A armadilha dos talentos de IA
Por que o contexto de negócios supera a codificação na modernização de aplicativos
Os executivos de alto escalão enfrentam um paradoxo constante: como manter o ritmo acelerado de inovação necessário para permanecer à frente e, ao mesmo tempo, garantir a estabilidade da infraestrutura de alto tráfego usada por dezenas de milhões de pessoas em todo o mundo? Este é o desafio que enfrentei por mais de uma década. Essa tensão só aumenta com aplicativos com tecnologia de IA, algo que vivenciei em primeira mão em vários produtos e plataformas na Caliente.mx. Isso me deu uma visão simples do que funciona e o que causa falhas catastróficas em escala.
Quando vi no Relatório de Inovação de Aplicativos 2026 da Cloudflare que 87% das organizações afirmam que suas equipes internas são suficientes para apoiar o desenvolvimento de IA, isso me chamou a atenção imediatamente. Mas esse tipo de confiança pode ser enganoso. Na minha experiência, a adoção bem-sucedida da IA depende de como as equipes trabalham, que conhecimento institucional elas trazem e se a infraestrutura suporta a experimentação rápida e segura. É um tema que explorei com Trey Guinn, Field CTO da Cloudflare, no programa Beyond the App Stack sobre como a capacidade de IA depende de mais do que apenas o número de funcionários.
Nos últimos anos, tenho observado o mesmo padrão em empresas tentando adotar a IA. A tecnologia é empolgante, o talento parece sólido no papel, mas os resultados não se concretizam. Isso ocorre porque a verdadeira barreira para a adoção bem-sucedida da IA é estratégica e não técnica. Muitas organizações tratam a IA como um questão binário — ou você está "fazendo IA" ou está atrasado. Essa pressão tende a desencadear uma de duas respostas: contratar especialistas em IA que não conhecem o negócio ou implementar ferramentas internamente sem um objetivo ou plano claro para a adoção. Nenhuma das abordagens funciona por muito tempo.
A maioria das empresas aborda a IA de duas maneiras: como um produto fundamental incorporado às ofertas ou como um conjunto de ferramentas para otimizar os fluxos de trabalho internos, como RH ou finanças. Você pode presumir que a abordagem que prioriza o produto é mais complexa, mas vejo mais riscos quando a IA é introduzida internamente. É aí que as ferramentas são impostas sem treinamento, as expectativas ficam desalinhadas e as equipes começam a resistir. É nesse momento que a adoção fica estagnada.
A principal dicotomia: conhecimento versus novas habilidades
Para que a IA seja consolidada, a liderança precisa repensar como ela é introduzida e, mais importante, quem está realmente capacitado para liderar essa mudança.
Quando você cria uma equipe do zero, como eu fiz na Caliente, vê em primeira mão o valor do conhecimento institucional. Ele não está documentado, mas reside nas escolhas que as pessoas fazem, nos sistemas que elas moldaram e nos instintos que desenvolveram com a experiência.
Esse contexto é essencial na integração da IA. Contratações externas podem trazer conhecimento, mas sem histórico do produto ou fluência arquitetônica o progresso fica mais lento.
Requalificar a equipe que você já possui muitas vezes é o caminho mais rápido. Essas são as pessoas que entendem como o aplicativo evoluiu, do que os usuários dependem e onde a pilha pode ser flexível. Quando sua arquitetura apoia a experimentação modular e de baixo risco, esse contexto se torna uma vantagem competitiva e o aprimoramento das competências se torna a escolha óbvia.
Gerenciar a resistência à IA
Sempre que novas ferramentas são introduzidas, especialmente algo com tanto hype quanto a IA, as pessoas naturalmente se preocupam: “Isso vai me substituir?” Esse medo se intensifica quando a IA é apresentada como uma iniciativa isolada ou repassada a contratações externas que não fazem parte do dia a dia. A melhor maneira de combater esse medo é manter a conversa ancorada em problemas reais. Na Caliente, começamos com o ponto problemático, algo que está nos atrasando ou adicionando atrito, e só então perguntamos: a IA pode nos ajudar a resolver isso?
