticas de uso de IA até o final de 2026, em resposta a essa pressão regulatória crescente. Uma AI Acceptable Use Policy é a evidência primária de que a organização definiu critérios de uso aceitável, estabeleceu supervisão e criou mecanismos de responsabilidade.
Por que a política sozinha não resolve?
Apenas 37% das organizações têm processos ativos para detectar ou gerenciar Shadow AI, segundo pesquisa da IBM. Isso significa que 63% das organizações que provavelmente têm políticas de uso de IA não conseguem monitorá-las.
Esse é o limite estrutural de qualquer documento de política: define o que deve ser feito, mas não garante. Políticas impostas como restrições de cima para baixo sobre ferramentas que colaboradores já usam produtivamente geram contornos, não compliance. Ou seja, reconhecem o uso existente e clarificam limites, gerando maior adesão porque abordam o problema que os colaboradores realmente enfrentam.
Acontece que mesmo as melhores políticas precisam de um sistema ao redor delas para funcionar na prática. Um sistema de gestão acrescenta quatro elementos que a política não tem: monitoramento ativo do que está sendo usado e como, mecanismos de resposta quando o comportamento observado diverge do definido, processos de atualização periódica quando novos riscos ou ferramentas surgem, e trilhas de auditoria que comprovam para reguladores e clientes que a política não existe apenas no papel. Sem esses elementos, a política é um artefato de conformidade formal.
A ISO 42001 define exatamente essa estrutura, pois exige que organizações mantenham um inventário de sistemas de IA, documentem processos de avaliação de risco, estabeleçam responsabilidades claras, monitorem continuamente e mantenham registros que sustentem auditorias.
Modelo em 5 cláusulas
O modelo abaixo cobre as cinco cláusulas essenciais de uma política de uso de inteligência artificial corporativa, é adaptável ao porte, setor e nível de maturidade de qualquer organização e cada cláusula deve ser expandida com os detalhes específicos do contexto da empresa.
Cláusula 1: Escopo e definições
Esta política se aplica a todos os colaboradores, contratados, estagiários e prestadores de serviço que utilizem ferramentas, plataformas ou sistemas de inteligência artificial no exercício de suas funções, independentemente do dispositivo utilizado ou da localização de acesso.
Para fins desta política, entende-se por ferramenta de IA qualquer sistema que utilize aprendizado de máquina, processamento de linguagem natural, geração de conteúdo automatizada ou capacidades de análise preditiva. Isso inclui, sem limitação, assistentes de escrita, geradores de imagem, ferramentas de síntese de dados, chatbots e sistemas de recomendação.
Ferramentas aprovadas são aquelas listadas no catálogo interno de aplicações autorizadas, mantido e atualizado pela área de TI / Segurança da Informação. O uso de ferramentas não listadas nesse catálogo requer solicitação formal de aprovação antes do uso.
Cláusula 2: Dados que não podem ser inseridos em ferramentas de IA
É vedada a inserção nas seguintes categorias de dados em qualquer ferramenta de IA não aprovada para esse tipo de dado, mesmo que a ferramenta esteja listada no catálogo de aplicações autorizadas:
Dados pessoais de clientes, colaboradores ou parceiros, conforme definido pela LGPD; informações financeiras não públicas; dados cobertos por acordo de confidencialidade; código-fonte proprietário; estratégias de negócio não divulgadas; e qualquer dado classificado como confidencial ou restrito pela política de classificação de informações da organização.
Para ferramentas aprovadas com tratamento de dados pessoais, o uso está condicionado à existência de acordo.
Cláusula 3: Transparência e atribuição
Conteúdos gerados com auxílio de IA devem ser identificados como tal quando entregues a clientes, parceiros ou em contextos onde a autoria é relevante para a avaliação do conteúdo. A organização segue as obrigações de transparência estabelecidas pelo EU AI Act e pela regulação brasileira aplicável.
Colaboradores são responsáveis por revisar, verificar e validar qualquer conteúdo gerado por IA antes de seu uso em contextos profissionais. A produção de output por um sistema de IA não transfere para o sistema a responsabilidade pelo conteúdo: a responsabilidade permanece com o colaborador que o utilizou e com a organização.
Cláusula 4: Responsabilidades e canais de reporte
A área de Segurança da Informação / Governança de Dados é responsável pela manutenção do catálogo de ferramentas aprovadas, pela avaliação de novas solicitações e pelo monitoramento de uso não autorizado.
Gestores são responsáveis por comunicar esta política às suas equipes, identificar casos de uso de IA nos processos sob sua responsabilidade e reportar riscos observados ao canal designado.
Colaboradores que identificarem uso de IA que possa configurar violação desta política devem reportar pelo canal, sem necessidade de identificação quando o colaborador preferir manter anonimato.
Cláusula 5: Atualização, treinamento e consequências
Esta política será revisada ao menos uma vez por ano, ou sempre que houver mudança significativa no ambiente regulatório, no catálogo de ferramentas ou nos processos organizacionais relevantes.
Todos os colaboradores devem completar o treinamento de uso responsável de IA no momento da contratação e a cada ciclo anual de atualização. A política entrará em vigor para cada colaborador na data de conclusão do treinamento.
O descumprimento desta política poderá resultar em medidas disciplinares proporcionais à gravidade do incidente, incluindo advertência formal, restrição de acesso a ferramentas de IA e, nos casos mais graves, rescisão contratual. Incidentes com potencial impacto regulatório serão comunicados às autoridades competentes conforme exigido pela legislação aplicável.
Onde o Radar AI entra
Uma política bem construída e comunicada resolve o problema da clareza. O Radar AI tem como finalidade o monitoramento contínuo de governança de IA, resolve o problema da visibilidade: o que está sendo usado, por quem, em que contexto e se o comportamento observado está dentro dos limites definidos pela política.
O ciclo completo funciona assim: a política define os limites, o sistema de gestão, estruturado sob a ISO 42001, define os processos que garantem que esses limites sejam verificados e que desvios sejam tratados.
O Radar AI provê a camada de monitoramento contínuo que transforma esses processos em evidência operacional real, com trilhas de auditoria que respondem às exigências do EU AI Act e da regulação brasileira que se aproxima.
