A empresa que a Anthropic escolheu no Brasil

Ver no idioma original →

Autoria: NoCode StartUp · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: A empresa que a Anthropic escolheu no Brasil · Canal: NoCode StartUp · 1:04:10 · Assistir no YouTube

Tópicos: Agentes de IA, Aplicações empresariais de IA, Automação de tarefas e workflows, Claude Code, Engenharia de software com IA

Resumo

Daniel Avancini, fundador da Indicium AI, conta como a consultoria cresceu de Florianópolis para atuar nas Américas e na Europa e se tornou uma das primeiras parceiras globais da Anthropic. A conversa aborda aplicações de IA em empresas, os fundamentos necessários para automatizar processos e o uso de Claude Code no desenvolvimento de software. Avancini defende que profissionais e empresas se adaptem à tendência de automação, sem confundir protótipos rápidos com soluções prontas para produção. Ele também recomenda capacitar equipes, começar por tarefas reais e úteis e adotar padrões com base na experiência de projetos concretos.

Pontos-chave

• A Indicium AI é uma consultoria global de dados e IA, com cerca de 700 funcionários e escritórios nas Américas e na Europa.
• A empresa apoia a Anthropic na adoção de suas ferramentas em grandes empresas no Brasil.
• Machine learning tradicional usa padrões de dados históricos para fazer previsões; a IA generativa aprende a prever tokens em sequências de texto.
• Projetos de IA podem acelerar atividades como análise de vídeos, revisão de contratos e automação de tarefas internas.
• Automatizar exige processos bem mapeados e documentados; a tecnologia, por si só, não resolve procedimentos que só existem na cabeça das pessoas.
• Claude Code e modelos mais capazes mudaram a experiência de desenvolvimento, mas ainda é importante orientar e revisar o trabalho da IA.
• Empresas devem capacitar as equipes, identificar tarefas manuais de alto impacto e testar soluções em projetos reais.
• Agentes trabalhando em paralelo podem aumentar a produtividade, mas também ampliam a carga de supervisão e coordenação.
• Conhecimento de domínio e experiência profissional podem diferenciar quem aprende a usar IA.
• A recomendação para profissionais é experimentar com projetos práticos e complementar a prática com estudo dos fundamentos.

Capítulos

Início	Capítulo	Resumo
00:00	A parceria com a Anthropic e a mudança no desenvolvimento	A conversa abre com a parceria global da Indicium com a Anthropic e com a transformação que modelos mais capazes trazem ao desenvolvimento de software.
01:03	Apresentação de Daniel Avancini e da Indicium	Daniel apresenta a Indicium, sua trajetória e a atuação da consultoria em diferentes países.
04:19	Machine learning tradicional e IA generativa	Os participantes explicam a diferença entre prever resultados com dados históricos e prever tokens em texto.
06:29	Da ciência de dados às plataformas empresariais	Daniel descreve os primeiros projetos de previsão e a evolução da empresa para trabalhos de plataforma e estruturação de dados.
09:45	Expansão internacional e serviços de IA	A conversa aborda o crescimento internacional da Indicium e seus serviços de consultoria, implementação e capacitação.
13:02	Exemplos de aplicações de IA nas empresas	Daniel cita usos de IA para analisar vídeos, revisar contratos e aumentar a produtividade em tarefas existentes.
16:13	Segurança, processos e limites da automação	Os participantes discutem riscos de uso, mapeamento de processos e a diferença entre criar um protótipo e manter software confiável.
19:21	Fundamentos de software para quem usa IA	Daniel defende que, mesmo sem precisar programar como antes, é importante entender arquitetura, produto e fundamentos técnicos.
23:04	Claude Code e o desenvolvimento com agentes	Daniel relata como Claude Code e Opus 4.5 mudaram seu fluxo de desenvolvimento e comenta os desafios de adoção em grandes empresas.
26:54	Segurança de dados e ganhos de produtividade	A conversa aborda controles de acesso e treinamento, além de ganhos potenciais de produtividade e do tempo necessário para alcançá-los.
31:16	Economias de escala e adaptação profissional	Daniel usa a história dos relógios de quartzo para explicar por que acredita que a automação do trabalho baseado em conhecimento avançará.
36:04	Concorrência e diferencial de quem conhece o negócio	Os participantes discutem como a IA pode abrir espaço para novas empresas e por que experiência de domínio continua sendo valiosa.
40:23	Como empresas podem começar a adotar IA	Daniel recomenda aceitar que as equipes já usam IA, oferecer capacitação e começar por tarefas manuais concretas.
43:01	Coordenação de múltiplos agentes	A conversa explora a supervisão de agentes em paralelo, a divisão de tarefas e o risco de sobrecarregar quem os coordena.
47:11	Specs, padrões e documentação	Daniel explica como especificações, pesquisa e padrões construídos a partir de projetos reais ajudam a orientar o trabalho com agentes.
55:05	Adoção gradual e recomendações finais	Os participantes recomendam evitar a corrida por toda ferramenta nova e encerram com orientações para profissionais, empresas e interessados na Indicium.

Citações

Só porque você consegue construir, não significa que deva construir. — 18:19

Basicamente, hoje a gente não toca mais no código. — 25:18

Quem não se preparar vai ficar para trás. — 31:16

Qual é o sentido de gastar 15 minutos para fazer algo errado? — 49:19

Ter acesso a uma boa ferramenta e saber usá-la é como saber usar a internet. — 58:13

Conceitos e entidades

• Indicium AI (empresa): Consultoria global de dados e IA fundada por Daniel Avancini.
• Anthropic (empresa): Empresa desenvolvedora de Claude, que escolheu a Indicium como uma de suas primeiras parceiras globais.
• Claude (modelo): Família de modelos e produto da Anthropic mencionada na conversa.
• Opus 4.5 (modelo): Modelo da Anthropic que, segundo Avancini, marcou uma mudança na eficácia do desenvolvimento com agentes.
• Claude Code (ferramenta): Ferramenta de desenvolvimento com agentes discutida como parte do fluxo de trabalho de software.
• Databricks (empresa): Empresa de plataformas de dados citada como parceira da Indicium.
• OpenAI (empresa): Empresa mencionada na discussão sobre a competição para ampliar as capacidades de IA.
• machine learning (conceito): Abordagem que identifica padrões em dados históricos para fazer previsões.
• IA generativa (conceito): Tipo de IA discutido como capaz de aprender a prever o próximo token em sequências de texto.
• agentes de IA (conceito): Sistemas usados para executar tarefas, inclusive em paralelo, sob orientação e supervisão humana.
• mapeamento de processos (conceito): Prática de tornar explícitas e documentadas as etapas de um trabalho antes de automatizá-lo.
• specs (conceito): Especificações registradas antes da implementação para esclarecer o que será construído e por quê.
• Light House (conceito): Programa de formação da Indicium mencionado como voltado à transição de carreira.

Tradução completa (pt-BR)

00:00 E agora somos um dos primeiros parceiros globais da Anthropic. Temos trabalhado em estreita colaboração com eles na Inglaterra, nos Estados Unidos e agora também no Brasil. Quando Opus 4.5 foi lançado, as coisas se encaixaram de tal forma que, de repente, você tinha um modelo muito inteligente e com as ferramentas certas. E isso mudou a forma de desenvolver software. Basicamente, hoje não encostamos mais no código. Gostando ou não, a IA fornece conhecimento para o desenvolvimento. Não se trata só de código, certo? Ela dá a isso um caráter industrial, de engenharia, de fábrica. O conhecimento está cada vez mais sujeito a economias de escala. Todo mundo vai se matar para chegar a 90%. É por isso que Anthropic, OpenAI, todo mundo está lutando, numa batalha, >> gastando trilhões de dólares, porque

00:32 eles sabem que é possível chegar lá. Então, todo mundo que hoje é contra isso vai ser atropelado. Quando o relógio de quartzo foi lançado nos anos 60, certo, naquela época em que havia relógios mecânicos que precisavam ser dados corda, e inventaram o relógio de quartzo. Os primeiros custavam dezenas de milhares de dólares. A Rolex tinha um relógio de quartzo. Em menos de 10 anos, havia relógios de quartzo por um dólar, porque sabiam que era possível fabricá-los por um dólar. É que ainda não havia escala. Então, é preciso entender: essa é a tendência. Não vai chegar lá em um ano, nem em um mês, mas talvez chegue em 10 anos. Costumávamos usar muito essa referência da escada, certo? Tentando pular do primeiro degrau para o último. Existe toda uma questão de base: preciso entender o passado, depois acompanhar meu presente, entender meu

01:03 presente para depois conseguir prever o futuro. E há empresas, muitas empresas, que ainda nem conseguem enxergar o passado. Bem-vindos ao podcast No Code Startup. Meu nome é Mateus Castelo, sou fundador da escola de IA para profissionais não técnicos. E hoje estou com Daniel, fundador da Indicium, uma das maiores consultorias de dados do Brasil e do mundo. Ele vai compartilhar um pouco da sua história e de como está usando projetos de IA para acelerar os projetos dentro da empresa. Oi, Daniel, tudo bem? Conte um pouco da sua trajetória, apresente-se para todo mundo.

01:35 . >> Obrigado, boa tarde. Boa tarde, Mateus. Muito obrigado pelo convite. Estou muito feliz por conversar com você e com o pessoal do No Code. Temos trabalhado com profissionais de todos os níveis. Mateus também poderá compartilhar um pouco da experiência dele com a Indicium, certo? Com a Indicium no passado. >> Para quem não sabe, eu fui o 12º ou 13º funcionário. E como está hoje? É, acho que a No Code é provavelmente tão grande quanto, certo? Mas

02:10 >> uma fração minúscula, >> mas sempre gostamos muito de trabalhar tanto com profissionais técnicos quanto com os não técnicos, certo? Sempre fizemos esse trabalho de desenvolver transições de carreira para profissionais que querem entrar na área, o que parece ser uma parte importante do público aqui do podcast No Code Startup, certo? Mas, para me apresentar rapidamente, sou fundador da Indicium AI. Somos uma consultoria global de dados e IA, certo? Hoje temos escritórios em Florianópolis, São

02:42 Paulo, Nova York, Londres e Lisboa. Então, estamos basicamente nas Américas e na Europa. >> E quantos funcionários vocês têm hoje? >> Estamos perto de 700 funcionários. 700 funcionários. É muita gente. >> Muita gente. >> Sim. E hoje estamos entre os maiores parceiros da Databricks, certo? Acho que vocês devem ter falado bastante sobre ela no canal. E agora somos um dos primeiros parceiros globais da Anthropic, desenvolvedora do Claude.

03:14 >> Legal. Temos trabalhado bastante com eles na Inglaterra, nos Estados Unidos e agora também no Brasil; vamos ajudá-los a iniciar a operação local da Anthropic aqui no Brasil, com foco principalmente em grandes empresas. >> Ei, quero explorar mais esse assunto depois, mas me conte um pouco sobre como a Indicium começou e como está hoje. Em resumo. >> Ótimo. Bem, começamos a empresa aqui em Florianópolis, certo? Como você mencionou, você foi um dos primeiros funcionários.

03:46 >> Uhum. >> E, no começo, faz quase 10 anos que iniciamos essa jornada, certo? E começamos pensando — nós não somos técnicos, pelo menos eu e nosso líder das Américas, Mateus, não somos técnicos, certo? Não viemos de uma formação em software, por assim dizer. Então, nosso foco era mesmo consultoria. E apoiar empresas no uso de dados naquela época — principalmente dados, embora eu tenha formação em economia

04:19 e, digamos, algo que hoje já não é chamado assim, mas naquela época se chamava ciência de dados, certo? >> Uhum. >> E já não está tão em alta, mas eu tinha formação em ciência de dados. >> Eu já trabalhava com IA, há muito tempo. >> Já trabalhava com IA, certo? Machine learning. Exatamente. >> Hoje, as pessoas precisam separar as coisas. Então chamamos de machine learning clássico, >> é, >> em oposição à IA generativa, certo? Mas sim, tínhamos essa formação. Só um ponto que você mencionou: explique rapidamente para o pessoal qual é a diferença, para que entendam, porque

04:52 às vezes o pessoal fica bem perdido com esses conceitos. >> Certo, certo. Bem, basicamente, quando falamos de machine learning ou de IA mais tradicional, estamos falando da capacidade de interpretar padrões a partir de grandes volumes de dados. Sim, >> certo? E esses padrões geralmente exigem que se faça aprendizado supervisionado, como chamamos. Em termos mais simples, temos uma série de dados passados que diz, por exemplo, quando uma pessoa entra no

05:25 site e navega de determinada maneira, permanecendo por mais de 5 minutos. Então, qual é a probabilidade de essa pessoa clicar em um botão ou adicionar um produto ao carrinho? Uhum. >> Então, usamos uma série de dados históricos sobre quantas pessoas acessaram o site, certo? E tentamos fazer o modelo prever qual é a probabilidade de as próximas pessoas, que ainda não acessaram e que não conhecemos, clicarem no mesmo botão, certo? Então, usamos o passado como base, temos uma >> variável que já medimos. A palavra-chave seria tentar prever o que vai acontecer

05:58 com base no passado. >> Prever e supervisionado, porque temos os dados dos cliques, sabemos qual foi o clique. >> Entendi. Certo, >> certo? Já na IA generativa, que é a base do ChatGPT, dos modelos de linguagem, não existe esse clique final, certo? >> Ah, sim. >> Então, o que fazemos na IA generativa é pegar textos, >> pegar livros, textos históricos, e simular isso fazendo o quê? Escondemos uma parte do texto. >> Uhum. >> E tentamos prever qual seria o próximo trecho do texto, neste caso, o próximo token,

06:29 certo, que é uma >> parte da palavra, na verdade. Então, é uma perspectiva diferente. Sim, antes de tudo, há muito mais texto do que números. >> Uhum. E, em segundo lugar, a maneira de fazer essa previsão é muito diferente. >> Mas você já trabalhava naquela época com machine learning e começava a oferecer serviços de consultoria nessa área. Como isso evoluiu? >> Exatamente. Exatamente. Começamos construindo modelos ligados a marketing e vendas para empresas regionais, digamos assim, certo?

07:01 >> Uhum. Pensando bastante em previsão de vendas, previsão de churn, certo? Quando você tem um cliente que para de comprar na sua loja ou deixa de assinar seu produto; modelos de previsão de demanda, por exemplo, para lojas; posicionamento de lojas em um shopping: qual é a melhor loja para colocar naquele shopping ou naquele local, ou quais são as melhores — isso é o que chamamos de modelos espaciais; qual é o melhor lugar para uma nova loja, um novo supermercado da rede X, com base no

07:34 perfil de consumo da região, certo? Certo, nas estradas, nas ruas, certo? Então, era isso que fazíamos e ainda fazemos, certo, para muitos clientes. Mas, com o tempo, acabamos nos voltando muito mais para o lado das plataformas, para o lado mais técnico do negócio. Então, no começo, queríamos gerar mais insights, talvez muito do que o público deste podcast faz, certo? Como usar dados e ferramentas dentro da área de negócios. Sim, mas, à medida que fomos

08:09 trabalhando, percebemos que havia muito trabalho a ser feito na base. >> Entendi. >> Não dá para simplesmente criar essas ferramentas, porque, embora as empresas queiram fazer machine learning e IA, isso costuma ser a etapa final de toda uma jornada, certo? >> Exatamente. >> As pessoas querem pular várias etapas. >> As pessoas querem pular. Usávamos muito a analogia da escada, em que as pessoas tentam dar aquele salto enorme, tentando ir do primeiro degrau direto para o último. Há toda a questão das bases e, agora, os dados ficaram um pouco mais

08:43 escondidos do que a IA por causa do hype em torno da IA. Mas sempre falamos muito, no nosso campo de atuação, sobre a necessidade de entender o passado, conhecer o meu passado, acompanhar o meu presente, entender o meu presente para então poder prever o futuro. E há empresas, muitas empresas, muitos departamentos dentro das empresas que ainda nem conseguem enxergar o passado. >> Aham. >> Certo? E, para conseguir enxergar o passado, especialmente numa empresa muito grande, é preciso ter uma plataforma de dados, uma estrutura de dados bem construída.

