Introdução: Por Que Governança de IA Se Tornou Prioridade Estratégica em 2026

A inteligência artificial está sendo adotada em velocidade sem precedentes, mas a governança sobre seu uso ainda não acompanha o ritmo. De acordo com pesquisa do MIT Sloan Management Review, 78% das organizações que utilizam IA ainda não possuem um framework formal de governança, criando riscos significativos de viés, segurança, privacidade e responsabilidade legal. Esse cenário se torna ainda mais preocupante quando consideramos que o AI Incidents Database registra mais de 2.000 incidentes reportados envolvendo falhas, vieses e consequências não intencionais de sistemas de IA.

O ano de 2026 marca um ponto de inflexão na governança de IA global. O EU AI Act, cuja aplicação iniciou em 2025, está agora em plena vigência com multas que podem chegar a 35 milhões de euros ou 7% do faturamento global. O NIST AI Risk Management Framework (AI RMF) foi adotado por 40% das empresas americanas como referência de governança. No Brasil, a discussão do Marco Legal da IA ganha urgência, e empresas que se anteciparem estarão melhor posicionadas para operar em um ambiente regulatório cada vez mais rigoroso.

Os números não mentem sobre a importância do tema: o cargo de AI Governance Officer está crescendo 200% em demanda, e o mercado de IA responsável deve atingir US$ 16 bilhões até 2028. Neste artigo, vamos explorar os principais frameworks de governança de IA, os riscos que eles endereçam, e fornecer um guia prático para implementar governança de IA na sua organização — independente do porte ou maturidade em IA.

O Cenário Regulatório Global de IA em 2026

EU AI Act: a regulação mais abrangente do mundo

O EU AI Act é a legislação mais abrangente sobre inteligência artificial já criada, estabelecendo um framework regulatório baseado em risco que classifica os sistemas de IA em quatro categorias: risco inaceitável (proibidos), alto risco (regulados com rigor), risco limitado (requisitos de transparência) e risco mínimo (sem restrições especiais). A aplicação começou em fases a partir de 2025, com plena vigência de todas as disposições prevista para agosto de 2026.

Sistemas de IA classificados como alto risco — incluindo aqueles usados em recrutamento, scoring de crédito, saúde, educação, infraestrutura crítica e aplicação da lei — devem cumprir requisitos rigorosos: avaliação de conformidade antes do deployment, documentação técnica detalhada, sistemas de gestão de qualidade, monitoramento pós-mercado, registro de logs, supervisão humana, e transparência para os usuários afetados.

As penalidades são severas: até 35 milhões de euros ou 7% do faturamento global para violações envolvendo práticas proibidas, e até 15 milhões ou 3% para não conformidade com requisitos de alto risco. Empresas que operam na Europa ou atendem cidadãos europeus — mesmo sediadas fora da UE — estão sujeitas à regulação, similar ao alcance extraterritorial do GDPR.

NIST AI Risk Management Framework (AI RMF)

O NIST AI RMF, desenvolvido pelo National Institute of Standards and Technology dos Estados Unidos, é um framework voluntário que se tornou referência global para gestão de riscos de IA. Adotado por 40% das empresas americanas de grande porte, o framework é organizado em quatro funções principais:

GOVERN: estabelece políticas, processos e estruturas organizacionais para governança de IA. Inclui definição de papéis e responsabilidades, cultura organizacional, e engajamento de stakeholders.

MAP: identifica e documenta os contextos de uso da IA, incluindo propósito, stakeholders afetados, condições de operação, riscos potenciais e limitações conhecidas do sistema.

MEASURE: define e aplica métricas para avaliar riscos identificados, incluindo métricas de fairness, robustez, explicabilidade e segurança. Envolve testes, validação e monitoramento contínuo.

MANAGE: implementa controles para mitigar riscos medidos, incluindo processos de escalação, resposta a incidentes, e mecanismos de feedback contínuo para melhoria do sistema.

Regulação de IA no Brasil

O Brasil avança na discussão do seu marco regulatório de IA, com o PL 2338/2023 como principal proposta em tramitação. O projeto segue uma abordagem baseada em risco similar ao EU AI Act, mas com adaptações ao contexto brasileiro. Pontos-chave incluem: classificação de sistemas de IA por nível de risco, requisitos de transparência e explicabilidade, proteção de direitos fundamentais, e criação de uma autoridade supervisora.

