Como a Jump transforma conhecimento, tecnologia e IA em produtos
Quanto uma empresa realmente conhece os problemas que os seus clientes precisam resolver? Em tecnologia, essa pergunta ganha ainda mais importância. A Inteligência Artificial está tornando mais rápido desenvolver, testar, pesquisar e automatizar. Mas velocidade, sozinha, não significa inovação. É preciso saber o que construir, para quem construir e qual problema solucionar.
O cliente como ponto de partida da inovação
A Jump atua como uma consultoria especializada, desde 2014, para promover a transformação digital dos clientes, sua fonte principal de inovação. Hoje, atende mais de 60 empresas no Brasil e na América Latina. Essa presença coloca as equipes em contato com diferentes setores, desafios e necessidades de negócio e transforma a experiência acumulada nos projetos em uma importante fonte de conhecimento.
Nesse contexto, ouvir o cliente não é apenas uma etapa comercial. É parte de um ciclo que permite identificar oportunidades de melhoria nos serviços e necessidades que podem dar origem a novas soluções.
Entender a dor do cliente e as necessidades do mercado
“O produto que a Jump desenvolve vem como um agregador aos nossos serviços. Através dos nossos serviços a gente entende a necessidade dos clientes e a dor do mercado como um todo. Assim, nascem os produtos da Jump. Esses produtos são incorporados dentro dos projetos de clientes que nós temos. Depois ofertamos o produto para o mercado junto com uma consultoria especializada”, explica Rafael Capua, COO da Jump.
A IA é um meio de desenvolvimento, não um fim
A Inteligência Artificial vem auxiliando os projetos de inovação na Jump trazendo celeridade eampliando a capacidade das pessoas, acelerando etapas operacionais e abrindo espaço para que o conhecimento humano seja aplicado onde pode gerar mais valor.
Hoje, a Jump conta com 16 produtos desenvolvidos a partir das necessidades identificadas nos projetos, do conhecimento acumulado pelas equipes e das dores observadas no mercado.
É justamente esse movimento que ganha uma nova dimensão com o ecossistema de produtos da Jump e materializa uma trajetória que começa muito antes da tecnologia: na escuta do cliente.
“O grande diferencial da Jump sempre foi o relacionamento. A Jump consegue atender bem as nossas necessidades. São profissionais de qualidade, temos muita proximidade e um time sempre pronto para ajustar”, declara Karen Inoue, Head de Martech e CRM da Cogna.
Quanto mais fácil construir, mais importante construir direito
A IA reduziu algumas barreiras para transformar uma ideia em aplicação. É possível gerar código, pesquisar possibilidades, testar funcionalidades e automatizar etapas do desenvolvimento em uma velocidade difícil de imaginar há poucos anos. Mas velocidade não elimina a necessidade de engenharia e muito menos de governança.
“Quanto mais fácil ficou construir, mais importante ficou construir direito. Na Jump, como a equipe de inovação trabalha também com pré-vendas, conhece muito as regras de negócio dos clientes e isso ajuda a refinar o pedido para a IA gerar um produto que já atenda as especificações”, declara Patricia Maciel, Head de Inovação da Jump.
Antes de um produto existir, existe arquitetura. Segurança, observabilidade, rastreabilidade e capacidade de auditoria também precisam fazer parte da construção. Quando esse produto envolve Inteligência Artificial, entram ainda questões relacionadas à gestão de riscos, transparência, responsabilidade e governança.
Nesse ponto, a Jump conta com o respaldo da certificação ISO/IEC 42001, norma internacional para sistemas de gestão de Inteligência Artificial. A norma estabelece uma estrutura para que organizações desenvolvam, implementem, utilizem e aprimorem sistemas de IA de maneira responsável, incorporando práticas de governança, gestão de riscos, transparência e melhoria contínua.
O agente executa, o humano direciona
Essa nova divisão do trabalho começa a aparecer também nas pesquisas sobre IA. O Work Trend Index 2026, da Microsoft, ouviu 20 mil profissionais que utilizam IA em dez países, incluindo o Brasil, além de analisar sinais anonimizados de produtividade. Entre os entrevistados, 66% afirmaram que a IA permitiu dedicar mais tempo a trabalhos de maior valor, enquanto 58% disseram estar produzindo trabalhos que não conseguiriam realizar um ano antes.
Os números ajudam a ilustrar uma mudança: conforme agentes assumem parte da execução, o papel humano pode se deslocar para direção, julgamento, supervisão e responsabilidade sobre os resultados. É uma dinâmica que já aparece no cotidiano da Inovação da Jump.
“A IA não vai substituir as pessoas, mas o jeito de trabalhar tem que mudar. As pessoas que não se adaptarem talvez sejam substituídas. O que é operacional a gente usa os agentes, mas o que é mais estratégico e o conhecimento de negócio é humano. Todo esse Knowhow do que a Jump faz, o que é estratégico e importante isso é humano. O humano é o grande diferencial nesse processo, tanto em aprendizado e no espírito de equipe.” declara Patrícia.
O que a IA ainda não conhece? O seu cliente
O agente faz a parte operacional e impulsiona, mas a usabilidade é algo muito humano. A IA não tem o conhecimento do negócio, não está na ponta de quem vai usar a ferramenta.
A capacidade de desenvolver mais rapidamente só ganha significado quando aquilo que é desenvolvido gera valor para quem está na outra ponta. A usabilidade continua dependendo de compreender quem efetivamente utilizará a solução. Isso significa conversar, observar, questionar e trazer o cliente para dentro do desenvolvimento.
E talvez esteja justamente aí um dos maiores diferenciais humanos em um ambiente cada vez mais automatizado: entender contexto.
