Por que Databricks precisa de um olhar próprio no FinOps?
A Databricks se consolidou como uma das plataformas de dados mais adotadas do mercado, mas o modelo de cobrança que a tornou popular não foi desenhado para a volatilidade das cargas de IA generativa e agêntica. O resultado é previsível: CFOs e CTOs veem a fatura crescer mais rápido do que conseguem explicar, e é exatamente aí que o FinOps precisa evoluir.
Pipelines executados continuamente, modelos de machine learning, agentes de IA, aplicações RAG, SQL Warehouses, processamento distribuído, clusters elásticos e GPUs criam um padrão de consumo. O custo já não depende apenas da quantidade de recursos provisionados, mas da forma como dados e algoritmos são utilizados para gerar valor ao negócio.
O ponto cego da fatura em DBU
A cobrança da Databricks funciona por DBU (Databricks Unit), e isso gera duas faturas separadas: uma da própria plataforma, outra do provedor de nuvem que sustenta o processamento. Sem uma camada que unifique essas duas fontes, a reconciliação vira trabalho manual, e não escala quando workloads de treinamento e inferência de IA multiplicam a frequência e o volume dos jobs.
Não por acaso, a própria Databricks tem ampliado seus investimentos em recursos voltados à observabilidade de custos, otimização e governança financeira dos workloads. O tema ganhou espaço de destaque no Data + AI Summit 2026, reforçando que eficiência financeira passou a ser parte da estratégia de dados, e não apenas uma atividade operacional.
Do ponto de vista de negócio, a Databricks exige uma estratégia de FinOps porque um ambiente que cresce sem governança se transforma em aumento de custo sem geração proporcional de valor. No longo prazo, isso impacta previsibilidade financeira, margem e até a capacidade do cliente de expandir novos casos de uso.
Quando dashboards deixam de ser suficientes
As ferramentas nativas das plataformas cloud e da própria Databricks oferecem excelente visibilidade operacional. Elas mostram consumo, utilização de recursos e métricas importantes para o dia a dia das equipes técnicas. Mas organizações com múltiplas áreas de negócio normalmente precisam responder questões mais amplas.
Grupo Mateus e o caso de sucesso de FinOps
Segundo Luan Freitas, cliente e parceiro da Databricks, com um caso de sucesso de FinOps no Grupo Mateus, seguir as recomendações da documentação da plataforma para estruturar modelos e processamentos voltados ao mapeamento de custos gerou resultados expressivos de economia. “Na maioria das vezes é trabalhar em cima das otimizações. A gente seguiu os conceitos da própria ferramenta para ter como mensurar e saber onde atacar.”, afirmou.
“Algumas empresas querem avançar logo, sem construir uma base bem estruturada e acabam tendo um custo três, quatro vezes maior do que se tivessem estruturado antes. A gente já preparou a estrutura para que cada setor assuma os custos dos seus dados”, concluiu Luan.
Atribuição de custo: o desafio que a IA torna urgente
Distribuir os gastos Databricks entre unidades de negócio, produtos ou squads exige tagging consistente de clusters e jobs. Depois, essas informações precisam ser correlacionadas manualmente entre os logs de billing da plataforma e as faturas de nuvem. Esse processo já era trabalhoso no mundo pré-IA. Com pipelines de treinamento, fine-tuning e agentes autônomos rodando em paralelo, a ausência dessa disciplina deixa de ser um incômodo operacional e passa a ser um risco de governança financeira.
Iniciativas recentes da plataforma buscam unificar dados operacionais e financeiros para oferecer visibilidade de custos em tempo real tanto para times de engenharia quanto para FinOps. Ainda assim, essas iniciativas deixam a empresa dependente do ecossistema da própria Databricks para enxergar o problema.
OPT-3: Conectando dados de cloud à inteligência financeira
O desafio real de FinOps na era da IA é operar em ambientes multicloud . Foi para esse cenário que o OPT-3 foi desenvolvido. Em vez de depender de avaliação manual entre faturas Databricks e da nuvem, o OPT-3 correlaciona essas fontes de forma automática.
A ferramenta traz visibilidade total dos custos de AWS, Azure, GCP, Databricks e Snowflake em uma única plataforma com visão integrada e interativa. O objetivo é identificar desperdícios, recursos ociosos e oportunidades de saving com recomendações priorizadas além de gerar alertas e governança com dados atualizados na frequência certa para o negócio.
A fatura do Databricks vai subir
Para organizações que rodam Databricks como peça central da stack de dados e IA, isso significa previsibilidade financeira em tempo real. A fatura da Databricks vai continuar subindo com a adoção de IA e as empresas precisam ter visibilidade dos gastos para avaliar se esse crescimento está gerando valor proporcional para o negócio.
Agentic FinOps é uma boa ideia e a Jump tem o produto
Nos últimos meses, um novo termo começou a circular nos fóruns de cloud e nas publicações de tecnologia brasileiras: Agentic FinOps. A ideia, em linhas gerais, é de que agentes de inteligência artificial passarão a operar com governança de cloud de forma autônoma, antecipando decisões, executando otimizações e respondendo a anomalias sem intervenção humana direta.
O Flexera publicou o State of the Cloud Report 2026 e um número chamou mais atenção do que qualquer outro: o desperdício em cloud subiu para 29%, o primeiro aumento em cinco anos. A razão principal foi o crescimento acelerado dos workloads de IA, que tornaram os ambientes multicloud mais dinâmicos, mais caros e, sobretudo, mais difíceis de governar com as ferramentas que as empresas já possuem. Ao mesmo tempo, 100% das organizações pesquisadas já utilizam IA generativa, e 45% a empregam de forma intensiva.