Mesmo sem uma lei específica de IA em vigor, empresas brasileiras já estão sujeitas a regulações que impactam o uso de IA: a LGPD (proteção de dados pessoais, incluindo decisões automatizadas), o Código de Defesa do Consumidor (transparência em decisões que afetam consumidores), regulações setoriais do Banco Central (uso de IA em crédito e scoring) e normas da ANPD sobre decisões automatizadas.

Empresas que implementam governança de IA proativamente — alinhada aos frameworks internacionais — estarão significativamente melhor preparadas quando a legislação brasileira for aprovada, evitando custos de adaptação retroativa e riscos reputacionais.

Panorama regulatório global

Riscos de IA: O Que Pode Dar Errado

Viés algorítmico

O viés algorítmico é um dos riscos mais documentados e impactantes da IA. Pesquisas indicam que viés algorítmico é detectado em 25% dos sistemas de IA em produção, manifestando-se em decisões discriminatórias baseadas em raça, gênero, idade, localização geográfica ou condição socioeconômica. Exemplos notórios incluem sistemas de recrutamento que penalizavam candidatas mulheres, algoritmos de scoring de crédito que discriminavam minorias raciais, e sistemas de reconhecimento facial com taxas de erro 10-100x maiores para pessoas negras.

As fontes de viés incluem: dados de treinamento que refletem preconceitos históricos, variáveis proxy que codificam atributos protegidos (CEP como proxy para raça, por exemplo), desequilíbrio de representação nos dados, e métricas de otimização que favorecem certos grupos. O viés pode ser introduzido em qualquer etapa do pipeline de ML: coleta de dados, feature engineering, treinamento, avaliação e deployment.

Alucinação e confiabilidade

Modelos de IA generativa, incluindo LLMs como GPT-4, Claude e Gemini, são suscetíveis a “alucinações” — gerando informações factualmente incorretas apresentadas com alta confiança. Em aplicações críticas como saúde, jurídico e finanças, alucinações podem ter consequências graves: diagnósticos incorretos, citações de leis inexistentes ou recomendações financeiras baseadas em dados falsos.

Mitigações incluem: RAG (Retrieval-Augmented Generation) para ancorar respostas em fontes verificáveis, chain-of-thought prompting para melhorar raciocínio, verificação humana em decisões críticas (human-in-the-loop), calibração de confiança (confidence scoring) para sinalizar respostas com alta incerteza, e treinamento com feedback humano (RLHF) para reduzir a frequência de alucinações.

Privacidade e proteção de dados

Sistemas de IA frequentemente processam grandes volumes de dados pessoais, criando riscos de privacidade em múltiplas dimensões: memorização de dados de treinamento (LLMs podem reproduzir dados pessoais presentes no corpus de treinamento), inferência de atributos sensíveis (modelos podem inferir orientação sexual, condições de saúde ou opiniões políticas a partir de dados aparentemente inócuos), e re-identificação de dados anonimizados.

A LGPD e o GDPR impõem requisitos específicos para decisões automatizadas: direito à explicação, possibilidade de contestação, e revisão humana. Privacy-enhancing technologies (PETs) como differential privacy, federated learning, secure multi-party computation e homomorphic encryption oferecem soluções técnicas, mas sua adoção prática ainda é limitada pela complexidade de implementação.

Segurança e adversarial attacks

Sistemas de IA são vulneráveis a ataques adversariais — inputs cuidadosamente crafted que enganam o modelo sem serem perceptíveis a humanos. Exemplos incluem: perturbações imperceptíveis em imagens que alteram a classificação, prompt injection em LLMs que contorna guardrails, data poisoning que corrompe o treinamento, e model extraction que permite copiar modelos proprietários via API.

A segurança de IA (AI security) requer uma abordagem de defesa em profundidade: robustez adversarial (treinamento com exemplos adversariais), input validation (filtragem de inputs suspeitos), monitoring de anomalias em tempo real, red teaming regular (testes de invasão específicos para IA), e rate limiting para prevenir model extraction.

Riscos reputacionais e de confiança

Falhas de IA podem causar danos reputacionais significativos. Os mais de 2.000 incidentes documentados no AI Incidents Database demonstram a variedade de formas como a IA pode falhar publicamente: chatbots que produzem conteúdo ofensivo, sistemas de crédito discriminatórios expostos pela mídia, deepfakes usados para fraude, e decisões automatizadas que impactam negativamente clientes ou cidadãos.