Outro grande diferencial da Jump é que os produtos são todos nacionais. Isso é muito importante em um processo de melhoria, evolução e adaptação e isso também conta muito para celeridade nas entregas. A aceleração permite ser mais criativa. “Nas nossas propostas a gente vende o humano responsável e a IA otimizando. Principalmente com o cliente a IA nunca vai substituir essa parte da curiosidade, do questionamento, do entendimento do negócio.”
IA funciona melhor quando a organização aprende junto
Existe ainda outra dimensão dessa transformação: tecnologia sozinha não transforma uma empresa. No mesmo estudo, a Microsoft identificou uma relação relevante entre fatores organizacionais como cultura, apoio das lideranças e desenvolvimento de talentos e o impacto percebido da IA.
Entre profissionais considerados usuários mais avançados, aparecem com maior frequência comportamentos como compartilhar aprendizados, discutir oportunidades de automação com colegas e estabelecer padrões para a qualidade do trabalho realizado com IA. É um cenário semelhante ao encontrado na área de Inovação da Jump. Por trás dos produtos existe uma dinâmica constante de estudo, experimentação e compartilhamento de conhecimento. O que uma pessoa descobre pode melhorar o trabalho de outra, e aquilo que funciona em um projeto pode se transformar em aprendizado para o próximo.
Da dor do cliente ao ecossistema
A lógica não é criar tecnologia e depois procurar onde aplicá-la. É começar pela necessidade, reunir conhecimento de negócio e, quando existe potencial para transformar esse aprendizado em algo replicável, transformá-lo em produto.
“A decisão estratégica da Jump de fazer o desenvolvimento de produtos vem da visão que a gente tem de que algumas coisas que a gente faz, poderiam ser mais automatizadas, usar a tecnologia para fazer mais rápido, para fazer melhor e com um custo menor. Os produtos nascem como uma etapa de melhoria do serviço”, declara Anderson Argentoni CEO da Jump.
O que é GenAI, na prática, para quem decide o orçamento
A IA passa de assistente para agente e, agora, para quem decide o orçamento, é preciso entender como a Inteligência Artificial Generativa pode se tornar um valor mensurável para o negócio.
O que é GenAI na prática?
A Inteligência Artificial Generativa, ou GenAI, é uma categoria de IA capaz de gerar novos conteúdos e respostas a partir de padrões aprendidos em grandes volumes de dados. Texto, código, imagens, análises e documentos estão entre suas aplicações mais conhecidas.
No ambiente corporativo, GenAI pode apoiar desenvolvedores na geração de código, resumir contratos, auxiliar análises financeiras, atender clientes, apoiar equipes comerciais, produzir relatórios e se conectar a diferentes sistemas. É justamente essa evolução que muda a conversa sobre orçamento.
Uma licença tradicional de software tende a oferecer relativa previsibilidade. Com a GenAI, o custo deixa de depender apenas de ter a tecnologia disponível e passa a depender também de quanto, como e para que ela é utilizada.
A nova unidade econômica da IA
Sarah Friar, CFO da OpenAI, afirmou que clientes corporativos estão buscando retornos mais mensuráveis dos investimentos em Inteligência Artificial. Em artigo publicado na Fortune, em julho de 2026, Friar afirma que a principal dúvida apresentada por executivos financeiros é como transformar investimentos em IA em valor concreto para os negócios. “A pergunta que ouço de diretores financeiros em todos os lugares é simples: como podemos obter mais valor de nossos investimentos em IA?”.
Ela propõe a métrica “useful intelligence per dollar”, algo como “inteligência útil por dólar investido”. A ideia é medir resultados concretos: tarefas relevantes concluídas, custo total da tarefa (incluindo revisões humanas e tentativas adicionais), precisão e capacidade de aumentar o valor entregue sem fazer os custos crescerem. A unidade econômica da IA talvez não seja o token. É a tarefa concluída com qualidade e o valor que ela gera.
O investimento em IA cresce, e a visibilidade de custo acompanha?
Segundo pesquisa do Gartner, divulgada em setembro de 2026, com 1.303 líderes de organizações com receita anual acima de US$ 50 milhões, 85% pretendem aumentar seus gastos com IA em 2026. Apenas 22% das organizações conseguiram escalar IA de forma consistente entre múltiplas áreas de negócio e 11% sequer sabem quanto gastaram com IA em 2025. O orçamento pode estar crescendo mais rapidamente do que a capacidade de medir seu retorno.
A mesma pesquisa encontrou uma diferença relevante nas empresas que tratam IA como investimento mensurável. Entre as organizações de alto desempenho, que acompanham ROI, avaliam regularmente os projetos e realocam recursos quando necessário, 81% das iniciativas de IA apresentaram retorno positivo.
Produtividade x geração de valor
A adoção da GenAI desde o início foi sustentada por ganhos de produtividade. O estudo State of AI in the Enterprise 2026, da Deloitte, mostra que, apesar de melhorias de produtividade e eficiência apenas 20% dizem já ter conseguido aumentar receitas por meio da IA, embora 74% esperem alcançar esse resultado no futuro.
A Deloitte aponta que apenas 34% das organizações pesquisadas estão utilizando IA para promover transformações mais profundas, como criar produtos e serviços ou reinventar processos e modelos de negócio.
Escalar exige infraestrutura, integração, segurança, governança, qualidade dos dados, monitoramento e capacidade de acompanhar consumo e custos. E essa equação ganha uma nova dimensão quando a IA deixa de apenas responder e começa também a executar.
Da IA que responde para a IA que executa
O setor financeiro brasileiro ajuda a mostrar como essa transformação está acontecendo na prática. Com o tema “Agentes Inteligentes, Liderança Humana”, o Febraban Tech 2026 que aconteceu em agosto, em São Paulo, colocou no centro das discussões uma nova etapa da adoção corporativa de IA para sistemas capazes de interpretar objetivos, acessar informações, interagir com aplicações e executar etapas de processos.
