A inteligência artificial já encolheu o tamanho dos times de engenharia, mas não mudou quem decide o que será construído. Essa foi a leitura que atravessou o painel da Money Week 2026 dedicado ao tema.
O debate “Inteligência Artificial como alavanca de produtividade: quem está ganhando de verdade” reuniu Thomas Kamei, executive director da Morgan Stanley Investment Management, e Federico Sandler, responsável pelas áreas de capital markets e equity narrative. A mediação coube a Rodrigo Carlini, CTO da EQI Investimentos.
Quatro engenheiros no lugar de dez
Sandler abriu a discussão pela conta mais concreta que a tecnologia produziu até aqui: a comparação entre o tamanho das equipes antes e depois da adoção.
“Nas empresas em que atuo, vejo 4 engenheiros fazendo o trabalho de 10. Mas sempre quem decide as ideias são os humanos; a IA apenas escala. Hoje eu sou 20 vezes mais produtivo do que eu era, mas nunca mudei meu julgamento pessoal”, disse Federico Sandler.
A distinção que ele faz separa duas coisas que costumam ser tratadas como uma só no discurso corporativo. Velocidade de execução é um problema resolvido. Definição de rumo, não.
A próxima fronteira está no aprendizado em looping
Contudo, o estágio atual de uso das ferramentas não é o ponto de chegada. Sandler descreveu o que considera a etapa seguinte, na qual o modelo deixa de responder perguntas para investigar hipóteses por conta própria.
“A próxima onda de IA é o mundo da ‘coursiv learning’. É desenvolver a IA para criar uma estimativa de futuro, um ‘Claude code para finanças’. Prepará-la para explorar dados, fazer backtests e realizar isso em looping. É ir além de usar IA. Nossa ideia é criar uma IA que fique melhor nisso e em looping. É nisso que nossos melhores engenheiros estão trabalhando”, afirmou Sandler.
O desenho que ele descreve muda a natureza do trabalho de análise. Em vez de o analista pedir um cálculo, o sistema testa cenários repetidamente e devolve o que sobreviveu ao teste.
Errar sai caro, não errar sai mais caro
Esse tipo de arquitetura, no entanto, depende de uma cultura interna que tolere o resultado ruim. Sandler recorreu à experiência do Mercado Livre para explicar por que a maioria das companhias trava nesse ponto.
“As empresas precisam aceitar o fracasso. No Mercado Livre, a gente lança uma ideia primeiro para só depois ajustá-la. Com isso, já tivemos ações que nos custaram uma fortuna, mas trouxeram muito mais receita”, observou Sandler.
A conta que ele apresenta é assimétrica por definição. O prejuízo de uma tentativa malsucedida é conhecido e limitado, enquanto o retorno de uma que funciona não tem teto previsível.
O erro de tratar a IA como buscador
Kamei levou a conversa para o lado de quem usa a ferramenta no dia a dia. Para ele, boa parte da frustração com os modelos vem de uma expectativa mal calibrada sobre o que eles fazem.
“Muita gente trata ChatGPT, Claude e outras IAs como Google, mas esse não é o jeito certo. Você tem que tratá-lo como um estagiário extremamente dedicado”, apontou Thomas Kamei.
A comparação carrega uma exigência prática. Estagiário precisa de contexto, de instrução detalhada e de revisão do que entregou, três etapas que ninguém cumpre ao digitar uma busca.
O filtro de quem investe no tema
Do lado da gestão de recursos, a pergunta muda. Não se trata de quem usa a tecnologia, e sim de quem consegue transformá-la em vantagem competitiva sustentável em mercados diferentes entre si.
“Como investidores, a gente busca empresas que sejam adaptáveis em todos os lugares do mundo. Se a gente encontra essas empresas antes das pessoas entendê-las, é aí que a gente bate o mercado”, disse Kamei.
Os dois lados do painel convergem nesse ponto. A tecnologia está disponível para qualquer companhia, portanto o retorno não vem da ferramenta em si, mas da decisão sobre onde apontá-la e da disposição de sustentar essa escolha quando ela não funciona de primeira.