A recuperação de credibilidade após um incidente de IA é difícil e custosa. Pesquisas mostram que 65% dos consumidores perdem confiança em uma empresa após um incidente de IA discriminatório, e que o custo de recuperação reputacional pode exceder 10x o investimento que teria sido necessário em governança preventiva.

Frameworks de Governança de IA: Guia Comparativo

Componentes essenciais de um framework de governança de IA

Independentemente do framework escolhido, toda governança de IA robusta deve incluir seis componentes essenciais:

1. Políticas e princípios: definição de princípios éticos (fairness, transparência, segurança, privacidade, accountability) e políticas que traduzem esses princípios em regras operacionais. Devem ser aprovados pela liderança executiva e comunicados a toda a organização.

2. Estrutura organizacional: definição de papéis e responsabilidades, incluindo o AI Governance Officer (ou comitê equivalente), responsáveis por domínio (dados, ética, segurança, legal) e ownership técnico por sistema de IA. A estrutura deve incluir linhas claras de escalação e prestação de contas.

3. Inventário e classificação de sistemas: catálogo completo de todos os sistemas de IA em uso ou desenvolvimento, classificados por nível de risco (baseado em impacto, autonomia, e sensibilidade dos dados). Esse inventário é pré-requisito para qualquer gestão de risco eficaz.

4. Avaliação de impacto e risco: processo formal de avaliação de impacto algorítmico (AIA — Algorithmic Impact Assessment) antes do deployment de cada sistema de IA, considerando riscos técnicos (viés, segurança, confiabilidade), riscos éticos (discriminação, autonomia, transparência) e riscos de negócio (reputação, compliance, financeiro).

5. Monitoramento e auditoria: monitoramento contínuo de sistemas em produção (performance, fairness, drift) e auditorias periódicas (internas e externas). Inclui processos de resposta a incidentes e mecanismos de feedback de usuários afetados.

6. Documentação e transparência: documentação completa do lifecycle de cada sistema de IA, incluindo: model cards, datasheets for datasets, decision logs, e relatórios de impacto. Transparência para stakeholders internos e externos sobre como e por que decisões de IA são tomadas.

Comparativo entre principais frameworks

ISO/IEC 42001: o padrão certificável para gestão de IA

A ISO/IEC 42001 é o primeiro padrão internacional certificável para sistemas de gestão de IA. Publicada em dezembro de 2023, ela estabelece requisitos para organizações que desenvolvem, fornecem ou utilizam sistemas de IA. A certificação demonstra conformidade com boas práticas internacionais e está se tornando um diferencial competitivo, especialmente em mercados regulados e contratos com grandes corporações.

A ISO/IEC 42001 segue a estrutura de alto nível (HLS) dos padrões de gestão ISO (como ISO 27001 para segurança da informação e ISO 9001 para qualidade), facilitando a integração com sistemas de gestão existentes. Os requisitos incluem: política de IA, objetivos de IA, avaliação de riscos e oportunidades, competência e conscientização, controles operacionais, avaliação de desempenho e melhoria contínua.

Como Implementar Governança de IA na Sua Empresa: Guia Prático

Fase 1: Diagnóstico e fundações (meses 1-2)

O primeiro passo é entender o estado atual da IA na organização. Conduza um inventário completo de todos os sistemas de IA em uso (incluindo ferramentas de terceiros como ChatGPT, plataformas de analytics com ML, etc.), classifique-os por nível de risco, e identifique gaps de governança. Simultaneamente, obtenha patrocínio da liderança executiva — governança de IA sem buy-in da C-suite é fadada ao fracasso.

Entregáveis desta fase: inventário de sistemas de IA, mapa de riscos preliminar, business case para governança, e aprovação executiva para o programa. Uma armadilha comum é tentar ser excessivamente abrangente nesta fase — comece com os sistemas de maior risco e expanda gradualmente.

Fase 2: Definição de políticas e estrutura (meses 2-4)

Defina os princípios éticos e políticas de IA da organização, adaptando frameworks internacionais ao contexto específico da empresa. Estabeleça a estrutura de governança: quem é responsável pelo quê, como decisões são tomadas, como incidentes são escalados, e quais comitês ou fóruns existem para supervisão.

