Perguntas frequentes sobre Artificial Intelligence

Reunimos as dúvidas mais comuns que recebemos de gestores, diretores de TI e fundadores de startups. Se a sua pergunta não estiver aqui, escreva para nós.

Sobre custos e prazos

Depende do escopo. Um modelo preditivo simples, como previsão de demanda para uma única linha de produtos, começa em torno de R$ 35.000. Projetos mais complexos, que envolvem múltiplos modelos integrados, processamento de linguagem natural e integrações com sistemas legados, podem chegar a R$ 200.000.

Sempre trabalhamos com escopo fechado. Você recebe uma proposta detalhada com o valor total antes de assinar qualquer contrato. Não cobramos por hora nem adicionamos custos surpresa durante a execução.

Entre 8 e 14 semanas, da imersão inicial ao deploy. A variação depende principalmente da qualidade dos dados e da quantidade de integrações com sistemas existentes. Se os dados já estiverem limpos e acessíveis via API, o prazo tende a ficar mais perto das 8 semanas.

Projetos que exigem coleta de dados novos (por exemplo, instalar sensores IoT em uma linha de produção) podem levar mais tempo na fase de preparação.

Sim. A etapa de imersão (de dois a cinco dias) não tem custo. Ao final, você recebe um relatório com até três cenários de aplicação de IA e estimativas de impacto financeiro. Se nenhum cenário fizer sentido para o seu momento, encerramos ali sem cobrar nada.

Oferecemos a imersão gratuita porque ela nos ajuda a entender se o projeto é viável antes de comprometer recursos dos dois lados. Não faz sentido vender um projeto que não vai funcionar.

Os três primeiros meses de monitoramento estão incluídos no valor do projeto. Depois disso, oferecemos contratos de manutenção mensal a partir de R$ 3.500, que incluem retreinamento do modelo, monitoramento de drift e suporte técnico. Esse contrato é opcional. Se você tiver uma equipe interna capaz de manter o modelo, fazemos a transferência de conhecimento e encerramos.

Sobre tecnologia e segurança

Não. Podemos operar de forma autônoma, desde a coleta dos dados até o deploy. Precisamos apenas de acesso aos sistemas relevantes (banco de dados, ERP, CRM) e de um ponto de contato na sua empresa que conheça o processo de negócio.

Se você já tiver analistas ou engenheiros de dados, trabalhamos em conjunto com eles. Isso acelera o projeto porque eles conhecem as particularidades dos dados melhor do que ninguém.

A escolha depende do problema. Para modelos tabulares (previsão de demanda, scoring de crédito), usamos XGBoost e LightGBM. Para processamento de linguagem natural, trabalhamos com modelos baseados em transformers, incluindo fine-tuning de LLMs quando necessário. Para visão computacional, usamos PyTorch com arquiteturas como ResNet e YOLO.

O deploy é feito em containers Docker orquestrados por Kubernetes. Suportamos AWS, Google Cloud e Azure. Se a sua empresa exige que os dados fiquem em servidores próprios, fazemos deploy on-premise também.

Assinamos um NDA antes de acessar qualquer dado. Toda comunicação é criptografada com TLS 1.3. Os dados ficam em ambientes isolados por projeto, e apenas os engenheiros designados têm acesso. Após a conclusão do projeto, excluímos todos os dados do nosso ambiente em até 30 dias, a menos que o contrato de manutenção exija retenção.

Seguimos as diretrizes da LGPD. Se os seus dados incluírem informações pessoais, aplicamos técnicas de anonimização ou pseudonimização antes de usá-los no treinamento do modelo.

Sim. Usamos ferramentas de explicabilidade como SHAP e LIME para gerar relatórios que mostram quais variáveis influenciaram cada previsão. Isso é importante para setores regulados, como financeiro e saúde, onde decisões automatizadas precisam ser justificáveis.

Se o regulador exigir um modelo interpretável por natureza (não apenas explicável post-hoc), podemos usar regressão logística, árvores de decisão ou modelos aditivos generalizados, sacrificando um pouco de acurácia em troca de transparência total.

Isso acontece quando a distribuição dos dados muda ao longo do tempo, um fenômeno chamado data drift. Um modelo treinado com dados de 2023 pode perder acurácia em 2025 se o comportamento dos clientes mudar.

Por isso, configuramos monitoramento automático de drift em todos os nossos deploys. Quando a performance cai abaixo de um limiar pré-definido, um alerta é disparado. Se você tiver contrato de manutenção, retreinamos o modelo com dados recentes. Se não tiver, enviamos o alerta para a sua equipe com instruções de como proceder.

Recursos para aprofundar

Materiais que preparamos para ajudar você a tomar decisões informadas sobre projetos de IA.

Caderno com diagramas de machine learning ao lado de café

Guia: como avaliar se a sua empresa está pronta para IA

Um checklist de 12 pontos que cobre qualidade de dados, infraestrutura, cultura organizacional e expectativas de ROI. Leitura de 10 minutos. Enviamos por e-mail após o preenchimento do formulário de contato.

Painel de analytics com gráficos coloridos em monitor

Estudo de caso: previsão de demanda no varejo

Detalhamos como reduzimos rupturas de gôndola em 34% para uma rede de supermercados em Curitiba. Inclui métricas antes e depois, arquitetura técnica e lições aprendidas ao longo de 14 semanas de projeto.

Pessoa desenhando diagramas de segurança de dados em quadro branco

IA e LGPD: o que você precisa saber

Um resumo prático sobre como usar dados pessoais em projetos de machine learning sem violar a Lei Geral de Proteção de Dados. Abordamos anonimização, consentimento, bases legais e direitos dos titulares.

Solicitar materiais