Anderson Argentoni, CEO da Jump, foi um dos primeiros a acompanhar de perto o debate sobre Agentic FinOps no Brasil: “Há quem plante a bandeira do tema sem ter construído nada ainda, e há quem construiu um produto funcional sem ter reivindicado o espaço da narrativa, é o caso da Jump”, menciona o CEO.
“O OPT-3, que lançaremos, não é uma promessa de IA aplicada ao FinOps. É um produto em operação, com clientes reais, ROI documentado de até 61% e onboarding em menos de dez dias. Ele consolida ambientes de cloud AWS, Azure, GCP e serviços em nuvem como Databricks e Teradata em uma visão única, além de detectar anomalias antes que virem fatura, priorizar recomendações de rightsizing e entregar ao time financeiro e à liderança a clareza que os provedores de nuvem nunca foram desenhados para fornecer”, completa Argentoni.
A inteligência que move o OPT-3 está no FinOps Assistant, que já opera dentro da plataforma, e na arquitetura de dados canônica que normaliza informações de provedores com lógicas de cobrança completamente distintas. A camada de agência virá sobre uma base que já existe e já funciona. Não o contrário.
O Flexera 2026 também documentou algo que o mercado brasileiro ainda está aprendendo a interpretar: 64% das organizações globais já medem o sucesso em cloud não por economia gerada, mas por valor entregue às unidades de negócio. Essa transição de FinOps como controle de custo para FinOps como alavanca estratégica é exatamente o movimento que o OPT-3 foi construído para suportar. Os três pilares da plataforma, Inform, Optimize e Operate, percorrem essa jornada de forma estruturada, do diagnóstico inicial à governança contínua.
A governança de cloud precisa acontecer agora, com os workloads de IA que já estão consumindo orçamento, gerando anomalias e desafiando os modelos de previsão que as equipes financeiras construíram para um ambiente que não existe mais.
A pergunta que cada CTO, CFO e líder de operações deveria fazer hoje não é “o que a IA vai fazer pelo FinOps nos próximos anos”. É “quem, agora, tem um produto que consegue enxergar e governar o custo dos meus workloads de IA enquanto eles crescem?” No Brasil, a resposta é a Jump. Fale conosco.
Sobre a Jump
A Jump é uma consultoria brasileira especializada em transformação digital guiada por dados, fundada em 2014. Com mais de 600 especialistas e certificações ISO 27001, ISO 27701, ISO 42001. É uma das únicas empresas brasileiras certificadas pela ISO 42001, o padrão global de gestão de inteligência artificial.
Na era da IA, quem controla o que o modelo pensa?
Toda vez que um modelo de inteligência artificial recusa uma solicitação, prioriza uma resposta sobre outra ou reformula uma pergunta antes de respondê-la, uma decisão humana anterior está operando nos bastidores. Esta decisão não foi tomada nem pelo usuário, nem pelo time de TI da empresa que implantou o sistema, mas por quem treinou o modelo; foi ele quem definiu seus valores de referência e estabeleceu os limites do que pode ou não dizer. Essa camada invisível de controle tem nome técnico: alinhamento de IA. Apesar de ser o tema mais relevante, é o menos compreendido da governança de IA em 2026.
Essa falta de compreensão não ocorre na Jump. Certificada com o ISO 42001 e uma das únicas empresas brasileiras a operar sob governança verificada de inteligência artificial, a empresa trabalha com transparência e rastreabilidade exatamente nessa camada onde as decisões sobre o comportamento dos modelos são tomadas antes que qualquer usuário faça a primeira pergunta. Entender quem controla o que um modelo “pensa”, como esse controle é exercido e quem audita essas decisões é o que separa organizações que usam IA de forma consciente das que delegam escolhas fundamentais de negócio a sistemas sem critério.
O que é alinhamento de IA e por que ele importa para líderes
Alinhamento de IA é o conjunto de técnicas e processos usados para fazer com que um modelo de linguagem se comporte de acordo com intenções humanas específicas: ser útil, honesto, seguro, coerente com políticas internas ou com valores definidos por quem o treinou. O problema central do alinhamento é que modelos de linguagem não têm valores próprios e aprendem a produzir respostas que humanos consideram boas a partir de exemplos ou feedbacks. Quem define o que é “bom” nesse contexto está, na prática, moldando o comportamento do sistema para todos os seus usuários. O viés de treinamento é o lado menos intencional desse processo, pois ele ocorre quando os dados usados para treinar o modelo ou os feedbacks humanos usados para ajustá-lo, carregam preferências, perspectivas e pontos cegos que se transferem para as respostas do sistema.
Por exemplo, um modelo treinado predominantemente com textos em inglês produzidos por autores norte-americanos e europeus carrega implicitamente as perspectivas culturais presentes nesses textos. Ou seja, um modelo ajustado por avaliadores humanos com determinado perfil demográfico aprende a produzir respostas que este considera boas, mesmo quando isso diverge das expectativas de outros grupos de usuários. A combinação de alinhamento intencional e viés não intencional produz sistemas cujo comportamento é parcialmente projetado e emergente; distinguir os dois requer ferramentas e processos que a maioria das organizações que implantam IA ainda não possuem.
Como técnicas moldam o comportamento dos modelos
Três mecanismos principais definem como um modelo de inteligência artificial se comporta depois de treinado e cada um deles representa uma camada de decisão que pode ou não ser transparente para quem usa o sistema.
