DoTheMATH Blog

Quando a captação sem priorização empurra o CAC para cima

contato@math.group (Time MATH) — Thu, 09 Apr 2026 16:49:22 GMT

A captação ficou mais cara em praticamente todos os setores. Isso, por si só, já exigiria mais critério. O problema é que muitas operações ainda respondem a essa pressão da pior forma possível: aumentando volume sem aumentar inteligência operacional.

Sustente IA em produção com gestão sistêmica

contato@math.group (Time MATH) — Thu, 02 Apr 2026 17:22:00 GMT

Muitas empresas já saíram da fase de testar modelos. A arquitetura foi definida, os dados principais foram mapeados e os primeiros casos de uso chegaram à operação. Ainda assim, a IA não se sustenta em produção.

Na maior parte das vezes, o problema não está no modelo. Está no sistema que deveria manter esse modelo útil, confiável e governável ao longo do tempo. A empresa acerta a camada técnica, mas não fecha o ciclo entre decisão, operação, responsabilidade e melhoria contínua.

É aí que a fragilidade aparece. No desenho, a iniciativa parece consistente. Na prática, passa a depender de fluxos mal definidos, responsabilidades difusas e pouca capacidade de revisão. Quando a IA começa a sustentar decisões reais, o que falta não é mais arquitetura. É gestão.

Estruture IA em produção: lições do Fintech Americas 2026

contato@math.group (Time MATH) — Fri, 27 Mar 2026 21:09:25 GMT

Há uma diferença entre adicionar IA ao seu portfólio e reorganizar a empresa para decidir melhor. No primeiro caso, você compra ferramentas e distribui acessos. No segundo, você mexe em governança, integrações, critérios de priorização, arquitetura de dados e desenho de responsabilidade. É essa segunda agenda que define se a IA vira eficiência ou vira custo recorrente.

Gestão sistêmica com IA: 7 erros que derrubam projetos

Marcel Ghiraldini — Tue, 17 Mar 2026 20:06:19 GMT

Muitas empresas estão tratando IA como a próxima camada de produtividade. O problema é que produtividade é consequência de arquitetura. Quando poder de decisão, processos e estrutura continuam fragmentados, a IA não reorganiza o sistema. Ela acelera o sistema que já existe.

Os 7 pecados capitais que sua empresa cometerá com Inteligência Artificial (se continuar pensando de forma fragmentada)

Marcel Ghiraldini — Mon, 16 Mar 2026 13:13:30 GMT

Se a sua transformação digital não altera poder, processo de decisão e estrutura organizacional, ela é apenas teatro.

Conecte observabilidade à Jornada do App

contato@math.group (Time MATH) — Wed, 11 Mar 2026 16:39:34 GMT

Falhas em aplicações críticas quase nunca começam como problema de reputação. Elas começam como eventos técnicos aparentemente isolados: erro 4xx, erro 5xx, queda de serviço, travamento no frontend, lentidão em uma API. O problema é que, em muitas empresas, essas ocorrências continuam sendo tratadas como incidentes de infraestrutura e não como desvios na jornada do cliente.

Modelo de Trabalho com IA: como operar com Governança e Impacto

contato@math.group (Time MATH) — Tue, 03 Mar 2026 22:22:48 GMT

A IA entrou em muitas empresas como promessa de produtividade, mas o impacto mais relevante não é a automação de tarefas isoladas. É a mudança no modo como decisões são produzidas, validadas e executadas. Quando a interface vira linguagem natural, a capacidade deixa de ficar concentrada em times técnicos e se espalha para áreas que operam o negócio no dia a dia.

Arquitetura da decisão com IA na gestão sistêmica

contato@math.group (Time MATH) — Thu, 26 Feb 2026 18:53:32 GMT

Gestão sistêmica com IA é um método para mapear sistemas de decisão, transformar dados em sinais mínimos e operar agentes com governança, mantendo trilha, guardrails e observabilidade para decisões repetíveis em ambientes complexos.

