Introdução: O Poder dos Sistemas de Recomendação na Era da IA

Os sistemas de recomendação tornaram-se o motor invisível que impulsiona grande parte da economia digital. Quando você recebe sugestões de produtos na Amazon, filmes na Netflix, músicas no Spotify ou conexões profissionais no LinkedIn, algoritmos sofisticados de inteligência artificial estão trabalhando nos bastidores para prever suas preferências. Os números são impressionantes: 35% de toda a receita da Amazon vem de recomendações personalizadas, segundo dados reportados pela empresa, enquanto o sistema de recomendação da Netflix economiza cerca de US$ 1 bilhão por ano em retenção de assinantes.

O mercado de motores de recomendação baseados em IA deve atingir US$ 12 bilhões até 2028, impulsionado pela adoção massiva de técnicas de deep learning que melhoram a acurácia das recomendações em até 40% em comparação com métodos tradicionais. Empresas que implementam sistemas de recomendação eficazes reportam um aumento médio de 10-30% na receita, tornando esses sistemas um dos investimentos em IA com melhor retorno documentado.

Neste artigo, vamos explorar em profundidade como os sistemas de recomendação funcionam, quais são as principais abordagens técnicas, como implementar do zero, os custos envolvidos e os desafios mais comuns — incluindo o temido problema de cold start, que afeta 60% das novas implementações. Seja você um executivo avaliando o investimento ou um engenheiro planejando a arquitetura, este guia oferece o conhecimento necessário para tomar decisões informadas.

O Que São Sistemas de Recomendação e Por Que Importam

Definição e conceitos fundamentais

Um sistema de recomendação é um algoritmo ou conjunto de algoritmos que filtra informações para prever a preferência ou interesse de um usuário por um item. Itens podem ser produtos, conteúdos, serviços, pessoas ou qualquer entidade que possa ser recomendada. O objetivo fundamental é resolver o problema de sobrecarga de informação: em um catálogo com milhões de opções, como apresentar ao usuário exatamente aquilo que ele tem maior probabilidade de querer?

Os sistemas de recomendação operam com base em três tipos de dados: (1) dados explícitos — avaliações, ratings, likes e reviews fornecidos conscientemente pelo usuário; (2) dados implícitos — comportamentos observados como cliques, tempo de visualização, compras, buscas e navegação; e (3) dados contextuais — informações sobre o contexto da interação, como horário, localização, dispositivo utilizado e sessão de navegação.

Impacto nos negócios: números que comprovam

O impacto econômico dos sistemas de recomendação é significativo e bem documentado em diversos setores. A tabela abaixo resume os principais indicadores de impacto por indústria:

Esses números demonstram que sistemas de recomendação não são apenas uma funcionalidade “nice to have”, mas um componente estratégico que impacta diretamente métricas de negócio fundamentais como receita, retenção, engajamento e satisfação do cliente.

Abordagens Técnicas: Como Funcionam os Sistemas de Recomendação

Filtragem colaborativa (Collaborative Filtering)

A filtragem colaborativa é a abordagem mais clássica e amplamente utilizada em sistemas de recomendação. O princípio fundamental é simples: se dois usuários concordaram no passado (avaliaram os mesmos itens de forma similar), é provável que concordem no futuro. Existem duas variantes principais:

User-based collaborative filtering: encontra usuários similares ao usuário-alvo e recomenda itens que esses usuários similares consumiram. Por exemplo, se os usuários A e B compraram os mesmos 5 livros e avaliaram de forma similar, quando o usuário A comprar um 6º livro, ele será recomendado ao usuário B. A similaridade entre usuários é calculada usando métricas como correlação de Pearson, similaridade cosseno ou distância euclidiana.

Item-based collaborative filtering: em vez de encontrar usuários similares, encontra itens similares. Se muitos usuários que compraram o produto X também compraram o produto Y, então X e Y são considerados similares. Quando um usuário compra X, Y é recomendado. Essa abordagem foi popularizada pela Amazon e tende a ser mais eficiente computacionalmente e mais estável ao longo do tempo, pois as relações entre itens mudam menos do que os perfis de usuário.

As principais limitações da filtragem colaborativa incluem o problema de cold start (não funciona para novos usuários ou novos itens sem histórico), escalabilidade (a matriz de interações user-item pode ser gigantesca) e esparsidade (tipicamente, cada usuário interage com menos de 1% do catálogo total).