Decisões-chave desta fase incluem: se a governança será centralizada (um comitê central) ou federada (cada unidade de negócio com autonomia sob diretrizes corporativas), quais sistemas exigem avaliação de impacto formal antes do deployment, e quais métricas de fairness e performance são obrigatórias. Documente tudo em políticas formais, aprovadas pela liderança e comunicadas a todos os stakeholders relevantes.

Fase 3: Implementação de processos e ferramentas (meses 4-8)

Implemente os processos operacionais: avaliação de impacto algorítmico (AIA) para novos projetos de IA, processos de revisão ética para casos complexos, monitoramento contínuo de sistemas em produção, resposta a incidentes, e mecanismos de feedback. Selecione e configure ferramentas de suporte:

Fase 4: Treinamento e cultura (meses 6-10)

Governança de IA não funciona sem pessoas engajadas e preparadas. Desenvolva programas de treinamento adaptados a diferentes públicos: liderança executiva (riscos estratégicos e regulatórios), gestores de produto (avaliação de impacto e ética), engenheiros de ML (técnicas de fairness, explicabilidade e segurança), e todos os colaboradores (conscientização sobre uso responsável de IA).

Fomente uma cultura de IA responsável onde questionar, reportar e escalar preocupações éticas seja encorajado, não penalizado. Estabeleça canais de comunicação seguros para reportar problemas, reconheça publicamente comportamentos exemplares de governança, e inclua métricas de IA responsável nos objetivos de performance das equipes.

Fase 5: Monitoramento, auditoria e melhoria contínua (ongoing)

Implemente monitoramento contínuo de todos os sistemas de IA classificados como médio ou alto risco, com dashboards que acompanhem métricas de performance, fairness, drift e segurança. Conduza auditorias internas semestrais e considere auditorias externas anuais para sistemas de alto risco. Mantenha um registro de incidentes e near-misses para aprendizado organizacional.

Revise e atualize as políticas de governança pelo menos anualmente, incorporando lições aprendidas, mudanças regulatórias e evolução tecnológica. A governança de IA é um processo vivo que deve acompanhar a velocidade de inovação da própria IA.

O Papel do AI Governance Officer

Perfil e responsabilidades

O cargo de AI Governance Officer (AIGO) está entre os que mais crescem no mercado de tecnologia, com crescimento de 200% na demanda por profissionais qualificados. O AIGO é responsável por liderar o programa de governança de IA da organização, reportando-se tipicamente ao CTO, CDO ou diretamente ao CEO.

As principais responsabilidades incluem: definição e atualização de políticas de IA, supervisão de avaliações de impacto algorítmico, gestão de riscos de IA, monitoramento de conformidade regulatória, coordenação de respostas a incidentes, treinamento e conscientização, e interlocução com reguladores e auditores externos.

O perfil ideal combina conhecimento técnico de IA/ML, experiência em gestão de riscos ou compliance, compreensão de ética e direitos humanos, e habilidades de comunicação para traduzir riscos técnicos em linguagem de negócio. Em organizações menores, essas responsabilidades podem ser distribuídas entre um comitê multidisciplinar em vez de concentradas em um único profissional.

Estrutura organizacional de governança de IA

Uma estrutura de governança eficaz tipicamente inclui três níveis: (1) nível estratégico — um comitê de IA com representantes da liderança executiva que define princípios, políticas e prioridades; (2) nível tático — o AIGO e equipe de governança que implementam e monitoram políticas; e (3) nível operacional — champions de IA responsável em cada equipe de desenvolvimento que garantem a aplicação das políticas no dia a dia.

Empresas como Microsoft, Google e IBM publicaram suas estruturas de governança de IA como referência. O modelo “hub and spoke” — um hub central de governança com spokes em cada unidade de negócio — é o mais comum em organizações de grande porte, oferecendo equilíbrio entre consistência corporativa e agilidade local.

Métricas e KPIs de Governança de IA

Métricas operacionais

Para monitorar a eficácia da governança de IA, as seguintes métricas operacionais são recomendadas: percentual de sistemas de IA com avaliação de impacto completa, percentual de sistemas com monitoramento contínuo ativo, tempo médio de resposta a incidentes de IA, número de incidentes reportados vs. detectados automaticamente, percentual de equipes com treinamento em IA responsável concluído, e número de auditorias realizadas vs. planejadas.

