IA em produção, com o rigor que ela exige.
IA preditiva, generativa e de visão computacional: da previsão de demanda e de fraude a assistentes que respondem citando a fonte e à leitura de documentos em escala. Levamos a sua iniciativa da ideia ou da prova de conceito (PoC) até a produção e a mantemos funcionando: no pico de tráfego, na atualização da base, diante do usuário mal-intencionado e com a fatura do fim do mês sob controle.
Três frentes de IA
IA Preditiva
Antecipar demanda, risco, fraude e falha de equipamento, e otimizar preços, em vez de reagir. Comparamos o modelo a uma referência simples (baseline), validamos treinando com o passado e testando num período posterior (validação temporal) e ligamos cada previsão a uma decisão de negócio definida no projeto.
IA Generativa
Agentes (assistentes que conversam e executam tarefas), respostas geradas a partir de busca nos documentos do cliente (RAG) e automações que exigem leitura e decisão, como triagem de documentos e extração de dados de contratos e laudos. Base de conhecimento curada, escopo delimitado, custo e qualidade registrados a cada requisição (telemetria) e desligamento em segundos (kill switch). No RAG, a citação de fonte é obrigatória: sem fonte, sem resposta.
Visão Computacional
Inspeção de qualidade na linha de produção, busca por imagem e leitura estruturada de documentos (OCR). A métrica de acerto é combinada antes do modelo, pesando o custo de deixar passar um defeito contra o de barrar uma peça boa, e uma pessoa assume os casos duvidosos. Biometria passa por avaliação jurídica e de LGPD antes de qualquer proposta.
Por onde começar
Com uma ideia
Ainda sem prova de conceito? A primeira conversa decide se IA é a ferramenta certa para o problema. Quando uma regra simples resolve melhor, dizemos isso.
Com uma PoC parada
Partimos do que funciona e montamos o que a produção exige, a começar pelos testes de comportamento (eval) que ela não teve.
Com um sistema no ar
Custo ou qualidade fora do esperado? A primeira conversa localiza a causa, e o trabalho parte dali.
Em qualquer caso, entregamos a primeira versão em produção e, à sua escolha, transferimos a operação ao seu time, com treinamento, ou seguimos operando junto.
Como levamos a IA à produção
Critério de pronto antes de construir
O que conta como pronto é definido no primeiro dia, com uma forma de medir para cada frente: para o agente, um conjunto de casos de teste de comportamento; para o modelo preditivo, uma referência e validação temporal; para a visão, a métrica de acerto combinada antes.
Supervisão humana onde o erro custa caro
O desenho define, em cada frente, onde entra uma pessoa: nas automações, uma fila de exceções para o que o modelo marca como incerto e revisão por amostragem, mais intensa onde o risco é maior; na visão, os casos duvidosos vão para uma pessoa; na preditiva em contexto regulado, explicabilidade como requisito.
Controles no próprio sistema
Privacidade desde a concepção e, onde há chamadas em tempo real, limite de requisições e corte automático das chamadas a um serviço que está falhando (circuit breaker); nos agentes, também consentimento para registrar as conversas, exclusão a pedido e barreiras de escopo (guardrails). A referência é a LGPD, com o NIST AI RMF como roteiro, e o desenho prevê um caminho sem a IA (formulário, fila humana) se ela cair.
Operação contínua
Em produção, cada frente tem o seu acompanhamento: nos modelos preditivos e de visão, as mudanças nos dados que degradam o modelo (drift), com gatilho de retreino nos preditivos; nos agentes, a revisão periódica das conversas, que alimenta a base de conhecimento e os testes de comportamento. Em todas, custo e qualidade num painel e testes repetidos a cada mudança.
Modelos em produção antes dos LLMs
A partir de 2018, antes dos grandes modelos de linguagem (LLMs), a Kazap já colocava IA em produção, com clientes sob acordo de confidencialidade (NDA).
Na visão computacional, a vistoria digital de smartphones que detecta fraude na contratação de um seguro e virou produto de uma spin-off. Em documentos, extração estruturada em escala (OCR). Em risco, classificadores de fraude e modelos de precificação por regressão. E interfaces conversacionais, que interpretam o texto escrito pelas pessoas (processamento de linguagem natural).
Desde então, é prática da casa colocar em produção componentes probabilísticos, que acertam na maior parte das vezes mas podem errar, com critério de pronto, medição contínua e governança. Os LLMs entraram como mais uma ferramenta da IA generativa, que hoje roda em produção em 3 clientes de saúde, sob NDA; num deles, um assistente clínico com RAG e citação obrigatória de fonte.
Como medimos um agente em produção
São os mesmos controles que montamos num projeto de IA: comportamento testado antes de ir ao ar, custo por resposta acompanhado e engenharia de custo desde o desenho.
No agente deste site, você confere ao vivo pela telemetria pública de custo e latência (Modo Bastidores).
Perguntas frequentes
Já temos uma PoC interna. Vocês assumem daqui?
Sim. Aproveitamos o que funciona e refazemos o que a produção exige: os testes de comportamento que ela ainda não tem, proteções, telemetria, controle de custo e um plano B para quando o modelo falhar.
E se o nosso problema não precisar de IA?
Dizemos isso na primeira conversa. Se uma regra determinística resolve, ela é melhor: mais barata, auditável e previsível. IA entra quando há linguagem natural, julgamento sobre conteúdo não estruturado ou variabilidade que regras não cobrem.
Por que não fazer internamente?
A longo prazo, recomendamos internalizar. Testes de comportamento, engenharia de custo, proteções e governança são disciplinas que um time costuma aprender errando em produção. O formato que mais funciona: a Kazap entrega a primeira versão em produção e transfere a operação com treinamento (Squad Amplificada · Formação), e o sistema e o conhecimento para operá-lo ficam com a sua empresa.
Como vocês medem um modelo preditivo ou de visão?
Com um conjunto de validação rotulado e revisado e a métrica combinada antes de ir ao ar: quanto dos alertas estava certo e quanto dos casos reais foi pego (precisão e revocação), por classe, ou o tamanho médio do erro (erro absoluto médio), conforme o caso. Nos preditivos, o teste é feito num período posterior ao treino (validação temporal), e em produção acompanhamos o drift.
Como tratam LGPD em agentes conversacionais?
Com consentimento explícito para registrar as conversas, anonimização nos registros, exclusão a pedido do titular feita pelo próprio sistema e o mínimo de dados enviado ao modelo. A conformidade entra no projeto desde o início.
Vocês seguem algum framework de governança de IA?
Sim. Partimos da LGPD e usamos o NIST AI RMF como roteiro, aplicado como abordagem de engenharia: cada etapa (governar, mapear, medir, gerenciar) vira um controle que dá para verificar. Não emitimos certificação.
Qual modelo vocês usam?
A arquitetura isola o provedor: trocar de modelo é uma questão de configuração, sem reescrever o sistema, e o modelo que respondeu cada mensagem aparece no Modo Bastidores. A escolha considera o quanto o modelo segue instruções, a segurança e o custo, e qualquer troca passa pelos testes de comportamento antes de valer.