Consultor de IA no Brasil: como Juan Carlo trabalha com empresas

Consultor de IA no Brasil: como Juan Carlo trabalha com empresas

Juan Carlo é consultor de IA e desenvolvedor de software no Brasil e atende empresas de forma remota, em português e em inglês. O trabalho segue quatro passos: mapear o processo, limitar dados e ações, pilotar um fluxo real e decidir se a empresa expande, ajusta ou para. Os serviços vão do diagnóstico inicial a agentes no WhatsApp, automação de processos, monitoramento, OpenClaw para empresas e Claude Code para equipes.

Principais pontos

• O trabalho é consultoria e desenvolvimento de IA aplicados a processos de negócio, com atendimento remoto em português e inglês.
• O método tem quatro passos: mapear o processo, limitar dados e ações, pilotar um fluxo real e decidir entre expandir, ajustar ou parar.
• Parar é um resultado legítimo: o piloto existe para gerar evidência, não para justificar o projeto.
• Os serviços cobrem consultoria, agentes no WhatsApp, desenvolvimento sob medida, monitoramento, automação, OpenClaw e Claude Code para equipes.
• Este texto não traz preços, clientes nem resultados. Escopo e critério de sucesso são definidos caso a caso, depois do mapeamento.

Quem é Juan Carlo e para quem esse trabalho faz sentido?

Juan Carlo Gonçalves é consultor de IA e desenvolvedor de software, baseado no Brasil. Ele ajuda empresas a mapear, implementar, monitorar e manter sistemas de IA em processos de negócio. A parte de desenvolvimento importa porque a consultoria não termina em um relatório: o mesmo profissional que diagnostica o processo sabe construir, integrar e sustentar a solução.

O perfil que mais se beneficia é o de quem precisa decidir e agir: dono de empresa, gerente de operações, líder de atendimento ou de tecnologia. Normalmente existe um processo repetitivo, com mensagens, documentos ou decisões simples, e a pergunta é se a IA cabe ali sem colocar a operação inteira em risco.

Por outro lado, esse não é o trabalho certo para quem quer aplicar IA em tudo de uma vez, nem para quem busca garantia de resultado antes de qualquer teste. O método parte da premissa oposta: começar pequeno, medir e só então decidir.

Há também uma política de autoria que vale explicar. Neste blog, e na forma de trabalhar, separamos três coisas: o que está em documentação oficial, o que vem de experiência de implementação e o que é hipótese a ser testada. Afirmações técnicas se apoiam em fontes primárias. Resultados e métricas de terceiros não são usados como argumento.

Quais são os quatro passos do método?

O método é deliberadamente simples, porque a maior parte dos projetos de IA que dão errado falha por falta de escopo, e não por falta de tecnologia. Os quatro passos são:

• Mapear o processo: descrever como o trabalho é feito hoje, quem participa, onde estão as mensagens, os sistemas e as exceções, e definir um ponto de partida (baseline) para comparar depois.
• Limitar dados e ações: decidir o que a IA pode ler, o que nunca deve ver, o que pode fazer sozinha, o que depende de aprovação humana e o que fica registrado.
• Pilotar um fluxo real: escolher um único fluxo, com usuários reais, logs e uma métrica de sucesso combinada antes de começar.
• Decidir: com os registros do piloto em mãos, escolher entre expandir, ajustar ou parar, e então transferir a operação para o time ou mantê-la em acompanhamento.

A ordem importa. Mapear primeiro evita automatizar um processo que ninguém entende por inteiro. Limitar antes de construir evita descobrir tarde demais que o agente tinha acesso a mais do que precisava. Pilotar um só fluxo evita que o projeto vire uma promessa difusa. E a decisão final, com três saídas possíveis, evita a inércia de seguir adiante só porque já se investiu tempo.

O guia da Anthropic sobre agentes recomenda procurar a solução mais simples e só aumentar a complexidade quando houver ganho comprovado. Esse princípio orienta o método: em muitos casos, um fluxo determinístico com um passo de IA pontual resolve melhor do que um agente autônomo.

Por que limitar dados e ações antes de construir?