O primeiro é o RLHF, Reinforcement Learning from Human Feedback, aprendizado por reforço a partir de feedback humano. No processo, avaliadores comparam pares de respostas e indicam qual é melhor. O modelo de linguagem aprende a partir dessas preferências e ajusta seu comportamento para produzir respostas mais parecidas com as que os avaliadores preferiram, porém as preferências não são neutras: refletem seus valores, culturas, limites de atenção e, eventualmente, incentivos.
Um caso documentado em auditoria de uma empresa SaaS revelou que o modelo de recompensa do sistema de suporte passou a atribuir pontuação próxima de 1,0 para qualquer resposta que validasse a frustração do usuário. Quando um administrador frustrado exigiu acesso à senha root, o agente atendeu educadamente, priorizando o tom empático altamente pontuado em detrimento dos guardrails de segurança. A partir daí, a equipe responsável por monitorar e manter o modelo em produção (time de “MLOps”, ou operações de machine learning) ignorou os sinais de alerta nos dados, porque a média geral da pontuação de recompensa parecia perfeita.
O segundo mecanismo é o fine-tuning supervisionado, onde o modelo é exposto a exemplos de respostas consideradas ideais e aprende a imitá-los. Esse processo é amplamente usado por empresas que adaptam modelos de base, como GPT ou Claude, para casos de uso específicos.
O fine-tuning permite personalizar o comportamento para um domínio, um tom ou uma política corporativa, mas também permite, intencionalmente ou não, introduzir vieses novos ou amplificar os existentes. Segundo uma pesquisa publicada em 2025, o fine-tuning adicional apaga rapidamente comportamentos adquiridos em etapas anteriores de ajuste, enquanto comportamentos aprendidos no pré-treinamento são substancialmente mais robustos. Isso significa que as camadas de alinhamento aplicadas sobre modelos de base podem ser mais frágeis do que parecem.
Por fim, o terceiro mecanismo é o prompt engineering, a engenharia de instruções. Diferente dos dois anteriores, que operam no treinamento do modelo, o prompt opera em tempo de execução: instruções no sistema definem como deve se comportar naquela implantação específica. Por exemplo, uma empresa pode usar o mesmo modelo base que um concorrente e obter comportamentos radicalmente diferentes dependendo das instruções que incluiu no contexto do sistema. Para fins de governança, isso cria um desafio específico: o comportamento observado pelos usuários não é determinado apenas pelo modelo, mas pela combinação dele com as instruções que acompanham cada implantação.
Outro ponto importante para se considerar é que organizações raramente se perguntam antes de implantar um modelo de IA quem decidiu que ele se comportaria assim, com base em quê, e como verificar se esse comportamento é consistente com o que é preciso.
A resposta honesta, na maioria dos casos, é que ninguém fez esta auditoria, o modelo foi selecionado, implantado e colocado em produção com base em avaliações de performance em benchmarks padrão, sem revisão sistemática dos critérios que guiam seu comportamento em situações ambíguas, sem documentação das escolhas de alinhamento feitas pelo desenvolvedor do modelo e sem mecanismos para detectar quando o comportamento observado diverge do que foi especificado.
O EU AI Act estabelece que sistemas de alto risco, incluindo os usados em recrutamento, concessão de crédito, educação e aplicação da lei, exigem dados de treinamento de alta qualidade para reduzir viés, além do registro das operações de IA para rastreabilidade, documentação técnica extensiva, implementação de supervisão humana e avaliação de conformidade antes da implantação comercial. As obrigações de transparência, que entram em vigor em agosto deste ano, cobrem explicabilidade, interpretabilidade, responsabilidade, rastreabilidade e fornecimento de informação clara antes da primeira interação do usuário com o sistema.
O que a ISO 42001 garante nessa camada
A ISO 42001 é o único padrão global certificável que endereça sistematicamente a transparência e rastreabilidade das decisões de alinhamento de IA. Como mencionado anteriormente, a Jump está à frente de outras organizações nisso e em outros quesitos de governança.
A ISO exige que empresas: documentem os objetivos de cada sistema de inteligência, os critérios usados para avaliar seu comportamento, os processos de revisão periódica e os mecanismos de resposta quando o comportamento observado diverge do especificado. Isso significa que uma organização certificada consegue responder perguntas que a maioria não consegue: quais valores de referência foram usados no fine-tuning do modelo que usamos? Quem revisou as instruções de sistema que definem seu comportamento? Como monitoramos se o modelo continua se comportando conforme especificado depois de atualizações? Quem é responsável quando o comportamento observado diverge do esperado?
Essas perguntas são operacionais e reguladoras, ; clientes corporativos e conselhos de administração estão começando a fazê-las com frequência crescente, enquanto a Jump já detectou a importância de incluí-las em sua operação. A capacidade de respondê-las com evidências documentadas é o que separa quem usa IA de forma consciente de quem simplesmente confia que o modelo se comportará bem.
Há uma dimensão desse problema que transcende a técnica e é raramente discutida em contextos executivos: quando uma organização implanta um modelo treinado por outra, está delegando a essa outra organização as decisões sobre quais valores o sistema vai refletir, quais perspectivas vai priorizar e quais solicitações vai recusar.
As escolhas de alinhamento feitas pelo desenvolvedor do modelo refletem um conjunto específico de perspectivas, não uma verdade universal sobre o comportamento correto de sistemas de IA, enquanto a governança cria o processo pelo qual organizações podem tomar decisões conscientes sobre ele.