Filtragem baseada em conteúdo (Content-Based Filtering)

A filtragem baseada em conteúdo recomenda itens similares àqueles que o usuário já demonstrou interesse, com base nas características dos itens. Por exemplo, se um usuário assistiu vários filmes de ficção científica com elenco específico, o sistema recomendará outros filmes com características similares (gênero, diretor, atores, temática).

Para funcionar, essa abordagem requer uma representação estruturada dos itens (features). Em e-commerce, as features podem incluir categoria, marca, faixa de preço, material e descrição. Em streaming de conteúdo, podem incluir gênero, diretor, elenco, tags e metadados. O perfil do usuário é construído a partir das features dos itens com os quais ele interagiu, e a recomendação consiste em encontrar itens cujas features mais se aproximam do perfil do usuário.

A principal vantagem da filtragem baseada em conteúdo é a independência de outros usuários — ela funciona mesmo com apenas um usuário no sistema, eliminando o problema de cold start para novos itens (desde que tenham metadata). A desvantagem é a tendência ao “filtro bolha”: o sistema recomenda sempre mais do mesmo, sem capacidade de surpreender o usuário com itens de categorias diferentes.

Sistemas híbridos

Na prática, os sistemas de recomendação mais eficazes combinam múltiplas abordagens em arquiteturas híbridas. Os métodos de hibridização incluem: weighted (combina scores de múltiplos algoritmos com pesos), switching (seleciona o algoritmo com base no contexto), mixed (apresenta recomendações de diferentes algoritmos lado a lado), cascade (um algoritmo refina os resultados de outro) e feature augmentation (um algoritmo gera features que alimentam outro).

A Netflix, por exemplo, utiliza um sistema híbrido sofisticado que combina collaborative filtering, content-based filtering, deep learning e contextual bandits. O YouTube usa uma arquitetura de dois estágios: um modelo de candidatos (que gera centenas de opções a partir de bilhões) e um modelo de ranking (que ordena os candidatos por probabilidade de engajamento).

Deep Learning para recomendação

O deep learning revolucionou os sistemas de recomendação nos últimos anos, oferecendo melhorias de acurácia de até 40% em comparação com métodos tradicionais. As principais arquiteturas de deep learning para recomendação incluem:

Neural Collaborative Filtering (NCF): substitui o produto interno tradicional da filtragem colaborativa por uma rede neural profunda, capturando interações não-lineares entre usuários e itens. O modelo aprende embeddings densos para usuários e itens, que são então combinados por camadas fully connected.

Autoencoders: usados para aprender representações latentes de preferências de usuários. Variational Autoencoders (VAE) são particularmente populares por sua capacidade de gerar recomendações diversificadas e lidar com dados esparsos.

Transformers: a arquitetura que revolucionou o NLP está sendo adaptada para recomendação com modelos como BERT4Rec e SASRec, que modelam sequências de interações do usuário como uma “linguagem” de comportamento. Esses modelos capturam padrões temporais complexos e dependências de longo prazo.

Graph Neural Networks (GNN): modelam o grafo bipartido de interações user-item, capturando relações de alta ordem entre usuários e itens. PinSage (Pinterest) e LightGCN são exemplos de GNNs para recomendação com resultados estado da arte.

Reinforcement Learning: modela a recomendação como um problema de decisão sequencial, onde o sistema aprende a otimizar recompensas de longo prazo (engajamento, satisfação, receita) em vez de métricas de curto prazo. Essa abordagem é particularmente promissora para evitar “filter bubbles” e otimizar o valor lifetime do usuário.

Comparativo de abordagens técnicas

O Problema do Cold Start: O Maior Desafio da Implementação

Entendendo o cold start

O cold start é o problema que afeta 60% das novas implementações de sistemas de recomendação, segundo pesquisas do setor. Ele se manifesta em três variantes: new user cold start (não há dados sobre as preferências de um novo usuário), new item cold start (um novo item não tem interações para basear recomendações) e system cold start (um sistema novo não tem dados suficientes para funcionar).