Organizações como a Jump que constroem essa estrutura nos três níveis: política, sistema de gestão e monitoramento, chegam a uma auditoria regulatória ou a uma revisão de due diligence com documentação que sustenta a conformidade.
Já as organizações que contam apenas com uma política chegam com intenção documentada e ausência de evidência concretas de cumprimento.
Como o Shadow AI já mostrou repetidamente, não é teórica, mas prática, é ela que determina a capacidade de comprovar uma governança efetiva. Com experiência em governança de IA e certificação ISO 42001, a Jump ajuda empresas a construir essa jornada de ponta a ponta, da definição das políticas ao monitoramento contínuo dos sistemas de inteligência artificial.
Referências
MarkTechPost. Enterprise AI Governance in 2026: Why the Tools Employees Use Are Ahead of the Policies That Cover Them, mai. 2026.
Larridin. AI Governance: The Complete Enterprise Guide 2026, mar. 2026.
Worqlo. Enterprise AI Acceptable Use Policy: 2026 Template + Checklist, mai. 2026.
AI Assembly Lines. How to Create an Employee AI Policy: 6 Core Components Every Enterprise Needs, jun. 2026.
Unio Digital / LayerX. ChatGPT Sensitive Data Statistics: What Employees Share, 2026.
Entremt. AI Data Privacy for Businesses: Safe Usage Guide for 2026, jan. 2026.
Evolvance Market Research. AI Governance Statistics 2026: Key Data and Insights, mai. 2026.
IBM. Cost of a Data Breach Report 2025.
ISO/IEC. ISO/IEC 42001:2023 Artificial Intelligence Management System.
Stanford HAI. AI Index Report 2026.
Comissão Europeia. EU AI Act Official Implementation Page.
Se o regulador batesse na sua porta amanhã, você teria o que mostrar?
Entenda o que é Audit trail de IA, quais evidências o EU AI Act exige para sistemas de alto risco e como o PL 2.338 sinaliza o futuro da governança de IA no Brasil
A inteligência artificial está deixando de ser uma inovação e agora passa a ser uma questão de governança dentro das empresas. A discussão sobre redução de custos e produtividade dá espaço para o desenvolvimento, testes, evolução dos modelos e, principalmente, a supervisão de todo o processo.
Se um regulador, cliente ou auditor pedisse o histórico de um sistema de IA usado pela sua empresa, seria possível fazer essa demonstração sem recorrer a planilhas, emails e dashboards dispersos? Essa é a pergunta que diferencia uma empresa que apenas utiliza IA de uma organização preparada para governá-la. O movimento regulatório é claro e já está em vigor, criando requisitos e evidências que demonstrem o controle no uso da ferramenta.
Na União Europeia, o EU AI Act The Act Texts | EU Artificial Intelligence Act transforma documentação, rastreabilidade e registros em componentes centrais da governança, especialmente os sistemas classificados como de alto risco.
Entre os principais blocos de evidência previstos pelo regulamento estão:
– Sistema de gestão de riscos
– Governança e qualidade dos dados
– Documentação técnica
– Registro automático de eventos
– Informações e instruções para quem opera o sistema
– Supervisão humana
– Evidências de desempenho, robustez e cibersegurança
No Brasil, a PL 2338/2023 PL 2338/2023 – Senado Federal aponta para uma direção semelhante ao propor uma abordagem regulatória baseada em riscos, direitos, governança e avaliação de impacto.
Apesar de ainda não ser uma lei, o texto aprovado pelo Senado em dezembro de 2024 seguiu para análise da Câmara dos Deputados. Portanto, seus dispositivos devem ser tratados como uma referência legislativa em construção.
Entre os mecanismos relevantes discutidos no marco brasileiro estão obrigações de governança proporcionais ao risco, documentação, transparência, supervisão e avaliação de impacto algorítmico para situações determinadas pela futura estrutura regulatória.
Para as organizações, o ideal é não esperar a regulamentação final para começar a organizar evidências. Uma trilha de auditoria retroativa raramente possui a mesma qualidade de uma governança construída desde o início.
A comparação entre os dois marcos regulatórios evidencia que, embora em estágios diferentes de maturidade, ambos caminham para exigir mecanismos semelhantes de governança.
Comparação entre a EU AI Act x PL2338
Independentemente das diferenças entre os marcos regulatórios, ambos apontam para uma mesma necessidade prática: produzir evidências confiáveis da governança da IA.
Afinal, o que sua empresa deveria conseguir mostrar?
Independentemente da jurisdição e respeitando as obrigações específicas aplicáveis a cada sistema, uma organização madura deveria ser capaz de reunir um dossiê de evidências de IA com:
– Inventário de sistemas de IA: todos os sistemas em uso com dono responsável identificado.
– Classificação de risco por sistema: em linguagem compatível com EU AI Act e PL2338 (excessivo, alto, moderado, mínimo).
– Documentação técnica pré-operação: descrição, propósito, dados de treinamento e limites conhecidos antes do sistema entrar em uso.
– Log automático de decisões: registro gerado pelo sistema para toda decisão de alto risco, especificando quem, o quê, quando, qual versão de modelo e qual resultado.
– Política de retenção: prazo definido dos registros (mínimo de 6 meses para operação no escopo do EU AI Act, até 10 anos para documentação técnica de fornecedor).
– Avaliação de impacto para sistemas de alto risco: técnica, científica e jurídica revisitada periodicamente.
– Procedimento de supervisão humana: registro de quem pode intervir, revisar ou reverter uma decisão automatizada e comprovar que isso ocorre quando necessário.
– Fluxo de resposta: processo definido para responder dentro do prazo regulatório e em linguagem acessível.
FAQ — Audit trail, EU AI Act e PL 2.338/2023
O que é Audit trail de IA?
É uma trilha cronológica e verificável de registros e evidências que permite reconstruir aspectos relevantes do ciclo de vida, das alterações, da operação e das ações de um sistema de inteligência artificial.
Audit trail e log são a mesma coisa?
Não. Os logs registram eventos específicos do sistema. Já o audit trail reúne esses registros com outras evidências que permitem reconstruir o histórico completo da operação e da governança da IA.
O EU AI Act exige logs de sistemas de IA?
Para sistemas classificados de alto risco, o artigo 12 do EU AI Act estabelece requisitos de capacidade técnica para registro automático de eventos durante a operação, de modo compatível com a finalidade do sistema e a necessidade de rastreabilidade.