09:14 E acabamos nos aprofundando bastante também nessa parte de estruturação. >> Vocês foram mais para o lado do software ou do serviço, oferecendo uma plataforma? Como era esse modelo de negócio? >> Serviço. Serviço, >> certo? Trabalhamos com software e com grandes empresas de plataformas de dados, como a Databricks e os provedores de cloud, certo? Certo? Então decidimos não desenvolver nossa própria plataforma. Usamos, ah, ajudamos os clientes, especialmente grandes empresas do segmento enterprise, a usar as plataformas corretamente, a levar

09:45 os dados para elas, configurar segurança, governança etc. >> Aham. Legal. E como foi essa evolução? Aí vocês começaram a conquistar grandes clientes e depois foram para fora do Brasil, o que foi um grande salto nos últimos anos, certo? >> Sim. Sim, minha visão é que, se você faz um bom trabalho, as oportunidades começam a aparecer, certo? Você se dedica bastante a >> observar o que há de mais avançado e coisas assim. >> Então, sempre olhamos bastante para o exterior, sempre olhamos muito para fora — acho que você até participou de algumas coisas assim

10:18 no passado, certo? Sim. Olhávamos para fora. Éramos muito pequenos, mas já pensávamos: “O que está sendo feito nos Estados Unidos? O que está sendo feito nas >> principais empresas e coisas do tipo?” E tentávamos trazer isso para o Brasil o mais rápido possível. Com o tempo, conseguimos começar a entrar em algumas empresas maiores, certo? Começamos regionalmente, depois passamos a entrar em empresas maiores em São Paulo, alguns clientes com logos famosos etc. Então começamos a nos expandir por aqui e também vimos a oportunidade de trabalhar em projetos nos

10:49 Estados Unidos, fazendo a mesma coisa por lá. Como já usávamos as mesmas tecnologias, foi um pouco mais fácil, certo? >> Depois, com a pandemia e o trabalho remoto, foi como se o mundo tivesse virado um só, certo? Todo mundo trabalhava remotamente, então não fazia diferença trabalhar do Brasil para os Estados Unidos ou de Florianópolis para São Paulo, de Recife para São Paulo. Temos muitos colaboradores no Nordeste, por exemplo. Então conseguimos ir para os Estados Unidos, começamos a trabalhar por lá e depois recebemos um investimento de um fundo americano.

11:21 >> Legal, >> certo? Ampliamos nossa presença nos Estados Unidos e, agora, no fim do ano, nos fundimos com uma empresa na Inglaterra e também entramos no mercado europeu. >> Legal. Sempre com esse foco em serviços, certo? Serviços de IA, além de dados. Como isso está hoje? Vocês oferecem serviços de IA generativa? Que tipo de serviço está se mostrando mais interessante para essas empresas? Sim, oferecemos. Tentamos fazer o que chamamos de ponta a ponta, certo? Desde a consultoria,

11:54 assessoria — um nome sofisticado para consultoria, mas é porque consultoria pode significar muitas coisas. A ideia é realmente orientar as pessoas sobre o que fazer, certo? Então, do que eu preciso? Você pode me apresentar uma análise de cenários sobre onde estou hoje? Então, fazemos esse trabalho de consultoria e também o trabalho prático de implementação, certo? Por exemplo, plataformas de dados >> e agora muita IA. E como isso funciona em IA? Como posso trazer agentes de IA e

12:29 coisas assim para dentro da minha empresa, das minhas operações? Ah, depois colocamos isso em prática, criando agentes, levando, por exemplo, o Cloud Code para >> a minha área de software e treinando as pessoas. Então, implementamos e também ajudamos a capacitar e treinar as pessoas, as equipes e os clientes para usarem isso, certo? E, só para deixar claro para quem está assistindo, há alguns exemplos como: “Ah, criamos tal agente que faz isso, criamos tal automação que mudou uma empresa”? >> Sim, há vários. Vamos

13:02 pensar em alguns legais aqui. Exemplos interessantes, >> é, >> pensando no dia a dia, há coisas muito legais. Por exemplo, fizemos um projeto — nem foi no Brasil — em que uma empresa de energia, digamos, precisa ir até a casa de alguém para fazer uma análise, por exemplo, dos clientes, dos consumidores, por diversas razões legais. Isso é filmado e, depois, é preciso garantir que foi feito corretamente.

13:33 >> Aham. Então pegamos as imagens e usamos IA para verificar uma lista de verificação inteira. A IA analisa a imagem, compara com a lista e diz: “Olha, esta imagem, esta visita foi feita corretamente; esta outra não foi.” Imagine que seria necessário alguém assistir a duas horas de vídeo para cada caso. Aham. >> E tudo isso é feito pela IA em 1 minuto e 30 segundos. Esse é um exemplo. >> Nossa, legal. >> Temos projetos, por exemplo, muitos projetos relacionados a questões de documentação no Brasil. Grandes empresas têm muita dificuldade, ah, para revisar

14:04 muitos contratos, por exemplo, que não correspondem ao que está no sistema. É um trabalho extremamente manual e extremamente chato. Podemos — temos projetos em que agents fazem isso e garantem que as coisas estejam funcionando. >> Isso ainda é meio back-office, certo? Mas >> há agents para criar propostas comerciais; há, ah, o próprio trabalho em si, que são, digamos, aplicações, certo? >> Aham. Mas muito do que temos feito agora e em que temos apoiado os clientes não é necessariamente criar produtos com IA, mas usar IA para

14:38 fazer o trabalho que eu já fazia antes, >> certo, o que chamamos de produtividade. >> É aí que no-code entra bastante, por exemplo. Imagino que muito do que vocês ensinam aqui na No-Code seja isso, certo? >> Legal. Sim. É, no nosso caso, geralmente são pessoas que estão criando o primeiro projeto, querem criar um produto, querem criar um SaaS. Há esse público mais empreendedor, que está começando, mas agora também estão surgindo muitas empresas. Em geral, nosso foco acaba sendo pequenas e médias empresas. E o pessoal se concentra bastante nisso, certo, na produtividade, em conseguir

15:11 automatizar áreas, automatizar processos. Então estamos explorando um pouco mais essa área, que antes era muito voltada ao empreendedorismo, certo? E agora está um pouco mais no ambiente corporativo. Pelo que entendi de vocês, o foco é mais em grandes empresas. >> Isso, 100% grandes empresas. Sim, >> sim, 100%. >> É, não, nosso foco são empresas enterprise. Em geral, são empresas com faturamento de pelo menos 1 bilhão de reais, digamos. Ah, >> legal. Então, acabam sendo empresas maiores. Não que não tenhamos trabalhado com empresas menores. Começamos, sabe, com empresas de todos os tamanhos,

15:41 >> mas, com o tempo, acabamos, ah, direcionando o foco para empresas maiores, certo? Mas os problemas não são tão diferentes, >> certo? >> Eu diria que empresas muito grandes têm muito mais burocracia, processos e dificuldades políticas, principalmente porque >> às vezes você está falando de um departamento jurídico de uma empresa que tem 700 pessoas, 500 pessoas. E quais têm sido os pontos problemáticos para essas grandes empresas? Queremos ser mais produtivos no departamento jurídico, para revisar contratos e automatizar todo esse processo? Então, basicamente

16:13 automação de processos em departamentos. >> Sim, acho que a automação de processos de back-office é mais segura. >> Aham. >> Então, por melhor que ela seja hoje, colocá-la nas mãos de um cliente, certo? Quer dizer, até há exemplos ridículos de pessoas usando um chatbot de pizzaria. Não vou mencionar aqui o nome do cliente, o nome da empresa, >> mas há pessoas usando o chatbot de uma rede de fast-food para resolver problemas de programação, porque você envia o prompt e o sistema retorna o resultado. Então as pessoas dizem: “Ah, você ficou sem tokens, é só usar o

16:45 >> chatbot do restaurante X, eles vão responder”, sabe? Porque é muito difícil controlar isso 100%. E os seres humanos são muito criativos. >> Sim. E, quando você dá um desafio a uma pessoa, por exemplo: “Quero quebrar este sistema”, há pessoas que vão passar 24 horas por dia tentando quebrá-lo, só para postar no Twitter que conseguiram. >> Elas se dedicam. >> Então as pessoas são realmente dedicadas, certo? Quando falamos do cliente final, há tantas barreiras de segurança, há

17:15 tanta coisa, certo? Há muitas complexidades para disponibilizar isso ao cliente final. Quando falamos internamente, é mais fácil, porque, goste você ou não, >> eles não vão chegar a esse ponto, não haverá esse incentivo, certo, para quebrar o sistema. Mas aí surge outro problema. Você mencionou uma palavra muito importante: mapeamento de processos. É muito difícil encontrar um bom mapeamento de processos. Então, >> estou dentro de um cliente enorme, falando de jurídico, de CRM, desses sistemas, mas não há um processo bem definido; há tanta

17:48 coisa na cabeça das pessoas. >> Aham. >> Então, por melhor que seja o modelo, por melhor que seja a tecnologia que você está desenvolvendo, ela não vai decifrar o que está na cabeça das pessoas. Temos que conseguir tirar o que está na cabeça das pessoas e colocar em documentação, em um sistema. Então, isso é muito trabalho de processos, certo? Engenharia de produção, essas coisas, mais engenharia, >> não necessariamente IA e tecnologia. >> Então, esse é o desafio das grandes empresas, mas também é o desafio das empresas menores, até de uma empresa familiar. >> Sim, acho que é o desafio de todo mundo

18:19 , certo? O que vejo com mais frequência são pessoas querendo pular várias etapas e criar um agent de IA para conectar ao WhatsApp logo de cara. Pulam várias etapas e automatizam algo que nem sequer tem um processo definido. Você está automatizando antes de ter o processo. Qual é o passo a passo? Faça uma checklist; depois você pode treinar e seguir esse processo, certo? >> Sim. E há uma frase que as pessoas usam: só porque você pode construir algo, não significa que deva construí-lo. >> Aham. >> Certo? A IA tornou muito fácil construir. Dá para construir coisas com mais rapidez e facilidade. >> Aham. >> Mas você nem sempre deve construir. Há outras coisas que precisa fazer primeiro.

18:51 >> E também acho que um ponto importante que você deveria abordar é que é muito fácil fazer um protótipo. >> Aham. >> Não é tão fácil fazer algo que funcione todos os dias em todos os cenários. >> Sim. E é aí que entra toda a estrutura de desenvolvimento de software, certo? Não que você não possa fazer sozinho, nem que hoje não seja mais fácil do que há 5 anos. É muito mais fácil. >> Sim. É. >> Certo? Mas o fato de você ter começado agora não significa que vai conseguir fazer isso em uma semana. Você precisa entender um pouco

19:21 de como o software é desenvolvido e coisas do tipo. Talvez hoje você não precise aprender programação como no passado, de um jeito tão pesado. Você precisa saber >> depurar, encontrar um bug, um problema no código Python, por exemplo. A IA faz isso por você. >> Sim. >> Mas você precisa saber como organizar seu trabalho, como organizar um SaaS, por exemplo, >> Aham. como organizar os módulos, as funcionalidades do produto? >> Basicamente, ser um arquiteto que conecta todas as peças do quebra-cabeça, sabe como juntá-las

19:55 e orquestrá-las, certo? >> O trabalho de arquitetura de software, de design de produto ou de gerenciamento de produto não desapareceu. É ainda mais importante do que antes. >> Sim. Não, você tocou num ponto muito legal, que sempre foi a nossa missão na COD startup: queríamos democratizar o acesso à tecnologia e a criação de tecnologia para profissionais sem formação técnica. >> E tínhamos ferramentas no-code, certo, como Bubble e FlutterFlow, que ainda existem hoje, >> mas nunca conseguimos levar adiante essa missão. Era difícil; não era a realidade das empresas ou das pessoas. Era possível, mas não democratizou. E hoje, com IA, ficou muito mais fácil. Então, basicamente, é dizer que agora todo mundo é um construtor, certo? Todo mundo pode construir agora por causa das ferramentas low-code e de cloud. Então, todo mundo consegue fazer isso. Agora, o que diferencia as pessoas é entender os fundamentos, o mapeamento de processos, o que cada tecnologia faz e como elas interagem para, de fato, construir projetos que não sejam apenas MVPs, mas realmente úteis e escaláveis.

20:26 Essa não era a realidade das empresas ou das pessoas; era possível, mas isso não democratizou o acesso. Hoje em dia, com a IA, ficou muito mais fácil. Então, basicamente, a ideia é que agora todo mundo é um construtor, certo? Todo mundo pode construir agora por causa das ferramentas low-code e de cloud. Então, todo mundo consegue fazer isso. O que diferencia as pessoas agora é entender os fundamentos, o mapeamento de processos, o que cada tecnologia faz e como elas interagem, para realmente construir projetos que não sejam apenas MVPs, mas que sejam de fato úteis e escaláveis.

20:59 >> 100%, 100%. Enfim, não quero desanimar ninguém, certo? Não quero, principalmente porque é possível aprender tudo. Quer dizer, talvez eu também seja um exemplo prático disso, e você também, certo? Não somos programadores de formação, não passamos >> 5, 6, 7 anos programando e conseguimos trabalhar com isso e construir isso, mas não foi em um mês, não foi em uma semana e não foi sem esforço. >> Aham. >> Certo? Temos que estudar, temos que

21:30 procurar; por exemplo, se eu quiser desenvolver software, como o software é desenvolvido? Que problemas ele resolve, certo? Vou fazer um curso, assistir a um vídeo no YouTube, assistir a algum vídeo, comprar um livro sobre desenvolvimento de software. >> Sim. >> Esses livros não são livros de programação. >> Aham. >> Se você pegar livros clássicos de programação, de desenvolvimento de software, eles não são livros cheios de — há muitas linhas de código neles, mas há >> conceitos, há, sabe, boas práticas. Exatamente. Como você vai fazer qualquer coisa, certo? E, quando você pensa em arquitetura, por exemplo,

22:00 engenharia e coisas do tipo, certo? Hoje é raro um arquiteto ou engenheiro ter que fazer cálculos à mão. Você vai usar um software, algum programa de CAD para isso, >> mas precisa entender os fundamentos do cálculo para saber o que ele está fazendo, certo? >> Aham. >> É a mesma coisa. É mais fácil fazer mudanças incrementais. Então, quando você já tem um software relativamente sólido e diz: “Quero adicionar um botão novo, certo? Quero mudar a cor de alguma coisa”, isso é muito bom, é muito fácil de fazer. Mas, quando você diz: “Não, vou criar um sistema, um SaaS, por exemplo”, e

22:33 ainda mais quem está começando e diz: “Cara, para ganhar dinheiro, preciso de 200.000 usuários.” Porque isso é muito comum em SaaS, certo? Você começa um SaaS, mas, no início, ele é barato e tal. Então, mais cedo ou mais tarde, você precisa escalar essa ferramenta e, aí, passa a depender de vários fatores, não só da infraestrutura, >> Aham. >> da cloud, >> é. >> da plataforma de dados, dos bancos de dados, >> que, se você fizer isso muito mal, de forma muito errada, não vai funcionar, vai começar a

23:04 ficar lento, vai quebrar. >> Aham. >> E aí você começa a ficar bravo com a IA. Mas não é culpa da IA, certo? É só que >> está por trás do computador. >> Tem a ver um pouco com quem fornece, com quem escreve o prompt para ela. Exatamente. >> Sim. Ótimo, Daniel. Vamos falar do cloud code, porque fiquei curioso. Você mencionou que já está usando em alguns projetos dentro da indicium; não sei se são projetos internos da empresa. Também queria saber de casos externos, como você vê o cloud code e ferramentas parecidas dentro das empresas, os pontos positivos, os não tão positivos, os principais desafios. >> Legal.