O cold start é particularmente crítico porque afeta justamente os momentos mais importantes da jornada do usuário: a primeira interação com a plataforma. Se um novo usuário recebe recomendações irrelevantes nos primeiros minutos, a probabilidade de abandono aumenta drasticamente. Estudos mostram que a qualidade das recomendações na primeira sessão impacta em até 40% a taxa de retenção nos primeiros 30 dias.

Estratégias para resolver o cold start

Diversas estratégias podem mitigar o problema de cold start:

Onboarding interativo: solicitar preferências explícitas durante o cadastro. O Spotify pergunta quais artistas o usuário gosta; a Netflix pede para avaliar alguns filmes. Esse approach coleta dados explícitos suficientes para gerar recomendações iniciais razoáveis, tipicamente com 5-10 itens avaliados.

Recomendações baseadas em popularidade: para novos usuários, exibir os itens mais populares globalmente ou segmentados por demografia (região, idade, gênero). Embora genéricas, essas recomendações são melhores do que resultados aleatórios e servem como baseline até que dados comportamentais sejam coletados.

Content-based como fallback: para novos itens, utilizar suas características (metadata) para encontrar itens similares já estabelecidos e herdar suas recomendações. Um novo filme de ação com determinado ator pode ser recomendado para usuários que gostaram de filmes similares.

Transfer learning: aproveitar dados de outras plataformas ou domínios para inicializar o modelo. Login social (Google, Facebook) pode fornecer sinais demográficos e de interesse. Dados de navegação pré-cadastro (páginas visitadas, tempo em cada seção) são sinais implícitos valiosos.

Bandits e exploração ativa: algoritmos de multi-armed bandits exploram ativamente diferentes recomendações para coletar dados sobre as preferências do usuário de forma eficiente, balanceando exploitation (recomendar o que parece bom) com exploration (testar novas opções para aprender mais).

Arquitetura de um Sistema de Recomendação em Produção

Componentes essenciais

Um sistema de recomendação em produção é significativamente mais complexo do que um modelo treinado em Jupyter Notebook. Os componentes essenciais incluem:

Data Pipeline: coleta, processa e armazena eventos de interação em tempo real (cliques, views, compras, ratings) e em batch (dados históricos). Tecnologias comuns: Apache Kafka para streaming, Apache Spark para batch processing, e data lakes em S3 ou GCS para armazenamento.

Feature Store: repositório centralizado de features computadas para usuários e itens, disponíveis tanto para treinamento (offline) quanto para inferência (online). Ferramentas como Feast, Tecton ou Hopsworks gerenciam o ciclo de vida das features, garantindo consistência entre treinamento e serving.

Training Pipeline: treina e retraina modelos periodicamente (tipicamente diariamente ou semanalmente) com os dados mais recentes. Inclui validação automática, comparação com baseline e promoção de modelos apenas quando superam a versão em produção.

Serving Layer: serve recomendações em tempo real com latência tipicamente inferior a 100ms. Pode incluir um estágio de candidate generation (filtra centenas de candidatos de milhões) e um estágio de ranking (ordena os candidatos). Caching é essencial para performance.

A/B Testing Framework: permite testar diferentes algoritmos e configurações com tráfego real, medindo métricas de negócio (CTR, conversão, receita) com significância estatística. Fundamental para evolução contínua do sistema.

Infraestrutura e custos de operação

Os custos de infraestrutura de um sistema de recomendação variam enormemente conforme a escala. A tabela abaixo apresenta estimativas para diferentes portes de operação:

Para empresas menores, soluções managed como Amazon Personalize, Google Recommendations AI ou Recombee podem reduzir significativamente os custos iniciais e a complexidade operacional, embora com menos flexibilidade e controle sobre os algoritmos.

Implementação Passo a Passo: Do Zero ao Primeiro MVP

Fase 1: Definição de objetivos e métricas (semanas 1-2)

Antes de qualquer linha de código, é fundamental definir claramente os objetivos de negócio do sistema de recomendação. Quais métricas de negócio queremos impactar? CTR, conversão, tempo na plataforma, receita, retenção? Qual o impacto esperado? Como mediremos o sucesso? Essas definições guiam todas as decisões técnicas subsequentes.

Métricas offline comuns incluem: Precision@K, Recall@K, NDCG (Normalized Discounted Cumulative Gain), MRR (Mean Reciprocal Rank) e cobertura do catálogo. Métricas online incluem: CTR (Click-Through Rate), taxa de conversão, receita por sessão, diversidade das recomendações e satisfação do usuário (via surveys ou NPS).

