João Miguel MesquitaMiguel Leocádio, da Glintt Global, defende que a maturidade da IA nas empresas portuguesas já não deve ser medida pelo número de provas de conceito, mas pela capacidade de colocar projetos em produção, escalar e demonstrar impacto no negócio. Com a chegada da Agentic AI, o desafio torna-se ainda maior: quanto mais autónoma for a tecnologia, mais exigentes terão de ser a governação, a segurança e a responsabilização humana.
A adoção de Data & AI em Portugal entrou numa fase diferente. Depois da corrida às provas de conceito e aos pilotos, o verdadeiro desafio está agora em transformar experiências tecnológicas em capacidades empresariais, com retorno mensurável e condições para escalar. É este o retrato que Miguel Leocádio, da Glintt Global, faz a partir da análise das candidaturas aos Excellence in Data & AI, iniciativa à qual a empresa se associou como Global Partner.
Nesta entrevista, o responsável aborda a maturidade das organizações portuguesas na utilização de dados e inteligência artificial, os obstáculos que continuam a impedir a passagem para produção e a importância crescente da qualidade e governação dos dados. Mas também olha para a próxima etapa da evolução da IA: sistemas capazes não apenas de responder ou gerar conteúdos, mas de executar tarefas e participar em processos empresariais. Para Miguel Leocádio, essa mudança altera a natureza do problema: à medida que a IA ganha autonomia, aumenta também a necessidade de definir limites, supervisão e responsabilidade humana.
A Glintt Global decidiu associar-se aos Excellence in Data & AI como Global Partner. O que levou a empresa a apoiar esta iniciativa e que importância atribui a prémios dedicados a Data e IA em Portugal?
Associámo-nos aos Excellence in Data & AI porque acreditamos que o mercado português vive um momento decisivo na adoção destas tecnologias. A discussão já não está apenas no seu potencial, mas na capacidade de transformar dados e IA em valor concreto para as organizações.
Estes prémios são importantes porque dão visibilidade a projetos que já ultrapassaram a fase de experimentação, resolvem problemas reais, chegam à produção e demonstram impacto.
Ao reconhecer bons exemplos, ajudamos também a elevar a fasquia do mercado e a demonstrar o que significa excelência em Data & AI: gerar impacto relevante no negócio, com qualidade nos dados e segurança; e rigor na governação para haver capacidade de escalar as soluções e obter retorno do investimento.
Para a Glintt Global, esse é o verdadeiro valor da iniciativa: criar referências, promover uma discussão mais madura e acelerar a transformação das organizações em Portugal.
Após a análise das candidaturas e a escolha dos finalistas, que retrato podemos fazer da utilização de Data & AI nas organizações portuguesas?
Existe muita atividade e muita vontade em inovar com IA. Foram recebidas muitas candidaturas, em diferentes estágios de desenvolvimento e em vários domínios, deste machine learning aos modelos fundacionais e IA generativa. É certo que muitas iniciativas ainda estão em fase de prova de conceito (PoCs) ou piloto. Transformá-las numa capacidade empresarial integrada, governada e capaz de gerar retorno é mais exigente. Existem já alguns exemplos que estão neste ponto ou muito próximo, quer focados na eficiência, por exemplo na otimização de processos, quer focados no crescimento da receita, por exemplo na captação de clientes. Em particular, no que compete à eficiência, as candidaturas mostram já exemplos mais maduros, nomeadamente em organizações que lidam com grandes volumes de informação e aplicam IA generativa suportada por bases de conhecimento (RAG) em tarefas que vão da pesquisa documental à interpretação de normativos, recomendação ou pré-validação de ações. Nestes casos, o fator distintivo não é apenas a sofisticação do modelo, mas o facto da tecnologia ter passado a fazer parte da rotina de quem trabalha e decide. Deixa de ser um projeto de IA para passar a ser parte do processo de trabalho. Ainda menos comum, mas já com alguns exemplos, estão projetos que suportam uma alteração mais profunda num determinado modelo operativo, com maior potencial de transformação e impacto.
O verdadeiro teste começa quando os pilotos chegam a produção, ganham escala e geram retorno. As candidaturas mostram que Portugal já está a ultrapassar essa fase experimental?
Diria que o mercado está a fazer essa transição, embora com diferentes níveis de maturidade. Fazer um piloto de IA tornou-se relativamente acessível. É na passagem para produção que surgem os verdadeiros testes: qualidade e disponibilidade dos dados, integração com sistemas existentes, segurança, compliance, responsabilidades claras e capacidade de demonstrar impacto no negócio. Por isso, a maturidade mede-se menos pelo número de provas de conceito e mais pela capacidade de industrializar a IA: escalar o que funciona, controlar o risco e gerar valor de forma recorrente. Acredito que esta mostra de iniciativas vai permitir ilustrar isso.
Quando avalia um projeto de Data & AI, onde coloca a fronteira entre uma boa demonstração tecnológica e um projeto verdadeiramente transformador para uma empresa?