23:35 >> Como está indo, >> cara? Está ótimo. Ótimo. Então, vou tentar explicar: antes do cloud code, certo, você deve ter — lembro que fez alguns cursos sobre cursor e outras ferramentas antes, certo? Windsurf, enfim. >> Sim. >> Então, essa área, essa ideia de desenvolvimento com agents, na verdade, é anterior ao cloud code, certo? A questão é que, nos últimos seis meses, basicamente desde novembro do ano passado, algumas coisas aconteceram, certo? Uma

24:10 é que, no passado, a ideia, antes do Claude Code, era muito que você precisava desenvolver esses agents, e eles usariam formas bem organizadas de identificar o que havia no projeto, usando RAG, usando essas coisas que hoje estão um pouco fora de moda. E, com o Claude Code, a ideia era tipo: cara, você não precisa fazer nada muito complexo, só precisa deixar os agents pesquisarem por conta própria. Você dá ferramentas a eles, diz como pesquisar arquivos, como ler arquivos, como executar coisas, e eles fazem isso sozinhos. Desde o começo, já dava alguns bons

24:43 resultados, mas, por volta de novembro, quando o Opus 4.5 foi lançado, o novo modelo da Anthropic, as coisas se encaixaram de um jeito que, de repente, você tinha um modelo muito inteligente e com as ferramentas certas. >> Aham. E isso mudou a forma como desenvolvemos software, tipo, >> da noite para o dia, >> da noite para o dia. Então, tentamos. Por exemplo, no ano passado, fizemos testes usando essas ferramentas por conta própria e tal; funcionava em alguns casos, mas não era como: “Nossa, vou substituir a forma como trabalho” ou “vou mudar meu workflow do dia a dia”. Depois do Claude Code,

25:18 do Opus etc., principalmente a partir de janeiro deste ano, digamos, é algo muito recente, faz 4 meses, mas parece uma eternidade. Mudou muito, como na Anthropic, quando falam disso, né? Basicamente, hoje não mexemos mais no código; isso está se tornando generalizado. Eu praticamente só uso o Claude Code para quase todo o meu desenvolvimento, porque ele realmente dá conta das coisas. Agora sei o que estou fazendo quando desenvolvo com ele, né? Esse trabalho de arquiteto. Eu disse: não é só mandar fazer, você precisa

25:52 conversar com ele, entender o que está fazendo, né? Então, é um ótimo assistente que dá conta de muita coisa que era difícil de fazer em programação, quando você precisava entender o código; ele faz isso por você, mas você precisa orientá-lo >> do jeito certo, né? >> Sim. E começamos a usá-lo tanto no desenvolvimento interno quanto em vários projetos em que podemos usá-lo, né? Claro que não é simplesmente substituir tudo e dizer: agora só vamos

26:22 usar o Claude Code para tudo. >> Aham. >> Especialmente em grandes empresas, porque há muitas complexidades, né? >> Burocracias também, né? Há burocracias para usá-lo; há uma série de coisas internas que tornam muito mais fácil começar um projeto novo do que trabalhar na base de código de uma empresa que às vezes tem milhões de linhas, né? Então, >> ele não consegue manter todo o contexto do software. Você precisa mandar que leia determinada documentação, leia isto, leia aquilo. Estas são as restrições para colocar isso em produção. Então,

26:54 >> há alguns desafios. Uma pergunta: quando você vai fazer um projeto, por exemplo, usando o Claude Code dentro de empresas, >> como funciona a relação com os dados sensíveis? A que o Claude Code poderá ter acesso? As empresas estão abertas a isso ou são muito rigorosas? Para mim, esse é um dos principais problemas. Esse é um grande desafio. Sempre foi, né, no mundo da consultoria ou dos serviços em geral. >> Há formas de proteger e garantir a segurança dos dados, tanto ao usar o Claude Code quanto quando pessoas estão trabalhando. Então, há maneiras; você pode,

27:30 dependendo da conta, como na Anthropic, configurar as coisas para que ele não treine com seus dados. Você não pode passar chaves e segredos para ele. Tem que fazer isso >> usando essa leitura de credenciais do jeito certo, né? Não quero entrar em nada muito técnico aqui, mas >> você não vai passar a senha do banco para o Claude Code, embora seja improvável que ela apareça em algum lugar, mas, por segurança, você não quer fazer isso, né? Mas olha, há maneiras: numa empresa muito grande, você precisa criar como se

28:04 fosse uma prisão. Não sei se é um bom exemplo, mas você tem perímetros de segurança >> controlados. Perímetros de segurança. Você tem o perímetro imediato, digamos, a cela em torno de um dado específico. Depois, tem o quarteirão e, então, o muro. Assim, você vai criando vários perímetros para que, se houver algum problema, tenha uma camada de segurança, como se faz em quase tudo numa grande empresa, em relação a sistemas de rede e infraestrutura, né? >> E treinamento também, né? Ensinar as pessoas a usar, dizer o que não podem

28:35 fazer e como podem usar. Mas sinto que, hoje, as grandes empresas, assim como a maioria das pessoas que ouvem este podcast, sabem que há muito valor em usar essas ferramentas, né? Sempre me perguntam quanto eu gero. Há projetos em que você consegue aumentar a produtividade em 30%, 40% assim, sem muito esforço. >> Ou em horas de trabalho, >> imagine que eu costumava levar 10 horas para fazer algo; agora levo 7 horas, 6 horas. >> Isso sem muito esforço. O que quero dizer com isso? Ainda não estou automatizando

29:06 tudo. Ainda tem alguém apertando o botão, alguém observando o que está sendo feito e lendo. Se você conseguir criar um processo de trabalho bem completo, o que não é fácil e nem qualquer pessoa consegue fazer, e não acontece em uma semana, porque você vai entendendo à medida que usa. Há pessoas que brincam e dizem: “Na primeira semana usando o Claude Code, é tipo: meu Deus, acabou, acabou, vou ser demitido, minha vida acabou, não tenho mais trabalho.” >> Aham. Depois de três ou quatro semanas, você diz: “Isso é tão burro, estou tranquilo, meu emprego está garantido.” E, depois de dois ou três meses, você diz: “Hmm, talvez eu deva tomar um pouco de cuidado, porque”

29:37 à medida que você continua usando, passa por ondas de ilusão e desilusão, né? A ilusão de “nossa, é incrível”, depois “nossa, é tão burro”. Mas não é nenhuma dessas coisas, né? É muito inteligente, muito poderoso; você só precisa saber usar. >> Aham. Mas, se você souber usá-lo no seu contexto, então, por exemplo, você diz: “Ah, há muitas pessoas aqui que não são devs e trabalham numa área de negócios ou numa empresa com um processo muito simplificado que você entende

30:11 profundamente”, >> às vezes você consegue reduzir 90% do seu trabalho. >> Aham. Você diria que já houve casos assim em empresas, mais especificamente, >> em que isso já acelerou o trabalho? >> Em que reduzi 90% do trabalho. >> Aham. Sabe, numa empresa, com toda a complexidade da adoção, é muito mais difícil chegar a 90%, mas é possível. Então, uma coisa que digo na empresa é que existe a realidade e existe a tendência. >> Aham. >> Quando nós, então, quando trabalhamos num laboratório, né, que é o que tentamos fazer

30:41 internamente, pelo menos eu tento fazer bastante no que consigo gerenciar dentro da empresa, digo: “Cara, vamos levar isso ao limite, fazer um teste de estresse, para ver até onde conseguimos chegar, né?” E, às vezes, dependendo do que seja, dá para chegar a 90%. >> Aham. >> Dá até para passar disso. Então, o que isso significa? Pode levar 10 anos para chegar a 90%, porque há uma série de problemas que precisam ser resolvidos, mas, se for possível chegar lá e houver valor nisso, vamos chegar lá. >> Aham. Né? Haverá um caminho em que as empresas, os processos,

31:16 as universidades, todo mundo vai se adaptar, porque há muito valor em chegar a 90%. Hoje, talvez a realidade >> para as grandes empresas seja 10%. >> Sim, entendo. >> Em 3 ou 4 meses, talvez seja 20%. >> Aham. >> Mas essa é a tendência. Então, por que digo isso? Porque quem ainda não está nesse mundo, não está aprendendo, não conhece isso e não se importa muito com o assunto precisa entender que a tendência sempre vence.

31:47 >> Entendi. >> Se você não se preparar, vai ficar para trás, né? Porque é possível chegar a 90%; alguém vai chegar lá. Vou dar um exemplo que gosto de usar, mas, é, não tem nada a ver com IA. Mas, para entender o problema, goste ou não, a IA se aplica ao conhecimento, ao desenvolvimento. Não é só código, né? Ao conhecimento, a tudo que envolve palavras, que usamos palavras para resolver.

32:19 >> Isso acrescenta um toque de indústria, de engenharia, de manufatura. Em outras palavras, o conhecimento está cada vez mais sujeito ao que chamamos de economias de escala. Sou economista, para quem não sabe. Então, >> sim. >> E aqui está um exemplo. Quando o relógio de quartzo foi lançado, nos anos 60, que é o tipo de relógio que temos, que todo mundo tem, já que havia relógios mecânicos que precisavam ser dados corda, e inventaram o relógio de quartzo. Os primeiros custavam dezenas de milhares de dólares. A Rolex tinha um relógio de quartzo. >> Aham. Em menos de 10 anos, havia

32:52 relógios de quartzo por um dólar, porque se sabia que era possível fabricá-los por um dólar; o que faltava era escala, mas a tendência era tão forte que, depois de 10 anos, eles não valiam nada. Tanto que hoje qualquer relógio, você pode comprar um relógio muito, muito barato em qualquer lugar por apenas alguns centavos. >> Aham. >> E esse é um pouco o problema da IA aqui, entende? Quando você diz que é possível chegar a 90%, mesmo que seja num laboratório, todo mundo vai se matar para chegar a 90%. Por isso a Anthropic, a OpenAI, todo mundo está lutando

33:24 , >> nessa batalha, >> gastando trilhões de dólares, porque sabem que é possível chegar lá. Então, todo mundo que é contra isso hoje vai ser, vai ser atropelado. Então, você precisa entender que essa é a tendência. Não vai acontecer em um ano, não vai acontecer em um mês, mas pode acontecer em 10 anos. Então preciso me adaptar a isso e entender onde >> está o valor, onde está o valor no que eu faço, no que sei fazer e no que preciso aprender para não ter mais que fazer isso. >> Aham. Você diz que isso se aplica tanto ao funcionário, ao profissional, quanto

33:54 também à empresa, certo? Se as empresas estão adotando IA ou não. >> Aos dois. Exatamente. Profissionalmente, individualmente, eu, Daniel, eu, Mateus, >> preciso entender o que faço, o que me diferencia e em quais botões aperto. Qualquer coisa que seja só apertar um botão provavelmente vai ser um problema para mim, porque essas ferramentas apertam botões muito bem. >> Aham. E não é só apertar um botão como no passado, como no no-code, em que às vezes você fazia alguma coisa, mas dava trabalho, e tudo que não estivesse

34:25 dentro das regras que definimos quebrava. >> Mas essas ferramentas vão muito além do óbvio, vão muito além daquelas outras ferramentas. Então é um botão muito mais complexo que elas apertam. >> Aham. >> Então precisamos entender: cara, eu trabalho com produto, o que sei sobre produto? Que tipo de contribuição posso oferecer? O que posso fazer de diferente? Como posso estudar melhor o lado do produto do que já conheço? Como posso estudar melhor meu mercado? >> Aham. >> E deixar para a IA, por exemplo, a tarefa de fazer o melhor slide do mundo, porque a IA faz slides muito bem, já está aprendendo a fazer slides, >> já é boa nisso.

34:57 >> Então, se meu negócio é fazer slides, preciso entender que a tendência é que isso valha cada vez menos. Vai acabar. >> Se meu negócio é instruí-la a fazer o melhor slide, o storytelling não vai acabar. O storytelling não vai acabar. Quer dizer, fazer um monte de slides vai acabar. Agora, fazer três slides que dizem tudo >> é uma arte. >> Sim. >> Então é isso que nós, como indivíduos, precisamos entender. >> E, como empresa, é algo parecido: entender que, se hoje tenho 100 pessoas cujo trabalho principal é fazer slides, quanto disso é uma arte? Isso gera muito valor para a minha empresa? E quanto disso são simplesmente coisas que sempre existiram, processos que existem só porque precisam existir, >> sim, >> e não algo que realmente gera valor. Isso, de novo, vai ter… talvez não seja você, talvez não seja seu maior concorrente hoje, mas vai haver alguém; pode ser uma startup, pode ser alguém assistindo a este vídeo, a este podcast, alguém começando agora, que quer dizer: “Cara, vou abrir uma… por exemplo, quando olho para uma seguradora, né, há 5.000 pessoas na seguradora

35:30 que leem documentos, e isso obviamente faz parte do custo do seguro, está incluído no prêmio do seguro.” >> Sim. Se eu fosse criar uma seguradora com 100 pessoas em vez de 5.000, provavelmente poderia cobrar prêmios de seguro mais baixos e conquistar o mercado. Então, se você é uma seguradora com 5.000 pessoas ou muitos processos, pergunte: “Como uso essas 5.000 pessoas para coisas mais úteis e não deixo essa startup entrar, como já aconteceu em outros mercados antes da IA e em outras

36:04 áreas, certo?” Bancos, por exemplo, em que empresas apareceram dizendo: “Olha, não tenho agências, então sou muito mais eficiente, posso oferecer tarifas mais baixas e vou conquistar o mercado” — e foi o que aconteceu. >> Aham. Então, hoje, com IA, se sou uma empresa, preciso olhar não só para o que eu e meus concorrentes estamos fazendo, mas também considerar que uma nova empresa pode surgir, que pode aparecer uma startup. Por isso as pessoas dizem que essa será a maior explosão de empreendedorismo da história, porque qualquer um pode olhar para um processo ou um negócio e dizer: “Cara, em tese, posso mudar 90% disso,

36:37 >> então vou abrir uma empresa nova e conquistar esse mercado.” >> Mas aí também vai ter muita gente abrindo empresas novas, né? Sim, a concorrência vai aumentar, tem esse ponto. >> Exatamente. Então, >> há dois problemas. A) é o momento: quem começar primeiro terá mais chances. >> Sim. >> E também há a dificuldade, porque será um mercado supercompetitivo. Porque — e há outro ponto que acho interessante, voltando ao que eu disse sobre processos e coisas assim — se você acha que usar a nuvem ou usar um equivalente da OpenAI ou do

37:10 Google, etc., é uma vantagem competitiva, não é. Porque qualquer um pode assinar, >> mas isso se conecta ao que dissemos, né? Qualquer um agora é builder, qualquer um sai por aí e constrói. Mas a diferença, acho, está até nesses fundamentos, nesses conceitos um pouco mais técnicos, né, em saber como conectá-los. E, para mim, por exemplo, numa função de gerente de produto, a pessoa que conhece os processos de produto, entende o tema e consegue reunir toda a inteligência de criar o produto, de lançar o produto,

37:41 combinada com fundamentos técnicos, mas o low-code é imparável. >> Sim. É, e esse é um ponto que também remete ao mundo dos dados, né? E, lá na Indicium, também temos nossa própria academia, né? Treinamos muita gente em dados, com cursos relacionados a dados e BI, dashboards, analytics etc. O que eu costumava dizer às pessoas que queriam mudar de carreira, por exemplo — muita gente quer, e de fato quer

38:11 fazer a transição para a área de dados. >> Aham. É, eu sempre dizia: não jogue fora sua experiência, né? Às vezes a pessoa tem 15 anos de experiência em marketing, 15 anos em logística, 15 anos no setor financeiro. >> Esse é o diferencial único dela, né? >> Exatamente. Eu dizia: “Cara, não, você não vai ser, não vai ser o melhor profissional de dados em um mês, com a experiência de um curso de um mês que está prestes a fazer.” >> Aham. >> Mas talvez você seja um dos melhores profissionais de logística que entende de dados.