Fase 2: Coleta e preparação de dados (semanas 2-4)

A qualidade do sistema de recomendação depende fundamentalmente da qualidade dos dados. Os dados essenciais incluem: interações user-item (com timestamp), atributos de usuários (demográficos, preferências declaradas), atributos de itens (categorias, preços, descrições, imagens) e dados contextuais (dispositivo, localização, hora do dia).

A preparação dos dados envolve: limpeza (remoção de bots, outliers e interações inválidas), engenharia de features (cálculo de agregados como frequência de compra, ticket médio, preferências por categoria), split temporal para treino/validação/teste (nunca usar split aleatório em dados temporais!) e análise exploratória para entender padrões de interação e esparsidade da matriz user-item.

Fase 3: Prototipação e baseline (semanas 4-6)

Comece com um baseline simples antes de investir em modelos complexos. Um baseline robusto pode ser: (1) itens mais populares (overall ou por segmento), (2) collaborative filtering simples com SVD ou ALS, (3) content-based filtering com TF-IDF ou embeddings pré-treinados. Treine e avalie offline usando as métricas definidas na Fase 1.

Frameworks recomendados para prototipagem rápida: Surprise (Python, CF puro), LightFM (Python, híbrido), Implicit (Python, dados implícitos), Cornac (Python, múltiplos algoritmos) e RecBole (Python, deep learning para recomendação). Para prototipagem rápida, o ciclo de treinar, avaliar e iterar deve ser de horas, não semanas.

Fase 4: Modelo avançado e otimização (semanas 6-10)

Com o baseline estabelecido, evolua para modelos mais sofisticados: sistemas híbridos combinando CF e content-based, modelos de deep learning como NCF ou transformers, incorporação de features contextuais. Utilize hyperparameter tuning automatizado (Optuna, Ray Tune) para otimizar a configuração dos modelos.

Avalie não apenas a acurácia, mas também a diversidade (o sistema recomenda variedade suficiente?), a novidade (recomenda itens que o usuário ainda não conhece?), a serendipidade (surpreende positivamente?) e a cobertura (que percentual do catálogo é efetivamente recomendado?). Um sistema com alta acurácia mas baixa diversidade pode criar filter bubbles que prejudicam a experiência de longo prazo.

Fase 5: Serving e A/B testing (semanas 10-14)

Implemente o serving layer com foco em latência (sub-100ms), disponibilidade (99.9%+) e escalabilidade. Configure A/B testing para comparar o novo modelo com o baseline (ou com a ausência de recomendações) em métricas de negócio reais. Um A/B test típico requer 2-4 semanas e pelo menos 10.000 usuários por variante para alcançar significância estatística.

Monitore métricas de sistema (latência, throughput, erros), métricas de modelo (distribuição de scores, coverage, feature drift) e métricas de negócio (CTR, conversão, receita). Implemente circuit breakers para degradação graceful: se o modelo falhar, o sistema deve automaticamente servir recomendações de fallback (populares, tendências).

Fase 6: Iteração e evolução contínua (ongoing)

Sistemas de recomendação nunca estão “prontos”. A evolução contínua inclui: retreinamento periódico dos modelos (diário ou semanal), experimentação constante com novos algoritmos e features, monitoramento de model decay (degradação de performance ao longo do tempo), incorporação de novos sinais de dados e otimização de infraestrutura para suportar crescimento.

Desafios Comuns e Como Superá-los

Esparsidade de dados

Na maioria dos sistemas, cada usuário interage com menos de 0,1% do catálogo total, resultando em matrizes de interação extremamente esparsas. Técnicas para lidar com esparsidade incluem: matrix factorization (SVD, ALS), embeddings densos aprendidos por deep learning, data augmentation (negative sampling, implicit feedback) e sistemas híbridos que complementam dados esparsos com informações de conteúdo.

Filter bubbles e diversidade

Sistemas de recomendação podem criar “bolhas de filtro” que limitam a exposição do usuário a conteúdo diversificado. Para combater isso, técnicas de diversificação como MMR (Maximal Marginal Relevance), DPP (Determinantal Point Processes) e exploration bonuses são incorporadas ao ranking. Métricas de diversidade (ILS — Intra-List Similarity, surprisal) devem ser monitoradas junto com métricas de acurácia.