A arquitetura do “e se” com IA causal

Marcel Ghiraldini — Thu, 05 Feb 2026 00:43:16 GMT

Quase toda inovação relevante começa com uma pergunta contrafactual, porque “e se” é uma forma de romper o determinismo do presente e abrir espaço para alternativas plausíveis. O Post-it nasce quando alguém reinterpreta uma cola “ruim” como um recurso para adesão temporária; a penicilina nasce quando um fenômeno observado vira hipótese de intervenção, e não apenas curiosidade.

No negócio, essa mesma estrutura aparece quando uma liderança pega um dado estável demais e pergunta o que aconteceria se a empresa mudasse o próprio sistema, em vez de apenas otimizar o que já existe. O problema é que a maior parte das iniciativas de IA ainda opera muito bem no mundo do “o que já aconteceu” e muito mal no mundo do “o que poderia acontecer”.

Isso não é falta de criatividade do modelo. É falta de arquitetura para sustentar raciocínio contrafactual com critério, rastreabilidade e custo previsível.

Mas, "e se"?

A popularização de LLMs deu a impressão de que “imaginar” ficou barato, porque agora qualquer pessoa consegue gerar cenários, estratégias e planos em linguagem natural. O risco é confundir fluência com simulação. Fluência descreve possibilidades com aparência de coerência; simulação testa possibilidades contra um conjunto explícito de premissas, mecanismos e restrições.

A diferença importa porque empresas não precisam de texto plausível. Precisam de decisões que se sustentem quando viram operação: orçamento, cadeia de suprimentos, risco de crédito, políticas de fraude, precificação, alocação de mídia, capacidade de atendimento, governança de agentes. O “e se” que move estratégia precisa de um motor que conecte hipótese a impacto, e impacto a métricas que possam ser acompanhadas.

É aqui que a ciência ajuda a IA a sair da mímica e entrar na invenção com método.

A imaginação que funciona tem regras

A psicóloga cognitiva Ruth M. J. Byrne defende que pensar alternativas à realidade segue padrões racionais, porque as pessoas tendem a alterar pontos específicos de uma situação e a manter o restante estável, construindo contrafactuais com base em restrições implícitas. Em termos práticos, o cérebro não cria qualquer futuro, ele cria futuros que preservam coerência com um conjunto de regras do mundo e do objetivo.

Em vez de pedir “ideias”, você define premissas e limites e pergunta quais intervenções poderiam mudar o resultado. O “e se” deixa de ser brainstorming e vira um processo de engenharia: alterar uma variável, manter as outras controladas e observar efeito.

Um exemplo realista em empresa de serviços financeiros: “E se reduzirmos a exigência de documentos em uma etapa do onboarding?” é uma pergunta incompleta até que você explicite critérios de risco, fraude e compliance, e delimite onde a intervenção pode ocorrer sem quebrar o processo. Sem critérios, o cenário vira narrativa; com critérios, vira teste.

O cérebro gera opções e filtra por critério

Peter Ulric Tse descreve um mecanismo que ajuda a traduzir criatividade em arquitetura: a geração de alternativas aparece como um conjunto amplo de possibilidades, e a seleção acontece quando circuitos de ordem superior aplicam critérios que estabilizam uma escolha. Em linguagem de operação, criatividade não é apenas gerar variações, é filtrar variações com metas explícitas.

É exatamente esse equilíbrio que falta em muitos usos de IA generativa no negócio. Modelos geram alternativas em escala, mas o filtro costuma ser informal, baseado em preferência do usuário ou em “parece bom”, e não em critérios verificáveis. A empresa ganha velocidade de produção de possibilidades e perde qualidade na seleção, o que desloca risco para o downstream da operação.

Um exemplo típico: um time usa IA para “inventar” uma estratégia de retenção e o plano parece coerente, mas ninguém traduziu o plano para hipóteses mensuráveis, nem definiu os critérios que descartariam a estratégia em duas semanas. O resultado é uma execução cara de uma narrativa.

