De demos de IA ao trabalho real: como Engenharia e Operações aprendem lado a lado

Escrito por: Nubank Editorial

Ver um sistema de IA fazer algo impressionante é uma coisa. Saber onde essa capacidade pode fazer uma diferença relevante no seu próprio trabalho é outra.

Essa lacuna importa quando as organizações deixam de experimentar a IA e passam a aplicá-la nos fluxos de trabalho do dia a dia. Nesse contexto, uma demo pode mostrar do que uma tecnologia é capaz, mas identificar uma aplicação útil exige algo mais: entendimento suficiente de como a tecnologia funciona, combinado com conhecimento profundo do problema a ser resolvido.

Essa é uma das ideias por trás do pilar de Enablement do Ops AI Acceleration Program do Nubank. Sua missão é dar aos times acesso prático a conhecimento e ferramentas de IA, mantendo esse aprendizado conectado às realidades e aos desafios do trabalho deles.

Um workshop recente de IA aplicada com o PJ Operations colocou essa abordagem em prática. Em vez de começar com uma solução de IA pronta, a sessão primeiro construiu uma base comum e depois pediu aos participantes que aplicassem o que havia sido aprendido a um desafio operacional real.

O objetivo era ajudar a aproximar o entendimento técnico da expertise operacional.

Criando uma linguagem comum sobre IA

Entender IA não significa saber construir um modelo do zero, mas, quando as pessoas compreendem alguns dos conceitos por trás da tecnologia, elas conseguem fazer perguntas melhores sobre onde ela pode ser útil, do que ela precisaria para funcionar e como poderia se encaixar em um processo já existente. É justamente por isso que o workshop começou bem antes do exercício prático.

A jornada de aprendizado começou pela aceleração mais ampla da computação, antes de avançar para IA generativa e agentes. A partir daí, os participantes exploraram como a IA está se tornando parte do ciclo de vida de desenvolvimento de software e como diferentes blocos de construção podem funcionar juntos em sistemas modernos de IA: modelos, ferramentas, contexto, skills, agentes e Model Context Protocols, ou MCPs.

O propósito era tornar menos abstrata a arquitetura por trás dos sistemas de IA. Um modelo, por exemplo, é apenas uma parte do que torna uma aplicação de IA útil. O contexto ajuda o sistema a entender o que é relevante para uma tarefa específica, enquanto as ferramentas permitem que ele execute ações ou busque informações além do que o modelo já sabe, e as skills podem fornecer instruções especializadas para tarefas recorrentes. Os agentes, por sua vez, conseguem combinar raciocínio e ações ao longo de várias etapas, enquanto os MCPs oferecem uma forma padronizada de conectar modelos a ferramentas externas.

Conhecer essas distinções muda a conversa, porque, em vez de perguntar apenas “a IA consegue fazer isso?”, os times passam a fazer perguntas mais específicas: de quais informações o sistema precisaria? Quais partes do processo exigem julgamento? A quais ferramentas ou dados ele precisaria ter acesso? Onde a expertise humana continuaria essencial?

Esse vocabulário compartilhado ajuda a criar uma ponte entre as possibilidades tecnológicas e a realidade do trabalho operacional.

Onde Engenharia encontra Operações

A adoção de IA se torna mais prática quando dois tipos de conhecimento podem se encontrar. A Engenharia traz o entendimento do que a tecnologia pode fazer, de como os sistemas podem ser estruturados e de onde estão as restrições técnicas. Operações traz algo igualmente importante: o conhecimento detalhado de como o trabalho acontece de fato.

Os times operacionais entendem as exceções, os handoffs, os gargalos recorrentes, as regras de negócio e as decisões de julgamento que podem não ser óbvias de fora. Eles sabem quais atividades consomem tempo significativo, onde a informação se torna difícil de interpretar e quais partes de um fluxo de trabalho são repetitivas sem necessariamente serem simples. Esse contexto é essencial para identificar oportunidades úteis de IA.

O objetivo do enablement, portanto, é criar terreno comum suficiente para que as duas perspectivas se conectem. Quando a expertise operacional é combinada com um melhor entendimento das capacidades de IA, as pessoas conseguem ir além de pensar na IA como uma tecnologia de uso geral e começam a olhar para cada fluxo de trabalho de outra forma.

Qual parte desse processo exige análise? O que é repetitivo? Onde alguém gasta tempo coletando ou interpretando informações? Onde um sistema de IA poderia ajudar sem remover o julgamento humano do qual o processo depende?

Essas perguntas estão muito mais próximas do trabalho real do que uma demonstração genérica do que um modelo é capaz de gerar.