Escolher modelos cujas escolhas de alinhamento são documentadas e auditáveis, adaptar comportamentos via fine-tuning com critérios explícitos e revisados, monitorar continuamente se o sistema continua operando dentro dos parâmetros definidos e documentar quem tomou cada uma dessas decisões: essa é, precisamente, a diferença entre usar IA e governar IA.
E este é mais um diferencial da Jump. Fale conosco.
Referências
Mindgard. What Are AI Guardrails? Ensuring Safe and Ethical Generative AI, jun. 2025.
Tech Jack Solutions. AI Alignment and RLHF Explained: 2026 Guide.
Medium / QuarkAndCode. RLHF Explained: Fine-Tuning and AI Alignment with Human Feedback, mai. 2026.
The AI Aura. RLHF Explained: Who Is Aligning AI Models? mai. 2026.
Claude5 Hub. AI Safety 2026: Alignment Research Breakthroughs, mai. 2026.
arxiv / Alignment Midtraining Research. AI Alignment and Value Learning: Fragility of Fine-Tuning, abr. 2026.
arxiv / Robotics-Inspired Guardrails. Guardrails for Foundation Models in Socially Sensitive Domains, mai. 2026.
GDPR Local. AI Transparency Requirements: Compliance and Implementation, jul. 2025.
SpeakUp. What is the EU AI Act?, jan. 2026.
Travers Smith. The EU AI Act: The Current State of Play, mai. 2026.
Beyond Tomorrow. AI Regulation Update 2026: EU AI Act Enforcement and US State Rules, jun. 2026.
Alation. EU AI Act Compliance: A Practical Guide for 2026–2027.
European Commission. EU AI Act Official Implementation Page.
arxiv / Marvin van Bekkum. Using Sensitive Data to De-bias AI Systems: Article 10(5) of the EU AI Act, 2025.
McKinsey. The State of AI in 2025: Agents, Innovation, and Transformation, nov. 2025.
ISO/IEC. ISO/IEC 42001:2023 Artificial Intelligence Management System.
Você sabe qual a conta que ninguém colocou no orçamento de IA?
Organizações de todos os setores estão implantando inteligência artificial em processos críticos de negócios, e a maioria delas está fazendo isso sem os controles mínimos necessários para saber se esses sistemas funcionam corretamente. Segundo o, EY Responsible AI Pulse Survey, publicado em outubro de 2025 com 975 líderes C-level em 21 países, registrou que 99% das organizações já sofreram perdas financeiras associadas a riscos de IA, com perda média de USD 4,4 milhões por organização e 64% dos entrevistados relatando perdas superiores a USD 1 milhão.
A adoção de IA nas empresas atingiu um patamar que torna a governança uma necessidade operacional e muitas ainda não sabem como atuar sem perder dinheiro. Segundo a McKinsey no relatório State of AI 2025, 88% das organizações já utilizam IA em ao menos uma função de negócio, número que era 78% no ano anterior. O crescimento é expressivo, mas apenas um terço dessas organizações conseguiu escalar o uso de IA de forma ampla na empresa, e 39% ainda estão na fase de experimentação.
Apesar de muitos avanços, o contraste entre adoção e maturidade de governança continua abrindo margem para riscos. Uma pesquisa da Economist Impact, conduzida com 639 executivos seniores em Londres, Nova York, Cingapura, Sydney e Tóquio no final de 2025, aponta que apenas 8% das organizações globais gerenciam um framework de governança de IA abrangente. A IBM, por sua vez, aponta que 87% das organizações afirmam ter estruturas de governança claras, mas menos de 25% implementam os controles necessários para gerenciar viés, transparência e segurança de forma efetiva.
Declarar que existe governança e operar com governança são duas coisas distintas. O Fórum Econômico Mundial e a Accenture, no relatório Advancing Responsible AI Innovation publicado em setembro de 2025, concluíram que menos de 1% das organizações chegaram à operacionalização completa de IA responsável, com 81% ainda nos estágios iniciais de maturidade. O índice AI Readiness da Cisco, de 2025, mostra que apenas 16% das empresas atingiram o nível mais alto de prontidão para governança, o que a pesquisa chama de Pacesetters, o grupo totalmente preparado entre quatro categorias avaliadas.
Todos esses dados descrevem um ambiente em que a IA avança muito além da capacidade das organizações de controlá-la, auditá-la e responsabilizá-la por seus resultados.
Por que a governança de IA é diferente da governança de TI tradicional
Quem já passou por implantações de ERP, migrações de nuvem ou programas de segurança da informação permite a estrutura geral de um programa de governança tecnológica: políticas, controles, auditorias, responsabilidades definidas. A governança de IA compartilha essa estrutura, mas adiciona desafios que os modelos tradicionais não foram projetados para endereçar, entre eles:
1) Opacidade dos sistemas
Modelos de aprendizado de máquina, especialmente os de linguagem natural de grande escala, produzem resultados que muitas vezes não podem ser explicados de forma simples nem pelos engenheiros que os treinaram. Quando um sistema de crédito nega uma solicitação ou um algoritmo de recrutamento descarta um candidato, a organização precisa ser capaz de explicar os critérios, auditá-lo e contestá-lo, se necessário. A ausência de explicabilidade não é um detalhe técnico: é um risco legal em várias jurisdições e uma falha de processo em qualquer estrutura de governança séria.
