Em 13 e 14 de maio de 2026, estive no AI Festival da StartSe no Pro Magno em São Paulo. Dois dias, 23 speakers de Anthropic, Google DeepMind, MIT CSAIL, Amazon AGI Labs, IBM, Microsoft Brasil, Replit, Bradesco, iFood, Localiza, Volkswagen, Alibaba Cloud.
Não é um evento de hype. É um evento de quem está operando IA em escala — e isso muda completamente o nível da conversa.
Vou focar no que realmente ficou: os insights que mudaram ou confirmaram como penso sobre o que estou construindo. Não é resumo cronológico — é síntese do que importa.
O consenso que atravessou todos os palcos
Não houve nenhum debate sobre “se” a era agêntica chegou. O debate foi sobre “como fazer isso com controle e ROI mensurável”.
Bradesco: 80%+ do código gerado por IA. Localiza: 84%. O Google, segundo o Replit: 75%. A Anthropic lançou o Claude Cowork justamente porque equipes não-técnicas — marketing, jurídico, financeiro — já estavam usando Claude Code espontaneamente.
O mercado parou de perguntar “devo usar?” e está perguntando “como escalo sem perder controle?”. Quem ainda está na fase do piloto está atrasado em relação ao campo.
A regra 90/10
Felipe Blanes, do Amazon AGI Labs, é responsável pela adoção do Amazon Nova Act em produção. Ele apresentou o dado que mais ficou comigo:
Num sistema agêntico bem construído, 90% do trabalho real é feito por código determinístico — previsível, testável, auditável. Os 10% são onde o agente entra: variabilidade inerente, cauda longa de complexidade que código tradicional não sustenta.
Ele mostrou três cases:
- 1Password: o agente lida com fluxos de autenticação em centenas de sites diferentes — cauda longa impossível de cobrir com regras fixas
- Sola Systems: 100k+ workflows/mês, agentes que adaptam ao contexto vs regra fixa que quebraria com qualquer variação
- Hertz + Amazon Leo: gargalo de QA resolvido com agentes → 5x velocidade de entrega sem aumentar headcount
A lição: agente não substitui lógica determinística. Agente resolve o que código determinístico não consegue cobrir. Quem usa agente pra tudo cria sistemas frágeis. Quem usa agente nos 10% certos cria sistemas que escalam.
Hoje meço tudo que coloco em agente contra essa regra. “Isso é determinístico e testável? Então é código. Isso é cauda longa com variação infinita? Aí sim o agente entra.”
O que o MIT provou
Ana Trišović, do MIT CSAIL, apresentou os dados mais rigorosos do evento: análise de 268 mil publicações científicas e 1.942 modelos de fundação.
Modelos envelhecem 23% mais rápido a cada ano. Um modelo lançado hoje vai atingir pico de adoção em metade do tempo que um modelo de 2019. Planejar com horizonte de 2-3 anos baseado num modelo específico é apostar em algo que nasce obsoleto.
Gap de 22x entre modelos construídos e modelos efetivamente usados em produção. A maioria nunca é adotada — falha de estratégia de adoção, não de qualidade técnica.
O fosso real é customização, não tamanho ou marca. 40% dos usuários de modelo aberto fazem fine-tuning vs 18% dos de fechado. Um modelo de 7B ajustado com os dados da sua empresa supera uma API genérica que o concorrente também acessa. Os ~9% que customizam de verdade criam a maior parte do valor.
Três modos de falha que ela identificou nos dados:
- Apostar num único modelo/SDK/provedor — será descontinuado, reprecificado ou limitado em menos de 24 meses
- Não testar a capacidade real de migrar — quem só planeja sem exercitar não consegue migrar quando precisar
- Risco geopolítico — Brasil é importador líquido de modelos. Estratégia multivendor não é preciosismo, é sobrevivência
A conclusão dela é direta: aposte na capacidade de adoção, não num modelo específico. Arquitetura que permite trocar de modelo sem reescrita estrutural não é over-engineering. É o mínimo viável pra durar mais de dois anos.
Segurança e governança
Esse foi o tema que apareceu em todas as falas, sem exceção: camadas de segurança e governança como pré-requisito para operar com IA em produção.