38:45 Exatamente. Agora você vai saber as duas coisas. Então, juntar tudo isso. >> Exatamente. Então, se você conseguir combinar sua experiência de negócios, o que sabe fazer, sua vida — né, sua experiência de vida — com essa tecnologia e souber conectar as duas coisas, terá uma vantagem competitiva. E muita gente se esquece disso. As pessoas esquecem o que já traziam consigo

39:18 e pensam: “Não, vou mergulhar de cabeça nessa nova tecnologia, vou saber tudo sobre ela e vou ficar milionário com IA”, né? Pode acontecer; algumas pessoas conseguem, mas você precisa pensar que, assim como você tem três

39:51 meses de experiência com programação, há milhares de outras pessoas que também terão três meses de experiência com programação. Mas, né, o quanto você realmente vai conseguir se diferenciar >> é mais difícil. >> Legal. E, Daniel, cara, uma dica que você daria, talvez mais voltada para pequenas e médias empresas — que, acho, são a maioria de quem está assistindo — para começar a inserir código nas rotinas, nos processos, a fim de aumentar a produtividade. O que você diria, tipo, quais fases ou etapas? Tipo: primeiro, vou mapear os processos. Agora vou

40:23 começar a usar código, automações mais individuais e simples. Depois vou usar um sistema operacional inteiro de IA aqui; que dica você daria para esse pessoal? Acho que é preciso paralelizar um pouco as coisas, certo? >> No mínimo, você precisa entender uma coisa: todo mundo já está usando. Você tem que partir do princípio de que todo mundo vai usar. Primeiro, não adianta tentar bloquear e dizer: “Na minha empresa, não pode usar”. As pessoas vão usar, >> já estão usando. >> Não tem como controlar isso. Porque, se você disser que não pode usar ChatGPT, que não pode usar Claude, a pessoa pode simplesmente pegar o celular, tirar uma foto da tela e usar.

40:53 pode usar. >> Aham. Pode falar com o celular ou gravar um vídeo do celular mostrando a tela. Então, é praticamente impossível para a equipe de TI, por exemplo, adotar a abordagem clássica de dizer: “É proibido usar a ferramenta X na minha empresa”. Então, primeiro, parta do princípio de que todo mundo está usando. A primeira coisa é: vamos treinar todo mundo, contratar um curso de vocês, contratar um curso básico, pelo menos para que a equipe tenha alguma noção do que está fazendo e não, certo? Não colocar informações confidenciais lá

41:23 no sistema, etc., não compartilhar um prompt errado lá, e assim por diante. Então, a primeira coisa é alcançar um nível mínimo de capacitação da equipe e, depois, encontrar as oportunidades mais fáceis. Há muitas oportunidades fáceis, como dizemos, certo? Certamente há áreas em que as pessoas não gostam de trabalhar, >> tarefas manuais, tipo, >> manuais, tarefas que eram necessárias, são necessárias, mas que ninguém gosta de fazer. Se eliminássemos esse processo, automatizássemos esse processo, seria um ganho para todo mundo. Todo mundo ficaria

41:56 feliz. Aham. >> Então, acho que começar pelas coisas que deixam as pessoas “felizes” é sempre bom, certo? Tipo: “Preciso preencher este formulário aqui, que todo mundo leva um bom tempo para preencher”. Cara, preencher formulários com IA é uma maravilha, ela preenche super bem. Então vamos preencher formulários, certo? E, nesse trabalho de mapear processos, certo? Você pode contratar um consultor externo ou capacitar um funcionário da empresa >> para ser, digamos, um promotor interno que vai >> disseminar conhecimento. Isso é muito, funciona muito bem. Há muitas pessoas

42:27 querendo entrar nesse mundo. Então, às vezes, você pode dizer: “Vou pegar esta pessoa aqui, que gosta de tecnologia e já faz isso na vida pessoal. Vamos capacitá-la um pouco mais, tirá-la um pouco da rotina e dizer: ‘Olha, agora seu trabalho é tentar adotar essas tecnologias aqui dentro e ensinar outras pessoas a fazerem o mesmo’”. Isso funciona muito bem. E então fazer esse trabalho de processos, etc., mas com casos reais. Não adianta simplesmente ficar dizendo: “Vou mapear todos os processos da minha empresa”. Isso não funciona. >> Aham. É lento e é um saco. Então eu

43:01 tenho este processo que é uma verdadeira dor de cabeça, ninguém gosta de fazê-lo. Vou pegar alguém, capacitar essa pessoa ou contratar um consultor externo, e vou resolver este processo primeiro, direito. >> E, aos poucos, certo? Veja o que é mais crítico e concentre-se só nisso, porque às vezes acho que as pessoas ficam paralisadas, sabe? Como é tudo código na nuvem, há tanta coisa para automatizar que parece que você está muito atrasado. Às vezes, é só se concentrar em uma única coisa, continuar testando e avançando. Há um problema sobre o qual as pessoas têm falado bastante: supostamente, a IA reduz nossa carga de trabalho. Estávamos dizendo aqui que ela pode ser reduzida em 90%.

43:32 >> Sim. >> Mas, se você fizer mais 100 coisas, acaba ficando igualmente sobrecarregado. >> É. E todo mundo está fazendo coisas extras, certo? Em teoria. >> Muitas. Pessoalmente, houve uma época, há um tempo, em que eu tinha 12, 15 agents rodando ao mesmo tempo. >> Aham. >> Sabe? Então eu ficava olhando para 15 coisas ao mesmo tempo, mas chega uma hora em que sua cabeça explode, porque não temos capacidade para supervisioná-los. É o mesmo problema que… Gostando ou não, na empresa, na minha área, deve haver umas 350 pessoas.

44:03 >> Que eu lidero, mas não diretamente; há líderes, gerentes etc. Deve haver uns 350 funcionários no meu, no meu departamento, certo? Isso é difícil. É preciso ter gerentes, coordenadores, é preciso ter um processo de promoção. Aham. >> Certo? Avaliações de desempenho, todas essas coisas de RH, digamos, >> com os agents é a mesma coisa. >> Então, muita gente está começando a, o desenvolvedor ou a pessoa está começando a enfrentar os mesmos problemas de gerenciar pessoas. >> Aham. >> Porque você tem oito pessoas trabalhando.

44:35 Elas estão fazendo o que é necessário? Estou dando as instruções certas? Estão ociosas, e você diz: “Meu Deus, estou deixando este agent ocioso aqui, estou sendo, >> estou sendo um péssimo gerente porque ele não está fazendo nada”. Então, é preciso tomar um pouco de cuidado para não ficar sobrecarregado. >> Sim, >> porque agora que você consegue fazer coisa demais, acaba fazendo ainda mais do que dá conta. Então, isso também é um desafio. >> Por curiosidade, o que esses agents estavam fazendo enquanto você os gerenciava? >> Várias coisas. Às vezes, por exemplo, tenho um agent fazendo pesquisa. Vamos imaginar que estou desenvolvendo alguma coisa, um software, um produto.

45:06 >> Aham. Então, às vezes, tenho um agent desenvolvendo uma parte do produto, outro agent desenvolvendo outra parte, outro recurso. Tenho outro agent que, por exemplo, está corrigindo um bug, investigando ou testando coisas, certo, para ver se estão funcionando. E, às vezes, tem um >> tudo em paralelo, >> tudo em paralelo. E, às vezes, tem até outro agent que, por exemplo, está fazendo pesquisa. Então, >> por exemplo, tenho um projeto aqui que é, digamos, um orquestrador de agents, que é o que fazemos no nosso trabalho. Então, como faço os

45:37 agents trabalharem do mesmo jeito, para que minha equipe possa desenvolver de maneira padronizada e assim por diante? Existem vários orquestradores. Então, às vezes, estou fazendo minhas coisas e digo: “Cara, pesquise o que os outros estão fazendo de novo, porque tem muita coisa sendo lançada”. Então, às vezes, a cada duas semanas, uma semana eu digo: “Agora quero que você veja tudo o que está sendo lançado”. Tem alguma ideia boa? Tem alguma coisa que poderíamos estar usando? Já que, no mundo open source, as coisas são abertas? >> Sim. Então, há várias coisas que você pode fazer em paralelo, o que, numa equipe de software, acaba reproduzindo a maneira como uma equipe de software padrão

46:09 trabalharia. Então, teríamos as pessoas de produto fazendo essa pesquisa, ou os designers. >> Tenho os desenvolvedores trabalhando nos recursos que já desenvolvi. Tenho a equipe de QA e testes, que está testando, depurando e corrigindo o que está dando errado. >> Aham. >> Às vezes, já tem alguém cuidando da parte visual. Por exemplo, se for um aplicativo com frontend, você pode ter outro agent que fica só olhando para a UI, para essas coisas. >> Então, não existe uma única maneira de fazer isso, mas essa era a maneira que eu

46:39 >> que eu quero que cada, digamos, cada agent fique focado em um tipo de trabalho, para que o >> objetivo >> me ajude a organizar na cabeça o que preciso fazer. >> Legal. Porque cada agent pode fazer tudo, mas, se eu deixar que façam tudo, o problema não é o agent; o problema é o humano, o operador, que fica maluco. >> É, muitos tokens, né? >> Muitos tokens. Muitos tokens. É. >> E os agents conversam entre si ou você os gerencia? >> Em geral, eu os gerencio. Eles se comunicam por meio dos artefatos que criam, do código que produzem e assim por diante, certo? Todo mundo vai ficar >> legal,

47:11 >> digamos, de vez em quando é preciso sincronizar, certo? Aham. >> para garantir que todo mundo esteja olhando para a mesma coisa, >> mas eu, pessoalmente, nunca vi muita vantagem em criar esses modelos em que um agent conversa com outro e assim por diante. >> É. E uma pergunta sobre padronização: por exemplo, vocês têm um padrão para trabalhar com as pastas, com a estrutura? >> Como vocês estão fazendo isso na Indício, não sei, para os projetos manterem esse padrão e para que outros desenvolvedores possam usar o mesmo padrão que vocês usam ou trabalhar no mesmo projeto que vocês, o que pode ficar um pouco mais

47:42 técnico, certo? Mas, se você pudesse dar uma visão geral… >> Existem alguns padrões. É uma área muito, muito volátil, >> certo? Muito dinâmica. >> Sim. >> O que tenho visto e de que gosto é a ideia de usar specs, certo? Usá-las como se… você descrevesse o que quer fazer antes de começar a fazer. Então, você não diz simplesmente: “Faça uma página para mim, faça um… faça um SaaS para mim, >> certo? Não um SaaS de CRM para construção civil, por exemplo.

48:13 Eu queria, quero criar um novo CRM para construção civil. Não, você diz algo como: “Olha, primeiro você começa a definir junto com o agent, usando outro, vou fazer um brainstorming. Cara, eu queria criar um SaaS para construção civil. O que um SaaS para construção civil precisa ter? Ah, precisa ter tais e tais módulos. Beleza? Por onde começo? Qual módulo tenho que fazer primeiro?” E você vai fazendo esse brainstorming e salvando em documentos. >> Aham. >> Certo? Em arquivos onde você salva essa pesquisa, essa documentação, essa arquitetura do que quer criar, como se fosse um projeto de negócio. E

48:47 aí você pode usar alguns pacotes, plugins. Por exemplo, tem um chamado Spec Kit, Superpowers, tem um da Claude que é famoso, que as pessoas chamam de… >> que ajuda você a organizar esse pensamento, >> certo? E, até o momento em que você diz: “Não, agora já desenhei mais ou menos o que quero fazer, já fiz um teste de estresse com a própria IA para ver se faz sentido e para quantos usuários quero isso; então vou mandar para ser realmente feito.” >> Então, você tem todo um processo grande antes, certo? >> Exatamente. Muitos. Às vezes eu fico… >> mais importante, certo?

49:19 >> Às vezes quero fazer alguma coisa e passo a semana inteira só conversando com a equipe, só falando sobre o que quero fazer. >> Aham. >> E isso porque muitas vezes o trabalho em si leva 15 minutos. Escrever o código, montar a tela. Mas de que adianta levar 15 minutos para fazer errado? >> Você vai ter que refazer isso várias vezes. >> Então, esse é um dos pontos relacionados ao problema com IA de que as pessoas falam. Ela é muito rápida para fazer algo de que você não precisa. >> Porque quem sabe do que você precisa é você, não a IA.

49:49 >> Aham. >> Certo? E, lá na Indicium, tenho trabalhado bastante ultimamente na criação, por exemplo, até de um plugin open source — ainda não vou mencioná-lo porque está em desenvolvimento —, desenvolvendo minha própria versão do que considero útil nesses plugins. >> Aham. >> Uma espécie de “superpoder”, mas voltado para o que fazemos. Sim. >> Porque aí existem os nossos processos que eu… não só os nossos, mas os processos que considero mais úteis, nos quais tenho passado, sei lá, dois ou três meses trabalhando e testando em outras

50:21 coisas, e dizendo: “Cara, isso não funciona muito bem, aquilo não funciona muito bem.” >> Aham. >> Porque, mesmo usando esses plugins, por exemplo, depois de um tempo você começa a… Na primeira semana, é brilhante; você pensa: “Nossa, é muito rápido!” Mas depois você quer mudar alguma coisa, quer fazer algo mais avançado que depende de um monte de coisas que já fez, e começa a ficar mais difícil. Às vezes, é até melhor começar do zero, certo? >> Às vezes, é até melhor começar do zero. >> E, em teoria, o que eu penso — não sei se vai funcionar, nem sei se algum dia vai funcionar — é que, se você conseguir desenvolver bem essa parte inicial

50:51 da arquitetura e das specs, poderia jogar fora todo o código e pedir para reconstruir. >> Aham. >> E deveria funcionar. Aí você diz para a IA: “Olha, já está tudo mapeado.” Então, essa é a visão do que estou construindo. Estou construindo algo em que, enquanto crio o código, também construo o raciocínio por trás da existência dele. >> Sim. >> Assim, no futuro, quem sabe, posso jogar fora todo o código, devolver o raciocínio para a IA e dizer: “Aqui está o motivo; construa para mim.” >> Aham. Na verdade, a Anthropic lançou

51:24 ontem ou anteontem um novo recurso para Claude chamado “outcome”, em que, em vez de dizer o que você quer — em vez de dizer o “como”, como “construa uma tela para mim” —, você diz: “Quero que você crie um SaaS”, e ele tenta chegar lá sem que você explique muito o como; ele mesmo descobre como fazer. >> Ele faz a… >> otimização para o resultado que você quer. >> Aham. >> O que parece fácil, mas não é. É difícil de fazer. >> Um desafio enorme. >> É bem difícil. Outra pergunta aqui: se um dev ou um builder quiser criar um projeto,

51:54 precisa seguir um padrão da Indicium ou vocês já têm um modelo de estrutura, processos e pastas, como você mencionou? Vocês passam uma semana conversando ou existe uma estrutura replicável para os membros da equipe? E como fazem isso? Temos alguns, porque fomos criando versões ao longo do tempo. À medida que a tecnologia muda, é preciso refazer tudo. Esse é um ponto. Há coisas que fizemos no ano passado para isso que eram muito importantes, mas que neste ano já não são úteis >> porque a tecnologia mudou. Então, estamos reinventando isso o tempo todo

52:25 e criando plugins, agents e subagents. E hoje, a principal coisa em que temos trabalhado, e na qual eu pessoalmente tenho trabalhado, é isto: criar esse padrão, assim como havia outros pacotes para a área de dados antes da IA. Até para que, quando eu entre em um projeto, saiba por onde começar, saiba o que preciso entender e não seja só uma tela em branco. Porque, com IA, a tela em branco é um problema humano: há tantas possibilidades que você não sabe por onde começar. Então, como organizamos isso? >> Aham. >> Sim. E, por isso, tenho criado algo

52:57 queira você ou não, um pouco parecido com o que o OpenClaw faz. Então, você tem memória ali, tem ferramentas que podem ser usadas, e é voltado para o mundo corporativo, para o mundo de software e dados em que trabalhamos, certo? >> O que não é necessariamente o mesmo de que uma empresa menor precisa; às vezes há mais burocracia do que em uma empresa menor, >> então preciso ter mais >> barreiras de segurança e proteções nesse mundo. Sim, temos, >> porque é algo que considero bastante útil, geralmente para pequenas e médias empresas, sabe? Como tenho mais essa perspectiva aqui, para que elas tenham seu padrão >> e possam permitir que outros funcionários

53:30 sigam esse padrão e tenham seu próprio ambiente ali para Claude Code >> e entreguem bons resultados, sabe? Para não virar uma situação em que cada um faz do seu jeito. É como conversamos um pouco antes, certo, Castelo? É bom começarmos em um lugar e ir crescendo, porque, se todo mundo estiver trabalhando ao mesmo tempo… >> Aham. >> começa a virar uma bagunça, certo? Cada um começa a fazer de um jeito diferente; aí você fez de um jeito e, quando eu vou trabalhar — e, de repente, nas empresas, as pessoas mudam, certo? As pessoas

54:03 saem. Então, você tem um projeto que foi feito por alguém e não tem documentação nenhuma; foi o Claude que fez. Aham. >> Está tudo na cabeça daquela pessoa. É difícil, né? Então, é bom ter esses padrões, mas também não adianta começar só criando padrões, porque, de novo, você nunca chega a resultado nenhum. Então, o legal é criar padrões com base em alguns projetos reais que a empresa tem e ampliá-los por partes. É o que fazemos na empresa, certo? Indicium, >> certo? Pegamos um projeto e dizemos: “Vamos pegar um projeto e, com o

54:35 projeto em andamento, com a realidade desse projeto, criamos nosso próprio padrão, >> entendendo o que funciona e o que não funciona para nós, o que não necessariamente funciona para outras empresas. >> E isso varia muito; os padrões variam muito, certo? >> E aparece alguma coisa nova o tempo todo, certo? Então, é uma loucura. Sim, essa é uma das maiores dificuldades. Até dizem que é preciso… que é preciso ir mais devagar, dizem que é preciso segurar um pouco. >> É que, na verdade, tudo está rápido demais. E, às vezes, isso até prejudica a adoção, sabe? As pessoas se perdem. >> Aham.