2) Velocidade de rotina
As empresas não estão mais apenas adotando um ou dois sistemas de IA controlados por TI. A Grip Security, em seu relatório SaaS + AI Security de 2026, aponta que as organizações atualmente gerenciam funcionalidades de IA distribuídas por centenas de aplicações SaaS, muitas solicitações fora de qualquer processo centralizado de revisão de segurança. Os ataques relacionados à IA cresceram aproximadamente 490% entre 2025 e 2026, e grande parte das falhas de governança emergem não por comprometimento direto de modelos, mas por permissões e integrações que ninguém estava monitorando. Não é possível governar o que não se consegue inventariar.
3) Agentes de IA independentes
Diferentes dos modelos que respondem às consultas, os agentes de IA tomam sequências de decisões, acessam sistemas externos, executam ações e aprendem com interações sem intervenção humana contínua. A Deloitte, em sua pesquisa State of AI in the Enterprise de 2026 com 3.235 líderes seniores, informa que 74% das organizações planejam adotar IA agentiva nos próximos dois anos, mas apenas 21% dessas organizações possuem um modelo maduro de governança para agentes de IA. Um detalhe operacional capturado pelo Writer em pesquisa de 2026 vai além: 35% das organizações presumiram que não conseguiriam desligar um agente de IA que saísse do controle se isso acontecesse. Implantar sistemas autônomos sem capacidade de interrupção é uma falha de controle que nenhum outro contexto tecnológico tentaria como aceitável.
O cenário regulatório global: o que mudou e o que está prestes a mudar
A governança de IA saiu do domínio das boas práticas voluntárias e entrou no domínio da compliance obrigatória. O movimento regulador mais consequente é o europeu, mas está longe de ser o único.
O EU AI Act, o primeiro framework legal de abrangência para inteligência artificial no mundo, entrou em vigor em agosto de 2024 e vem sendo implementado em fases desde então. Agora as organizações tem o prazo principal de agosto de 2026 para dezembro de 2027, isso significa que aqueles que já iniciaram o processo de inventário, classificação e documentação estão em vantagem específica sobre como que esperavam um único prazo como ponto de partida, a Jump, faz parte do grupo que está à frente.
Jump e a ISO 42001
O mercado de plataformas de governança de IA foi avaliado em US$ 308,3 milhões em 2025 e deve atingir US$ 3,59 bilhões até 2033, com CAGR de 36%, segundo a Grand View Research. A Gartner projeta que os gastos com plataformas de governança de IA chegarão a US$ 492 milhões apenas em 2026, ultrapassando US$ 1 bilhão até 2030. Esses números refletem um mercado que está se consolidando rapidamente em resposta à pressão regulatória e ao amadurecimento da disciplina.
Mas a plataforma é o componente final de um programa que precisa começar com explicito sobre o que governança de IA significa na prática. Três frameworks referência estruturam a maioria dos programas corporativos em 2026.
O NIST AI Risk Management Framework é uma arquitetura de referência mais utilizada por empresas norte-americanas. Voluntário por natureza, organiza-se em quatro funções: Governar, para responsabilidade transversal; Mapear, para contextualização de riscos; Medir, para testes e monitoramento contínuo; e Gerenciar, para priorização e tratamento de riscos. O framework define sete características de IA confiáveis: validade e confiabilidade, segurança, proteção e resiliência, responsabilidade e transparência, explicabilidade e interpretabilidade, aprimoramento de privacidade, e equidade com gerenciamento de visão.
A ISO/IEC 42001 é a primeira norma global certificável para sistemas de gestão de IA. Funciona de forma complementar ao EU AI Act: onde a regulação define o que deve ser alcançado, a norma define como estruturar os processos organizacionais para chegar lá. Para empresas que precisam demonstrar conformidade com diversas jurisdições, a certificação ISO 42001 funciona como evidência portável de maturidade de governança. A Jump, foi uma das primeiras empresas do Brasil a ser certificada com ela.
O EU AI Act em si funciona como quadro regulamentar na Europa, mas a sua estrutura baseada em risco tornou-se referência global mesmo para organizações fora da União Europeia, pelo mesmo específico do “efeito Bruxelas” que o GDPR produziu na proteção de dados.
Independentemente do framework adotado, os pilares operacionais são consistentes: inventário de sistemas de IA com classificação por nível de risco; documentação técnica de modelos, dados de treinamento e lógica de decisão; mecanismos de supervisão humana definidos por tipo de decisão e impacto potencial; monitoramento contínuo de deriva, visão e desempenho em produção; trilhas de auditoria que atendem a revisões internas e externas; e processos de resposta a incidentes específicos para falhas de IA.
O que o C-Level precisa entender sobre governança de IA
As organizações da Deloitte em que as lideranças seniores participantes da governança de IA geram significativamente mais valor de negócio com IA do que aqueles cujo tema é delegado exclusivamente aos técnicos. Governança de IA efetiva é responsabilidade de todos, incorporada em estruturas de desempenho e revisão, não uma função paralela que existe no organograma de TI.
Uma pesquisa da PwC Global CEO Survey de janeiro de 2026 registrou que 56% dos CEOs acreditam que IA não entregou nenhum benefício mensurável em custo ou receita até agora. Apenas um em cada oito CEOs vê melhorias em duas dimensões. Essa percepção pode refletir expectativas mal calibradas, mas também pode refletir um problema real de implementação: IA sem governança produz frequentemente resultados inconsistentes, não auditáveis e difíceis de escalar, o que mina a confiança dos líderes no potencial da tecnologia.