Um agente que lê tudo e faz tudo é difícil de auditar e difícil de corrigir. Limitar é o passo que torna o piloto seguro o bastante para rodar com clientes e funcionários reais. Na prática, é uma conversa objetiva sobre fronteiras, registrada por escrito.

O NIST AI Risk Management Framework organiza a gestão de risco de IA em torno de governar, mapear, medir e gerenciar. Não é preciso adotar o framework inteiro para aproveitar a lógica: saber onde a IA entra, o que pode dar errado e quem responde por isso já muda a qualidade do projeto.

As perguntas que usamos para limitar um fluxo são estas:

• Quais dados pessoais o fluxo toca, e existe base legal para esse uso?
• Algum dado sai do país durante o processamento? Se sim, o que a LGPD exige nesse caso? Vale ler o texto sobre transferência internacional de dados com IA e LGPD.
• Quais ações o agente pode executar sozinho, quais exigem aprovação humana e quais são proibidas?
• Em que situações a conversa passa para uma pessoa, e como essa pessoa recebe o contexto?
• Que registros ficam guardados: pergunta, resposta, fonte consultada, decisão tomada?
• Quem pode desligar o fluxo, e em quanto tempo isso é possível?

O último ponto costuma ser esquecido. Um interruptor claro vale tanto quanto qualquer instrução ao modelo. Também ajuda definir antes o que não delegar. O texto sobre o que não delegar à inteligência artificial na empresa é um bom ponto de partida para essa lista.

A ANPD, autoridade nacional de proteção de dados, é a referência oficial para interpretar obrigações da LGPD. Questões jurídicas específicas da sua empresa devem passar por quem tem competência para respondê-las, e o trabalho de consultoria técnica não substitui esse parecer.

Como é um piloto com um fluxo real?

Um piloto não é uma demonstração. É um fluxo de verdade, com pessoas de verdade, durante um período curto e combinado, com registro de tudo o que acontece. A diferença está em poder responder, no fim, se aquilo funcionou ou não, com base em evidência e não em impressão.

O plano básico de um piloto tem estes passos:

• Escolher um fluxo com volume suficiente para aprender, mas com risco contido.
• Registrar o baseline: como o fluxo funciona hoje, quanto tempo leva e onde costuma falhar.
• Definir a métrica de sucesso e o critério de parada antes de começar.
• Montar um conjunto de casos de teste com situações reais, incluindo as difíceis.
• Rodar com limites de dados e ações, aprovação humana nos pontos críticos e logs de cada decisão.
• Revisar os registros em intervalos curtos e corrigir o que for sistemático.
• Reunir os resultados e decidir entre expandir, ajustar ou parar.

Os conjuntos de casos de teste seguem a lógica de avaliações (evals) descrita em guias como o da OpenAI e o da Anthropic sobre avaliação de agentes: sem casos representativos e critérios claros, não há como saber se uma mudança melhorou ou piorou o comportamento.

Cenário ilustrativo: uma distribuidora de materiais elétricos recebe, todos os dias, perguntas no WhatsApp sobre status de entrega e segunda via de boleto. O fluxo escolhido para o piloto é apenas o status de entrega. O agente consulta somente o sistema de pedidos, em modo leitura, responde com a informação encontrada e passa para um atendente quando o cliente reclama, quando o pedido não é localizado ou quando a pergunta foge do tema. Boleto, desconto e cancelamento ficam fora do escopo. Cada conversa gera um registro com a pergunta, a fonte consultada e a resposta. No fim do período combinado, a equipe compara os registros com o baseline e decide se amplia para a segunda via, ajusta as regras de transferência ou encerra o piloto.

Note o que o cenário evita: acesso amplo, ações irreversíveis e decisões comerciais. Para quem quer entender melhor a camada de canal, o guia sobre como integrar IA no WhatsApp da empresa detalha o que a operação exige, e o texto sobre SAC com IA e o que automatizar ajuda a separar o que cabe ao agente do que deve ficar com a equipe.

Quais serviços existem?

Os serviços seguem o mesmo método, em profundidades diferentes. Nem toda empresa precisa de todos, e muitas começam apenas pelo primeiro.