Toda IA precisa da mesma documentação no EU AI Act?
Não. As obrigações dependem da classificação do sistema e do papel desempenhado pela organização. Sistemas de alto risco estão sujeitos a requisitos mais extensos, incluindo gestão de riscos, documentação técnica antes da entrada em operação (Art.11), registros automáticos de eventos (Art.12), supervisão humana, robustez e cibersegurança.
Até quando as empresas têm para se adequar ao EU AI Act?
As obrigações para sistemas de alto risco do Anexo III entram em vigor no dia 2 de agosto de 2026. Existe uma proposta de adiamento em discussão, mas essa alteração ainda não foi aprovada.
O PL 2.3338/2023 já está em vigor no Brasil?
Não. O projeto foi aprovado pelo Senado em dezembro de 2024 e encaminhado à Câmara dos Deputados, onde segue em tramitação. Seu conteúdo pode sofrer alterações antes de eventual aprovação definitiva e sanção.
O PL 2338 prevê avaliação de impacto algorítmico?
Sim, para sistemas de alto risco, conduzida por profissional ou equipe com conhecimento técnico, científico e jurídico, incluindo monitoramento contínuo depois da entrada em operação do sistema.
O que uma empresa deve registrar sobre os seus sistemas de IA?
A empresa deve manter evidências sobre inventários de sistemas, versões, responsáveis, riscos, alterações, ações executadas, supervisão humana e controles.
Qual é a multa por falta de documentação de IA?
Até €15 milhões ou 3% do faturamento global anual no EU AI Act; até R$ 50 milhões por infração no texto do PL 2338 aprovado no Senado, com valor dobrado em reincidência.
Esperar que a regulamentação entre em vigor para começar a organizar evidências pode significar mais trabalho, mais custos e mais riscos. Estruturar uma trilha de auditoria desde o início permite acompanhar o ciclo de vida dos sistemas de IA com mais controle, facilita a comprovação das decisões tomadas e prepara a empresa para um cenário em que transparência e governança tendem a se tornar cada vez mais importantes.
Ecossistemas abertos para acelerar a inovação em dados e IA
Durante 4 dias, milhares de especialistas se reuniram para discutir o futuro da IA corporativa, arquiteturas abertas e governança de dados em escala no Data + AI Summit 2026, em São Francisco, na Califórnia. Este já é considerado um dos maiores eventos globais de dados e inteligência artificial da atualidade, promovido pela Databricks, empresa de dados e IA que atende mais de 20 mil organizações em todo o mundo. A Jump é parceira da Databricks e esteve presente para acompanhar as principais discussões do evento e incorporar esses aprendizados à evolução de seus produtos e serviços.
Nos últimos dois anos, a atenção esteve voltada para os grandes modelos de linguagem (LLMs), mas o mercado percebeu a necessidade de conectar, governar e disponibilizar dados de forma segura para aplicações inteligentes. Nesse contexto, tecnologias open source, como Apache Spark, Delta Lake, Apache Iceberg e MLflow, ganharam relevância estratégica. Elas permitem que as empresas construam uma base tecnológica mais flexível, evitando dependência de fornecedores específicos e facilitando a integração entre ambientes.
Um dos exemplos apresentados recentemente envolve a gigante global de pagamentos Mastercard, que processa mais de 173 bilhões de transações anuais e vem utilizando plataformas modernas de dados para fortalecer governança e iniciativas de inteligência artificial em escala global.
Outro destaque apresentado no ecossistema Databricks foi o caso da Corteva, que reduziu o tempo necessário para integrar novas fontes de dados de 30 a 45 dias para apenas 4 a 7 dias, acelerando em aproximadamente 85% o processo de onboarding de dados. Esse ganho permitiu maior velocidade na disponibilização de informações para analytics e IA.
Já a Nationwide modernizou toda a sua arquitetura de ITSM e analytics, substituindo ambientes fragmentados por uma plataforma unificada de dados, melhorando governança, qualidade das informações e velocidade de geração de insights.
O movimento atual aponta para a consolidação de um ecossistema cada vez mais integrado. Frameworks estão sendo combinados com tecnologias abertas de dados para criar aplicações corporativas mais inteligentes, escaláveis e governadas. Essa é uma das grandes forças do ecossistema da Databricks.
O Unity Catalog é a camada de governança que amarra controle de acesso, linhagem, descoberta de dados sobre a estrutura de Lakehouse, independentemente de nuvem ou formato (Delta ou Iceberg). Com isso, o Unity Catalog permite centralizar governança, rastreabilidade e controle de permissões em ambientes analíticos e de IA, reduzindo riscos regulatórios e fortalecendo compliance.
FinOps e otimização de custos em nuvem
Com o crescimento dos investimentos em IA, os gastos com infraestrutura cloud tornaram-se uma preocupação estratégica. A centralização dos dados em arquiteturas Lakehouse permite monitorar consumo, identificar desperdícios e criar modelos preditivos para gestão financeira da nuvem. Com isso, fica mais fácil um planejamento orçamentário, monitorando os recursos consumidos por IA e controlando os custos da nuvem.
A tendência mais forte observada em 2026 é a convergência entre dados, analytics e IA generativa para gerar inteligência de negócios em tempo real. A principal lição dos cases apresentados no Data + AI Summit 2026 é que as empresas que estão obtendo os melhores resultados são as que conseguem unir governança de dados, arquitetura open source, automação de pipelines, IA generativa e analytics em tempo real. O resultado é uma organização mais ágil, preparada para escalar inteligência artificial com segurança, eficiência operacional e retorno financeiro mensurável.
WEBINAR OPT3
No próximo dia 24 de junho às 13h vamos lançar nosso produto OPT3, uma plataforma de gestão financeira multicloud, em um webinar online conduzido pelo CEO Anderson Argentoni e pelo COO Rafael Yashiki Capua.
O OPT3 chega ao mercado para resolver um problema que cresce junto com a digitalização das empresas: infraestrutura em nuvem já figura entre os maiores itens de despesa operacional de organizações de médio e grande porte, mas o controle financeiro sobre esse gasto permanece fragmentado. AWS, Azure, GCP e Databricks operam com lógicas de cobrança distintas, e consolidar esses dados em uma visão única e acionável ainda exige esforço manual considerável na maioria das empresas.