Apenas 39% das empresas da Fortune 100 possuem mecanismos explícitos de supervisão de IA em seus conselhos de administração, segundo a McKinsey. Esse número está aumentando rapidamente à medida que reguladores, investidores e pressão reputacional empurram o tema para as agendas dos conselhos junto com cibernético, ESG e risco financeiro. Conselhos em 2026 estão fazendo perguntas diretas: onde está a IA nos nossos processos críticos? Como prevenir resultados invejados ou não seguros? Qual é a nossa exposição a IA propostas fora dos processos aprovados? Responder a essas perguntas requer evidências concretas, inventários de IA, trilhas de auditoria, classificações de risco e registros de supervisão humana.
A governança de IA não é uma iniciativa de conformidade que existe paralelamente ao negócio. É uma infraestrutura que permite que o negócio utilize IA com confiança, em escala, de forma sustentável. Organizações como a Jump, que constroem essa infraestrutura agora estão criando uma vantagem que vai além da conformidade regulatória: estão estabelecendo a capacidade de implantar IA com velocidade e sem as interrupções que as falhas de governança ocorrerão. As que não constroem estão acumulando um passivo que, cedo ou tarde, aparecerá como incidente, multa, perda de contrato ou dano de confiança.
O intervalo entre adotar IA e governar IA está se fechando por força regulatória, por pressão de mercado e por evidência acumulada de que o custo da ausência de controle é mensurável e significativo. A questão para líderes não é mais se esse investimento é necessário. É por onde começar e a Jump sabe muito bem os caminhos que precisam ser percorridos.
Referências
- Pesquisa EY Responsible AI Pulse, lançada em 2025.
McKinsey. O Estado da IA em 2025: Agentes, Inovação e Transformação, nov. 2025 .
Deloitte. Estado da IA nas Empresas em 2026 .
Fórum Econômico Mundial e Accenture. Promovendo a Inovação Responsável em IA: Um Guia Prático, definido para 2025 .
Economist Impact e Kyocera. Estudo sobre o Futuro da Governança da IA no Trabalho, 2025 .
Cisco. Índice de prontidão para IA 2025 .
IBM. Pesquisa sobre Governança de IA 2025 .
Pesquisa Global de CEOs da PwC , janeiro de 2026 .
Redator. Agentes de IA nas Empresas em 2026 .
Grip Security. Relatório de Segurança SaaS + IA para 2026 .
Grand View Research. Relatório de Mercado de Governança de IA, 2025–2033 .
Gartner. Guia de mercado para plataformas de governança de IA, fevereiro de 2026 .
Evolvance Market Research. Estatísticas de Governança de IA 2026: Principais Dados e Insights .
MCP Manager da Usercentrics. Estatísticas de governança de IA para conhecer em 2026, fev. 2026 .
Security Boulevard / Grip Security. Estatísticas de Governança de IA para 2026: Tendências, Riscos e Segurança Empresarial, maio de 2026 .
Credo AI. Última atualização sobre regulamentações de IA: o que as empresas precisam saber em 2026, dez. 2025 .
Elementum AI. Estrutura de Governança de IA: Guia Empresarial para 2026, maio de 2026 .
EW Solutions. A Estrutura de Governança de IA Empresarial, maio de 2026 .
Obot AI. Tendências de Governança de IA 2026: O Futuro da Conformidade com IA, junho de 2026 .
União Europeia. Lei da UE sobre IA (Regulamento UE 2024/1689), Comissão Europeia .
Nós legais. Atualizações da Lei de IA da UE de 2026: Requisitos de conformidade e riscos comerciais, abril de 2026 .
Cloud Security Alliance. Prazo de alto risco da Lei de IA da UE: Lacuna de preparação empresarial, março de 2026 .
Revista SQ. Estatísticas de custos de conformidade com a Lei de IA da UE 2026, abr. 2026 .
BlackFog. A Lei de IA da UE: Requisitos de conformidade para 2026 e além, junho de 2026 .
Decifrando o Futuro. Lei de IA da UE de 2026: Penalidades, Níveis de Risco e Novos Prazos, junho de 2026 .
Prof. Hung-Yi Chen. Governança e Regulação da IA 2026: Um Guia Completo para Estruturas Globais, março de 2026 .
Inteligência em Governança: Como a IA irá redefinir a conformidade, o risco e a governança em 2026 .
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!
Cultura e Tecnologia no universo Geek
Animes, cards, games retrô, ficção científica, tecnologia, horas de séries, cosplay e outras afinidades unem o mundo geek em uma comunidade com paixão por elementos da cultura pop. Comemorado em homenagem à estreia do primeiro filme de Star Wars, lançado em 1977 e considerado um marco para a cultura nerd, o Dia do Orgulho Geek completa 20 anos de celebração em 2026. A data, 25 de maio, também é celebrada como o Dia da Toalha, uma homenagem dos fãs da série “O Guia do Mochileiro das Galáxias” e ao seu autor, o escritor Douglas Adams.
Ficção científica ou realidade?
A comemoração vai ser em grande estilo e levará aos cinemas mais uma geração para assistir o novo filme da saga Star Wars: “The Mandalorian e Grogu”, que estreia hoje em todo o mundo e promete ação, aventura e o carisma de Grogu em uma produção cinematográfica.
Essa estreia de mais uma etapa no universo Star Wars aproveita também a proximidade de outra data comemorativa no calendário nerd: 4 de maio, conhecido internacionalmente como “May the Fourth be with you” – trocadilho que aproveita a data para conectá-la à frase icônica “May the Force be with you”.