• Consultoria de IA: diagnóstico do processo, desenho de arquitetura, piloto e plano de adoção.
• Agentes de IA no WhatsApp: fluxos de atendimento e operação com limites claros, transferência para humano e registro das decisões.
• Desenvolvimento de agentes sob medida: contexto do negócio, integrações com seus sistemas, avaliações e operação controlada.
• Monitoramento e manutenção de agentes: acompanhamento dos registros, ajuste de instruções e correção de falhas depois que o agente entra em produção.
• Automação de processos: fluxos determinísticos combinados com IA apenas onde há necessidade de julgamento.
• OpenClaw para empresas: implantação gerenciada com permissões, ferramentas restritas, observabilidade e aprovação humana.
• Claude Code para equipes: uso orientado do assistente de código, com práticas e regras compartilhadas pelo time.

As operações gerenciadas são entregues por meio da Be Human (be-human.ai). A separação é útil: a consultoria e o piloto resolvem a pergunta sobre o que vale a pena fazer, e a operação gerenciada cuida de manter funcionando o que foi aprovado.

Uma observação sobre automação: nem todo processo precisa de um agente. Quando as regras são claras e as entradas são previsíveis, um fluxo determinístico é mais barato de manter e mais fácil de auditar. A IA entra nos pontos em que há linguagem livre, documentos variados ou julgamento. O guia da Anthropic sobre construção de agentes faz uma distinção parecida entre workflows e agentes, e é uma boa leitura para quem quer o raciocínio por trás da escolha.

Como decidir se vale contratar um consultor de IA agora?

Um bom momento para conversar costuma ter alguns sinais em comum. Um mau momento também. Este guia de decisão ajuda a separar um do outro:

• Vale conversar se existe um processo específico, com dono, que consome tempo da equipe todos os dias.
• Vale conversar se alguém consegue descrever como o trabalho é feito hoje, mesmo que de forma imperfeita.
• Vale conversar se a empresa aceita testar em pequena escala e tomar a decisão com base em registros.
• Vale esperar se ninguém sabe dizer qual problema se quer resolver, apenas que se quer usar IA.
• Vale esperar se o processo muda toda semana e não há regra estável para ensinar a um sistema.
• Vale esperar se não há pessoa disponível para revisar os casos difíceis durante o piloto.

Para a primeira conversa, ajuda levar quatro itens: o processo que você quer melhorar, os sistemas e canais envolvidos (WhatsApp, CRM, planilhas, ERP), o que não pode dar errado e quem na empresa decide. Com isso, o mapeamento começa mais rápido e a discussão sobre limites já nasce concreta.

Uma pergunta honesta a fazer a qualquer consultor, inclusive a este, é o que acontece se o piloto não funcionar. A resposta correta é que a empresa encerra com um registro claro do que foi aprendido, sem obrigação de continuar. Essa saída precisa estar combinada desde o início.

Perguntas frequentes

Juan Carlo atende empresas de qualquer cidade do Brasil? Sim. O trabalho é feito de forma remota, em português e em inglês, com reuniões por vídeo e acompanhamento por escrito. A localização da empresa importa menos do que a clareza sobre o processo que será mapeado e a disponibilidade de alguém para participar das revisões.

Preciso integrar meus sistemas já no piloto? Não necessariamente. Muitos pilotos começam com acesso limitado, em modo leitura, a uma única fonte de dados, e só ampliam as integrações depois que o fluxo se mostra útil. Integrar menos no início reduz risco e facilita entender o que está funcionando.

Quem cuida do agente depois que o piloto termina? Isso é decidido na etapa final. A empresa pode assumir a operação com o material entregue, pedir acompanhamento de monitoramento e manutenção, ou contratar a operação gerenciada pela Be Human. Também pode encerrar, se os registros mostrarem que o fluxo não compensa.

Existe garantia de resultado, e quanto custa? Não se prometem resultados, porque eles dependem do processo, dos dados e da adoção pela equipe. O que se oferece é um método com métrica combinada, registros e uma decisão clara no fim. Escopo e condições comerciais são definidos em conversa direta, depois do mapeamento, e não são publicados neste texto.

Fontes

• NIST: AI Risk Management Framework
• Anthropic: Building effective agents
• Anthropic: Demystifying evals for AI agents
• ANPD: Autoridade Nacional de Proteção de Dados