Associação não é simulação do futuro

Judea Pearl organiza raciocínio causal em uma hierarquia útil para gestores: associação, intervenção e contrafactual. Associação responde “o que costuma acontecer”; intervenção responde “o que acontece se eu mudar X”; contrafactual responde “o que teria acontecido se X fosse diferente”, com base em mecanismos causais.

A maior parte dos LLMs opera muito bem no primeiro degrau, porque aprende padrões estatísticos e produz respostas plausíveis a partir de grandes corpora. Quando você pede para “inventar o futuro”, ele não executa uma intervenção em um modelo do mundo. Ele extrapola linguagem com base em semelhança, o que pode ser útil para redação e síntese, mas é insuficiente para decidir mudanças estruturais.

Isso explica por que tantas empresas se frustram ao tentar usar GenAI como motor de estratégia. O modelo responde “como se” entendesse mecanismos, mas não tem, por padrão, uma estrutura causal que permita simular consequências sob intervenção. O que falta não é um prompt melhor. É a camada que conecta pergunta a mecanismos, mecanismos a dados, e dados a testes.

Do texto plausível ao contrafactual operacional

O caminho prático não é esperar uma “IA geral” que invente sozinha. É arquitetar uma pilha que combine linguagem natural com motores de decisão que já são maduros em ciência aplicada: experimentação, causalidade, modelos de mundo e planejamento.

Duas linhas de pesquisa ajudam a materializar isso. A primeira é a agenda causal, que organiza intervenções e contrafactuais com rigor e torna explícito o que precisa ser medido para afirmar impacto sob mudança. A segunda é a agenda de “modelos de mundo”, defendida por Yann LeCun, que propõe arquiteturas como JEPA para aprender representações internas que suportem previsão, planejamento e abstração sem depender de rotular tudo, justamente para aproximar IA de capacidades de simulação e ação.

Para o gestor, isso se traduz em uma decisão de arquitetura: o “e se” não pode ser um pedido solto para um chatbot. Ele precisa virar um artefato com três camadas.

A primeira camada define a pergunta como intervenção, deixando claro qual variável muda e qual resultado importa.
A segunda camada define os mecanismos e restrições do sistema, incluindo regras de negócio, limites de risco, dependências operacionais e orçamento.
A terceira camada conecta isso a dados e testes, com baseline, métricas, janela de observação e critério de parada.

Um exemplo realista em supply chain: “E se trocarmos um fornecedor crítico?” só vira simulação quando você inclui lead time, variabilidade, risco de ruptura, custo de estoque, SLA com cliente, capacidade logística e uma forma de testar o impacto sem colocar a operação em colapso. Sem essa estrutura, a IA produz cenários; com essa estrutura, a empresa produz decisões.

Na MATH, a pergunta “e se” é tratada como um ativo de decisão

Isso exige método, porque a empresa precisa de hipóteses falsificáveis, instrumentação para medir impacto e governança para garantir que a simulação não vire uma fábrica de narrativas.

É por isso que a MATH enxerga IA operacional como uma disciplina de arquitetura. A MATH AI Platform faz sentido quando o objetivo é orquestrar fluxos de IA com rastreabilidade, controles e métricas de valor, de modo que perguntas contrafactuais possam ser traduzidas em experimentos, políticas e decisões que se sustentam em produção, inclusive quando agentes entram na operação e elevam a complexidade do sistema.

Aprofunde o conteúdo com o bate bapo sobre o impacto real da IA nos próximos anos. Marcel Ghiraldini, Sandro Magaldi e Pedro Waengertner apontam o perigo dos atalhos na era da IA:

Cultura como laboratório: protocolos de rigor na MATH

Marcel Ghiraldini — Wed, 04 Feb 2026 23:02:35 GMT

A maior parte das empresas diz que decide com base em evidências. O problema é que, na prática, “evidência” vira sinônimo de qualquer coisa com gráfico, linguagem técnica e uma referência de autoridade. Quando isso acontece, a decisão parece segura, mas passa a depender de sinais que não foram testados contra ruído.