“IA pra mim é uma infraestrutura central para a tomada de decisão. A IA em si não é um diferencial, a forma como você usa a IA é que vai diferenciar pessoas, empresas e nações”, declarou Maurício Minas, presidente do Conselho do Febraban Tech e conselheiro do Bradesco e da B3, ao Portal Febraban.
A dimensão dos investimentos ajuda a compreender por que essa mudança também precisa entrar na agenda de quem decide orçamento.
Segundo a Pesquisa Febraban de Tecnologia Bancária 2026, os bancos brasileiros devem investir R$ 50,4 bilhões em tecnologia neste ano. Cerca de R$ 3 bilhões serão destinados a IA, Analytics e Big Data, enquanto os investimentos em migração para cloud devem alcançar R$ 3,9 bilhões.
Um assistente de GenAI pode receber uma solicitação, processar determinado contexto e produzir uma resposta, consultar diferentes fontes de dados, acessar APIs, interagir com sistemas corporativos e executar diversas etapas antes de concluir uma tarefa.
Quando a IA executa, o custo também muda
Com mais agentes, usuários e processos automatizados, os gastos podem se tornar mais variáveis e complexos de prever e atribuir. Isso não significa que custos de IA sejam incontroláveis. Significa que precisam ser observados de maneira diferente.
Essa variabilidade também está mudando a disciplina que sustenta a operação de IA. MLOps deixa de ser preocupação só de times de dados e passa a ter impacto financeiro direto. Cada retraining, cada rota de inferência, cada modelo em produção consome recursos que precisam ser rastreados como qualquer outro custo de nuvem. Do lado dos dados, arquiteturas de Data Mesh trazem o mesmo dilema em outra escala: cada domínio passa a gerar, consumir e pagar por dados de forma independente, o que exige visibilidade de custo tão granular quanto a de um pipeline de agentes de IA.
GenAI não deve ser analisada apenas como uma nova linha de despesa tecnológica, mas passa a exigir uma aproximação cada vez maior entre tecnologia, finanças e negócio.
Centro de Excelência e ISO 9001: como a Jump conecta capacitação, qualidade e experiência do cliente
Em tecnologia, aprender sempre fez parte do trabalho. Mas a velocidade com que a Inteligência Artificial generativa, as plataformas de dados e a automação está mudando a dimensão desse desafio.
Durante a execução de um projeto, as necessidades identificadas fazem com que o conhecimento técnico também precise evoluir no processo. Competências passam a exigir atualização em ciclos cada vez mais curtos, enquanto novas especializações ganham espaço. Nesse cenário, capacitação não é mais opcional, é continuidade.
O movimento de requalificação que ocorre no mercado também precisa estar presente dentro das empresas. Na Jump, o Center of Excellence (CoE) materializa parte dessa visão ao funcionar como um hub estratégico de conhecimento e inovação que conecta desafios a especialistas e promove capacitação, acompanhamento técnico e compartilhamento de boas práticas.
Do conhecimento à qualidade da entrega
O CoE atua em três frentes principais:
Capacitação técnica: treinamentos internos e cursos especializados em tecnologias de ponta.
Acompanhamento recorrente em capacitação: suporte diário para a evolução dos consultores.
Compartilhamento de experiências: encontros e workshops que disseminam boas práticas e fortalecem a cultura colaborativa da Jump.
O Painel CoE da Jump cria um ciclo de desenvolvimento contínuo, no qual o conhecimento adquirido é compartilhado e aplicado em outras entregas. Esse modelo impulsiona a carreira dos consultores, fortalece a confiança dos clientes e aproxima o trabalho do CoE a outro compromisso da Jump: a gestão contínua da qualidade.
ISO 9001: qualidade como processo contínuo
A Jump possui a certificação ISO 9001, norma internacional para Sistema de Gestão da Qualidade (SGQ). Mais do que um selo, a ISO 9001 estabelece uma abordagem estruturada para que as organizações implementem, mantenham e melhorem continuamente seus processos, com forte orientação para atender às necessidades dos clientes e aumentar sua satisfação.
Entre os princípios associados à gestão da qualidade estão foco no cliente, engajamento das pessoas, abordagem por processos, melhoria contínua, tomada de decisão baseada em evidências e gestão de relacionamentos. É justamente na busca pela melhoria contínua que o CoE e a gestão da qualidade se encontram.
Em um setor transformado pela IA e pela velocidade da inovação, qualidade também depende da capacidade de aprender, adaptar-se e evoluir continuamente.
Conhecimento técnico não precisa ser construído sozinho
Um dos diferenciais do Painel CoE da Jump é a participação de um mentor técnico: um consultor mais experiente que atua como referência para compartilhar experiências, esclarecer dúvidas e ajudar a conectar os conceitos estudados aos desafios encontrados no projeto.
Esse modelo transforma conhecimento individual em conhecimento coletivo. Em vez de depender apenas de cursos ou conteúdos teóricos, o consultor pode acessar a experiência acumulada por outros profissionais e aplicá-la para acelerar sua própria curva de aprendizado.
Para os consultores, significa ter acesso a especialistas e experiências que aceleram o desenvolvimento profissional. Para o cliente, significa contar não apenas com o profissional alocado no projeto, mas com um ecossistema de conhecimento capaz de apoiar tecnicamente aquela entrega.
Proximidade é o grande diferencial
É na percepção do cliente que esse ciclo ganha significado.
“A Jump é parceira de tecnologia da CPP desde o começo, atuando em sistemas, segurança, dados, BI e martech. Os colaboradores têm ótimo conhecimento técnico, qualidade e atendimento excelentes.”
Rafael Fialho, Caixa PréPagos
“O projeto foi muito bom. A gente ficou feliz com o resultado e foi além do esperado em termos de entrega e interação. O time estava muito comprometido com o projeto. Percebemos o engajamento em todo o processo desde o entendimento do que a gente precisava e confirmou o profissionalismo da empresa.”