Garanta sua vaga no webinar OPT-3 →
A nova fronteira do desenvolvimento corporativo
A distância entre um modelo de dados que funciona em ambiente de testes e uma aplicação operando em produção sempre foi, na prática, muito maior do que parecia no papel. Ela custa dinheiro, consome tempo de engenharia e, com frequência, é a razão pela qual iniciativas de inteligência artificial promissoras nunca chegam aos usuários que deveriam beneficiar. O que está mudando agora é a velocidade com que as plataformas de dados estão tornando esse caminho mais curto.
Apenas 28% das aplicações corporativas estão integradas entre si, embora empresas operem em média, 897 sistemas diferentes. Noventa e cinco por cento dos líderes de TI apontam essa fragmentação como o principal obstáculo à adoção de inteligência artificial, segundo levantamento da Integrate.io publicado em 2026. O dado não é surpreendente para quem trabalha com engenharia de dados: sistemas construídos em momentos diferentes, por times diferentes, com padrões diferentes, raramente se comportam como um conjunto coerente quando o objetivo é alimentar uma aplicação com dados confiáveis em tempo real.
A preparação desses dados, antes que qualquer modelo ou produto possa consumi-los, absorve entre 30% e 50% do orçamento total de projetos de IA nas organizações, e essa proporção que revela onde o problema realmente está: a engenharia que conecta dados brutos dispersos em múltiplas fontes a sistemas que dependem deles para funcionar. Se isso não for tratado na raiz, cada nova iniciativa de produto repete o mesmo ciclo de esforço de integração antes mesmo de produzir qualquer resultado.
Ingestão como ponto de partida
O Databricks Lakeflow foi construído para atacar esse problema diretamente. Lançado em 2024, com disponibilidade geral anunciada em junho de 2025, o Lakeflow unifica as três etapas centrais da engenharia de dados: ingestão, transformação e orquestração, em um único ambiente. Com ele, equipes conseguem ingerir dados de bancos relacionais como MySQL, Postgres e Oracle, e de aplicações corporativas como Salesforce, Workday, SharePoint e Google Analytics, por meio de conectores gerenciados que automatizam a extração incremental sem necessidade de pipelines customizados.
O componente Lakeflow Connect disponibiliza esses conectores com uma interface que abstrai a complexidade de autenticação, captura de mudanças e controle de qualidade de cada fonte. A governança de todos os pipelines é gerida pelo Unity Catalog, o mesmo sistema responsável pelo controle de acesso dos dados analíticos. Isso significa que as políticas de segurança, rastreabilidade e custo se aplicam de forma consistente desde o momento em que o dado entra na plataforma.
Os Lakeflow Declarative Pipelines, por sua vez, permitem que engenheiros construam transformações em SQL ou Python usando um modelo em que a plataforma cuida da orquestração, dos ciclos de reprocessamento em caso de falha e da evolução automática de esquemas, tanto para cargas em lote quanto para streaming contínuo. O resultado prático é menos código de infraestrutura para manter e mais capacidade disponível para resolver problemas de negócio.
Um banco operacional dentro da plataforma de dados
Resolver a ingestão resolve metade do problema. A outra está em servir dados com baixa latência para as aplicações que os consomem em produção. Historicamente, esse papel cabia a um banco de dados operacional completamente separado da plataforma analítica, criando mais uma fronteira de integração a ser gerenciada.
O Databricks Lakebase foi anunciado no Data + AI Summit de junho de 2025 como resposta a esse desafio e trata-se de um banco PostgreSQL totalmente gerenciado, construído para cargas de IA, que adiciona uma camada operacional à mesma plataforma onde os dados analíticos já estão. A consequência arquitetural mais relevante é que cargas transacionais OLTP, consultas analíticas e workloads de busca vetorial passam a operar sobre a mesma fundação governada pelo Unity Catalog, eliminando a necessidade de sincronização entre sistemas separados.
O mecanismo de tabelas sincronizadas é o que torna isso útil na prática., Quando um novo registro é inserido em uma tabela Delta no Unity Catalog, ele aparece automaticamente no banco Postgres do Lakebase em segundos, sem código ETL adicional. Uma aplicação que consome esses dados passa a entregar informação atualizada sem que o time de engenharia precise manter pipelines de sincronização manuais entre sistemas.
A funcionalidade de database branching acrescenta outro ganho operacional relevante: equipes conseguem criar cópias isoladas do banco de produção para desenvolvimento e testes em segundos. Para times que constroem aplicações com dependências complexas de dados, isso reduz o risco de alterar ambientes compartilhados e acelera ciclos de desenvolvimento sem comprometer a estabilidade do que já está em produção.
A aplicação como camada final
Com pipelines de ingestão e um banco operacional integrados à plataforma, o terceiro componente é o ambiente onde a aplicação em si roda. O Databricks Apps resolve essa necessidade dentro do mesmo workspace: desenvolvedores constroem, implantam e escalam aplicações web em compute serverless sem configurar servidores, contêineres ou sistemas de deploy separados. Desde seu lançamento em preview em outubro de 2024, dezenas de milhares de aplicações foram construídas sobre o Databricks Apps. Os casos documentados pela própria Databricks cobrem uma amplitude considerável de usos reais.
A Comcast transformou modelos complexos de previsão em interfaces interativas, permitindo que equipes de vendas e estratégia explorassem cenários de receita em tempo real e acelerassem decisões de campanha. A Alpura, produtora de laticínios no México, construiu um conjunto de aplicações de produção em dias, com casos que vão de monitoramento de IoT em fábricas a ferramentas de análise preditiva para parcerias de varejo. A Hiflylabs entregou uma aplicação de saúde pronta para auditoria em poucas semanas, automatizando trabalho administrativo manual com ferramentas de sumarização de dados de pacientes e avaliação de risco clínico.
O padrão que emerge nesses exemplos é consistente: equipes que antes precisariam de infraestrutura separada para hospedar aplicações, gerenciar bancos operacionais e manter pipelines de sincronização conseguem agora construir e operar tudo dentro de um único ambiente, com a mesma camada de governança aplicada de ponta a ponta.