55:05 >> Porque é muito rápido. Há coisas que não funcionam tão bem. Por exemplo, várias ferramentas que usamos ainda têm muitos bugs, e há muita coisa assim porque tudo é muito, muito rápido. Então, o que eu penso é: as pessoas precisam parar um pouco e pensar no que já têm hoje. Inclusive, há muita coisa sendo lançada que eu nem uso, porque o que já tínhamos no mês passado e eu já sei usar já é muito bom. >> Uhum. Então eu digo: “Cara, primeiro vamos simplesmente usar o que temos.” Eu aprendo, a não ser que haja mesmo algo revolucionário, mas todo dia aparecem 10 novas skills, 10. Não, você não precisa usar tudo isso, sabe? >> É. Aprenda o que funciona, o que funciona para você, e use. Deixe amadurecer um pouco. Você diz: “Cara, já sei como funciona, está funcionando, está legal. Deixa eu testar algo novo, experimentar essa outra função, essa outra ferramenta.” Não adianta querer testar sempre a próxima ferramenta, porque aí nunca chegamos a lugar nenhum.

55:37 >> Uhum. Legal. E vocês são parceiros da Claude, da Anthropic aqui no Brasil? >> Sim, sim. Estamos apoiando a Anthropic agora na adoção em grandes empresas, com workshops, treinamento interno, porque há muito interesse. Até empresas muito, muito grandes, que até me surpreendem um pouco, eram em geral mais conservadoras em relação ao uso dessas ferramentas, mas todo mundo quer usar, todo mundo está atrás disso. Então,

56:08 como consultoria, temos que apoiar essas empresas para que façam isso direito. >> Uhum. >> Muito do que discutimos aqui costuma ser na área de dados, certo? >> É dados e também software. >> Software. >> Software também. >> Uhum. >> Também há processos na área de automação de processos. >> Uhum. >> Mas a geração de código e os processos bem documentados ainda são mais fáceis. >> Uhum. >> Então, as empresas ainda estão começando bastante pelo código, mas há uma tendência, certo? Por exemplo, a Anthropic está lançando

56:41 o Claude para o setor financeiro, o Claude para o setor de saúde. >> Sim. >> Aí ele já vem com uma série de recursos para esses setores, que são muito específicos e não focados em código, mas no dia a dia. Por exemplo, criar documentos ligados ao PowerPoint, essas coisas, que são, por exemplo, parte do mundo do setor financeiro. >> Sim, >> certo? Também damos suporte a isso, mas nosso foco tem sido mais ajudar, digamos, na parte de governança da

57:11 ferramenta: como monitorar o que está acontecendo, garantir que não haja vazamentos, certo? Treinar profissionais sobre como usá-la. >> Parece desafiador demais. >> É bastante desafiador. >> Sim. E uma das últimas perguntas, Daniel: cara, que conselho você daria a um profissional, um funcionário de uma empresa, que quer começar a usar isso, mas está tão perdido com tantas ferramentas, tantos lançamentos, tantas novidades, e não sabe por onde começar? Falamos um pouco sobre a empresa, certo? Mas, para o profissional, qual seria o passo a passo na

57:42 sua opinião? >> Boa, ótimo. É uma boa pergunta, certo? Mas tenho dito isso internamente. Nunca falei dessa forma, vou tentar colocar assim. Acho que as pessoas precisam considerar agora que ter acesso a uma boa ferramenta paga — porque é diferente de dizer: “Ah, tenho o ChatGPT gratuito; não é a mesma coisa”. >> Uhum. >> Mas ter acesso a uma boa ferramenta e saber usá-la é como saber usar a internet. Você tem que incluí-la no seu orçamento mensal pessoal. Não espere a

58:13 empresa disponibilizar. Assine por conta própria. Compre uma licença do Claude. Acesse a internet e coloque os dados do seu cartão de crédito. “Ah, custa 100 reais por mês, é o plano mais barato.” Cara, quanto custa a internet? 200 reais por mês. Você tem que gastar esse dinheiro. >> Uhum. >> Você tem que fazer isso. Tem que saber usar. Leva duas ou três semanas para começar a entender por que a ferramenta é boa. Primeiro, é isso. Não acontece no primeiro dia, leva duas ou três semanas. Foi por isso que explodiu em janeiro: porque as pessoas disseram que, durante as festas de fim de ano, tiraram um tempo para usar e falaram: “Nossa, é muito bom”, porque você precisa de tempo,

58:45 certo? E precisa fazer algo legal. Crie um app. Há um profissional na empresa que você conhece, que gosta de pescar. Ele decidiu criar um app de pesca. Disse: “Para identificar, na competição, quem está pescando o melhor peixe.” Colocou uma função que identifica o tamanho do peixe pela foto, e é totalmente um hobby. >> Uhum. Então acho que as pessoas têm que experimentar. Se a empresa não oferece isso ou ainda tem muitas limitações, façam por conta própria, com um projeto pessoal. Criem um app para, sei lá, eu gosto de futebol, vou fazer um app que faça alguma coisa relacionada a futebol, certo? Aprendam a usar e tratem isso como uma ferramenta do dia a dia da qual não dá para fugir.

59:17 >> Uhum. >> Então acho que essa é a primeira dica. Você tem que mergulhar nisso, entrar nesse mundo e fazer um projeto prático. >> Um projeto prático, saber usar. >> E, se houver limitações no trabalho, faça isso por conta própria. >> Uhum. >> Não espere, porque quem esperar demais vai ficar para trás. >> Também seria bom aprender os

59:49 fundamentos, o básico, certo? >> Com certeza. E, de novo, acho que, se quiser ir mais longe, cada um tem seu jeito, certo? É como na faculdade: algumas pessoas gostam de anotar tudo, outras não fazem anotação nenhuma. >> Uhum. >> Na faculdade, certo? Então, as pessoas aprendem de formas diferentes. Se você é do tipo que aprende fazendo, simplesmente comece, experimente, faça. Ah, não, eu gosto mesmo é de saber, de entender melhor. Faça cursos, compre um curso. >> Uhum. >> De qualquer forma, você vai ter que estudar mais. Pode ser fazendo um curso, um

1:00:22 curso no YouTube, o treinamento oficial de uma plataforma, mas acho que o momento de fazer isso varia. Algumas pessoas preferem começar com um curso, outras preferem começar praticando. >> Uhum. >> De qualquer forma, você precisa fazer as duas coisas. Se quiser ser um profissional completo, o legal é que as pessoas costumam ficar bem perdidas com tanta coisa, mas basta pagar, usar para o básico, às vezes simplesmente usar o Claude, talvez passar para o Copilot, que é um meio-termo, e depois partir para a programação. Dar esses passos dessa forma ajuda muito. Mas tudo bem, Daniel, estamos chegando ao fim do nosso podcast. Acho

1:00:54 que a conversa foi muito boa. Eu adoraria ficar mais duas horas para explorar o que você pensa sobre agents e Claude Code, e marcar outra conversa. Obrigado por vir. Queria que você mencionasse suas redes sociais ou as redes sociais da Indícium, o que quiser compartilhar com o pessoal. >> Legal. Eu é que devo agradecer pelo convite para conversar com vocês. Estou muito feliz com o sucesso, com a comunidade crescendo. Também tenho muito interesse em participar de outras conversas. E, sobre as redes sociais:

1:01:28 tem o LinkedIn oficial da empresa, que é Indícium AI. Também tem o meu, acho que é Daniel Avancini. >> Uhum. >> Não tenho certeza, mas é só procurar por Daniel Avancini que vocês vão me encontrar. Também tem o Instagram Daniel Avancini. Essas são minhas redes, meu Instagram profissional, digamos. Então, esses são os lugares onde podem me encontrar e, claro, fiquem à vontade para mandar uma mensagem, conversar ou se conectar. Vou ficar muito feliz em trocar ideias. Também tem o canal da empresa no YouTube, onde publicamos algumas coisas

1:02:01 Tem o LinkedIn oficial da empresa, que é Indícium AI. Também tem o meu, acho que é Daniel Avancini, acho. >> Uhum. >> Não tenho certeza, mas você pode procurar por Daniel Avancini e vai me encontrar. E também tem o Instagram Daniel Avancini. Essas são minhas redes sociais, meu Instagram profissional, digamos assim. Então, são esses os lugares onde você pode me encontrar. E, claro, fique à vontade para mandar uma mensagem, conversar ou se conectar; ficarei muito feliz em trocar ideias. Também tem o canal da empresa no YouTube, onde publicamos algumas coisas

1:02:33 sobre IA e dados. Muito do conteúdo está em inglês, então esse é um ponto importante. Sim, olha só, agora está tudo em inglês. Que chique. >> Sim, muitas coisas estão em inglês. Mas também temos a Indício Academy, nossa plataforma de aprendizado, onde o conteúdo geralmente está em português, então há bastante material lá, incluindo treinamentos em nuvem para dados. >> Também temos algumas coisas legais por lá. E, claro, não posso deixar de mencionar isto, ou eu estaria me prejudicando, né? Temos várias vagas abertas para quem quer trabalhar na área, inclusive para quem está em transição de carreira, como

1:03:06 você mencionou, que pode ser uma grande parte do público. Aham. >> Temos vagas em engenharia de dados, ciência de dados, IA, gestão de projetos, uma série de posições abertas, e estamos crescendo bastante, tanto para trabalhar no Brasil quanto, em alguns casos, no exterior. >> Aham. Então, ah, quero trabalhar na Europa: se você tiver, por exemplo, um passaporte europeu, isso ajuda bastante. Então, temos contratado pessoas para trabalhar em projetos no exterior. >> Acho que vocês são uma das maiores formadoras de profissionais de dados e ciência de dados, né? >> Já treinamos muita gente, mais de 2.000, acho que mais de 2.000 pessoas, talvez 3.000, algo assim também. E agora

1:03:40 em junho, acho que em junho, teremos outra seleção para nossa turma Light House, que é nosso programa de treinamento, muito voltado para a transição de carreira, né? E sempre fazemos duas turmas por ano. >> A última teve 8.000 candidatos. >> Nossa, é concorrido, né? Bem concorrido. >> Mas é muito, muito bom. Muitas pessoas já passaram pelo programa, e uma boa parte da empresa veio de lá. Então, quem tiver interesse, fique de olho nas nossas redes sociais. Sim, acho que

1:04:10 há até uma página de pré-inscrição para o programa. >> Legal. Vamos deixar o link aqui nos comentários. >> Bom, muito obrigado. Obrigado a todos que estão nos assistindo. Se tiverem alguma dúvida, deixem nos comentários abaixo e vamos responder. Sigam o Daniel por lá e nos vemos no próximo vídeo. Até mais, pessoal. Ótimo.

Transcrição original

[00:00] And now we are one of Anthropic’s first global partners. We have been working closely with them in England, in the United States, and now also in Brazil. When Opus 4.5 was launched, things clicked in such a way that suddenly you had a model that was very intelligent and had the right tools. And that changed the way of developing software. Basically, today we no longer touch code. Like it or not, AI provides knowledge for development. It’s not just code, right? It gives it an industrial, engineering, factory-like feel. Knowledge is increasingly becoming subject to economies of scale. Everyone is going to kill themselves to reach 90%. That’s why Anthropic, OpenAI , everyone is fighting, a battle, >> spending trillions of dollars, because

[00:32] they know it’s possible to get there. So, everyone who is against this today will be run over. When the quartz watch was launched in the 60s, right, back when there were mechanical watches that you had to wind, and they invented the quartz watch. The first ones cost tens of thousands of dollars. Rolex had a quartz watch. In less than 10 years, there were quartz watches for a dollar, because they knew it was possible to build them for a dollar. It’s just that there wasn’t scale yet. So you have to understand, this is the trend. It won’t get there in a year, it won’t get there in a month, but it might get there in 10 years. We used to use this ladder reference a lot, right? Trying to jump from the first step to the last step. There is a whole issue of foundation, I need to understand the past, then follow my present, understand my

[01:03] present to later be able to predict the future. And there are companies, many companies that still can’t even see the past. Welcome to the No Code Startup podcast. My name is Mateus Castelo, I am the founder of the AI school for non-technical professionals. And today I am with Daniel, who is the founder of Indicio, one of the largest data consulting firms in Brazil and the world, and he will share a bit of his story here and how he is using AI projects to accelerate his projects within the company. Hey, Daniel, how are you doing? Tell us a bit about your history, introduce yourself to everyone

[01:35] . >> Thanks, good afternoon. Good afternoon, Mateus. Uh, thank you very much for the invitation. Uh, I’m very happy to talk to you and talk to the No Code folks. Uh, we have been working with professionals of all levels. Mateus will also be able to share a bit of his experience with Indium, right? With Indium in the past. >> For those who don’t know, I was the 12th or 13th employee. And how is it today? Yeah, I think Nocode is probably just as big, right? But

[02:10] >> a mere fraction, >> but we’ve always really enjoyed working with both technical and non-technical professionals, right? We’ve always done this work of developing career transitions for professionals who want to enter the field, which seems to be a big part of the audience here on the No Code Startup podcast, right? But to introduce myself quickly, I am the founder of Indicium AI. We are a global data and AI consultancy, right? Today, we have offices in Florianópolis, São

[02:42] Paulo, New York, London, and Lisbon. So we’re basically in the Americas and Europe. >> And how many employees today? >> We’re close to 700 employees. 700 employees. That’s a lot of people. >> A lot of people. >> Yeah. And we are today among the largest partners of Databricks, right? Which I think you guys must have talked about quite a bit on the channel. And now we are one of the first global partners of Anthropic, the developer of Claude.

[03:14] >> Cool. We’ve been working a lot with them in England, the United States, and now in Brazil as well; we’re going to help them start their local operation for Anthropic here in Brazil, mainly focused on large enterprises. >> Hey, I want to explore that topic more later, but tell me a little bit about how Indicium started and how it is today. Like, in summary. >> Great. Well, we started the company here in Florianópolis, right? As you mentioned, you were one of the first employees there.