Luiz Zerbinatti, VR Benefícios
“O diferencial da Jump sempre foi o relacionamento. A Jump consegue atender bem as nossas necessidades e tem profissionais com nível de qualidade e proximidade e um time sempre pronto para ajustar. A parceria para mim é o principal diferencial da Jump.”
Karen Inoue, Cogna Educação
A combinação entre conhecimento técnico, qualidade e relacionamento ajuda a explicar como a Jump conduz a transformação digital pela construção contínua das competências necessárias para aplicá-las com consistência e gerar valor para os clientes.
Capacitação em IA: por que preparar pessoas será tão importante quanto investir em tecnologia?
À medida que a GenAI avança, preparar profissionais para utilizar, supervisionar e extrair valor da IA se torna o gargalo da transformação digital. Com o tema “Agentes Inteligentes, Liderança Humana” o Febraban Tech 2026, realizado na última semana, em São Paulo, reuniu executivos dos principais bancos do país e especialistas em tecnologia, e um dos principais pontos do debate foi justamente a capacitação dos profissionais.
O que os números da Febraban Tech mostram?
A Pesquisa Febraban de Tecnologia Bancária 2026 apontou que os bancos brasileiros devem investir R$ 50,4 bilhões em tecnologia em 2026. Desse total, cerca de R$ 3 bilhões serão destinados a IA, Analytics e Big Data, enquanto os investimentos em migração para cloud devem alcançar R$ 3,9 bilhões, alta de 30%.
Paralelamente, os investimentos em treinamento e capacitação profissional especificamente em IA e IA Generativa devem chegar a R$ 29,4 milhões, crescimento de 31%.
Os números mostram que infraestrutura tecnológica e capacidade humana começam a avançar na mesma direção. Investir em modelos, dados e cloud amplia a capacidade tecnológica; investir em capacitação é fundamental para que essa capacidade seja poderá ser incorporada aos processos e transformada em resultado.
“IA para mim é uma infraestrutura central para a tomada de decisão. A IA em si não é um diferencial, a forma como você usa a IA é que vai diferenciar pessoas, empresas e nações”, declarou Maurício Minas, presidente do Conselho do Febraban Tech e conselheiro do Bradesco e da B3 ao Portal Febraban.
O que é capacitação em IA?
Capacitação em IA é o desenvolvimento das competências necessárias para que profissionais utilizem, supervisionem e avaliem sistemas de Inteligência Artificial de forma produtiva, segura e alinhada aos objetivos do negócio. Ela envolve fluência tecnológica, conhecimento do negócio, governança, segurança e capacidade de mensurar resultados.
IA ganhou orçamento, pessoas precisam ganhar capacidade
Os debates do Febraban Tech ajudam a mostrar que a transformação não acontece em camadas independentes. Agentes organizam e executam o trabalho, dados e cloud fornecem contexto e capacidade computacional, governança estabelece os limites da execução e as pessoas sustentam responsabilidade, conhecimento e segurança.
É a coordenação entre essas dimensões que permitirá escalar IA de forma sustentável. Para as lideranças, isso significa olhar para capacitação como investimento na capacidade operacional da organização.
A adoção da IA e GenAI nas instituições financeiras já está em andamento. A capacitação é que está correndo atrás. Até agora, os benefícios obtidos com IA ainda estão concentrados principalmente em ganhos de produtividade e automação, enquanto aplicações que envolvem decisões mais sofisticadas e julgamento ampliado permanecem distantes do valor estratégico que a tecnologia promete.
É a coordenação entre essas dimensões que permitirá escalar IA de forma sustentável. Para as lideranças, isso significa olhar para a capacitação como investimento na capacidade operacional da organização, e não apenas como item de treinamento corporativo.
A Pesquisa FEBRABAN mostra que 70% dos bancos já possuem ou estão desenvolvendo estratégias de requalificação profissional. No último ano, 226,1 mil profissionais do setor bancário receberam treinamento em tecnologia, com investimento total de R$ 100,4 milhões. Ao mesmo tempo, 42% das instituições pesquisadas pretendem ampliar suas equipes de TI, com crescimento médio previsto de 22%.
As competências estão mudando mais rápido
Uma empresa pode desenvolver agentes e descobrir que seus processos não estão preparados para delegar decisões. Também pode automatizar atividades sem estabelecer claramente quem supervisiona as respostas.
Nesse cenário, tecnologia sem capacidade operacional pode se transformar em backlog caro, ferramentas subutilizadas e experimentos que nunca chegam à escala.
O fenômeno não está restrito ao setor financeiro brasileiro. O Global AI Jobs Barometer 2025, da PwC, analisou quase um bilhão de anúncios de emprego em seis continentes e identificou que as competências procuradas pelos empregadores estavam mudando 66% mais rapidamente nas ocupações mais expostas à IA.
“A relação tradicional entre experiência e especialização está mudando. A IA está eliminando parte do trabalho rotineiro que antes funcionava como uma etapa de aprendizado e formação profissional, ao mesmo tempo em que aumenta, desde o início da carreira, a demanda por capacidade de julgamento, liderança e adaptabilidade. As organizações precisam repensar como desenvolvem seus talentos se quiserem que as pessoas prosperem nesse novo ambiente.”
Pete Brown, líder global de Workforce da PwC
Requalificação não pode ser apenas treinamento em ferramentas
Uma estratégia consistente de requalificação deveria combinar pelo menos quatro dimensões.
Fluência em IA: compreender possibilidades, limitações e funcionamento básico da tecnologia.
Conhecimento do negócio: identificar problemas nos quais a IA efetivamente pode gerar valor.