Métricas de fairness

Métricas de fairness são específicas para cada contexto, mas as mais utilizadas incluem: demographic parity (a taxa de resultado positivo é igual entre grupos demográficos), equalized odds (a taxa de verdadeiros positivos e falsos positivos é igual entre grupos), calibration (a probabilidade prevista corresponde à frequência real para cada grupo), e individual fairness (indivíduos similares recebem tratamento similar).

É importante notar que muitas definições de fairness são matematicamente incompatíveis — não é possível satisfazer todas simultaneamente. A escolha de quais métricas priorizar deve ser uma decisão deliberada, documentada e revisada periodicamente, levando em conta o contexto específico da aplicação e os valores da organização.

Governança de IA Generativa: Desafios Específicos

LLMs e IA generativa exigem governança adicional

A explosão da IA generativa (ChatGPT, Claude, Gemini, Midjourney, Stable Diffusion) trouxe desafios de governança que vão além dos frameworks tradicionais de ML. Questões específicas incluem: uso não autorizado de dados protegidos por copyright no treinamento, geração de desinformação (deepfakes, fake news), alucinação em aplicações críticas, vazamento de informações confidenciais via prompts, e o uso shadow AI (funcionários usando IA generativa sem autorização ou supervisão).

Para endereçar esses desafios, a governança de IA generativa deve incluir: política de uso aceitável (quais ferramentas são permitidas, para quais fins), guidelines de prompting (o que não incluir em prompts — dados pessoais, informações confidenciais, propriedade intelectual), processo de aprovação para integrar LLMs em produtos e processos, e monitoramento de uso com alertas para violações de política.

Políticas de uso de IA para colaboradores

Toda organização deve ter uma política clara sobre o uso de IA generativa por seus colaboradores. A política deve abordar: quais ferramentas são aprovadas (e quais são proibidas), em quais contextos podem ser usadas, quais dados nunca devem ser inseridos em ferramentas de IA externas, como outputs de IA devem ser verificados antes de uso, e quais são as consequências de violações.

Uma pesquisa de 2025 da Gartner revelou que 55% das empresas ainda não possuem uma política formal de uso de IA generativa, apesar de mais de 80% dos funcionários já usarem essas ferramentas de alguma forma. Essa lacuna cria riscos significativos de vazamento de dados, propriedade intelectual comprometida e decisões baseadas em informações incorretas.

Casos Reais: Lições de Incidentes de IA

Incidentes documentados e lições aprendidas

Os mais de 2.000 incidentes reportados no AI Incidents Database oferecem lições valiosas para quem implementa governança de IA. Padrões recorrentes incluem: sistemas de IA deployados sem testes adequados de fairness, falta de supervisão humana em decisões de alto impacto, dados de treinamento enviesados não identificados antes do deployment, e ausência de processos de resposta a incidentes.

Um caso emblemático é o de algoritmos de scoring de crédito que sistematicamente ofereciam condições piores para minorias raciais, mesmo sem usar raça como variável explícita — variáveis como CEP e histórico educacional atuavam como proxies. Outro exemplo são chatbots corporativos que geraram informações incorretas apresentadas como factuais, levando a decisões prejudiciais aos clientes.

A lição principal é que governança de IA não é um exercício teórico ou burocrático — é uma necessidade prática para evitar danos reais a pessoas e organizações. Cada incidente prevenido é um processo judicial evitado, uma crise reputacional contornada e um grupo de pessoas protegido de discriminação algorítmica.

Checklist de Implementação de Governança de IA

Para facilitar a implementação, compilamos um checklist prático organizado por prioridade:

Prioridade alta (implementar primeiro):

• Obter patrocínio da liderança executiva para o programa de governança
• Criar inventário completo de todos os sistemas de IA em uso
• Classificar sistemas por nível de risco (alto, médio, baixo)
• Definir e publicar política de uso aceitável de IA generativa
• Estabelecer processo de avaliação de impacto para novos projetos de IA de alto risco
• Nomear responsáveis por governança de IA (AIGO ou comitê)

Prioridade média (implementar em seguida):

• Desenvolver e aprovar princípios éticos e políticas de IA
• Implementar monitoramento contínuo para sistemas de alto risco
• Treinar equipes de desenvolvimento em fairness, explicabilidade e segurança
• Estabelecer processo de resposta a incidentes de IA
• Implementar documentação padronizada (model cards, datasheets)
• Conduzir avaliação de conformidade com regulações aplicáveis

Prioridade adicional (para maturidade avançada):

• Conduzir auditorias externas de sistemas de alto risco
• Implementar métricas automatizadas de fairness no pipeline de ML
• Buscar certificação ISO/IEC 42001
• Participar de iniciativas setoriais de IA responsável
• Publicar relatório de transparência sobre uso de IA

Perguntas Frequentes sobre Governança de IA

Por que minha empresa precisa de governança de IA se não desenvolvemos IA internamente?