O que a convergência muda
Um estudo do Forrester sobre o impacto econômico total da plataforma Databricks registrou ROI composto de 417% em três anos, com valor gerado principalmente pela redução de custos de infraestrutura e pelo tempo menor para gerar e entregar insights. A Virgin Australia reduziu em 90% o tempo de implantação de modelos de machine learning e cortou em 44% os casos de bagagem perdida ao padronizar sua operação na mesma plataforma. Parte desse resultado veio da eliminação da fricção entre desenvolvimento e produção.
Pesquisa da McKinsey State of AI 2025 indica que 80% das empresas definem eficiência operacional como o objetivo principal de suas iniciativas de IA. Atingir essa eficiência depende de que a cadeia completa, da ingestão do dado à aplicação que o usa para tomar decisões, funcione como um sistema coeso, não como um conjunto de partes conectadas por integrações frágeis.
Setenta e oito por cento das empresas já usam IA em ao menos uma função, segundo a McKinsey, mas menos de 30% conseguiram escalar esse uso de forma ampla.
O intervalo entre esses dois números é, em grande parte, um problema de engenharia de produto: como construir aplicações de dados que sejam confiáveis, governadas e rápidas o suficiente para funcionar onde o negócio acontece. A Jump também é um exemplo que resolveu todos esses pontos primeiro, e hoje temos um padrão operacional que os concorrentes precisarão alcançar.
Referências
Databricks. Databricks Launches Lakebase: a New Class of Operational Database for AI Apps and Agents, jun. 2025.
Databricks. Announcing the General Availability of Databricks Lakeflow, jun. 2025.
Databricks. Introducing Databricks Lakeflow: A Unified, Intelligent Solution for Data Engineering, jun. 2024.
Databricks. How to Build Production-Ready Data and AI Apps with Databricks Apps and Lakebase, nov. 2025.
Databricks. Ship Enterprise Apps Faster with Databricks AppKit and Replit, fev. 2026.
Databricks. Data Intelligence in Action: 100+ Data and AI Use Cases from Databricks Customers, jul. 2025.
Databricks. What is Lakeflow Connect? AWS Documentation.
Databricks. Build Production ETL with Lakeflow Spark Declarative Pipelines.
ChatForest. Databricks Data+AI Summit 2026: What Builders Need to Know Before June 15.
SR Analytics. Databricks Use Cases: 6 That Drive Real ROI in 2026.
Integrate.io. Data Integration Adoption Rates in Enterprises: 45 Statistics Every IT Leader Should Know in 2026.
Riseup Labs. The True Cost of Implementing AI in Business in 2026.
Enterprise DNA. The Data Skills Gap: The Real Barrier to Enterprise AI.
RTS Labs. AI Development Cost: Complete Enterprise Guide to Budgeting and ROI.
GitNexa. AI-Driven Enterprise Applications: Complete 2026 Guide.
Hiflylabs. Building an AI Application with Databricks Apps in 30 Days, jul. 2025.
Engenharia de dados e a inteligência do seu negócio
Na construção civil, a fundação é a estrutura fundamental que sustenta toda edificação, garantindo estabilidade e segurança, o elemento que suporta todo o peso e distribui a carga. Nas grandes corporações, a engenharia de dados pode ser comparada com essa fundação uma vez que tem a função de projetar, construir e gerenciar sistemas que processam grande volume de dados para análises estratégicas. Não por acaso, a própria palavra que nomeia esse campo carrega em sua origem a ideia de inteligência aplicada.
O termo “engenharia” em si tem uma etimologia mais recente, derivando da palavra “engenheiro”, que apareceu no início do século XVI e se referia a alguém que construía ou operava um engenho. A palavra “engenho”, tem origem do latim “ingenium” que significa “gênio”, ou seja, uma qualidade natural, especialmente mental, portanto, uma invenção inteligente.https://pt.wikipedia.org/wiki/Engenharia
Não somente para novas construções, mas nos processos de modernização também é preciso um trabalho de engenharia. Atualmente com o grande volume de informações processadas pelas corporações, a base de dados precisa estar em constante remodelação para se integrar às novas tecnologias.
Transformação Digital
É nesse contexto, de modernização contínua e necessidade de bases sólidas, que a Jump atua como parceira estratégica em transformação digital.
A Jump é uma empresa de consultoria em transformação digital que oferece produtos e soluções para os objetivos estratégicos dos clientes, especialmente na área de arquitetura e engenharia de dados, infraestrutura e inteligência artificial. Essas áreas estão cada vez mais conectadas e, como em toda obra, são complementares para a segurança do projeto.
Com a plataforma Databricks Lakehouse combinamos o melhor dos datalakes e data warehouses parar criar um ambiente de dados moderno e poderoso para sua empresa. Nossa abordagem única oferece confiabilidade, forte governança e desempenho de data warehouses, junto com a flexibilidade e suporte a aprendizado de máquina dos datalakes.
A plataforma é construída com padrões abertos e código aberto, o que garante a máxima flexibilidade para atender às necessidades específicas. Além disso, adotamos uma abordagem comum para gerenciamento de dados, segurança e governança, o que torna as operações mais eficientes e acelera a inovação.
Principais recursos do lakehouse
- Suporte a transações: Em um lakehouse corporativo, muitos pipelines de dados acionam dados simultaneamente. O suporte a transações garante a consistência enquanto várias partes leem ou escrevem dados, geralmente usando SQL.
- Aplicação de esquema e governança: O Lakehouse deve suportar a aplicação e evolução de esquemas e ser capaz de raciocinar sobre a integridade dos dados, ter mecanismos de governança e auditoria.
- Suporte a BI: Lakehouses permitem o uso de ferramentas de BI diretamente nos dados de origem. Isso melhora a atualidade e diminui o custo de ter que operacionalizar duas cópias dos dados em um datalake e em um warehouse.
- Armazenamento desacoplado de computação: esses sistemas podem escalar para muitos usuários simultâneos e tamanhos de dados maiores.
- Abertura: Os formatos de armazenamento que eles usam são abertos e padronizados, como Parquet, e fornecem uma API para que uma variedade de ferramentas e engines, incluindo machine learning e bibliotecas Python/R, possam acessar os dados eficientemente diretamente.