Se a resposta for sim, passa a ser sobre ampliação. Não dizemos "QA automatizado". Dizemos “testes assistidos por IA”. Não apresentamos novas iniciativas como “criação de aplicativos por IA”. Falamos sobre estender os aplicativos que já temos; tornando-os mais rápidos, mais inteligentes e mais úteis, sem interromper o que está funcionando. Aprimoramos o processo de análise de código, oferecendo aos engenheiros uma perspectiva adicional para que possam se concentrar em um trabalho de maior valor.
O imperativo da inovação: o preço da inflexibilidade
Se você quer a liberdade de criar com a equipe que já possui, sua infraestrutura precisa suportar essa escolha. Em algum momento de toda conversa sobre IA, as pessoas se esquecem do básico: a IA não funciona com ambição, mas com infraestrutura.
Se você ainda trabalha com sistemas rígidos e locais, mesmo as melhores ideias ficarão atoladas em atrasos, problemas de compatibilidade ou ciclos de aquisição. Vi isso em primeira mão tentar adaptar pilhas legadas para executar cargas de trabalho com uso intenso de GPU não é apenas problemático, é caro. Você acaba correndo atrás de correções de hardware, atualizações de drivers e correções do sistema operacional antes mesmo de começar a experimentar.
O que muitas vezes é ignorado é que as modernizações de aplicativos é um pré-requisito para a IA. Quanto mais flexível for a sua infraestrutura, mais barato será testar novas ideias. Quanto mais rápido seu ambiente for ativado, mais rápido você aprenderá o que funciona e o que não funciona. As arquiteturas sem servidor, em particular, nos permitem testar várias configurações sem gastos iniciais. Basta fazer o experimento, obter os dados e seguir em frente.
E essa agilidade também compensa mais tarde. O hardware e o software nesse ambiente evoluem rapidamente. Se você mantém tudo no local, está em um ciclo de atualização constante. Com plataformas sem servidor ou nativas de nuvem, podemos acompanhar essa evolução sem gastar tempo ou orçamento apenas para nos mantermos atualizados.
O que funcionou para nós foi criar um sandbox estruturado para experimentos de IA. Isso significa separar claramente o trabalho experimental das versões de produção, estabelecer cronogramas curtos para testar hipóteses e definir antecipadamente o que significa “bom o suficiente” antes de escalar.
Alguns princípios que sigo:
Isolar os experimentos de violações do produto principal
Definir prazos para os ciclos de teste para que não se desviem do objetivo
Combinar líderes de IA com proprietários de produtos para garantir que cada ideia se traduza em impacto real no aplicativo
A IA não é isolada, ela precisa ser integrada aos sistemas que você já mantém. Quando bem feita, a experimentação com IA acelera a inovação de aplicativos em vez de desacelerá-la. Você obtém recursos mais inteligentes, melhor automação e produtos mais responsivos, sem comprometer a estabilidade.
Três itens indispensáveis para a infraestrutura de IA
Antes que a IA possa ir além da fase piloto no desenvolvimento de aplicativos, descobri que há três itens não negociáveis:
Governança de dados clara. Regras de acesso claramente definidas são essenciais. Quais dados a IA pode acessar? Em que condições? Sem isso, você abre as portas para problemas de conformidade.
Computação escalável. Os pilotos podem ser executados em máquinas de baixo consumo de energia. As cargas de trabalho de produção não. Uma infraestrutura escalável é fundamental, especialmente para cargas de trabalho de GPU.
Monitoramento forte. Uma vez que a IA esteja ativa, é necessário ter visibilidade e supervisão completas. Isso inclui rastrear desvios, detectar anomalias e identificar consequências indesejadas antes que se agravem.
Se você fizer isso corretamente, a experimentação se torna sustentável. A IA é uma capacidade, não um produto. Em minha própria função, vi como grande parte dessa jornada depende de experimentação estruturada, treinamento claro e uma cultura que valoriza a transparência em vez do hype.
Mas a infraestrutura sozinha não impulsiona o progresso. Sua equipe também precisa estar preparada.
Três sinais de prontidão real para a IA
Quando penso se uma equipe de engenharia está pronta para escalar seus esforços de IA na inovação de aplicativos, procuro três coisas:
Conversas abertas: se a equipe se sente à vontade para compartilhar tanto sucessos quanto fracassos e falar honestamente sobre o que está funcionando e o que não está, isso é um bom sinal.