Governança: entender segurança, privacidade, responsabilidade, qualidade de dados e limites para decisões automatizadas.
Mensuração: conseguir relacionar utilização da IA a produtividade, eficiência, receita, redução de risco ou melhoria da experiência do cliente.
Produtividade X ROI de IA
Um estudo da PwC mostrou que os setores mais expostos à IA apresentaram crescimento de receita por empregado três vezes superior ao registrado pelos setores menos expostos. A produtividade também avançou de forma significativamente mais rápida nos setores com maior exposição à tecnologia.
Esses resultados sugerem que quando tecnologia, processos e competências conseguem trabalhar juntos, existe potencial para ampliar a capacidade produtiva das pessoas. Mas há uma variável que cresce junto com a autonomia dos agentes: quanto mais eles decidem sozinhos, mais importante se torna saber quem pode decidir, quem deve validar e quem responde pela decisão.
É por isso que a discussão sobre ROI da IA não pode parar na régua de produtividade. Ela precisa incluir capital humano e precisa incluir governança. Um agente que executa mais rápido sem um dono claro, sem trilha de decisão auditável e sem inventário do que está rodando não é eficiência, é risco represado.
Governar escala exige especialização
O que vemos no setor financeiro é apenas um recorte da realidade das empresas que estão operando com IA. Treinar 226 mil profissionais é um esforço contínuo, e enquanto a capacitação interna avança, os agentes já estão em produção, tomando decisões que precisam ter responsáveis claramente definidos e estar devidamente inventariadas. É aí que entra a diferença entre construir capacidade do zero e contratar quem já resolveu esse problema em escala.
Esse cenário coloca um desafio adicional para as organizações: não basta colocar agentes em produção, é preciso criar uma estrutura capaz de acompanhar sua evolução, estabelecer responsabilidades e garantir que seu uso esteja alinhado aos objetivos do negócio. Construir essa capacidade internamente exige tempo, conhecimento especializado e processos de governança que acompanhem a velocidade da tecnologia.
É justamente nesse ponto que contar com uma expertise especializada pode acelerar a jornada. Em vez de começar do zero, as empresas podem recorrer a parceiros que já possuem experiência na estruturação de ambientes de dados, IA e governança, reduzindo o tempo entre a adoção da tecnologia e a geração de valor em escala.
A Jump é uma consultoria brasileira especializada em transformação digital guiada por dados, fundada em 2014 por Anderson Argentoni e Rafael Capua. Consultoria especializada em dados e IA, uma das primeiras do Brasil certificada na ISO 42001. Por meio do framework Tractix by Jump, a empresa leva organizações reguladas da adoção ao uso em produção de dados e IA, com governança certificada, evidência comprovável e custo sob controle. Atende organizações de médio e grande porte que operam ambientes multicloud e legados complexos, unindo consultoria, produtos próprios e parceria com as principais plataformas de nuvem e dados. Com mais de 600 especialistas, a empresa atende organizações de médio e grande porte nos setores financeiro, de saúde, educação, telecom e varejo.
Ao longo de 12 anos, a Jump acumulou centenas de projetos para grandes corporações brasileiras. A empresa nasceu com a tese de que tecnologia só faz sentido quando gera resultado real — e mantém essa convicção em cada entrega.
Hoje, a Jump se posiciona como a única consultoria nacional que integra, em uma proposta unificada, competências profundas em Dados, Inteligência Artificial e Cibersegurança — o cruzamento de capacidades mais estratégico e ainda subexplorado do mercado brasileiro.
“Transformação não espera”
O novo slogan da Jump não é apenas uma frase — é uma postura. Em um cenário onde a inteligência artificial redefine indústrias em tempo real, a Reforma Tributária impõe prazos concretos e a pressão por eficiência operacional cresce sem pausa, as empresas que aguardam o “momento certo” para agir já estão atrás.
O posicionamento reflete também uma percepção estratégica de mercado: nenhuma outra empresa brasileira ocupa com clareza o espaço de convergência entre Dados, IA e Cibersegurança. Especialistas em dados carecem de capacidade em segurança. Empresas de cybersecurity não atuam em IA. Gigantes globais cobram caro e ignoram médias empresas. A Jump está no centro desse espaço vazio.
Por que o posicionamento integrado é único:
• Indicium, Ateliware: fortes em dados — sem cibersegurança
• Tempest, ISH: referências em cyber — sem dados ou IA
• Accenture, Stefanini: cobertura ampla — ticket alto, foco em grandes corporações
• Jump: Dados + IA + Cyber + custo-benefício para empresas de médio e grande porte
“Transformação digital não é projeto, é estado permanente. Empresas que esperam o momento certo para agir já estão atrás. Nosso papel é garantir que nenhum cliente nosso fique para trás nessa corrida.”
Prêmios 2026: Ranking NEEX Exame (3º ano consecutivo) | 1º lugar Logicalis — Serviços Profissionais do Ano
Liderança — Bios dos Porta-Vozes
Anderson Argentoni — Sócio e CEO
Anderson Argentoni construiu sua trajetória em tecnologia passando por Itaú, Vivo e ABN Amro, onde se especializou na entrega de projetos críticos para grandes operações. Em 2014 fundou a Jump com a tese de que tecnologia só faz sentido quando vira resultado real para os negócios.
Após 12 anos, a Jump acumula centenas de projetos entregues para grandes corporações brasileiras e conta com mais de 600 especialistas dedicados às frentes de dados, IA, cibersegurança, nuvem e engenharia de software.
Anderson conduz a operação com uma abordagem que combina profundidade técnica e visão de negócio, defendendo o uso pragmático e governado de IA como caminho para transformação concreta de negócios. Mantém o hábito de experimentar novas tecnologias com foco em entender onde geram valor real.
“Empresas que transformam dados em decisões estratégicas conseguem acelerar inovação, reduzir riscos e criar vantagem competitiva real.”