No artigo anterior, Avalie Estudos Acadêmicos: separe sinal de ruído na decisão, colocamos luz nesse ponto: separar sinal de ruído em estudos acadêmicos é um tema de negócio, porque evidência frágil vira premissa estratégica e, cedo ou tarde, vira custo.

Agora vem a pergunta desconfortável, que vale mais do que criticar o sistema externo.

Se a ciência está sob pressão, como uma empresa que entrega ciência aplicada evita reproduzir o mesmo problema por dentro?

Resposta rápida

Cultura científica não é valor escrito na parede. É o conjunto de mecanismos que força uma organização a fazer três coisas, mesmo quando o prazo aperta: testar hipóteses antes de defender narrativas, auditar caminhos antes de celebrar resultados e separar descoberta de confirmação.

Esse texto organiza como transformamos isso em operação na MATH, com protocolos simples de executar e difíceis de distorcer.

Por que isso vira risco quando dados e IA entram no centro

Quando IA deixa de ser piloto e vira operação, o que você chama de “decisão” ganha outro peso: afeta fluxo crítico, custo recorrente, conformidade e reputação. Esse é o ponto em que método vira governança, e governança vira previsibilidade.

O risco não é só errar um insight. É criar um sistema que recompensa certeza rápida, pune dúvida honesta e transforma métrica em objetivo. A partir daí, a organização começa a otimizar a aparência de rigor, não o rigor.

Onde nosso DNA já opera com método

A MATH nasceu em um ambiente em que evidência precisa virar decisão e decisão precisa virar eficiência. Isso cria um tipo específico de cultura: menos “opinião vencedora” e mais “hipótese que sobrevive”.

Abaixo, três princípios que já existiam na prática e que tratamos como axiomas de cultura.

Refutação como disciplina

Karl Popper ficou conhecido por defender a falsificabilidade como critério central para separar ciência de não-ciência: uma hipótese forte é a que pode ser derrubada por observação, e sobrevive a tentativas honestas de refutação.

No trabalho de dados, isso se traduz em um comportamento bem concreto: se apegar à autoria é a forma mais rápida de forçar o dado a concordar com você. Quando a hipótese vira identidade, a análise vira defesa.

Por isso, a prática que buscamos reforçar é simples de dizer e exigente de sustentar: em discussões de projeto, a pergunta não é “quem está certo?”, é “o que nos provaria errados?”.

Confiança auditável

A crise de replicabilidade mostrou, com força, que resultado “bonito” pode não se sustentar quando alguém tenta reproduzir o método. No Reproducibility Project em psicologia, por exemplo, a taxa de resultados estatisticamente significativos caiu de 97% nos estudos originais para 36% nas replicações reportadas.

No mundo corporativo, a versão desse problema tem outro nome: decisão sem trilha.

Resultado que não pode ser rastreado, verificado e explicado como sequência de escolhas vira opinião com dashboard. E opinião com dashboard costuma ganhar orçamento.

Aqui, “confiável” não é atributo. É propriedade auditável: dados de origem claros, versionamento, registro de transformações, premissas explicitadas, e uma cadeia lógica que outra pessoa consegue inspecionar sem precisar “acreditar” no autor.

Erro como dado

Boa ciência não romantiza o erro, mas também não o esconde. Ela registra, compara, aprende e corrige rota.

Em projetos de dados e IA, isso evita um desperdício recorrente: insistir em uma hipótese porque “já investimos tempo demais”. Resultado negativo bem documentado economiza retrabalho, reduz risco e preserva credibilidade.

Pontos cegos que aparecem quando a fábrica pressiona a ciência

Nenhuma cultura é imune. E a ameaça não costuma vir de má intenção. Vem de incentivos.

