Projetos reais,
impacto real

A Casa Castilho Engenharia processa centenas de laudos de segurança contra incêndio CLCB e AVCB para o Corpo de Bombeiros de São Paulo a cada ano — um fluxo de trabalho que exige profunda interpretação regulatória, análise de desenhos arquitetônicos em múltiplos formatos técnicos e montagem meticulosa de dossiês de conformidade para submissão governamental. Cada laudo carrega peso legal: erros ou omissões podem significar atrasos em projetos, multas ou riscos de segurança. À medida que a base de clientes da empresa crescia, o processo totalmente manual atingiu seu limite — entregas lentas, qualidade inconsistente entre membros da equipe e nenhum caminho escalável sem multiplicar o quadro de funcionários.

Comecei passando semanas imerso nos fluxos de trabalho da Casa Castilho — sentando com a equipe, entendendo cada ponto de decisão no processo de certificação, aprendendo as nuances regulatórias que nenhuma especificação técnica capturaria. Essa imersão moldou cada escolha arquitetônica que se seguiu.

A camada de inteligência do sistema combina múltiplas capacidades de IA: reconhecimento óptico de caracteres para documentos digitalizados, parsers especializados para arquivos arquitetônicos DWG/DXF e modelos de informação de construção IFC, e um pipeline de retrieval-augmented generation (RAG) que permite à equipe consultar as regulamentações de incêndio de São Paulo em linguagem natural — transformando centenas de páginas de Instruções Técnicas em uma base de conhecimento interativa.

O que torna o sistema confiável para trabalho regulatório é o motor de regras determinístico por baixo. Enquanto a IA lida com extração e interpretação, as verificações de conformidade passam por conjuntos de regras codificadas que encapsulam os requisitos exatos de cada regulamentação aplicável. Cada decisão é rastreável — qual regra foi aplicada, qual versão, contra qual entrada — criando uma trilha de auditoria completa.

Uma camada de orquestração customizada coordena todo o pipeline de IA: desde a análise de documentos passando por validação, análise de lacunas, geração de dossiês e submissão automatizada ao portal Via Fácil Bombeiros do governo via RPA. O sistema até monitora o portal para mudanças de interface que poderiam quebrar a automação — um detalhe pragmático que reflete como sistemas de IA em produção precisam ser resilientes, não apenas funcionais.

Uma empresa de geração de leads de seguros em rápido crescimento gerenciava uma operação de alto volume abrangendo múltiplos canais de compra de mídia, feeds agregados de leads, campanhas próprias e aquisição programática — com uma equipe distribuída em três países. O ciclo de vida dos leads dependia de uma constelação de plataformas para distribuição, roteamento de chamadas, analytics, validação, detecção de fraude e scoring de intenção.

A empresa tinha uma oportunidade clara de usar IA para scoring de leads mais inteligente, previsão de qualidade e otimização de roteamento — mas operava em um ambiente regulatório onde o tratamento de dados do consumidor não é apenas uma checkbox de compliance, é um risco existencial. Precisavam de uma estratégia de IA que pudesse entregar vantagem competitiva real sem que nenhum dado do consumidor saísse de sua infraestrutura.

Antes de tocar em qualquer decisão tecnológica, dediquei tempo para entender o negócio de dentro para fora — a economia de um lead, a estrutura de margem em cada handoff, a exposição regulatória em cada ponto de dados. Esse contexto se mostrou tão importante quanto o design técnico.

Mapeei o ciclo de vida completo do lead e auditei mais de doze pontos de integração para entender fluxos de dados, sinais de qualidade e lógica de decisão em cada etapa.

A decisão arquitetônica definidora foi construir inteiramente on-premise. Projetei e especifiquei hardware customizado para inferência local de large language models — máquinas construídas sob medida, otimizadas para as arquiteturas de modelo e cargas de trabalho específicas que o negócio exige. Não é uma abordagem genérica de "rodar IA localmente"; é engenharia de infraestrutura ajustada para throughput de produção, requisitos de latência e eficiência de custo para o caso de uso específico.

O roadmap de IA cobre três áreas principais de capacidade: modelos preditivos de scoring de leads treinados em dados proprietários de conversão, pipelines automatizados de garantia de qualidade que detectam problemas antes dos leads chegarem aos compradores, e roteamento inteligente de chamadas que otimiza a qualidade do match em tempo real. Tudo projetado para rodar dentro de suas próprias paredes — sem APIs de IA na nuvem, sem dados saindo do prédio.

A Endeavor Brazil está no centro do ecossistema de empreendedorismo mais influente da América Latina — conduzindo mais de vinte programas de aceleração anualmente, cultivando relacionamentos com centenas de fundadores de alto crescimento e mentores C-level, e conectando-os através de uma rede que moldou algumas das empresas mais significativas da região. Ao longo de doze anos, a organização acumulou um corpo extraordinário de conhecimento institucional: notas detalhadas de reuniões com fundadores, feedback de mentores, avaliações de programas, análises estratégicas e inteligência de ecossistema em todos os principais setores.

Mas esse conhecimento estava preso — espalhado em bancos de dados, documentos e na memória de membros da equipe com longo tempo de casa. Quando um diretor de programa precisava de insights sobre a trajetória de um fundador, ou um mentor queria contexto sobre os desafios de uma empresa do portfólio, a resposta exigia busca manual ou saber a quem perguntar. A Endeavor estava sentada sobre um dos datasets empreendedores mais ricos da América Latina e não tinha como aproveitá-lo em escala.

Mergulhei no mundo da Endeavor — entendendo não apenas as estruturas de dados mas os relacionamentos, a dinâmica dos programas, a forma como o conhecimento institucional realmente flui (e se perde) em uma organização em rede. Essa profundidade de entendimento moldou um sistema projetado para como as pessoas realmente trabalham, não como um documento de especificação imagina que trabalhem.

Esta foi uma das primeiras implementações práticas de retrieval-augmented generation (RAG) no mercado brasileiro — construída em um momento em que a tecnologia ainda estava emergindo e os playbooks ainda não tinham sido escritos. Tendo sido um testador do programa beta fechado da OpenAI desde 2020, trouxe tanto familiaridade profunda com as capacidades dos modelos quanto o julgamento prático para saber onde a IA entregaria valor real versus onde decepcionaria.

Doze anos de notas de reuniões, interações com fundadores, feedback de mentores e registros de programas foram processados em uma camada de conhecimento unificada — indexada, estruturada semanticamente e acessível por meio de consultas em linguagem natural. O resultado é um assistente de IA que permite que qualquer pessoa na organização acesse mais de uma década de insights acumulados tão naturalmente quanto perguntar a um colega. Um diretor de programa se preparando para uma reunião com fundador pode encontrar cada interação anterior, recomendação e nota estratégica em segundos. Um mentor pode entender o histórico completo de uma empresa com a Endeavor antes de entrar em uma sala. A liderança pode identificar padrões entre coortes, setores e programas que levariam semanas para pesquisar manualmente.

O sistema transforma conhecimento institucional de um arquivo estático em uma camada de inteligência viva e consultável — e prova que as aplicações mais poderosas de IA nem sempre são sobre gerar novo conteúdo, mas sobre tornar o conhecimento existente acessível e acionável.