- Suporte a diversos tipos de dados, de não estruturados a estruturados: O lakehouse pode ser usado para armazenar, refinar, analisar e acessar tipos de dados necessários para muitas novas aplicações de dados, incluindo imagens, vídeo, áudio, dados semiestruturados e texto.
- Suporte a diversas cargas de trabalho: incluindo ciência de dados, machine learning e SQL e análises. Múltiplas ferramentas podem ser necessárias para suportar todas essas cargas de trabalho, mas todas elas dependem do mesmo repositório de dados.
- Streaming ponta a ponta: O suporte a streaming elimina a necessidade de sistemas separados para atender aplicações de dados em tempo real.
O datalake como suporte dos LLMs
Para uma organização que quer afinar uma LLM nos seus dados, o datalake deixa de ser apenas infraestrutura de analytics e passa a ser o repositório de matéria-prima do modelo.
Assim, a integração entre engenharia de dados, arquitetura de datalakes e LLMs é uma reorganização estrutural da inteligência dos negócios. Somente com uma infraestrutura sólida e bem projetada as empresas poderão se beneficiar dos dados como ativo estratégico para a tomada de decisão.
Data + AI Summit 2026
No próximo mês, a Jump vai participar do Data + AI Summit 2026, da Databricks, que promete reunir profissionais de dados, analytics e IA em mais de 800 sessões, keynotes e treinamentos. O tema macro da edição aparece como “Build apps and agents that work”, com foco em aplicações e agentes de IA em produção.
O evento é fortemente voltado a IA aplicada, agentes, LLMs, arquitetura lakehouse, engenharia de dados, governança, BI com IA, aplicações empresariais e ecossistema open source/Databricks. Os grandes nomes de chamariz são Ali Ghodsi, Satya Nadella, Greg Brockman, Matei Zaharia e Reynold Xin, junto às lideranças de empresas como PepsiCo, Novo Nordisk, Mercedes-Benz Korea, Nasdaq, Fox, Glean e Databricks.
Com certeza traremos muitos insights e possibilidades para a evolução do seu negócio!
Jump lidera na Logicalis e conquista a AWS em 2026
No dia 8 de maio, a Jump participou do AWS Tech Alliance, evento que reuniu lideranças e especialistas do setor para debater o futuro da educação e do trabalho na era da inteligência artificial. O encontro trouxe para a mesma mesa empresas, instituições de ensino e formadores de talentos, todos unidos por uma questão que se tornou urgente para o setor de tecnologia: como preparar pessoas para um mercado que muda mais rápido do que os currículos conseguem acompanhar.
De lá, trouxemos o título de Top Employer, reconhecimento pela participação ativa nas feiras de empregabilidade da AWS, iniciativas que conectam empresas a novos talentos e fortalecem o ecossistema de tecnologia no Brasil.
O problema que a AWS está resolvendo, e que a Jump faz parte da solução
O contexto por trás desse reconhecimento importa, afinal a escassez global de talentos qualificados atingiu o nível mais alto em 17 anos, segundo o estudo The Job Skills of 2024 do Coursera. No Brasil, o desafio é ainda mais concreto: a demanda média do setor é de 159 mil profissionais de tecnologia por ano, enquanto o país forma em torno de 53 mil pessoas na área anualmente. Esse gap não é apenas um problema de recursos humanos, ele impacta diretamente a capacidade das empresas de inovar, crescer e competir.
Foi para endereçar esse cenário que a AWS estruturou o Skills to Job Tech Alliance, programa global que conecta instituições de ensino, formadores de talentos e empregadores em torno de um objetivo: preparar profissionais com as habilidades que o mercado realmente precisa. O programa desenvolve tanto competências técnicas, como computação em nuvem, análise de dados e Python, quanto habilidades comportamentais essenciais para o ambiente de trabalho. Somente em 2024, o Tech Alliance impactou mais de 10 mil estudantes e apoiou 116 instituições brasileiras na atualização de currículos, com uma rede de 140 organizações empregadoras ativas.
A Jump faz parte desse ecossistema com engajamento real, participar das feiras de empregabilidade é uma escolha que reflete o que a empresa acredita, afinal, desenvolvimento humano e inovação tecnológica não são agendas separadas. Quando uma empresa de tecnologia investe em conectar talentos emergentes ao mercado, ela está contribuindo para o próprio futuro do setor.
Do 3º para o 1º
Enquanto a conquista na AWS celebra o papel da Jump no ecossistema de empregabilidade, outro reconhecimento chegou pelo caminho da excelência operacional. No 5º Prêmio Anual de Fornecedores da Logicalis, a Jump conquistou o 1º lugar na categoria Serviços Profissionais, avançando do 3º lugar que havia alcançado no prêmio anterior.
A premiação é conduzida por um processo criterioso, com análises semestrais feitas pelas áreas de compras e pelos times internos que trabalham diretamente com os fornecedores: uma avaliação estruturada, que mede entrega real ao longo do tempo.
Entre sete grandes empresas da categoria, a Jump alcançou a melhor média nas duas avaliações do período, com desempenho consistente em qualidade, pontualidade, comunicação e relacionamento. Para Verônica Premiano, Procurement Specialist e líder de Gestão de Fornecedores da Logicalis: “A Jump obteve uma das melhores avaliações do nosso ciclo, destacando-se entre sete grandes fornecedores pela consistência na qualidade, cumprimento rigoroso de prazos e uma parceria próxima com nossos times. Ao longo de duas avaliações semestrais, manteve um desempenho de excelência, com entregas confiáveis, comunicação eficiente e flexibilidade no dia a dia, fatores que foram determinantes para sua primeira colocação.”
“Esse reconhecimento reflete um trabalho contínuo de evolução, baseado em qualidade, proximidade e compromisso com os resultados dos nossos clientes”, afirma Anderson Argentoni, sócio e CEO da Jump. “A conquista reforça nosso posicionamento como parceiro estratégico e orientado à excelência operacional, algo que construímos todos os dias ao lado dos nossos clientes e parceiros.”
Não é coincidência que AWS e Logicalis, duas empresas que avaliam com critério quem está ao lado delas, reconheçam a Jump em momentos próximos. Um prêmio vem pelo papel no ecossistema de talentos. O outro vem pela excelência na entrega. Juntos, eles contam uma história sobre o que a Jump é: uma consultoria brasileira especializada em transformação digital guiada por dados, que combina estratégia, tecnologia, processos e pessoas para apoiar empresas na construção de arquiteturas escaláveis, seguras e orientadas a resultados.