[03:46] >> Uh-huh. >> And in the beginning, it’s been basically almost 10 years since we started this journey, right? And our start was really thinking—we aren’t technical, at least I and our Americas lead, Mateus, aren’t technical, right? We aren’t from a software background, so to speak. So, our focus was really on consulting. And supporting companies in using data at the time—mostly data , although I have an economics

[04:19] background, and let’s say what today is no longer called that, but back then it was called data science, right? >> Uh-huh. >> And it’s not as fashionable anymore, but I had a background in data science. >> I was already working with AI, so a long time ago. >> Already working with AI, right? Machine learning. Exactly. >> Today, people need to separate things. So we call it classic machine learning, >> uh, >> versus Generative AI, right? But yes, we had that, uh, that background. Just a point you mentioned, just explain to the folks what the difference is, very briefly, so people understand, because

[04:52] sometimes folks get quite lost in these concepts. >> Good, good. Uh, well, basically when we talk about machine learning, or more traditional AI, we are talking about being able to interpret patterns from large volumes of data. Yes, >> right? And these patterns usually require you to do supervised learning, as we call it. So, in simpler terms, we have a series of past data that says, for example, when a person enters the

[05:25] site and navigates a certain way, staying for more than 5 minutes. So, what is the probability of this person clicking a button or adding a product to the cart? Uh-huh. >> So, we take a series of historical data on how many people accessed the site, right? And we try to make the model predict what the probability is for the next people who haven’t accessed it, whom we don’t know, to click the same button, right? So, we have the past as a base, we have a >> a variable that we have already measured. So, the keyword would be trying to predict what will happen

[05:58] based on the past. >> Predict and supervised, because we have the click data, we know what the click was. >> I see. Okay, >> right? Whereas in Generative AI, which is the basis of ChatGPT, language models, there is no such final click itself, right? >> Ah, yes. >> So, what we do in Generative AI is we take text, >> take books, historical texts, and we simulate this by doing what? We hide a part of the text. >> Uh-huh. >> And try to predict what the next text would be, in this case, the next token,

[06:29] right, which is a >> it’s part of the word, really. So, it’s a different view. Yeah, first of all, it’s much more text than numbers. >> Uh-huh. And second, the way of doing this prediction is very different. >> But you were already working back then with machine learning and starting to offer consulting services in this area, so how did that evolve? >> Exactly. Exactly. We started by building models linked to marketing and sales for regional companies, let’s put it that way, right?

[07:01] >> Uh-huh. Thinking a lot about sales forecasting, churn prediction, right? When you have a client who stops buying from your store or stops subscribing to your product, demand forecasting models , for example, for stores, store positioning in a mall, what is the best store to place in that mall or that location, or what are the best—it’s what we call spatial models, what is the best place for a new store, a new supermarket for chain X based on the

[07:34] consumption profile of the region, right? Right, on the roads, on the streets, right? So, that’s what we did and still do, right, for many clients. But over time, we ended up moving much more toward the platform side, more of the technical side of the business. So, in the beginning, we wanted to generate more insights, maybe much of what the audience here on this podcast does, right? Like using data and tools within the business area. Yeah, but as we kept

[08:09] working, we realized there was a lot of work to be done on the foundation. >> I see. >> You can’t just build these tools, because even though companies want to do machine learning and AI, often it’s the final stage of an entire journey, right? >> Exactly. >> People want to skip several. >> People want to skip. We used that stair analogy a lot, where people try to take that giant leap, trying to jump from the first step to the very last one. There is the whole issue of foundations , and now, data has become a bit more

[08:43] hidden than AI because of the AI hype. But we always talked a lot, in the world we work in, about needing to understand the past, knowing my past, then tracking my present, understanding my present to then be able to predict the future. And there are companies, many companies, many departments in companies that still can’t even see the past. >> Uh-huh. >> Right? And so, for you to be able to see the past, especially in a very large company, you have to have a data platform, a well-built data structure.

[09:14] And we ended up going a lot into this side of structuring as well. >> Did you go more towards the software side or the service side, delivering a platform, how was that business model? >> Service. Service, >> right? We work with software and with large data platform companies like Databricks, like the cloud providers, right? Right? So we decided not to develop our own platform. We use, uh, we help clients, especially large companies in the enterprise space, to use their platforms correctly, to bring

[09:45] data into them, to configure security, governance, etc. >> Uh-huh. Cool. And so, how was that evolution? And then you started winning big clients, then you went outside of Brazil, which was a big leap in recent years, right? >> Yeah. Yeah, so my vision is that if you do good work, things start to appear, right? You dedicate yourself a lot to >> to looking at what is most advanced and so on. >> So, we always looked a lot abroad, always looked a lot to—I think you even participated in some things like

[10:18] that in the past, right? Yes. We looked , we were very small, but we already looked, like, hey, what is being done in the United States, what is being done at >> at the main companies and so on, and we tried to bring that to Brazil as quickly as possible. And then over time we managed to start getting into some larger companies, right? We started regionally, we started getting into larger companies in São Paulo, some clients with famous logos, etc. Then we started expanding here and also saw the opportunity to work on projects in the

[10:49] United States, doing the same thing there. Since we were already using the same technologies, it was somewhat easier, right? >> Then with the pandemic and the remote world, it was like the world became one single world, right? Everyone was working remotely, so it made no difference working from Brazil to the United States or from Florianópolis to São Paulo, from Recife to São Paulo. We have a lot of collaborators in the Northeast, for example. So we managed to go to the United States, we started working there, then we received an investment from an American fund.

[11:21] >> Cool, >> right? We expanded our presence in the United States, and now at the end of the year, we merged with a company in England, and so we also entered the European market. >> Cool. Always with that focus on services, right? AI services, besides data, how is that going today? Are you offering Generative AI services? What kind of service is proving most interesting to these companies? Yes, we do, we try to do what we call end-to-end, right? From consulting,

[11:54] advisory—a fancy name for consulting, but it’s because consulting can mean many things, but the idea is to really support people on what to do, right? So , what is it that I need to do? Where can you give me a scenario analysis of where I stand today? So, we have this consulting work, and then we also have the hands-on implementation work, right ? For example, data platforms >> and now a lot of AI. So, what is this in AI? How can I bring AI agents and

[12:29] things like that into my company, into my operations? Uh, then doing it in practice, building agents, bringing, for example, cloud code to >> my software area, training the people. So, we implement and then we also help enable and train the people, the teams, the clients to use it, right? And just to make it clear for the people watching, are there some examples like, “oh, we made such-and-such agent that does this, we made such-and-such automation that changed a company”? >> There are, there are several, let’s

[13:02] think of some cool ones here. Interesting ones, >> yeah, >> thinking about day-to-day, there are some really cool things. So, for example, there is a project we did—it wasn’t even in Brazil—where there is an energy company, let’s say, that needs to go to a house to do a to do an analysis of, for example, of the clients, of the consumers, for a number of legal reasons. This is filmed, and then they need to ensure it was done correctly.

[13:33] >> Uh-huh. So we take the images and use AI to follow an entire checklist. The AI analyzes the image, compares it with the checklist, and says: “Look, this image, this visit was done well, this one was not done well.” So imagine that you would have to have a human looking at two hours of video for each one. Uh-huh. >> And all of this is done in 1 minute, 30 seconds by AI. That’s one example. >> Wow, cool. >> We have projects, for example, many projects related to documentation issues in Brazil. Large companies have a lot of trouble with, uh, reviewing

[14:04] many contracts, for instance, that don’t match what’s in the system. This is extremely manual, extremely boring work. We can, we have projects where agents do this and ensure that things are, are working. >> This is still kind of back-office, right? But >> there are agents for building commercial proposals, there are uh, there’s the actual work itself, these are, let’s say, applications, right? >> Uh-huh. But much of what we’ve been focusing on now and supporting clients with is not necessarily building products with AI, but how I use AI to

[14:38] do the work I was already doing before, >> right, which is what we call productivity. >> Which is where no-code comes in a lot, for example. And I imagine a lot of what you teach here at No-Code, right? >> Cool. Yes. Yeah, in our case, it’s usually for people who are either creating their first project, want to create a product, want to create a SaaS , there’s this more entrepreneurial crowd that’s just starting, but now a lot of companies are also appearing. Generally, our focus ends up being small and medium-sized businesses. And folks focus quite a lot on that, right, on productivity, on being able to

[15:11] automate areas, automate processes. So we are exploring this area a bit more, which before was very much about entrepreneurship, right? And now it’s a bit more in the corporate environment. From what I understood of you guys, it’s a bit more for large companies already. >> That’s it, 100%large companies. Yeah, >> yes, 100%. >> Yeah, no, our focus is on enterprises, so in general, they are companies that have a revenue of at least 1 billion reais, let’s imagine that. Uh, >> cool. So, it ends up being larger companies. Not that we haven’t worked with smaller companies, we, you know, started with companies of all sizes,

[15:41] >> but it turned out that over time we ended up, uh, targeting larger companies, right? But the problems aren’t that different, >> right? >> I would say that very large companies have much more bureaucracy, processes, political difficulties, mainly because >> sometimes you’re talking about a legal department of a company that has 700 people, 500 people. And what has been the pain point for these large companies? Do we want to be more productive in the legal department here to review contracts and automate this entire process? So it’s basically

[16:13] process automation in departments. >> Yeah, I think back-office process automation is safer. >> Uh-huh. >> So, as good as it is today, putting it in a client’s hands, right? I mean, even ridiculous examples of people using a pizza chatbot. I won’t mention the client’s name here, the company’s name here, >> but people using a fast-food chain’s chatbot to solve their coding problems, because you send the prompt and the system returns the result. So people are like, “Oh, you’re out of tokens, just use the

[16:45] >> chatbot from restaurant X, they’ll answer you,” you know? Because it’s really hard to control it 100%. And humans are very creative. >> Yes. And when you give a human a challenge, for example, “I want to break this system,” there are people who will spend 24 hours a day trying to break it, just to post on Twitter that they broke the system. >> They’re dedicated. >> So people are truly dedicated, right? So when we talk about the end customer, there are so many guardrails, there’s

[17:15] so much, right? There are many complexities in putting it out to the end customer. When we talk internally, it’s easier, because whether you like it or not, there’s, you know, >> they won’t reach that, there won’t be that incentive, right, to break the system. But then another problem comes in. You mentioned a very important word : process mapping. It’s very difficult to find good process mapping. So >> I’m inside a huge client talking about legal, talking about CRM, talking about these systems, but there’s no well-defined process, like, so much

[17:48] stuff is in people’s heads. >> Uh-huh. >> So, no matter how good the model is, no matter how good the technology you’re developing is, it won’t decipher what’s in people’s heads. So, we have to be able to get what’s in people’s heads into documentation, into a system. So that’s very much a process job, right , production engineering, those things, more engineering, >> than necessarily AI and technology. >> So that’s the challenge for big companies, but it’s also the challenge for smaller companies, even a family business. >> Yeah, I think it’s everyone’s challenge

[18:19] , right? What I see most often is people wanting to skip several steps and create an AI agent to connect to WhatsApp right away. Skipping several steps and automating something that doesn’t even have a process for it. You’re automating before you have the process. What is the step-by-step? Make a checklist, then you can train and follow that process, right? >> Yeah. And there’s a phrase people use: just because you can build it, doesn’t mean you should build it. >> Uh-huh. >> Right? AI made it very easy to be able to build. You can build things faster and easier. >> Uh-huh. >> But you shouldn’t always build it. You have other things to do first.

[18:51] >> And I also think an important point you should talk about is that it’s very easy to make a prototype. >> Uh-huh. >> It’s not that easy to make something that will work every day for all scenarios. >> Yeah. And that’s where the whole software development structure comes in , right? Not that you can’t do it alone and not that it isn’t easier today than it was 5 years ago. It’s much easier. >> Yes. Yeah. >> Right? But just because you started now doesn’t mean you’ll be able to do it in a week. You have to understand a bit

[19:21] about how software is developed and so on. Maybe today you don’t need to learn programming like it was in the past, so hardcore. You need to know how >> to debug, find a bug, a problem within the Python code, for example. AI does that for you. >> Yes. >> But you knowing how you organize your work, how you organize a SaaS, for example, >> Uh-huh. how you organize the modules, the product features? >> Basically an architect who connects all the puzzle pieces, knows how to join

[19:55] and orchestrate, right? >> The work of software architecture or product design or product management, it hasn’t disappeared. It’s even more important than it was before. >> Yes. No, you hit on a really cool point that has always been our mission at COD startup, that we wanted to democratize access and the creation of technology for non-technical professionals. >> And we had no-code tools, right, like Bubble and FlutterFlow, which still exist today, >> but we never managed to carry on with that mission, it was difficult, it

[20:26] wasn’t the reality for companies or people; it was possible, but it didn’t democratize, and nowadays with AI, it has become much easier. So, basically, it’s saying that everyone is a builder now, right? Everyone can build now because of low-code and cloud tools. So , everyone can do it. Now, what sets people apart is understanding the fundamentals, process mapping, what each technology does, and how they interact to actually build projects that aren’t just MVPs, but are truly useful and scalable.

[20:59] >> 100%, 100%. Anyway, I don’t want to discourage anyone, right? I don’t, especially because everything is possible to learn. I mean, I’m perhaps a practical example of that too, and you are as well, right? We aren’t trained programmers, we didn’t spend >> 5, 6, 7 years in programming, and we managed to work with this and build this, but it wasn’t in a month, it wasn’t in a week, and it wasn’t without effort. >> Uh-huh. >> Right? We have to study, we have to

[21:30] look for, for example, if I want to develop software, how is software developed? What problems does it address, right? I’ll take a course, watch a YouTube video, watch one, buy a book on software development. >> Yes. >> Those books aren’t programming books. >> Uh-huh. >> If you pick up classic books on programming, on software development, they aren’t books with a bunch of— there are a lot of lines of code there, but there are >> concepts, there are, you know, best practices. Exactly. How you’re going to do anything, right? And when you think of architecture, for example,

[22:00] engineering and so on, right? It’s rare today for an architect or an engineer to have to do calculations by hand. You’ll use software, some CAD program to do it, >> but you have to understand the basics of calculus so you can understand what it’s doing, right? >> Uh-huh. >> It’s the same thing. It’s easier to change things incrementally. So, when you already have software that’s somewhat solid and say, “Hey, I want to add a new button, right? I want to change the color of something.” That is very good, it’s very easy to do. But when you say, “No, I’m going to create a system, a SaaS, for example,” and

[22:33] even more so for those starting out who say, “Man, to make money, I need 200,000 users.” Because that’s very common in SaaS, right? You start a SaaS there, but in the beginning it’s cheap, and so on. So you have to scale this tool sooner or later, and then you depend on a bunch of problems, not just infrastructure, >> Uh-huh. >> cloud, >> yeah. >> Data platform, databases, >> that if you do that very poorly, very wrong, it won’t work, it’ll start to

[23:04] slow down, it’ll break. >> Uh-huh. >> And then you start getting mad at the AI. But it’s not the AI’s fault, right? It’s just that >> behind the computer there. >> It’s a bit about who is providing, who is writing the prompt for it. Exactly. >> Yes. Great, Daniel. Let’s talk about cloud code, since I’m curious because you mentioned you’re already using it in some projects within indicium, I don’t know if there are internal projects inside the company. I also wanted to know about external cases, how you see cloud code and similar tools within companies, the good things , the not-so-good things, the main challenges. >> Cool.