Rafael Capua — Sócio e COO
Rafael Capua é empresário e executivo de tecnologia com atuação focada em transformação digital, dados e inteligência artificial. Como COO, operacionaliza a Jump e lidera as frentes de delivery, vendas e inovação de produto para grandes clientes enterprise no Brasil.
Com perfil estratégico e extremamente hands-on, Rafael une visão de negócio, arquitetura de soluções e execução técnica. Sua atuação está fortemente conectada a Data & AI Platforms, GenAI, Agentic AI, governança de IA, modernização de legados, automação corporativa e inteligência comercial baseada em dados.
Apaixonado por motorsport e alta performance, Rafael enxerga na motovelocidade de competição uma escola de disciplina, tomada de decisão sob pressão e análise de dados — que aplica diretamente à gestão de empresas e produtos. “Tanto nos negócios quanto nas pistas, alta performance é resultado da combinação entre preparo, tecnologia e capacidade de execução em alta velocidade.”
“Arquiteturas multiagentes e IA generativa aplicada a processos corporativos deixaram de ser futuro — são presente. Nossa agenda de produto reflete exatamente isso.”
Ambos os porta-vozes estão disponíveis para entrevistas, comentários e participação em pautas sobre os temas listados na seção 09 deste Press Kit.
Soluções e Produtos Proprietários
Além dos projetos de consultoria, a Jump desenvolve plataformas próprias que endereçam desafios urgentes do mercado corporativo brasileiro:
AlphaAI
Ferramenta de IA para adequação de sistemas ao novo CNPJ alfanumérico — até 80% mais rápida que métodos tradicionais. Essencial para empresas com prazo iminente de adequação.
TaxFlow
Solução de automação e inteligência fiscal para apoiar empresas na transição da Reforma Tributária brasileira, incluindo criação de Tax Lake e modernização da gestão fiscal.
NautilusIQ
Plataforma de diagnóstico de maturidade em Dados, IA e Cibersegurança com IA generativa. Avalia o posicionamento digital das organizações e gera recomendações estratégicas.
MigrateMind
Ferramenta de migração de sistemas legados que utiliza IA generativa para acelerar o processo, mitigar erros humanos e otimizar custos.
JHub
Ferramenta de dataviz integrada ao Power BI com governança de múltiplos dashboards para usuários ilimitados, promovendo colaboração e insights acionáveis.
Framework proprietário de IA generativa desenvolvido pela Jump, com foco na aplicação prática da tecnologia em negócios e processos corporativos.
Parcerias e Certificações
Parcerias Tecnológicas
A Jump trabalha com as principais plataformas globais de tecnologia:
Amazon Web Services (AWS)
Microsoft Azure
Google Cloud Platform (GCP)
Databricks
Snowflake
Teradata
Oracle
Pega
Denodo
AllTrue.ai
Certificações
ISO 27001 — Padrão internacional de gestão de segurança da informação, reforçando o compromisso com proteção de dados, governança e conformidade regulatória.
ISO 27701 (COMPLEMENTA A 27001) – Com foco em privacidade de dados: Mostra que tratamos informações pessoais com responsabilidade e em conformidade com leis como a LGPD.
ISO 42001 – Voltada para gestão de inteligência artificial, ajuda a garantir o uso ético, seguro e responsável de soluções de IA dentro da empresa.
ISO 9001 – Gestão da qualidade. Assegura que nossos processos são eficientes, padronizados e voltados para a melhoria contínua e satisfação do cliente.
ISO 14001 – Gestão ambiental. Demonstra nosso compromisso com sustentabilidade, redução de impactos ambientais e uso consciente de recursos.
ISO 26000 – Responsabilidade social. Reforça nosso compromisso com ética, transparência e impacto positivo na sociedade.
ESG
Ambiental
Selo Carbon Free e compensação de emissões de carbono por meio de projetos de recomposição da Mata Atlântica.
Social
Apoio a organizações como a Casa Ninho e a Associação Beneficente Filadélfia (ABENFI), dedicadas a crianças e adolescentes em situação de vulnerabilidade.
Centro de Excelência (COE) — hub interno voltado ao desenvolvimento de talentos e inovação.
Governança
Políticas rigorosas de segurança da informação e proteção de dados. Uso seguro e transparente das informações de clientes e colaboradores.
Temas para Pauta
Os porta-vozes da Jump estão disponíveis para comentar:
• Transformação digital e urgência estratégica nas empresas brasileiras
• Inteligência artificial generativa aplicada a negócios corporativos
• Arquiteturas multiagentes (Agentic AI) — o próximo passo da IA
• Dados, IA e Cibersegurança integrados: a abordagem convergente
• Cultura data-driven e maturidade digital nas organizações
• Reforma Tributária brasileira e o papel da tecnologia fiscal
• Modernização e migração de sistemas legados com IA
• Governança de dados e conformidade com LGPD
• Segurança da informação para empresas que adotam IA generativa
• Data FinOps e otimização de investimentos em cloud
• Como escolher um parceiro de transformação digital: critérios práticos
• O mercado brasileiro de Data & AI: maturidade, gaps e oportunidades
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.
O código migrou, seus dados chegaram certos?
Empresas brasileiras com décadas de operação em SAS e Alteryx estão migrando para o Databricks agora. A pressão vem de três lados ao mesmo tempo: custos de licenciamento que crescem enquanto a base de usuários SAS encolhe, uma geração de programadores que envelhece sem reposição no mercado e a urgência de conectar ambientes analíticos às plataformas de IA que o ecossistema legado simplesmente não alcança. O que a maioria descobre no meio do caminho é que migrar código é a parte mais fácil,. o problema está em garantir que os resultados do sistema novo sejam os mesmos do sistema antigo, registro a registro, antes de desligar o legado. A Jump desenvolveu o MigrateMind com essa premissa como centro: migração não é tradução, é comprovação.