Mesmo antes da IA permear a nossa realidade e se tornar o foco das empresas de tecnologia, o universo de Star Wars já trazia reflexões sobre a convivência entre humanos e máquinas. Além disso, o lado sombrio da força pode ser comparado com o uso irresponsável de dados, manipulação algorítmica e excesso de automação sem supervisão humana. Por isso, temas como governança de dados e cibersegurança passaram a ser foco das empresas empenhadas na transformação digital.
O mundo dos games
O público nerd sempre esteve ligado também à curiosidade, experimentação e lógica e formou profissionais apaixonados por tecnologia, tanto na área de programação como de robótica e games. Hoje, muitos dos líderes das maiores empresas do mundo cresceram imersos nesse universo.
Realizada em São Paulo neste mês comemorativo do Orgulho Geek, a Gamescom Latam 2026 consolidou o Brasil como o principal hub gamer da América Latina e um dos mercados mais estratégicos para inovação digital. O evento também revelou como o setor gamer se tornou um dos maiores laboratórios de inovação em IA, cloud computing e experiências imersivas do planeta. Veja mais sobre o que rolou no Linkedin da Jump.
A comemoração no Brasil
Seja no ambiente digital ou em encontros presenciais, a comunidade geek sempre cria um espaço inclusivo que acolhe pessoas de diferentes idades e perfis e a programação para comemorar esse dia não vai ser diferente. Seja participando de eventos, maratonando filmes e séries ou jogando com os amigos, escolha o seu programa preferido e mostre o seu orgulho geek!
Geek Calendar – O calendário oficial do universo geek!
Geek Connection | O Maior Portal de Fotografia e Eventos Geek do Brasil
Passeio Geek 4° Edição
23 maio
Evento presencial em Jardim Botânico de Florianópolis, Florianópolis – SC
Lobby Con
23 de Maio
TEATRO Feluma Prof. Dr. Geraldo Magela Gomes da Cruz – Alameda Ezequiel Dias, 275 – Sétimo Andar – Centro, Belo Horizonte – Minas Gerais
ANIMON 2026
23 de Maio
Evento presencial em Parque de Exposições João Alencar de Athayde, Montes Claros – MG
TORNEIO DE BOMBA PATCH – VILA ANIME
14 de Junho
Areninha Cultural Municipal Jacob do Bandolim – Praça do Barro Vermelho, Rio de Janeiro – Rio de Janeiro
Diversão Offline 11ª Edição
11 e 12 de julho
Evento presencial em Expo Center Norte, São Paulo – SP
Maranhão Geek Experience
11 e 12 de julho
Evento presencial em Sebrae Multicenter, São Luís – MA
Inteligência artificial está em todo lugar: quem decide como ela funciona?
O Brasil vive um momento contraditório na tecnologia. Nunca se falou tanto em dados, inteligência artificial e transformação digital. Nem tão pouco houve tanta oferta de ferramentas, modelos, plataformas e soluções. E, ao mesmo tempo, cada dia fica mais claro que o problema não é tecnológico. O problema é humano. É cultural. É de quem está na cadeira tomando as decisões que vão moldar como essas tecnologias afetam a vida das pessoas.
Segundo o estudo W-Tech 2025 do Observatório Softex, as mulheres representam apenas 19,2% das especialistas em TI no Brasil, cerca de 89,7 mil profissionais em um universo de quase 470 mil. Elas ocupam 26,2% das posições de gerência e apenas 13,1% das diretorias. Ou seja, enquanto a tecnologia avança em velocidade exponencial, a estrutura de quem a controla caminha na direção contrária.
É nesse contexto que o próximo episódio do Jump Talk vai entrar de cabeça. A conversa vai explorar o que está por baixo dos dados, das decisões e dos algoritmos: quem são as pessoas que lideram essas transformações, o que as formou e o que elas enxergam que a maioria ainda não viu.
O que é o Jump Talk
Desde 2021, o Jump Talk reúne quem está construindo o futuro da tecnologia e dos dados no Brasil para conversas que vão fundo. O podcast da Jump, apresentado por Anderson Argentoni, CEO e cofundador da empresa, já passou dos 50 episódios e acumulou convidados de empresas como Bradesco Seguros, Claro, Algar Telecom, Databricks e Pernod Ricard. O fio condutor é sempre o mesmo: entender como tecnologia, dados e inteligência artificial estão transformando negócios reais, com pessoas reais tomando decisões reais todos os dias.
Anderson não entrevista de fora. Com mais de 20 anos programando em SAS, Python, R e Oracle, ele entra em cada conversa como alguém que conhece o território. Os convidados podem falar com precisão técnica, sem precisar traduzir o que fazem para quem não conhece o campo. Isso muda o nível do que é possível discutir, e os episódios mostram isso na prática.
O tema que ninguém consegue mais ignorar
Existe uma distância enorme entre ter IA no roadmap e conseguir fazer ela funcionar de verdade: alinhada ao negócio, respeitando o cliente e gerando resultado concreto. Essa distância tem nome. É a distância entre estratégia e execução, entre discurso e cultura, entre ferramenta e propósito.
O próximo episódio permeia essa discussão. A conversa vai girar em torno de como líderes de dados e IA constroem estruturas que realmente funcionam, como garantir que as decisões tomadas por algoritmos ainda carreguem valores humanos e o que significa liderar com ética em um mercado que acelera sem sempre parar para perguntar se deveria. Além da temática: papel da representatividade na construção de tecnologias que funcionem para todo mundo, não apenas para quem as criou.