[23:35] >> How is it going, >> man? It’s great. Great. Uh, so I’ll try this: before cloud code, right, you must have, I remember you did some courses on cursor and other tools before, right, Windsurf, anyway. >> Yes. >> So, this this this area, this idea of development with agents, it actually predates cloud code, right? Uh, the thing is that in the last six months, basically since November of last year, some things have happened, right? One

[24:10] is that in the past, the idea before Cloud Code was very much that you had to develop these agents, they would use some very organized ways to identify what’s in the project, using rag, using these things that are a bit out of fashion today. And with cloud code, the idea was like, man, you don’t need to do anything too complex, you just need to let the agents search on their own. You give it tools, you tell it how to search for files, how to read files, how to execute things, and it will do it by itself. It already had some good

[24:43] results at the beginning, but around November, when Opus 4.5 was launched, it was the new model from Anthropic, things clicked in such a way that suddenly you had a model that was very intelligent and had the right tools. >> Uh-huh. And this changed the way we develop software, like, >> night and day, >> night and day. So, we tried. For example, last year, we ran tests using these tools ourselves and such; it worked for some cases, but it wasn’t like, “wow, I’m going to replace the way I work,” or “I’m going to change my day-to-day workflow.” After cloud code,

[25:18] Opos, etc., mainly starting in January of this year, let’s say, it’s very recent, it’s been 4 months, but it feels like an eternity, it changed a lot, just like at Anthropic when they talk about this, right? Basically, today we don’t touch code anymore, this is becoming widespread, I practically only use cloud code for almost all my development, because it actually gets things done. Now I know what I’m doing when I’m developing with it, right? This architect’s job. I said, it’s not just telling it to do it, you have to

[25:52] talk to it, understand what it’s doing, right? So it is a great assistant that handles much of what was hard to do in programming, where you had to understand the code, it does it for you , but you have to guide it >> in the right way, right? >> Yes. And we did start using it both for internal development and in several projects where we can use it, right? Of course, it’s not simply replacing everything, let’s say, now we’re only

[26:22] going to use cloud code for everything. >> Uh-huh. >> Especially in large companies, because there are many complexities, right? >> Bureaucracies too, right? There are bureaucracies to use it, there’s a series of internal things that make it much easier to start a new project than to work on a company’s codebase that sometimes has millions of lines, right? So >> it doesn’t hold the entire context of the software. You have to tell it to read such documentation, read this, read that. These are the restrictions for how to put this into production. So

[26:54] >> there are some challenges. A question, when you go to do a project, for example, using cloud code within companies, >> how is this relationship with sensitive data there? What will the cloud code be able to access? If companies are open to this or if they are very strict, which for me is one of the main problems there. That is a big challenge . It always has been, right, in the world of consulting or services as a whole. >> Uh, there are ways for you to protect and ensure data security, both when using cloud code and when humans are working. So, there are, you can,

[27:30] depending on the account, like with Anthropic, configure things so it doesn’t train on your data. You cannot pass keys and secrets to it. You have to do it >> using this credential reading the right way, right? I don’t want to get into anything too technical here, but >> you don’t want to pass a bank password to cloud code, even though it’s unlikely to appear anywhere, but for security, you don’t want to, right? Uh, but look, there are ways you have to create within a very large company as

[28:04] if they were, it’s like a prison, I don’t know if it’s a good example, but you have security perimeters >> controlled. security perimeters. You have the immediate perimeter, let’s say , the cell for a specific piece of data . Then you have the block, then you have the wall. So you keep creating several perimeters so that in case there’s a problem with something, you have a security layer, just like it’s done in almost everything in a large company regarding network systems and infrastructure, right? >> And training, right? teaching people how to use it, saying what they can’t

[28:35] do, and how they can. But I feel that large companies today, just like most of the people listening to this podcast , know there is so much value in using these tools, right? I’m always asked how much I generate? There are projects where you can get 30%, 40%productivity like that, without much effort. >> Or work hours, >> imagine that I used to spend 10 hours to do something, now I’m spending 7 hours, 6 hours to do something. >> This is without much effort. What do I mean by that? I’m not automating

[29:06] everything yet. I still have someone pushing the button, someone looking at what it’s doing and reading it. If you can create a very well-rounded work process, which isn’t easy and not just anyone can do, and it doesn’t happen in a week, because you understand it as you use it. There are people who joke and say: “The first week using cloud code, it’s like, oh my God, it’s over, it’s over, I’m going to get fired, my life is over, I have no more work.” >> Uh-huh. After three or four weeks you say: “This thing is so dumb, I’m all

[29:37] set, my job is safe.” And after two or three months, you say: “Hmm, maybe I should be a little careful, because” >> as you keep using it, you go through waves of illusion and disillusionment, right? Illusion of “wow, it’s amazing,” then “wow, it’s so dumb.” But it’s neither of those, right? It is very intelligent, very powerful; you just have to know how to use it. >> Uh-huh. But if you know how to use it within your world, so, for example, you say: “Ah, there are many people here who aren’t devs and work in a business area or a company with a very streamlined process that you understand

[30:11] deeply,” >> sometimes you can reduce 90%of your work. >> Uh-huh. Have there been cases like this in companies, would you say, more personally >> that it already accelerated >> that I reduced 90%of the work. >> Uh-huh. You know, in a company, with all the complexity of adoption, it’s much harder to reach 90%, but it is possible to get there. And so, one thing I say at the company is that there is reality, and there is the trend. >> Uh-huh. >> When we, so, when we work in a lab, right, which is what we try to do

[30:41] inside, at least I try to do a lot, in what I manage within the company, I say : “Man, let’s stress test this to the limit, to see how far we can go, right? ““And sometimes, depending on what it is, you can reach 90%.” >> Uh-huh. >> You can even reach more than that. So, what does that mean? It might take 10 years to reach 90%because there’s a series of problems that need to be solved, but if it can be reached and there is value in reaching it, it will be reached. >> Uh-huh. Right? There will be a path where companies, processes,

[31:16] universities, everyone will adjust because there is a lot of value in reaching 90%. Today, perhaps the reality >> for large companies is 10%. >> Yes, I understand. >> In 3 or 4 months, maybe it will be 20%. >> Uh-huh. >> But that is the trend. So, why do I say this? Because those who aren’t in this world yet, who aren’t learning, who don’t know it, and don’t care much about it, have to understand that the trend always wins.

[31:47] >> I see. >> If you don’t prepare yourself, you’ll be left behind by it, right? Because it is possible to reach 90, someone is going to get there. Let me give a very, I like to use this same example, but, eh, it has nothing to do with AI. But, to understand the problem, AI is, like it or not, it applies to knowledge, to development. It’s not just code, right? To knowledge, everything that involves words, that we use words to solve.

[32:19] >> It adds a touch of industry, of engineering, of manufacturing to it. In other words, knowledge is increasingly becoming subject to what we call economies of scale. I am an economist, for those who don’t know. So, >> yes. >> And here is an example. When the quartz watch was launched in the 60s, which is the watch we have, everyone has one, since there were mechanical watches that you had to wind, and they invented the quartz watch. The first ones cost tens of thousands of dollars. Rolex had a quartz watch. >> Uh-huh. In less than 10 years there

[32:52] were quartz watches for a dollar, because it was known that it could be built for a dollar, it’s just that the scale wasn’t there yet, but the trend was so strong that after 10 years they were worth nothing. So much so that today any watch, you can buy a very, very cheap watch anywhere for just cents. >> Uh-huh. >> And that is somewhat the problem with AI here, you see? When you say, it is possible to reach 90%, even if it’s in a lab, everyone is going to kill themselves to reach 90%. That’s why Anthropic, OpenAI, everyone is fighting

[33:24] , >> the battle, >> spending trillions of dollars, because they know it is possible to get there. So, everyone who is against this today will be, will be run over. So, you have to understand, that is the trend. It won’t happen in a year, it won’t happen in a month, but it might happen in 10 years. So I need to adapt to that and understand where >> the value is, where the value is in what I do, what I know how to do, and what I need to learn so I don’t have to do it anymore. >> Uh-huh. You say that applies both to the employee, the professional, and

[33:54] also to the company, right? Whether companies are adopting AI or not. >> Both. Exactly. Professionally, individually, me, Daniel, me, Mateus, >> I need to understand what I do, what makes me different, and what buttons I press. Anything that is just pressing a button, I’ll likely have a problem, because these tools press buttons very well. >> Uh-huh. And not just pressing a button like in the past, like no-code, where sometimes you’d do something, but it took work, and anything that wasn’t

[34:25] within those rules we defined would break. >> But these tools go way beyond the obvious, they go much further than those other tools. So it’s a much more complex button that they press. >> Uh-huh. >> So we have to understand, man, I’m a product guy, what do I know about product? What kind of input can I provide? What can I do differently? How can I study the product side better than what I know? How can I study my market better? >> Uh-huh. >> And leave the part, for example, of making the best slide in the world to AI, because AI makes slides very well, it’s already learning to make slides, >> it’s already good.

[34:57] >> So if my business is making slides, I have to understand the trend is that this is worth less and less. die. >> If my business is instructing it to make the best slide, storytelling won’t die. Storytelling won’t die. I mean, making a bunch of slides will die. Now, making three slides that say everything >> is an art. >> Yes. >> So that’s what we have to understand as individuals. >> And as a company, it’s something similar, understanding that if today I have 100 people whose main job is making slides, how much of that is an

[35:30] art? Is it something that generates a lot of value for my company, and how much of that is simply things that have always been here, processes that exist just because they have to, >> yes, >> and not something that really generates value. This, again, will have…it might not be you, it might not be your biggest competitor today, but there will be someone, it could be a startup, it could be someone watching this video here, this podcast, someone who is starting out, who wants to say: “Man, I’m going to open a…for example, when I look at an insurance company, right, there are 5,000 people at the insurance

[36:04] company who are reading documents and that is obviously part of the cost of the insurance, it’s in the insurance premium.” >> Yes. If I were to build an insurance company that has 100 people instead of 5,000, I could probably charge lower insurance premiums and win the market. So, if you are an insurer with 5,000 people or a lot of processes, you ask: “How do I use these 5,000 people for more useful things and not let this startup come in, as has happened in other markets before AI, and in other

[36:37] areas, right?” Banks, for example, where people came in saying: “Hey, I don’t have branches, so I’m much more efficient, I can offer cheaper rates, and I’m going to steal the market,” and it happened. >> Uh-huh. So today with AI, if I’m a company, I have to look not only at what I and my competitors are doing, but that a new company could come along , a startup could appear. So people say this will be the biggest explosion of entrepreneurship in history, because anyone can look at a process or a business and say: “Man, 90%of this, in theory, I can change,

[37:10] >> so I’ll start a new company and win this market.” >> But then there will be a lot of people starting new companies too, right? Yeah , competition will go up, there’s that point. >> Exactly. So, >> there are two problems. A, it’s the timing; whoever starts first will have a better chance. >> Yes. >> And there’s the difficulty too, because it will be a super competitive market. Because, and there’s another point I think is cool, just going back to what I said about processes and such, which is, if you think using the cloud or using an equivalent from OpenAI or

[37:41] Google, etc., is a competitive advantage, it’s not. Because anyone can subscribe, >> but it ties into what we said, right? Anyone is a builder now, anyone goes out there and builds. But the difference, I think, is even in these fundamentals, these slightly more technical concepts, right, to know how to connect them. And for me, for example, a product manager role, the person who knows product processes, understands the theme, can unite all the intelligence of creating the product, of launching the product,

[38:11] combined with technical fundamentals, but the low-code is unstoppable. >> Yes. Eh, and that’s a point even going back to the world of data, right? And and over at Indicium, uh, we also have our own academy, right? We’ve trained a lot of people in data, with courses related to data and BI, dashboards, analytics, etc. What I used to tell people who wanted to make a career transition, for example—a lot of people want to, and do want to

[38:45] transition into the data field. >> Uh-huh. Uh, I would always say: don’t throw away your experience, right? Sometimes a person has 15 years in marketing, 15 years in logistics, 15 years in the financial sector. >> That is their unique differentiator, right? >> Exactly. I’d say: “Man, no, you aren’t going to be, you aren’t going to be the best data professional in a month, with the experience of a one-month course you’re about to take .” >> Uh-huh. >> But maybe you’ll be one of the best logistics professionals who knows data.

[39:18] Exactly. Now you’ll know both. So, bringing it all together. >> Exactly. So, if you can combine your business experience, what you know how to do, your life—right, your life experience—with this technology and know how to bridge the two, then you have a competitive edge. And many people forget that. People forget what they had in their background >> and think, “No, I’m going to dive headfirst into this new tech and I’ll know everything about it and I’ll become a millionaire with AI,” right? It might be; some succeed, but you have to think that just as you have three

[39:51] months of coding, there are thousands of other people who will have three months of coding. But, right, how much you’ll really be able to differentiate yourself >> is is harder. >> Cool. And Daniel, man, a tip you would give, perhaps a bit more focused on small and medium-sized businesses— which I think is most of the crowd watching—to start inserting code into their routines, into their processes, to gain productivity. What would you say, like, phases or steps, like: first thing, I’ll map the processes. Now I’ll

[40:23] start using code, more individual and simple automations. Then I’ll use a whole AI operating system here; what tip would you give to these folks? I think you have to parallelize things a bit, right? >> At the very least, you have to realize one thing: everyone is already using it . You have to assume that everyone is going to use it. First, there’s no point in trying to block it and saying: “In my company, it can’t be used.” People are going to use it, >> they are already using it. >> There’s no way to control it. Because if you say you can’t use ChatGPT, you

[40:53] can’t use Claude, the person can just take their phone, take a picture of the screen, and use it. >> Uh-huh. They can talk to their phone, or make a video of the phone showing the screen. So it’s practically impossible for IT, for example, the classic approach, to say: “It is forbidden to use tool X in my company.” So, first, assume that everyone is using it. So, the first thing is, let’s train everyone, let’s hire a course from you guys, hire a basic course, at least so the staff has some notion of what they are doing and doesn’t, right? Not put confidential information there

[41:23] into the system, etc., not share a wrong prompt there, and so on. So, the first thing is to reach a minimum level of team qualification, then find the low-hanging fruit. There’s a lot of low-hanging fruit, as we say, right? There are certainly areas that people don’t like to work in, >> manual tasks, like, >> manual, tasks that were necessary, are necessary, but that nobody likes to do, and if we eliminated this process, automated this process, it would be a gain for everyone. Everyone would be

[41:56] happy. Uh-huh. >> So, I think starting with the “happy” stuff is always good, right? Like, “I need to fill out this form here that everyone spends a good amount of time on.” Man, filling out forms with AI is a marvel, it fills them out super well. So let’s fill out forms, right? And so, in this work of mapping processes, right? You can hire an external consultant or train a company employee >> to be, let’s say, a champion inside there who will >> radiate knowledge. That is very, it works very well. There are many people

[42:27] wanting to enter this world. So, sometimes, hey, I’ll take this person here who likes technology, they are already doing this in their, in their personal life. Let’s train them a little more, take them out of their day-to-day a bit and say: “Look, your job now is to try to adopt these technologies in here and teach other people how to do it.” This works very well. And then do this process work, etc., but with real cases. It’s no use just staying, “I’m going to map every process in my company.” That doesn’t work. >> Uh-huh. It’s slow and it’s a drag. So I

[43:01] have this process that’s a real pain, nobody likes doing it, I’ll take someone, train that person or hire an external consultant, and I’ll fix this one first properly. >> And little by little, right? Look at what’s most critical and focus only on that one, because sometimes I think people get paralyzed, you know? Since it’s all cloud code, so much to automate, it feels like you’re way behind, sometimes just focus on one single thing and keep testing and going . There’s a problem people have been talking about a lot, which is that supposedly AI reduces our workload. We were just saying here that it can be reduced by 90%.

[43:32] >> Yes. >> But if you do 100 more things, you get just as overloaded anyway. >> Yeah. And everyone is doing extra things, right? In theory. >> A lot. I personally had a time a while back where I had 12, 15 agents running at the same time. >> Uh-huh. >> You know? So I was like looking at 15 things at the same time, but there comes a point where your head explodes because we don’t have the capacity to supervise them. It’s the same problem as…Whether you like it or not, like, at the company, in my area there must be about 350 people.

[44:03] >> That I lead, not directly, there are leaders, managers, etc. But there must be about 350 employees in my, in my department, right? That’s, it’s hard. You have to have managers, coordinators , you have to have a promotion process. Uh-huh. >> Right? Performance reviews, all these HR things, let’s say, >> it’s the same thing with the agents. >> So, many people are starting to, the developer or the person is starting to suffer from the same problems of managing people. >> Uh-huh. >> Because you have eight people working.

[44:35] Are they doing what’s needed? Am I giving the right instructions? They’re idle, and you say: “Oh my God, I’m leaving this agent idle here, I’m being , >> I’m being a bad manager because it’s not doing something.” So you have to be a little careful not to get overloaded yourself. >> Yes, >> because now that you can do too much, you end up doing even more than you can handle. So that’s also a challenge. >> Out of curiosity, what were these agents doing while you were managing them? >> So, various things. Sometimes I have, for example, an agent doing research, so let’s imagine I’m developing something, software, a product.