Uma migração de infraestrutura tem critério de sucesso claro: o sistema novo faz o que o antigo fazia, só que mais rápido e mais barato. Uma migração de código analítico tem um critério muito mais difícil de verificar: a lógica que transformava dados brutos em resultados de negócio chegou intacta do outro lado.
O mercado de migração de dados está projetado para crescer de USD 10,55 bilhões em 2025 para USD 30,70 bilhões até 2034, reflexo direto da corrida para modernizar ambientes legados. O problema é que 83% dos projetos de migração falham, estouram o orçamento ou causam disrupção relevante nos negócios. A causa disso é a ausência de um processo que comprove, com evidência objetiva, que o sistema novo produz os mesmos resultados do original.
A falha mais perigosa nesse processo não quebra a execução: o código roda, não aparece nenhum erro, e o resultado entra em produção divergindo silenciosamente da fonte da verdade. Um cálculo de risco que retorna um número ligeiramente diferente do original dispara uma decisão errada.
De SAS para Databricks
O código SAS em grandes organizações foi construído ao longo de anos, por times diferentes, com convenções diferentes, resolvendo problemas que às vezes já não existem, mas seus efeitos ainda percorrem os pipelines. Macros chamam outras macros, datasets intermediários alimentam processos que ninguém documentou formalmente, e aí a lógica de uma solicitação escrita em 2011 pode depender de um comportamento implícito do SAS que o Spark simplesmente não replica.
SAS, Spark e Snowflake discordam sobre como tratar nulos, ordenação de registros, precisão numérica e cálculo de datas. O mesmo código pode produzir resultados diferentes nas duas plataformas sem que nenhum compilador reclame. Ferramentas de conversão automatizada avançaram muito nesse campo: plataformas especializadas migram 100 mil linhas em dez minutos, e aceleradores com IA generativa reduzem o tempo total de migração em até 80%. Esses ganhos são reais, mas não resolvem a divergência que só é detectada quando alguém compara os resultados lado a lado.
O que o MigrateMind faz de diferente
O MigrateMind é um produto da Jump, construído a partir de projetos reais de migração conduzidos pela empresa. A diferença em relação a conversores convencionais começa no que o produto se propõe a fazer: não apenas traduzir código, mas governar a migração inteira em seis etapas encadeadas: análise, conversão, execução, reparo, validação e auditoria, sem que nenhuma unidade avance sem comprovação da anterior.
Em vez de ser simulado simulado, o código convertido roda na plataforma de destino, com resultados reais. Quando erros ocorrem, um agente de reparo recebe o erro como entrada estruturada, gera uma versão corrigida e a reexecuta. Quando as tentativas param de evoluir, um disjuntor encerra o loop e encaminha a unidade para revisão humana, com registro completo de cada tentativa.
A validação compara métricas objetivas entre origem e destino: contagem de linhas, agregações, schema e equivalência valor a valor. Se o delta estiver fora da tolerância definida, a unidade não é certificada. A auditoria produz evidência técnica e executiva de cada decisão e resultado, rastreável e disponível para inspeção interna ou regulatória.
O produto cobre as rotas mais demandadas no mercado brasileiro: SAS 9.4 para Databricks, SAS para Teradata, SAS para Snowflake, Databricks para Snowflake, Snowflake para Databricks e Alteryx para Databricks. O conhecimento acumulado em projetos anteriores, conversões certificadas, mapeamentos validados e padrões recorrentes, alimenta os agentes de forma governada, tornando cada nova migração mais eficiente que a anterior.
Para quem quer avaliar antes de decidir, a Jump oferece dez dias de teste gratuito e prova de conceito no código real, sem lock-in e com os dados permanecendo sob custódia do cliente.
A pergunta que toda organização precisa responder antes de desligar o sistema legado não é se o código novo roda: é se o código novo comprova que chega ao mesmo resultado. Migração com comprovação é entrega.
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:
Shadow AI: o que acontece na sua empresa e você não vê?
Ganho de produtividade, assertividade em projetos e inovação parecem o sonho de todo empresário ao avaliar a capacidade de seus colaboradores. Com a Inteligência Artificial incorporada à rotina corporativa, fica difícil dimensionar o quanto dados, processos e decisões empresariais estão expostos nas ferramentas de IA, muitas vezes usadas sem aprovação, supervisão ou conhecimento das áreas responsáveis. A Shadow AI cresce silenciosamente nas tarefas diárias dos colaboradores pela facilidade de acesso. Muitas vezes, profissionais desavisados compartilham informações sem compreender os riscos relevantes para segurança, privacidade, compliance e governança.
Quem deve governar a Shadow AI?
A consultoria Gartner projeta que, até 2027, 40% das empresas sofrerão incidentes de segurança ligados a esse uso informal. A área de TI deve garantir arquitetura, integração e controles técnicos, enquanto a segurança da informação precisa avaliar riscos e implementar mecanismos de proteção. Ao mesmo tempo, Compliance e Jurídico devem analisar impactos regulatórios e a Comunicação Interna deve atuar na conscientização dos colaboradores. Cabe à alta liderança estabelecer diretrizes estratégicas para o uso responsável de IA.
O risco do uso da Shadow AI deve ser tratado na organização como Gestão de Riscos Corporativos, já que na eventualidade de um colaborador compartilhar informações confidenciais em uma ferramenta não autorizada, o impacto pode atingir clientes e parceiros, ou até mesmo informações protegidas pela LGPD podem ser expostas indevidamente.
Segundo dados da WalkMe, apenas 7,5% dos trabalhadores receberam treinamento extensivo sobre uso de IA, enquanto 23% nunca receberam orientação alguma. Sem educação e sem alternativas formais, a proibição não elimina o comportamento, apenas a empurra para onde a empresa não consegue mais enxergar.