Tirania das métricas

A Lei de Campbell descreve um fenômeno conhecido: quando um indicador passa a ser usado para decisão, ele sofre pressão de corrupção e pode distorcer o processo que deveria monitorar.

No mundo corporativo, isso vira “P-hacking de KPI”: ajustar recorte, janela, segmentação e definição até o número contar a história que o time precisa contar. Em ciência, p-hacking é um termo usado para descrever análises e recortes feitos até aparecer significância.

O resultado é conhecido: a organização melhora no número e piora na realidade.

Sedução do incremental

Existe um risco silencioso em ambientes orientados a eficiência: tratar melhoria incremental como única forma legítima de avanço, porque ela é previsível, vendável e fácil de defender. O problema é que algumas decisões estratégicas exigem espaço para hipóteses incertas, e esse espaço morre quando tudo precisa virar “resultado” no trimestre.

Narrativa da vitória pós-fato

Sem critérios definidos antes, qualquer entrega pode virar sucesso “porque aprendemos”. Aprender faz parte, mas ciência exige um passo anterior: declarar o que seria evidência de acerto e, principalmente, o que seria evidência de erro.

Sem isso, a organização fica especialista em recontar a história.

Protocolos que blindam cultura com rigor

A ambição aqui não é burocratizar. É reduzir arbitrariedade.

Três práticas, importadas do ecossistema de ciência aberta e de ambientes de risco, ajudam a transformar rigor em rotina.

Pré-registro de hipótese em projetos críticos

Pré-registro é a prática de especificar o plano de pesquisa e análise antes de rodar o estudo, para separar o que foi confirmatório do que foi exploratório.

Em projeto de negócio, isso vira uma página objetiva antes de começar:

Qual hipótese estamos testando?
Qual decisão ela vai suportar?
Qual métrica define sucesso e qual define falha?
O que provaria que estamos errados?
O que não vamos mudar no meio do caminho sem registrar por quê?

Esse protocolo não elimina exploração. Ele só impede que exploração vire “prova” depois.

Red teaming como revisão por pares aplicada

Red teaming é a prática de desafiar planos e premissas com uma postura deliberadamente adversária, para expor falhas antes que elas virem incidente.

Em dados e IA, isso pode ser institucionalizado de forma leve:

Um “crítico de rigor” entra em decisões relevantes com uma função clara: buscar vieses, supostos atalhos, lacunas de evidência, riscos de generalização e pontos onde a métrica pode estar induzindo o time a otimizar aparência.

Quando isso existe, a discussão muda de tom. A pergunta deixa de ser “qual é a melhor narrativa?” e vira “qual narrativa resiste ao teste?”.

Valorização explícita de resultado negativo

Se a cultura só celebra acertos, ela incentiva ocultação de falhas e empurra problemas para a fase em que já ficou caro.

Resultado negativo validado é ativo. Ele evita que a empresa repita o erro com outro nome, outro time e outro orçamento. E, quando documentado, acelera onboarding e reduz dependência de “memória oral” da organização.

Como isso conecta com IA operacional

Nos últimos meses, a MATH tem insistido em uma tese: IA em produção exige método, governança e instrumentação. A fase de “testar por testar” já não sustenta escala.

O mesmo vale para custo e previsibilidade. Em IA generativa, tokens viram variável operacional, e esse custo nasce no desenho, não apenas na fatura.

Cultura é o que impede que a organização trate governança como discurso e descubra o risco tarde demais.

Se você quiser aprofundar esse eixo de operação, para ouvir como líderes lidam com dados, governança e decisão na prática o podcast DoTheMATH:

Cultura como laboratório significa uma escolha

É preciso trocar conforto por rastreabilidade, e opinião por método. Não porque isso “soa certo”, mas porque é isso que sustenta eficiência quando o sistema fica complexo, os modelos mudam e a pressão por resposta acelera.

No fim, ciência aplicada não é discurso. É o jeito como você decide quando ninguém está olhando.

MATH. Build the Beyond.