O Replit foi o mais honesto sobre os riscos reais. Marcelo Echeverria listou quatro problemas que já estão acontecendo em escala:
- Apps em produção sem proteção adequada
- Vazamento de dados em escala
- Código funcional mas inseguro
- Agentes agindo de forma autônoma sem supervisão
A resposta deles é um framework de seis pilares:
- Defense in Depth — múltiplas camadas, assume que qualquer uma pode falhar
- SAST + agentes de segurança 24h — monitoramento e correção automática de vulnerabilidades
- Zero secrets no código — tokens e chaves nunca expostos diretamente
- Autenticação forte + isolamento — permissões granulares, ambientes separados
- Rollback + aprovação humana — antes de qualquer mudança crítica em produção
- Governança enterprise — SSO, auditoria, controle de acesso, monitoramento contínuo
O Leonardo Zappa da Glean complementou com um alerta que considero subestimado: IA não substitui systems of record. Agentes operam sobre CRM, ERP, billing — não os recriam. Quem confunde isso vai ter dor.
A convergência dos dois: o filtro pra qualquer automação deveria ser “isso move o core business?” — não “isso dá pra automatizar?”. A segunda pergunta sempre tem resposta “sim”. A primeira é onde a decisão de verdade está.
O Bradesco como modelo de referência
O case mais detalhado e relevante dos dois dias foi apresentado por Rafael Cavalcanti, do Bradesco.
Dez anos de evolução da BIA:
- 2016: chatbot interno
- 2022: multicanal — antifraude, crédito, PIX via WhatsApp
- 2023: GenAI conversacional
- 2024: 100% dos funcionários, 28M clientes, copiloto de desenvolvimento
- 2025: framework corporativo multi-LLM (OpenAI + Anthropic + Google + Meta + locais on-demand)
- 2026: multiagentes, marketplace de agentes, voz real-time
Os números que ficaram:
- +20% performance em geração de código
- 85% redução no tempo de criação de testes
- +21,7% conversão no call center com coach de IA
- +R$250M de receita num projeto de modelagem de risco com GenAI
O que mais me impressionou não foram os números — foi o modelo operacional. Humanos no Bradesco viraram líderes de equipes de agentes: projetam, definem objetivos, coordenam squads virtuais, avaliam e refinam. O trabalho mudou de natureza.
E eles construíram a própria plataforma. Multi-LLM, multi-cloud, com GuardRail pra PII e jailbreak, pipeline de avaliação contínua, marketplace interno de agentes. Não dependem de nenhum provedor específico — que é exatamente o que a MIT recomendou.
VW e o OTTO
Cristina Cestari, CIO da Volkswagen América do Sul, apresentou o OTTO — o assistente de IA da VW Brasil.
O que ficou da fala dela não foi o case em si, mas o princípio que estruturou o projeto:
“Devices são perecíveis. IAs são perenes.”
O celular de hoje será o relógio de amanhã, o chip depois de amanhã. O device muda. O que não muda é a relação com o cliente — os hábitos, preferências, estilo, histórico. A “alma digital” do usuário é o ativo de longo prazo, não o hardware.
Ela também trouxe o dado do HBR que mais me surpreendeu: em 2024, o caso de uso #1 de IA era “gerar ideias”. Em 2025, caiu pro 6º lugar. O #1 de 2025 virou companhia e apoio emocional — pessoas usando IA pra terapia, pra decidir, pra não se sentir sozinhas.
O uso migrou de produtividade pra presença. Isso muda o que “interface com IA” significa. E provavelmente muda o que “produto de IA” vai significar nos próximos anos.
O Qwen e a alternativa asiática
Eric Secco, country manager da Alibaba Cloud no Brasil, apresentou o Qwen — a família de modelos open source da Alibaba.
Os dados são impressionantes: em setembro de 2025 ultrapassou o Llama em downloads. Em dezembro de 2025, os downloads do Qwen superaram os dos modelos 2 a 9 do ranking combinados. Em abril de 2026, #1 no LLM Leaderboard do OpenRouter.
Mais de 300 modelos. Um bilhão de downloads. 200 mil derivados pela comunidade.
O ponto estratégico: para quem opera no Brasil, que é importador líquido de modelos americanos, ter uma alternativa competitiva e open source com origem em outro país não é detalhe. É hedge real contra reprecificação, descontinuação ou limitação de acesso.
A frase que resume os dois dias
Marcelo Echeverria, do Replit, fechou sua palestra com algo que ficou gravado:
“A pergunta não é mais ‘você sabe programar?’ — é ‘você sabe o que quer construir?’”
75% do código do Google já é gerado por IA. Código virou detalhe de implementação. A visão do problema, a capacidade de definir o que precisa ser resolvido e validar se a solução funcionou — isso virou o ativo central.
Isso muda o que vale desenvolver como habilidade profissional. Não é mais só dominar a sintaxe ou o framework. É a capacidade de especificar bem, de validar resultados e de reconhecer quando a direção está errada.
Na semana seguinte fui ao PM3 Summit. A perspectiva foi completamente diferente — não de quem constrói IA, mas de quem constrói produto com IA. Escrevo sobre isso no post seguinte.