Conhecimento básico: eles não precisam ser especialistas, mas devem entender, no mínimo, o básico de como os LLMs funcionam, termos como número de parâmetros e tokens e por que as alucinações de IA acontecem. Isso demonstra curiosidade e vontade de aprofundar o conhecimento.
Conscientização dos limites: eles sabem que tipo de dados podem ser compartilhados com segurança, que conteúdo pode ser reutilizado e onde estão os limites legais ou éticos.
Estes não são apenas itens desejáveis. São indicadores de que sua equipe está preparada para construir e sustentar uma inovação real em aplicativos orientados por IA.
Comece pelo problema, não pela ferramenta
Uma das armadilhas que tenho visto em equipes é a mentalidade de “solução em primeiro lugar”. A liderança fica entusiasmada com uma ferramenta de IA e diz à equipe para fazer engenharia reversa em um caso de uso para justificá-la. Mas começar pela ferramenta geralmente significa resolver problemas imaginários ou irrelevantes para a empresa. O progresso real começa quando você resolve um problema real e de alto impacto e deixa que isso guie a decisão sobre se a IA deve ou não fazer parte da solução. Assim, você pode avançar com foco, testando, aprendendo e corrigindo o rumo com clareza, pois você visa algo específico.
A partir daí, trata-se de iterar rapidamente, principalmente ao integrar IA em aplicativos em produção. Defina um caso de uso específico, teste-o fora de produção, mensure o impacto, colete feedback e faça ajustes. Se funcionar, você escala. Se não funcionar, você ainda terá aprendido algo valioso, sem sobrecarregar os recursos ou desenvolver tecnologia desnecessária.
Proteções comportamentais, não bloqueios técnicos
Bloquear ferramentas de IA voltadas para o público pode reduzir o risco no curto prazo, mas sufoca o aprendizado. Uma abordagem melhor é reforçar os padrões comportamentais que as equipes já seguem. Por exemplo, os desenvolvedores já ocultam segredos no código; o mesmo se aplica às revisões de IA. Mas as políticas por si só não criam progresso. O verdadeiro impulso vem de sistemas, técnicos e culturais, que permitem a experimentação segura sem atrasar a entrega.
Isso começa com a inovação de aplicativos. A arquitetura certa dá às equipes espaço para testar, resolver problemas reais e avançar rapidamente. O Relatório de Inovação de Aplicativos 2026 da Cloudflare foi de encontro ao que tenho visto na prática: quando seus sistemas estão prontos, o investimento mais inteligente em IA é a equipe que você já tem.
Acelerar a modernização com a Cloudflare
À medida que a modernização de aplicativos se torna uma estratégia contínua, não uma iniciativa pontual, os líderes de tecnologia precisam de uma plataforma que ajude as equipes a se moverem mais rapidamente sem comprometer o controle ou a segurança. A nuvem de conectividade da Cloudflare é compatível com todas as etapas da jornada de seu aplicativo, desde a migração de sistemas legados até a adaptação para agilidade ou a criação de aplicativos e serviços de IA totalmente novos. Com ferramentas integradas de distribuição, segurança, observabilidade e desenvolvimento de aplicativos em uma plataforma unificada e programável, a Cloudflare ajuda suas equipes a lançar produtos mais rapidamente e desbloquear a inovação, sem aumentar os custos.
Este artigo é parte de uma série sobre as tendências e os assuntos mais recentes que influenciam os tomadores de decisões de tecnologia hoje em dia.
Saiba mais sobre esse assunto
Saiba mais sobre como a infraestrutura moderna desbloqueia o sucesso da IA no Relatório de Inovação de Aplicativos 2026 da Cloudflare.
Autoria
Lior Gross
CTO, Caliente Interactive
Principais conclusões
Após ler este artigo, você entenderá:
Escolher equipes existentes versus novas contratações para aplicativos de IA
Usar a experimentação com IA para impulsionar a inovação de aplicativos
O papel do conhecimento da empresa no sucesso de aplicativos de IA