De acordo com o estudo global Future of Professionals 2026, realizado pela Thomson Reuters com mais de 1.800 profissionais em 62 países, 46% dos trabalhadores latino-americanos utilizam IA não homologada por suas organizações.
No Brasil, a adoção corporativa de IA saltou de 20% para 51% em apenas doze meses, um dos ritmos mais acelerados do mundo. O problema é que a infraestrutura de governança não acompanhou essa velocidade. Segundo o Cisco Cybersecurity Readiness Index 2025, apenas 5% das empresas brasileiras atingiram maturidade em cibersegurança, e 53% admitem não ter confiança para detectar o uso de Shadow AI nas suas operações.
Junto com problemas jurídicos, o impacto financeiro é alarmante. Violações originadas em Shadow AI custam em média US$670 mil dólares a mais do que outros incidentes, de acordo com o IBM Cost of a Data Breach Report 2025. Em 97% dos casos de violação envolvendo modelos ou aplicações de IA, não havia controles de acesso adequados.
O que já está em vigor: o marco regulatório brasileiro
Mesmo sem uma lei específica de IA sancionada, no Brasil, a Lei Geral de Proteção de Dados (LGPD) já impõe obrigações sobre coleta, tratamento e responsabilização de dados pessoais. Se um colaborador insere dados de clientes em uma plataforma externa e há vazamento, a responsabilidade legal recai sobre a empresa. Paralelamente, o PL 2338/2023 — o Marco Legal da Inteligência Artificial — segue em tramitação na Câmara dos Deputados. Inspirado no modelo europeu, o projeto prevê a classificação de sistemas de IA por nível de impacto, direitos de transparência e contestação para pessoas afetadas por decisões automatizadas, e multas que devem seguir parâmetro semelhante ao da LGPD.
A ausência de lei específica não significa ausência de risco regulatório pois a LGPD já cobre boa parte do terreno e o PL 2338 tende a adicionar uma camada complementar de exigências sobre governança e auditabilidade dos próprios sistemas de IA.
O contexto internacional
O AI Act da União Europeia já está em vigor para as práticas de risco inaceitável como manipulação subliminar e pontuação social por governos. As multas para violações de alto risco podem chegar a €15 milhões ou 3% do faturamento global anual; para as proibições mais graves, até €35 milhões ou 7%. Empresas brasileiras com clientes ou operações no bloco europeu estão sujeitas a essas regras independentemente de onde o sistema de IA foi desenvolvido.
Nos Estados Unidos, a ausência de uma lei federal única mantém o cenário fragmentado entre iniciativas estaduais e frameworks voluntários como o NIST AI Risk Management Framework, que vem se consolidando como referência de mercado para estruturar governança de IA mesmo sem força de lei.
A norma internacional ISO/IEC 42001, publicada em 2023, também ganhou tração como padrão certificável para sistemas de gestão de IA sendo cada vez mais exigida em processos de due diligence e contratos B2B.
Adotar Frameworks Reconhecidos
Normas como a ISO/IEC 42001, ISO/IEC 38507, ISO/IEC 23894 e estruturas do NIST AI RMF oferecem diretrizes importantes para governança e gestão de riscos em IA.
A Jump obteve a certificação ISO/IEC 42001, tornando-se uma das primeiras consultorias de tecnologia do Brasil a operar com um sistema de gestão de Inteligência Artificial formalmente certificado por auditoria independente. A conquista coloca a empresa em um grupo ainda seleto no país, em um momento em que a governança de IA deixou de ser pauta de comitê para se tornar critério concreto de negócio.
A ISO 42001 é a primeira norma internacional desenvolvida para a gestão responsável de sistemas de inteligência artificial. Ela exige que as organizações estruturem processos auditáveis para o desenvolvimento, uso e monitoramento contínuo da IA contemplando a gestão de riscos algorítmicos, rastreabilidade de decisões automatizadas, qualidade de dados, transparência e supervisão humana sobre sistemas de alto impacto.
O denominador comum entre os dados e o cenário regulatório é claro: Shadow AI não é um problema de tecnologia, mas de governança que se manifesta como risco técnico, regulatório e financeiro. As organizações mais maduras não bloqueiam as inovações, mas criam mecanismos para utilizá-la de forma segura, ética e alinhada aos objetivos corporativos.
RADAR AI
A Jump criou uma solução para levar governança na velocidade da IA e auxiliar às empresas no diagnóstico da situação atual, desenho do modelo de governança ajustado ao porte e ao setor e a definição de processos e critérios de priorização de iniciativas de IA. A implementação acontece em etapas e o resultado do diagnóstico é consolidado em um documento executivo estruturado, desenvolvido para apoiar a leitura estratégica do cenário avaliado e orientar a tomada de decisão.
Como funciona o RADAR AI:
Descoberta e Inventário de Governança
– Detecção automática de Shadow AI
– Registro centralizado dos sistemas, com responsável, nível de risco e status de conformidade
– Interface conversacional para consultar o inventário em linguagem natural
Análise de Risco e Políticas
– Painel consolidado de risco por ativo, categoria e severidade
– Rastreamento de findings com responsável identificado
– Políticas built-in que identificam violações automaticamente
– Avaliações estruturadas e rastreáveis com histórico completo
Governança, Monitoramento e Auditoria
– Score dinâmico de conformidade: EU AI Act · ISO 42001 · NIST AI RMF · LGPD
– Controle de provedores e modelos aprovados por ambiente e nível de dados
– Monitoramento em tempo real com alertas e gestão de incidentes
– Audit trail imutável e exportável para reguladores
Agende uma reunião com os nossos especialistas e assuma o controle das informações da sua empresa com o RadarAI.
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.