Atuar com consistência ao longo do tempo, em projetos que vão desde iniciativas específicas até grandes programas corporativos, é o que torna reconhecimentos como esses possíveis.
Obrigado à AWS e à Logicalis pela confiança e pela parceria.
Martech sem governança é custo, não crescimento
Não é de hoje que o Martech deixou de ser apenas um conjunto de ferramentas para automatizar campanhas e passou a ser a espinha dorsal da operação de crescimento orientada por dados.
Em 2026, essa transformação se consolidou de forma pragmática. Segundo a Gartner, mais de 60% dos líderes de marketing já consideram suas stacks de tecnologia críticas para geração direta de receita. Ainda assim, o diferencial competitivo não está no volume de tecnologia contratada, está na capacidade de orquestrar dados, decisões e experiências sob um modelo consistente de governança, especialmente quando a inteligência artificial passa a influenciar decisões em escala.
O problema é que, embora o investimento em IA aplicada ao marketing tenha crescido de forma acelerada, os resultados continuam desproporcionais. Estudos da McKinsey & Company indicam que apenas cerca de 20% a 30% das iniciativas de IA geram impacto financeiro relevante após a fase inicial. Em muitos casos, projetos ficam presos em pilotos ou não conseguem escalar. A raiz do problema não está na modelagem ou na infraestrutura, está na ausência de governança estruturada.
Dados fragmentados, baixa qualidade de informação e falta de monitoramento contínuo comprometem a confiabilidade das decisões automatizadas. O desafio: deixou de ser tecnológico e passou a ser de gestão e aí, a governança de IA se torna central dentro do ecossistema martech.
NA PRÁTICA
Não se trata apenas de mitigar riscos, mas de garantir alinhamento entre dados, modelos e objetivos estratégicos. Em 2026, esse movimento ganha força com a consolidação de regulações como o AI Act, que estabelece padrões de transparência, rastreabilidade e responsabilidade no uso de IA. Paralelamente, frameworks como o NIST AI Risk Management Framework e os princípios da OECD consolidam diretrizes práticas para empresas estruturarem governança de forma contínua e mensurável.
Dentro do marketing, isso se traduz em desafios operacionais claros. As plataformas de martech operam hoje com dezenas de modelos simultâneos que impactam segmentação, personalização, atribuição e previsão de comportamento. Sem governança, esses sistemas amplificam vieses e inconsistências. Um relatório recente da Salesforce aponta que mais de 50% dos consumidores afirmam não confiar totalmente em como as empresas usam seus dados, o que conecta diretamente governança à confiança e à marca. Além disso, decisões orientadas exclusivamente por métricas de curto prazo podem deteriorar o valor de longo prazo do cliente.
A pressão por eficiência e crescimento intensifica esse cenário e a automação se tornou um requisito básico: isso cria uma dinâmica em que o aumento da dependência de IA exige níveis mais altos de controle e visibilidade. Organizações mais maduras entenderam essa equação e passaram a tratar governança como alavanca de escala. Empresas que implementam práticas robustas de governança conseguem, segundo a própria McKinsey & Company, capturar até o dobro de valor em iniciativas de IA quando comparadas às que operam de forma não estruturada.
JUMP
A Jump se posiciona como um elo entre estratégia, tecnologia e execução, pois sua abordagem não se limita à implementação de ferramentas, mas à construção de um ecossistema martech orientado por três pilares: integração de dados, orquestração de jornadas e governança de decisões. Isso significa estruturar arquiteturas onde dados são confiáveis, modelos são continuamente monitorados e decisões automatizadas são auditáveis, reduzindo risco e aumentando previsibilidade de resultado.
Um dos pontos centrais dessa abordagem é incorporar governança desde o design. Empresas que tratam governança como etapa posterior acumulam dívida operacional e perdem velocidade na escala. A lógica mais eficiente é definir ownership de dados, padrões de documentação e métricas de performance desde o início.
Outro fator crítico é o alinhamento entre áreas técnicas e de negócio. A falta de conexão entre times de dados e marketing ainda é uma das principais causas de fracasso em projetos de IA. Sem linguagem comum, métricas compartilhadas e objetivos claros, modelos se tornam sofisticados, mas irrelevantes para o negócio. A governança, atua como mecanismo de alinhamento, garantindo que decisões automatizadas estejam diretamente conectadas a indicadores estratégicos.
A gestão do ciclo de vida dos modelos também passa a ser determinante. Modelos de martech sofrem degradação natural à medida que o comportamento do consumidor muda. Sem processos estruturados de monitoramento e atualização, a acurácia cai e o impacto diminui. Organizações como a Jump, que implementam práticas de governança conseguem manter performance por meio de testes controlados, revalidação contínua e ajuste dinâmico de modelos, transformando IA em um ativo vivo e não em um experimento isolado.
FUTURO
A ascensão da IA generativa adiciona uma camada de complexidade: ferramentas capazes de produzir conteúdo, otimizar campanhas e personalizar interações em tempo real ampliam exponencialmente a capacidade operacional das equipes. Ao mesmo tempo, aumentam riscos relacionados à propriedade intelectual, consistência de marca e veracidade de informações. Dados da Deloitte mostram que mais de 70% das empresas já estão testando ou implementando IA generativa em marketing, mas menos da metade possui políticas claras de governança para seu uso.
O futuro do martech será definido pela capacidade de governar tecnologia em escala. Empresas que estruturarem essa base conseguirão operar com mais velocidade, segurança e previsibilidade de resultado. As demais continuarão investindo em tecnologia sem capturar valor proporcional.
IA, equidade de gênero e a missão lunar do trabalho do futuro
Quando o foguete Artemis II parte rumo à Lua, cada componente da missão tem papel crítico. Engenheiros, cientistas e astronautas trabalham de forma coordenada e confiam uns nos outros para alcançar um objetivo comum. No mundo corporativo, a inteligência artificial desempenha um papel semelhante. Ela tem potencial para aumentar produtividade, inovação e competitividade, mas nem todos os profissionais têm acesso às mesmas ferramentas ou confiança para participar dessa transformação.