Colocando o aprendizado em prática

Em 25 de agosto, 15 Nubankers do PJ Operations e da liderança participaram de um workshop de IA aplicada construído com base nessa abordagem. Depois de explorar os fundamentos tecnológicos, a sessão avançou para um desafio prático focado no Performance Management Lifecycle. 

A escolha do problema foi importante. Em vez de experimentar com um exercício artificial criado para mostrar as capacidades da IA, os participantes trabalharam em um desafio real do PJ Operations: as análises quantitativas e qualitativas envolvidas na gestão de performance.

Isso inclui atividades como análise de causa raiz e avaliação da performance de BPOs, um trabalho que exige que os times interpretem informações e as transformem em insights capazes de apoiar decisões operacionais.

O workshop recebeu uma nota geral de satisfação de 4,8 de 5, mas o resultado mais importante da sessão foi a oportunidade de conectar os conceitos que os participantes acabaram de explorar a um problema que eles já entendiam profundamente.

Começando por um problema operacional real

A análise de performance representa uma carga de trabalho significativa dentro de Ops PJ. Hoje, a análise quantitativa e qualitativa envolvida nesse fluxo consome aproximadamente 100 horas por mês, e esse número oferece um bom ponto de partida para pensar em IA.

A oportunidade não é simplesmente “adicionar IA” à gestão de performance. É examinar o fluxo de trabalho e identificar onde as capacidades de IA poderiam reduzir o esforço manual e tornar o processo de análise mais ágil — e é aqui que o conhecimento operacional se torna fundamental.

Quem trabalha de perto com o processo consegue distinguir entre tarefas repetitivas e tarefas que exigem julgamento contextual. Consegue identificar onde as informações precisam ser coletadas, comparadas, interpretadas ou investigadas. E consegue ajudar a determinar onde o apoio da IA pode ser valioso, sem presumir que todo o fluxo de trabalho deva ser automatizado.

O entendimento técnico torna mais fácil imaginar o que é possível. O entendimento operacional ajuda a determinar o que é útil.

De ~100 horas para um potencial de ~25

Para o caso de uso do Performance Management Lifecycle explorado no workshop, a oportunidade esperada é significativa. A carga de trabalho atual é de aproximadamente 100 horas por mês. Com IA aplicada a partes do fluxo, a meta é reduzir esse esforço para cerca de 25 horas por mês.

É importante mencionar que esse número é uma projeção, não um resultado medido. O fluxo de trabalho ainda não demonstrou uma redução de 100 para 25 horas em produção. A estimativa representa, na verdade, a eficiência potencial identificada para o caso de uso e oferece uma meta concreta contra a qual experimentações futuras poderão ser avaliadas.

No fim do dia, o enablement em IA consiste em ajudar os times a identificar oportunidades ancoradas no trabalho real, formular hipóteses sobre onde a IA pode ajudar e criar um caminho mais claro para testar essas hipóteses.

Neste caso, a redução projetada oferece algo concreto a investigar. O valor do exercício está não apenas no número em si, mas também no processo que produziu a oportunidade: começar por um problema operacional, entender o trabalho por trás dele e, então, examinar onde as capacidades de IA poderiam se encaixar.

Enablement como capacidade contínua

Um workshop pode introduzir conceitos e uma ferramenta pode facilitar a experimentação, mas o enablement em IA de longo prazo depende de algo mais amplo: dar às pessoas entendimento e experiência prática suficientes para que elas mesmas reconheçam oportunidades.

Isso significa ir além de ensinar as pessoas a usar um modelo ou uma interface específica: as ferramentas vão mudar, os modelos vão evoluir e novas formas de conectar sistemas de IA a dados, aplicações e fluxos de trabalho vão continuar surgindo.

A capacidade mais durável é saber olhar para um problema real e fazer as perguntas certas. Onde o tempo está sendo gasto hoje? Quais partes do trabalho dependem de síntese ou análise de informações? Quais restrições importam? Onde a tecnologia poderia ajudar? E como saberíamos se um experimento realmente melhorou o processo?

Para Operações, isso torna o conhecimento técnico acionável, em vez de abstrato. Para Engenharia, o contexto operacional ajuda a ancorar as possibilidades tecnológicas em problemas que importam.

Aproximar essas perspectivas é o que transforma o enablement em IA de um aprendizado sobre uma tecnologia em um aprendizado sobre como aplicá-la — e esse pode ser um dos passos mais importantes para sair de uma demo impressionante de IA e chegar a uma melhoria real na forma como o trabalho é feito.