[45:06] >> Uh-huh. So, sometimes I have one agent developing one part of the product, another agent developing another part, another feature. I have another agent that is, for example, fixing a bug or looking or testing things, right, to see if they are working. And sometimes there is a >> all in parallel, >> all in parallel. And sometimes there is even another agent that is, for example , doing research. So, >> for example, uh, I have a project there that is, let’s, let’s say, an agent orchestrator, which is what we do in our work there. So, how do I make the

[45:37] agents work the same way so that my team can develop in a standard way and so on? There are several orchestrators. So, sometimes I’m there doing things, I say: “Dude, research what others are doing new, because there’s a lot being released.” So, sometimes, every two weeks, one week I say: “Now I want you to look at everything that’s being released.” Is there any good idea? Is there anything we could be using? Since in the open-source world things are open? >> Yes. So there’s a series of things you can do in parallel, which in a software team ends up replicating how a standard

[46:09] software team would work. So we would have the product people who are doing this research or the designers. >> I have the developers who are developing the features that I already developed. I have the QA and testing personnel who are testing and debugging and fixing what is going wrong. >> Uh-huh. >> Sometimes there is already someone who is visual. So, for example, if it’s an app that has a front end, you can have another agent that is just looking at the UI, at those things. >> So, it’s not, there isn’t a single way to do it, but this was the way that I

[46:39] >> that I I want each, let’s say, each agent to stay focused on one type of work to >> objective >> for me to organize my head of what I need to do. >> Cool. Because it can, each agent can do everything, but if I let them do everything, the problem isn’t the agent , the problem is the human, the operator who goes crazy. >> Yeah, lots of tokens there, right? >> So many tokens. So many tokens. Yeah. >> And do the agents talk to each other or do you manage them? >> I manage them in general, they communicate through the artifacts they build, through the code they make, and so on, right? Everyone will be >> cool,

[47:11] >> let’s say, uh, every once in a while you have to sync, right? Uh-huh. >> to make sure everyone is looking at the same thing, >> but I don’t, I personally never saw much advantage in making these models where one agent talks to another and so on. >> Yeah. And a question regarding standardization, for example, do you have a standard for working with your folders, your structure? >> How are you doing that at Indício, I don’t know, for projects to maintain this standard and for other builders to be able to use the same standard you are using or work on the same project as you, which might get a bit more

[47:42] technical, right? But if you could give a general view, >> so there are some standards, uh, it’s a very very volatile area, >> right? Very dynamic. >> Yeah. >> Uh, what I’ve been seeing and liking is the idea of using specs, right? To use them as if, you know, you describe what you want to do before you start doing it. So, you don’t just say: “Make a page for me, make a, make a SaaS for me , >> right? Not a CRM SaaS for civil

[48:13] construction, for example. I wanted, I want to make a new CRM for civil construction. No, you say like, look, you first start defining with, with the agent using another one, I’m going to brainstorm. Man, I wanted to build a SaaS for civil construction. What does a civil construction SaaS need to have? Ah, it needs to have such and such modules. Okay, cool? Where do I start? Which module do I have to make first? And you go on doing this brainstorm and saving it in documents. >> Uh-huh. >> Right? In files where you save this research, this documentation, this architecture of what you want to build, as if it were a business project. And

[48:47] then you can use some some uh packages, plugins, for example, there’s one called specit, uh, Superpower, it’s one from cloud that’s famous, that people call, >> that helps you organize this thinking, >> right? And up to the moment you say:” No, now I’ve more or less designed what I want to do, I’ve already stress-tested it with the AI itself, if it makes sense, for how many users I want, then I’ll send it to be really made. “ >> So you have a big process beforehand, right? >> Exactly. Many. Sometimes I get >> more important, right?

[49:19] >> Sometimes I want to do something, and I spend the whole week just talking to the team, just talking about what I want to do. >> Uh-huh. >> And that’s because doing the actual work often takes 15 minutes. Writing the code itself, building the screen, but what’s the point of spending 15 minutes to do it wrong? >> You’ll have to redo it over and over again. >> So that’s one of the points regarding the problem with AI that people talk about. It’s very fast at doing something you don’t need. >> Because you’re the one who knows what you need, not the AI.

[49:49] >> Uh-huh. >> Right? And there at Indicium, I’ve been working a lot lately on building, for example, even an open-source plugin —I won’t mention it yet because it’s still in development—but developing my own version of what I find useful in these plugins. >> Uh-huh. >> A sort of” super-power, “but geared toward what we do. Yeah. >> Because then there are our processes that I’m…not just ours, but what I see as the most useful processes that I’ve been, I don’t know, two, three months building and testing on other

[50:21] things, and saying:” Man, this doesn’t work very well, that doesn’t work very well. “ >> Uh-huh. >> Because, even using these plugins, for example, you start after a while…in the first week it’s brilliant, you think:” Wow, it’s so fast! “But later , you want to change something, you want to do something more advanced that depends on a bunch of things you already did, it starts to get harder. Sometimes it’s even better to start over, right? >> Sometimes it’s even better to start over. >> And in theory, what I think—I don’t know if it’ll work, I don’t even know if it will ever work—but I think that if you can develop this initial

[50:51] part of architecture and specs well, you could throw away all the code and tell it to rebuild. >> Uh-huh. >> And it should work. Then you tell the AI:” Look, it’s all already mapped out. “So, that’s the vision of what I’m building. I’m building something where, as I build the code, I’m also building the reasoning behind why that code exists. >> Yeah. >> So that in the future, who knows, I can throw away all the code, give the reasoning back to the AI and say:” Here’s the reason, you build it for me. “ >> Uh-huh. Actually, Anthropic launched

[51:24] yesterday, or the day before, a new feature for Claude called” outcome, “ where instead of telling it what you want—instead of telling it the” how, “like” build me a screen “—you say:” I want you to make a SaaS, “and it tries to get there without you explaining much of the how; it figures out the how itself. >> It does the >> optimizing for the result you want. >> Uh-huh. >> Which seems easy, but it’s not easy. It’s hard to do. >> A huge challenge. >> It’s quite difficult. Another question here: if there’s a dev or a builder who wants to create a project,

[51:54] do they have to follow an Indicium standard, or do you already have a pattern for structure, processes, and folders, just like you mentioned? Do you spend a week talking, or is there a replicable structure for the team members or not? And how do you do that? We have a few, because we’ve been making versions over time. As technology changes, you have to redo everything. That’s one point. There are things we did last year for this that were very important, which this year are no longer useful >> because the technology has changed. So, we’re reinventing this all the time

[52:25] and building plugins, agents, and sub-agents. And today, the main thing we’ve been working on, which I’ve been working on personally, is this: building this standard, just like there were other packages for the data field before AI. Even so that when I go into a project, I know where to start, I know what I need to understand, and it’s not just a blank screen. Because with AI, the blank screen is a human problem; there are so many possibilities that you don’t know where to start. So, how do we organize this? >> Uh-huh. >> Yes. And so I’ve been building what,

[52:57] like it or not, is somewhat similar to what OpenCla does. So you have memory there, you have tools that can be used, and it’s geared toward the enterprise world, the software and data world that we work in, right? >> Which isn’t necessarily the same as what a smaller company needs; sometimes there’s more bureaucracy than in a smaller company, >> so I have to have more >> guardrails and protections in this world. Yes, we have, >> because it’s something I see as quite useful, usually for small and medium-sized companies, you know, since I have more of that perspective here, for them to have their standard >> and be able to have other employees

[53:30] follow that standard to have their own environment there for cloud code >> and deliver good results, you know, so that it doesn’t become a situation where everyone does it their own way. It’s like we talked about a little earlier, right, uh, Castelo, uh, it’s good that we start in one place and scale up, because if we have everyone working at the same time >> Uh-huh. >> it starts to become a mess, right? Everyone starts doing it in a different way, then you did it one way, and when I go to work—and suddenly in companies, people change, right? People

[54:03] leave. So you have a project there that was done by someone that has no documentation at all, it was the Cloud that did it. Uh-huh. >> It’s all in that person’s head. It’s difficult, isn’t it? So it’s good to have these standards, but it’s also no use starting just by creating standards , because again, you never reach any results. So the cool thing is to build standards based on some real projects the company has and scale that in parts . That’s what we do at the company, right? Indíci, >> right? we take a project, we say:” Let’s take a project, and with the

[54:35] project happening, with the reality of this project, we build our own standard , >> understanding what works, what doesn’t work for us, which isn’t necessarily what works for other companies. >> And it varies a lot, standards vary a lot, right? >> And something new pops up all the time, right? So it’s crazy. Yeah, that’s one of the biggest difficulties. Even people say you have to, uh, slow down, they say, you have to hold back a bit. >> It’s because, in fact, it’s too fast. Uh, and sometimes it’s even bad for adoption, you know? People get lost. >> Uh-huh.

[55:05] >> Because it’s very fast. Uh, there are things that don’t work that well. So, like, several tools we use still have a lot of bugs, there’s a lot because it’s very, very fast. So, like, and, and, what, but what I think is: people need to take a, stop a little and think about what they already have today or, including a lot of what is being released, I don’t even use, because what we already had last month and I already know how to use is already very good. >> Uh-huh. So I say: “Man, first let’s

[55:37] just use what we have.” I learn, unless there’s really something revolutionary, but every day 10 new skills come out, 10. No, you don’t need to use all of that, you know? >> Yeah. Learn what works, what works for you, and use it. Give it some time to mature. You say: “Man, I already know how it works, it’s working, it’s cool, let me test something new, let me try testing this other function, this other tool.” There’s no point in always wanting to test the next tool, because then we never get anywhere.

[56:08] >> Uh-huh. Cool. And are you partners with Claude, with Anthropic here in Brazil? >> Yes, yes. Yeah, we’re supporting them, Anthropic now in adoption at large companies, right, workshops, uh, >> internal training, right, because there’s a lot of interest, like, >> even very, very large companies that >> uh, even surprise me a little, they were mostly more conservative about using these tools, but everyone wants to use them, everyone is after it, so

[56:41] as a consultancy, we have to support these companies to do it right. >> Uh-huh. >> A lot of what we discussed here, >> is usually on the data side, right? >> It’s data and also software. >> Software. >> Software too. >> Uh-huh. >> There are also processes in the area of automation processes. >> Uh-huh. >> But code generation and well-documented processes are still easier. >> Uh-huh. >> So companies are still starting a lot with code, but there is a trend, right? For example, Anthropic is launching

[57:11] Claude for the financial sector, Claude for the healthcare sector, >> yes. >> Which then already has a series of things for these sectors that are very specific to them and not focused on code, focused on day-to-day, for example, creating >> uh, documents, you know, linked to PowerPoint, those things, which is, for example, the world of the financial sector. >> Yes, >> right? Uh, we also support that, but our focus has been more on helping, let’s say, the governance part of the

[57:42] tool, how to monitor what is happening, ensure there are no leaks, right? Train professionals on how to use it. >> Seems too challenging. >> It is quite challenging, >> yes. And one of the last questions, Daniel, man, what advice would you give to a professional, an employee who’s at a company, wants to start using it, but is so lost with a bunch of tools, a bunch of launches, so many new things, and doesn’t know where to start? >> We talked a bit about the company, right, but now for the professional, what would be their step-by-step in

[58:13] your view? >> Good, great. It’s a good one, a good question, okay? But I’ve been saying this internally, I’ve never said it like this, I’ll try to put it this way. I think people need to consider now that having access to a good, paid one —because it’s different than saying, “Oh, I have ChatGPT free; it’s not the same thing.” >> Uh-huh. >> But having access to a good one and knowing how to use it is the same thing as knowing how to use the internet. You have to consider it in your personal monthly budget. Don’t wait for the

[58:45] company to give it to you. Subscribe on your own. Get a Claude license. Go online, put in your credit card. “Oh, it’s 100 reais a month, that’s the cheapest one.” Man, how much does the internet cost? 200 reais a month. You have to spend it. >> Uh-huh. >> You have to do this. You have to know how to do it. It takes two, three weeks for you to start understanding why the thing is good. First, there’s that. It’s not on day one, it takes two, three weeks. That’s why it boomed in January, because people said that over the year-end holidays, they took the time off to use it and said: “Wow, it’s really good,” because you need time,

[59:17] right? And you need to do something cool. Make an app; there’s a professional at the company who you even know who likes fishing. He decided to make a fishing app, he said: “To identify in the competition who’s catching the best fish,” he put one in that identifies the size of the fish by the photo, and it’s completely a hobby. >> Uh-huh. So I think that people have to take it, if the company doesn’t have it or still has a lot of limitations, do it personally, do a personal project, make an app for, I don’t know, I like

[59:49] soccer, I’ll make an app that does something with soccer, right? Learn to use it and treat it as if it were an everyday tool that you can’t escape from. >> Uh-huh. >> So I think that’s the first tip. You have to jump in, enter this world >> and do a practical project, >> a practical project, know how to use it . >> And if there are limitations at work, do it personally. >> Uh-huh. >> Don’t wait, because those who wait too long will be left behind. >> It would also be good to learn the

[1:00:22] fundamentals, the basics, right? >> Absolutely. And again, I think if you want to go further, everyone has their own way, right? It’s just like college, some people like to write everything down, some people don’t take any notes. >> Uh-huh. >> In college, right? So yeah, people learn in different ways. So, if you’re a hands-on person, just get started, play around, just do it. Oh, no, I really like to know, to understand better. Take courses, buy a course. >> Uh-huh. >> Either way, you’ll have to study more. It could be by taking your course, a

[1:00:54] YouTube course, the official training from a platform, but when to do it, I think that varies. Some people prefer to start with a course, others prefer to start with practice. >> Uh-huh. >> Either way, you have to do both. If you want to be a complete professional, >> the cool thing is that people often get very lost, right, with so much stuff, but just make the payment, use it for the basics, sometimes just really use the cloud, maybe move to Copilot, which is a bit of a middle ground, then move on to coding. So just taking those steps like that >> really helps a lot. But alright, Daniel , we’re wrapping up our podcast here. I

[1:01:28] think the talk was very good. I’d love to stay for another two hours to explore what’s on your mind regarding agents, cloud code, schedule another chat, thank you for coming, and I wanted you to mention your social media or the Indícium social media, whatever you’d like to share with the folks. >> Sounds good. I’m the one who should thank you for the invitation to, uh, have a chat with you guys, right? And I’m very happy about the success, right ? Uh, of seeing the community growing. Uh, I’m also very interested in participating in other conversations. And so about social media, right?

[1:02:01] There’s the company’s official LinkedIn , which is Indícium AI. Uh, there’s mine too, I think it’s Daniel Avancini, I think. >> Uh-huh. >> I’m not exactly sure, but you can search for Daniel Avancini, you’ll find me. And there’s also the Daniel Avancini Instagram, those are my socials, my professional Instagram, let’s say. So, those are the places to find me and, of course, feel free to send a message, chat, or connect, I’d be more than happy to exchange ideas. Uh, there’s also the company YouTube channel, which has some things we post

[1:02:33] about AI and data. A lot of the content is in English, so that’s an important point. Yeah, see there, everything in English now. So fancy. >> Yeah, a lot of things are in English. So, uh, but also there’s Indício Academy, our learning platform, where things are generally in Portuguese, so there’s plenty of content there, including cloud training for data. >> Uh, we have some cool stuff there too. Uh, and of course, I can’t forget to mention this, or I’d be killing myself, right? We have several open positions for those who want to work in the field , even those in a career transition, as

[1:03:06] you mentioned, that could be a large part of the audience. Uh-huh. >> So we have openings in data engineering , data science, AI, project management, a series of open roles, and it’s growing a lot, both for working in Brazil and in some cases abroad. >> Uh-huh. So, oh, I want to work in Europe, if you have, for example, a European passport, that really helps. So, we >> have been hiring people to work on projects abroad. >> I think you guys are one of the biggest trainers of data and data science professionals, right? >> We’ve trained a lot, we’ve trained over 2,000, I think over 2,000 people, maybe 3,000, something like that too. And now

[1:03:40] in June, I think June, we have another selection for our Light House cohort, which is our training program, that is very focused on career transition, right? And we always run two cohorts per year. >> The last one had 8,000 applicants. >> Wow, that’s competitive, isn’t it? Competitive. >> But it’s very, very good, like, many people have gone through the program, a good part of the company came from there. So, anyone interested, keep an eye on our social media. Yeah, I think

[1:04:10] there’s even a pre-registration page for the program there. >> Cool. We’ll leave the link here in the comments. >> Well, thank you very much. Thanks to everyone watching us. If you have any questions, leave them in the comments below and we’ll answer them for you. Follow Daniel there and I’ll see you in the next video. See you later, everyone . Great.