É justamente nesse ponto que empresas como a Jump começam a fazer diferença ao aproximar tecnologia e pessoas. Ao atuar com soluções em Cloud, Databricks, Salesforce e Power BI, a empresa não apenas implementa tecnologia, mas também cria caminhos para que mais profissionais participem ativamente desse novo cenário.
Partindo deste princípio, o conceito de “two-tiered AI economy”, destacado por Emily Canto Nunes na Ada News, descreve uma economia digital dividida entre dois mundos. De um lado estão aqueles que desenvolvem IA, como grandes empresas e países com infraestrutura tecnológica avançada. Do outro estão aqueles que apenas consomem tecnologia, com acesso limitado. Ou seja, a inovação se concentra em poucos, enquanto a base corre risco de ficar para trás.
Os dados reforçam essa divisão. Um estudo do Harvard Digital Data Design Institute mostra que mulheres têm 20% menos probabilidade de adotar ferramentas de IA generativa, mesmo quando possuem formação técnica. Além disso, relatórios sobre o impacto da automação no trabalho feminino indicam que a IA tem três vezes mais probabilidade de impactar empregos ocupados por mulheres, especialmente em funções administrativas e de serviços. Já análises da Harvard Business Review sobre o fenômeno social identity threat evidenciam que profissionais sub-representados que utilizam IA podem ser percebidos como menos competentes, aumentando a hesitação e limitando oportunidades de carreira.
Diante desse cenário, a atuação da Jump ganha ainda mais relevância. Ao investir em capacitação contínua e incentivar o uso prático de dados e inteligência artificial no dia a dia das equipes, a empresa contribui diretamente para reduzir barreiras de acesso. Isso significa não apenas disponibilizar ferramentas, mas garantir que diferentes perfis de profissionais se sintam preparados e confiantes para utilizá-las.
Esse tipo de abordagem impacta diretamente a cultura organizacional. Quando a tecnologia é acompanhada de inclusão e desenvolvimento, cria-se um ambiente mais seguro para experimentação, troca de conhecimento e inovação. A experiência da Jump mostra que democratizar o uso da IA dentro das empresas é um passo essencial para evitar que a transformação digital aprofunde desigualdades já existentes.
O resultado vai além da tecnologia. Ambientes mais diversos e preparados aumentam a confiança dos colaboradores, estimulam inovação e melhoram a produtividade. Assim como uma missão lunar depende de cada tripulante, a transformação digital corporativa só é bem-sucedida quando todos têm acesso às ferramentas, treinamento e oportunidades para contribuir.
A IA é uma força transformadora, mas só atingirá seu potencial pleno se empresas garantirem inclusão, capacitação e diversidade. Iniciativas como as da Jump mostram que é possível construir esse caminho de forma prática e consistente. Afinal, a missão lunar da inovação só será completa quando todos puderem embarcar.
IA nas artes: criatividade e tecnologia em debate
A Jump é especialista em soluções de dados, inteligência artificial e machine learning e apoia organizações a utilizar tecnologia de forma estratégica e responsável.
No contexto educacional e criativo, essa expertise permite analisar informações e gerar insights que ajudam instituições a tomarem decisões mais informadas, sem substituir o trabalho humano ou a criatividade, mas sim aprimorá-lo, afinal a discussão começa deste pricipio.
Nas escolas de arte, a Inteligência Artificial vem sendo incorporada com intensidade variável. Algumas instituições de referência, como CalArts, MassArt e RCA, já utilizam ferramentas generativas em suas aulas, enquanto outras permanecem cautelosas, preocupadas com autoria, ética e originalidade artística.
Mesmo assim, pesquisas recentes mostram que estudantes percebem a IA tanto como oportunidade de explorar novas formas de criação quanto como risco de padronização da expressão artística. Surge, então, uma questão central: como integrar a IA de forma responsável e estratégica, equilibrando inovação e toque humano?
Jump: tecnologia a serviço da educação e da criatividade
A presença de tecnologias de análise e IA, como as oferecidas pela Jump, podem ajudar instituições e educadores a entenderem através de dados sobre aprendizado e processos criativos, permitindo decisões estratégicas mais fundamentadas sobre quando e como utilizar ferramentas digitais. Dessa forma, a tecnologia funciona como apoio, potencializando a criatividade sem substituí-la, e abrindo espaço para reflexões sobre ética, propriedade intelectual e experimentação artística.
Mais do que isso, a Jump acredita que os jovens precisam estar atualizados e integrados às mudanças que já estão acontecendo. A empresa investe e se compromete com a educação, tornando esse pilar fundamental para o desenvolvimento de produtos que facilitam a vida de estudantes e instituições.
Exemplos de aplicação em educação
Propensão de matrícula com Machine Learning
Modelos de machine learning podem prever a probabilidade de matrícula de cada candidato, permitindo campanhas de captação mais eficientes. A solução gera diariamente scores de propensão, reduz custos, melhora a conversão de inscritos em matriculados e ajuda a priorizar esforços comerciais.
“Através do Machine Learning dados se tornam uma conversão real no setor educacional.”- Jump
Teste vocacional com IA
Testes baseados em IA oferecem recomendações de cursos alinhadas às aptidões do candidato, integrando gamificação, feedback imediato e personalização de campanhas. Essa abordagem melhora o engajamento dos estudantes, reduz dúvidas na escolha do curso e fornece dados estratégicos para decisões educacionais mais precisas.
“Com o teste vocacional de IA, dados se tornam personalização e conversão.”- Jump
Esses exemplos mostram como Jump utiliza a IA aplicada à educação e como isso pode gerar valor real, apoiando decisões estratégicas sem substituir o elemento humano, e tornando a aprendizagem mais eficiente, envolvente e atual.
O futuro do aprendizado e da criatividade
O debate sobre IA e criatividade evidencia que a tecnologia amplia a capacidade de criação, mas não substitui o toque humano. Se for integrada de forma responsável, a IA pode fortalecer o ensino, estimular experimentação e preparar artistas e educadores para os desafios do século XXI.
Sendo assim Jump atua com o objetivo de fortalecer e gerar valor a cada empresa, pessoa e organização através do uso de dados, ajudando jovens e instituições a estarem preparados para mudanças que já estão acontecendo.