Mesmo empresas que apenas utilizam ferramentas de IA de terceiros (ChatGPT, plataformas de analytics com ML, sistemas de RH com IA) precisam de governança. O uso dessas ferramentas envolve riscos de privacidade (dados inseridos em prompts), qualidade (decisões baseadas em outputs de IA não verificados), compliance (decisões automatizadas sob LGPD) e segurança (shadow AI). Uma política de uso aceitável e processos básicos de verificação são o mínimo necessário.

Quanto custa implementar um programa de governança de IA?

Para empresas de médio porte, um programa básico de governança pode ser implementado com investimento de R$ 200.000-500.000 no primeiro ano, incluindo consultoria, ferramentas e treinamento. Programas mais robustos para grandes corporações podem custar R$ 1-3 milhões. No entanto, o custo de não ter governança — medido em multas (até 7% do faturamento sob EU AI Act), processos judiciais e danos reputacionais — é tipicamente 10-50x maior.

Qual framework de governança de IA devo adotar?

A escolha depende do contexto. Para empresas que operam na Europa, o EU AI Act é obrigatório. O NIST AI RMF é uma excelente referência voluntária para qualquer organização, por sua abordagem holística e flexível. A ISO/IEC 42001 é ideal para quem busca certificação. Na prática, a maioria das empresas maduras adota uma combinação: NIST AI RMF como framework base, complementado por requisitos regulatórios específicos (EU AI Act, LGPD) e padrões técnicos (IEEE, ISO).

Governança de IA não vai desacelerar a inovação?

Quando bem implementada, a governança de IA acelera a inovação de forma sustentável. Processos claros de avaliação de risco reduzem o tempo de decisão sobre novos projetos. Frameworks de testes e monitoramento aumentam a confiança para deployar mais rapidamente. E a prevenção de incidentes evita as paralisações e revisões que invariavelmente seguem uma falha de IA. Empresas com governança madura reportam ciclos de deployment de IA 30% mais rápidos do que aquelas sem processos formais.

Como medir o ROI de governança de IA?

O ROI pode ser medido em termos de riscos evitados (multas, processos, danos reputacionais), eficiência operacional (redução do tempo de avaliação e aprovação de projetos de IA), e valor de marca (confiança do cliente, diferenciação competitiva). O mercado de IA responsável de US$ 16 bilhões até 2028 demonstra que investidores e clientes valorizam governança. Pesquisas indicam que 73% dos consumidores preferem empresas que demonstram uso responsável de IA.

Sobre a Mind Group

A Mind Group é uma software house brasileira especializada em desenvolvimento de soluções sob medida com integração de inteligência artificial. Com experiência prática em projetos de IA para empresas de diversos setores — incluindo o LawrAI, plataforma de IA jurídica com mais de 20.000 usuários —, a Mind Group compreende na prática os desafios de implementar IA de forma responsável, segura e em conformidade com regulações como a LGPD.

Se sua empresa precisa implementar soluções de IA com governança adequada, ou busca apoio para estruturar um programa de IA responsável, a Mind Group oferece consultoria estratégica e implementação técnica com foco em resultados de negócio e conformidade regulatória. Nossa abordagem combina profundidade técnica em ML/IA com conhecimento prático de gestão de riscos e compliance. Para saber mais, visite mindconsulting.com.br.

Escrito por José Gonçalves

CEO e fundador da Mind Group (fundada em 2016), software house brasileira sediada em Sorocaba/SP. Lidera o desenvolvimento de sistemas, aplicativos, IA e automações para clientes como Itaipu Binacional, Fisk, Lojas Torra, Febracis e Vertuz. Especialista em arquitetura de software, squads ágeis e integração de Inteligência Artificial em operações B2B.

LinkedIn →