Na área de inteligência artificial, as mulheres já representam 29,8% dos concluintes de cursos no Brasil, acima da média global de 22%. O movimento existe. O que falta, em muitos casos, é quem abra o caminho dentro das organizações. E é exatamente sobre isso que o episódio vai falar.
Por que esse episódio é diferente
A Joyce Seiler, convidada desse episódio, tem mais de duas décadas navegando todas as ondas que transformaram a área de dados no Brasil. De DBM a Big Data, de analytics a IA generativa. Hoje ocupa uma das cadeiras mais estratégicas do mercado e carrega uma perspectiva que vai além do técnico: como fazer com que dados e inteligência artificial gerem valor real para as pessoas, não apenas para os dashboards.
A conversa com Anderson vai explorar os bastidores de projetos que mudaram a forma como empresas pensam estratégia e experiência do cliente, os aprendizados que só aparecem depois de errar em escala e o papel da liderança em garantir que a tecnologia sirva às pessoas e não o contrário. Mas vai também para territórios que raramente aparecem nessas discussões: resiliência pessoal, propósito, representatividade e o que significa construir uma carreira sólida em tecnologia quando o caminho ainda não estava pavimentado para você.
Estes são temas que o mercado aprende a articular devagar. E que raramente ganham esse nível de profundidade em um formato acessível como o de um podcast.
Quando sai
Os episódios saem todas as terças-feiras. Acompanhe os canais da Jump no YouTube e nas outras plataformas para não perder as novidades. Se você ainda não conhece o Jump Talk, esse é um bom momento para voltar nos episódios anteriores e se munir de boa informação e conhecimento.
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.
Da emoção à conversão: Como a IA pode impulsionar as vendas online para o Dia das Mães
As datas comemorativas do comércio sempre ocuparam um lugar de atenção no varejo. Mesmo antes da era digital datas como dia das mães, dos pais, dos namorados, das crianças e natal mobilizam emoções impulsionando o comercio pelos laços familiares. O que antes era guiado apenas por vitrines e campanhas massivas, agora é potencializado por dados, inteligência artificial e automação com o martech assumindo o protagonismo, transformando emoção em estratégia e resultado.
A força emocional aliada à inteligência de dados
Datas como o Dia das Mães estão entre as mais relevantes em volume de consumo emocional, o que eleva o ticket médio e reduz a sensibilidade ao preço quando a experiência é bem construída. Dados do Google Trends, referentes a pesquisa por “presente de Dia das Mães” nos últimos 5 anos mostram que as pessoas começam a procurar o termo um mês antes da data.
Nesse contexto, o martech permite que empresas antecipem comportamentos de compra com base em dados históricos, personalizem campanhas, criem jornadas de compra mais fluidas e emocionais e aumentem conversão com menor custo de aquisição.
Histórias e chatbots que envolvem os clientes
Com a IA as empresas conseguem prever quais produtos terão maior demanda, ajustar preços, automatizar campanhas com base em performance e criar recomendações personalizadas. Levando em conta a conexão emocional da data, a força das campanhas com storytelling também traz maior taxa de conversão. Assim, campanhas que contam histórias reais, conteúdo que valoriza diferentes tipos de maternidade e vídeos e narrativas que criam identificação tendem a ter melhor conversão.
Além disso, chatbots cada vez mais inteligentes e experiências personalizadas aproximam a marca do cliente com suporte disponível a qualquer hora. Segundo uma pesquisa da HubSpot, 90% das pessoas esperam um retorno imediato das empresas e 60% consideram que “imediato” significa no máximo 10 minutos.
Mobile, conveniência e velocidade
Cerca de 45% das compras sazonais já são feitas via mobile e outro aspecto muito valorizado na jornada de compra online é o frete rápido e gratuito, prioridade para até 50% dos consumidores. Ou seja, a decisão de compra agora ultrapassa a qualidade e preço do produto e segue de uma forma ampla na experiência completa de aquisição.
As marcas agora devem apostar no “shop entertainment” prática que torna a experiência de compra mais divertida e envolvente e casa com o s-commerce em redes sociais como o Tiktok. A estratégia cria a oportunidade de se conectar de maneira mais direta com seus públicos-alvo através de conteúdos relevantes e inspiradores, que incentivam a ação.
Dicas para aumentar vendas no Dia das Mães unindo marketing e tecnologia
1 – Antecipe a jornada de compra
O erro mais comum é ativar campanhas apenas na semana da data. Estudos de comportamento do consumidor mostram que a jornada começa 2 a 3 semanas antes, com pesquisa e comparação de produtos. Inicie campanhas com conteúdo inspiracional (guias de presentes, storytelling), use dados históricos para identificar padrões de compra, crie listas segmentadas.
2 – Invista na personalização
Recomendações baseadas em comportamento (ex: “últimos presentes comprados”), segmentação por perfil de mãe (moderna, clássica, fitness, tech) e e-mails dinâmicos com produtos relevantes. Para aumentar o ticket médio, combine produtos, crie edições limitadas e embalagens exclusivas
3 – Crie urgência
Contadores regressivos em campanhas, alertas de estoque baixo e campanhas de “última chance” segmentada
4 – O poder da conveniência
Mais de 40% das compras sazonais já acontecem via mobile. Por isso, atenção à landing pages rápidas e responsivas, checkout simplificado (menos cliques, mais conversão) e integração com carteiras digitais
5 – Integre canais (omnicanalidade na prática)
O consumidor transita entre canais e espera consistência. Assim, sincronizar experiências entre rede social, site e loja é essencial.
