Farolight
A maioria dos pilotos de IA morre no escuro: ninguém mediu. A gente começa acendendo a luz. Baseline de como o trabalho roda hoje, dois ou três pontos onde a IA corta horas e um antes e depois que você confere. Onde há risco, uma pessoa aprova.
Falta quem entre na operação, escolha os pontos certos e prove o resultado. Enquanto isso, o trabalho manual continua sendo pago todo mês, no escuro. Aponte a luz.
Três curvas de custo do trabalho manual ao longo de dois anos. A do piloto é a que a maioria já viu de perto.
no custo do trabalho manual no mês 24, comparado a seguir 100% manual.
Funcionou na demo.
Dez exemplos escolhidos a dedo numa tela. Ninguém definiu o que era acertar, sem dataset, sem baseline humano pra comparar.
Vamos testar com o time.
Duas pessoas, uma aba ao lado do sistema de verdade, sem dono. O teste nunca chegou no fluxo de quem faz o trabalho.
Tá rodando, tá bom.
IA às cegas: sem número semanal de acerto, ninguém olhando os erros. O que não se mede, na primeira dúvida, se desliga.
Gastou e não voltou nada.
Seis meses de fatura, nenhum número de antes e depois. O fluxo caiu numa sexta e na segunda o time voltou pra planilha. Custo manual de volta onde começou.
Curva ilustrativa. Os números reais estão na seção acima e em /cases.
Nada disso é problema de IA. É problema de operação e de um sistema que mede o output.
O formato não muda. O que escala é a profundidade e o escopo.
Sentamos com o time e vemos como o trabalho acontece: fluxos, handoffs, retrabalho, onde a hora vai embora.
Entrega: mapa quantificado da operação
Escolhemos os dois ou três pontos onde IA muda o custo, e definimos antes o que é acertar.
Entrega: dataset, baseline e meta por ponto
Sistema em produção, dentro do seu stack, com checkpoint humano onde há risco.
Entrega: código no seu repositório
Comparamos com o baseline, monitoramos regressão e mostramos o número, bom ou ruim.
Entrega: painel de eval e relatório mensal
Sites, marcas, plataformas e apps, de ponta a ponta. O padrão é AI-first: o modelo fazendo trabalho de verdade desde a primeira versão.
Produtos desenhados em volta do trabalho que o modelo faz: triagem, agendamento, análise de documentos. A IA não é uma feature colada depois; é a razão do produto existir. Checkpoint humano fica onde há risco.
Sites rápidos e editoriais que dizem o que a sua operação faz e pra onde vai.
Identidade, voz e o sistema pra aplicar as duas, do logo ao tom.
Ferramentas internas e portais onde o time roda a operação.
iOS e Android no mesmo núcleo de produto da web.
Quatro projetos recentes, do primeiro rascunho ao lançamento.
Cada tela responde a uma pergunta antes do nosso time financeiro precisar fazê-la. Saldo disponível, o que precisa de atenção, o que está prestes a renovar. É o painel de fintech mais tranquilo que já usei.
Parece uma mesa de trading mas dá a sensação de app de fã. Dinheiro real, atletas reais, e nossos primeiros colecionadores entenderam sem tutorial.
Milhares de vídeos enviados no dia do lançamento e o mapa não vacilou. Fãs de todas as regiões do Brasil viram sua estrela acender em segundos. Essa era a campanha inteira.
O painel mostra onde está o incêndio antes de alguém abrir um processo. Contrato que levava uma tarde agora leva um minuto. Funciona do jeito que um escritório de advocacia funciona de verdade.
Todo caso de risco passa por checkpoint humano antes de virar ação. E o sistema é medido contra um baseline: se o acerto cair abaixo do combinado, ele escala para o seu time em vez de decidir sozinho.
Rodamos dentro do seu ambiente, com as permissões mínimas por fluxo, e cada ação deixa rastro auditável. Nada de dado de cliente treinando modelo de terceiros; LGPD entra no desenho, não depois.
Porque a ordem inverte. Antes de construir, definimos com você o que é acertar, montamos um dataset com casos reais e medimos contra o baseline humano. Piloto morre por falta de prova; a gente começa pela prova.
Não. Tira o trabalho repetitivo da frente: triagem, agendamento, análise de documento. O time fica com os casos que precisam de gente e revisa o que a IA sinaliza como risco.
Não. A gente integra no que já roda, sem mexer no core. Se o sistema atual não sustentar o fluxo, a gente também arruma essa parte, mas isso é exceção, não o plano.
A primeira conversa é gratuita. Depois vem o discovery, com faixa de preço fechada em /services, e o valor dele vira crédito no build. O build é orçado com o mapa na mão, não no chute.
O discovery é curto e tem entrega própria: o mapa priorizado de onde o tempo se perde, com riscos e faixa de investimento. O primeiro fluxo em produção vem logo depois, começando pelo ponto de maior retorno com menor risco.
Métrica antes e depois, no seu número: horas de trabalho manual, tempo de resposta, custo por caso. Acerto medido contra baseline, taxa de escalonamento acompanhada e regressão testada a cada troca de modelo ou prompt.
O tamanho da empresa importa menos que a operação: se existe processo rodando, dado acessível e alguém que sabe quanto a dor custa, dá pra medir. Se faltar um dos três, a resposta honesta é “ainda não”, e a gente fala.
Você, desde o primeiro dia. Repositórios, prompts, datasets e contas ficam na sua organização. Se nos separarmos, tudo continua rodando e nada precisa ser devolvido.