Viés e fairness

Sistemas de recomendação podem amplificar vieses presentes nos dados: itens populares ficam mais populares (popularity bias), conteúdo de certos grupos é sub-representado (representation bias), e feedback loops reforçam padrões existentes. Técnicas de debiasing incluem: calibrated recommendations, inverse propensity scoring, counterfactual evaluation e auditoria regular de métricas de fairness por segmento demográfico.

Escalabilidade em tempo real

Servir recomendações em tempo real para milhões de usuários com latência sub-100ms é um desafio de engenharia significativo. Soluções incluem: approximate nearest neighbor search (FAISS, ScaNN, Annoy), caching inteligente com invalidação baseada em eventos, arquiteturas de two-stage (candidate generation + ranking), e pre-computation de recomendações para usuários mais ativos.

Privacidade e regulamentação

Com a LGPD no Brasil e o GDPR na Europa, sistemas de recomendação precisam respeitar requisitos de privacidade. Isso inclui: transparência sobre quais dados são coletados e como são usados, consentimento explícito para personalização, direito de opt-out, anonimização de dados de treinamento e explicabilidade das recomendações. Técnicas como federated learning e differential privacy permitem treinar modelos sem centralizar dados pessoais.

Ferramentas e Plataformas para Implementação em 2026

Soluções managed (baixa complexidade)

Para empresas que querem implementar recomendações sem construir infraestrutura própria, soluções managed oferecem o melhor equilíbrio entre rapidez e qualidade:

Frameworks open-source (alta flexibilidade)

Para equipes que preferem ou precisam de controle total, frameworks open-source oferecem flexibilidade máxima. Os mais relevantes em 2026 incluem: Merlin (NVIDIA, deep learning para recomendação em GPU), RecBole (framework unificado com 90+ algoritmos implementados), TensorFlow Recommenders (integrado ao ecossistema TF), LensKit (foco em pesquisa e educação) e Cornac (multimodal, comparativo de algoritmos).

Casos de Uso por Indústria

E-commerce e marketplace

No e-commerce, sistemas de recomendação aparecem em múltiplos touchpoints: página inicial (personalizada), página de produto (“quem viu também viu”), carrinho (“frequentemente comprados juntos”), e-mail marketing (produtos baseados no histórico), busca (re-ranking personalizado) e retargeting. O desafio específico é lidar com catálogos que mudam constantemente (sazonalidade, estoque, novos produtos).

Streaming de conteúdo

Plataformas de streaming utilizam recomendações em cada aspecto da experiência: catálogo personalizado, autoplay, criação de playlists/watchlists, notificações e até geração de thumbnails personalizadas (Netflix gera diferentes imagens de capa para o mesmo título, adaptadas ao perfil do usuário). O desafio é balancear engagement de curto prazo com satisfação de longo prazo.

Fintech e serviços financeiros

No setor financeiro, recomendações são usadas para sugerir produtos (cartões, investimentos, seguros), detectar oportunidades de cross-sell, personalizar ofertas de crédito e até otimizar o feed de notícias financeiras. A regulamentação é mais rígida, exigindo explicabilidade e documentação completa dos critérios de recomendação.

Saúde e educação

Na saúde, sistemas de recomendação auxiliam na personalização de tratamentos, sugestão de especialistas, recomendação de conteúdo educativo para pacientes e otimização de protocolos clínicos. Na educação, personalizam trilhas de aprendizagem, recomendam materiais complementares e adaptam a dificuldade do conteúdo ao nível do aluno. Ambos os setores exigem atenção especial a viés e fairness.

Métricas de Sucesso e ROI de Sistemas de Recomendação

Como calcular o ROI

O ROI de um sistema de recomendação pode ser calculado comparando métricas de negócio antes e depois da implementação, ou entre grupos com e sem recomendações (via A/B test). A fórmula básica é: ROI = (Receita Incremental – Custo do Sistema) / Custo do Sistema. Para um e-commerce com receita mensal de R$ 1 milhão, um aumento de 15% nas vendas via recomendações (R$ 150.000/mês) contra um custo mensal de R$ 30.000 (infra + equipe) resulta em ROI de 400%.

É importante medir não apenas o impacto direto (cliques em recomendações que levam a conversão), mas também o impacto indireto: aumento de tempo na plataforma, melhoria na satisfação do cliente, redução de churn e aumento do lifetime value. Estudos indicam que o impacto indireto pode ser 2-3x maior que o direto.

Benchmarks de performance por setor

Para avaliar se seu sistema de recomendação está performando bem, compare com benchmarks do setor: CTR de recomendações em e-commerce varia de 2-8% (acima de 5% é excelente), taxa de conversão de cliques em recomendações é tipicamente 2-3x maior que navegação orgânica, e o percentual de receita atribuído a recomendações em plataformas maduras fica entre 20-35%.

Perguntas Frequentes sobre Sistemas de Recomendação com IA

Quanto custa implementar um sistema de recomendação do zero?

O custo varia enormemente conforme a escala e complexidade. Para uma startup usando soluções managed (Amazon Personalize, Recombee), o investimento inicial é de R$ 20.000-50.000 em desenvolvimento e R$ 5.000-15.000/mês em operação. Para uma implementação custom com deep learning para uma empresa de médio porte, o investimento pode chegar a R$ 200.000-500.000 em desenvolvimento e R$ 30.000-100.000/mês em operação (equipe + infraestrutura). O ROI típico de 10-30% em receita adicional justifica o investimento na maioria dos casos.

Quanto tempo leva para ter um sistema de recomendação em produção?

Um MVP funcional com baseline simples pode ser colocado em produção em 6-8 semanas. Um sistema robusto com deep learning, A/B testing e infraestrutura de produção completa leva tipicamente 4-6 meses. A evolução e otimização são contínuas após o lançamento. Usar soluções managed pode reduzir o time-to-market em 50-70%.

Preciso de muitos dados para começar?

Um mínimo de 1.000-5.000 interações user-item é necessário para collaborative filtering básico. Para deep learning, o ideal é ter pelo menos 100.000+ interações. No entanto, é possível começar com abordagens content-based que requerem menos dados comportamentais, complementando com recomendações por popularidade enquanto dados são acumulados. O cold start afeta 60% das implementações, mas existem estratégias eficazes para mitigá-lo.

Sistemas de recomendação com IA funcionam para B2B?

Sim, embora com particularidades. Em B2B, os ciclos de decisão são mais longos, o número de usuários é menor e as decisões envolvem múltiplos stakeholders. Sistemas de recomendação B2B focam em recomendar conteúdo (whitepapers, webinars), produtos complementares (upsell/cross-sell de módulos de software), fornecedores e parceiros. A filtragem baseada em conteúdo tende a funcionar melhor que collaborative filtering em contextos B2B devido ao menor volume de dados.

Como evitar que o sistema de recomendação crie uma bolha de filtro?

Diversificação ativa é a chave. Técnicas incluem: reservar 10-20% das recomendações para exploração (itens fora do perfil usual), implementar métricas de diversidade (ILS, coverage) como critério de otimização junto com acurácia, usar multi-armed bandits para exploração controlada, e dar ao usuário controle explícito sobre suas preferências e a capacidade de “resetar” seu perfil.

Qual a diferença entre personalização e sistema de recomendação?

Sistema de recomendação é um componente técnico que sugere itens específicos. Personalização é uma estratégia mais ampla que inclui recomendações, mas também abrange personalização de interface, comunicação, preços, ofertas e experiência completa. Um sistema de recomendação é uma ferramenta fundamental dentro de uma estratégia de personalização, mas não é sinônimo dela.

Sobre a Mind Group

A Mind Group é uma software house brasileira especializada em desenvolvimento de soluções sob medida com inteligência artificial. Com experiência comprovada em projetos de IA aplicada, incluindo o LawrAI (plataforma de IA jurídica com mais de 20.000 usuários), a Mind Group possui expertise prática na implementação de sistemas de recomendação, processamento de linguagem natural, computer vision e outras aplicações de machine learning para empresas de diversos setores.

Se sua empresa busca implementar um sistema de recomendação personalizado ou qualquer solução envolvendo inteligência artificial, a Mind Group oferece desde a consultoria estratégica até a implementação completa em produção, com squads dedicados e metodologias ágeis. Nossa abordagem combina profundidade técnica com foco em resultados de negócio, garantindo que cada projeto gere impacto mensurável. 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 →