A fronteira está na capacidade de transformar uma possibilidade tecnológica num resultado de negócio sustentável. Isso implica partir de um problema relevante e medir impacto: mais produtividade, melhor decisão, menor risco, redução de custos ou melhoria da experiência do cliente. Sem essa ligação ao negócio, podemos ter tecnologia sofisticada, mas ainda não temos transformação.
O teste decisivo é perceber se a solução altera, de forma sustentada e generalizada (e não meramente numa área piloto), a maneira como um processo ou função organizacional funciona ou um serviço é prestado. É aí que deixa de ser apenas uma solução tecnológica e passa a ser uma capacidade empresarial.
Os prémios valorizam impacto mensurável, robustez tecnológica, escalabilidade, segurança e governação. Na sua perspetiva, quais destes fatores estão ainda menos maduros nas empresas portuguesas?
Destacaria sobretudo dois fatores: a capacidade de medir valor e a governação necessária para escalar.
No primeiro caso, muitos projetos continuam a medir sobretudo indicadores tecnológicos, quando a pergunta central deve ser outra: que resultado mudou no negócio e que retorno justificou o investimento?
A segunda dimensão é a governação: saber quem responde pelos dados, pelos modelos e pelas decisões suportadas por IA; que controlos existem; e quando uma solução pode passar de piloto para produção com segurança.
Estamos a assistir à passagem da IA generativa para sistemas cada vez mais autónomos e para a chamada Agentic AI. Já vê esta mudança a acontecer de forma concreta?
Sim. Estamos a passar de uma IA usada sobretudo para responder, resumir ou gerar conteúdos, para sistemas capazes de executar tarefas, interagir com dados e aplicações empresariais e participar em processos de forma mais autónoma.
Quando um agente deixa de apenas responder a perguntas e passa a participar na execução de processos, por exemplo reunindo informação, encaminhando exceções ou coordenando tarefas entre sistemas e equipas, começa a alterar o próprio modelo operacional.
Quanto maior é a autonomia dos sistemas de IA, maior é a necessidade de controlo. Estamos a evoluir tecnologicamente mais depressa do que as empresas conseguem desenvolver modelos de governação, segurança e responsabilização?
Em muitos casos, sim. A tecnologia está a evoluir mais depressa do que os modelos de governação, segurança, responsabilização e adaptação humana.
A resposta, no entanto, não deve ser travar a inovação, mas ajustar a autonomia ao risco de cada caso. Uma IA que produz um draft de um documento tem um risco diferente de um agente que altera dados, aprova operações ou executa transações. Na Europa, o AI Act é uma primeira abordagem regulatória neste sentido, ao reforçar exigências de gestão do risco, transparência, supervisão e responsabilização. Quanto maior for a autonomia da IA, mais efetivos devem ser os controlos, os limites e a validação humana. De facto, com Agentic AI, quanto maior for a autonomia, mais explícita terá de ser a responsabilidade humana.
Há empresas com grandes volumes de dados que continuam a não conseguir retirar valor desses ativos. Em 2026, o maior problema é a tecnologia ou a qualidade, integração e governação dos dados?
Diria que, cada vez menos, o problema principal é a tecnologia. Hoje já existe capacidade para armazenar, processar e explorar dados; o desafio é garantir que esses dados estão preparados para gerar valor.
Muitas organizações continuam a lidar com dados fragmentados, dispersos por sistemas diferentes, com qualidade desigual, ownership pouco claro e dificuldade em identificar uma fonte de informação fiável.
A IA torna estas fragilidades mais visíveis. Quando modelos e agentes consomem dados e suportam decisões, a qualidade, a integração e a governação deixam de ser temas técnicos e passam a ser condições para escalar IA com segurança. Por isso, Data Governance deixa de ser apenas uma questão de controlo ou compliance e passa a ser uma condição para criar valor com IA. Isso implica tratar os dados críticos como ativos: com ownership, qualidade mensurável, significado partilhado, segurança e rastreabilidade.
A Glintt Global trabalha com organizações de diferentes setores. Onde está atualmente a maior capacidade para transformar Data & AI em resultados concretos e onde continuam as maiores dificuldades de adoção?
Mais do que apontar um setor vencedor, distinguiria as organizações que já criaram condições para transformar Data & AI em valor daquelas que ainda estão a construir esses fundamentos.
Há maior maturidade em setores com processos muito digitalizados e utilização intensiva de dados, como serviços financeiros, telecomunicações, energia e retalho. Na saúde, o potencial é enorme, mas o progresso tende a ser mais controlado devido à sensibilidade dos dados, ao impacto das decisões e às exigências de validação e responsabilização.
A nossa experiência em setores diferentes mostra, no entanto, que a maturidade depende sobretudo da capacidade de alinhar dados, tecnologia, processos, pessoas e governação em torno de resultados concretos. A adoção acontece quando muda a forma como as pessoas trabalham e decidem, quando se refunda um determinado modelo operativo, não quando se instala uma ferramenta nova sobre um processo antigo.
Existe o risco de algumas empresas estarem a comprar tecnologia de IA antes de saberem exatamente que problema querem resolver?
Sim, esse risco existe, sobretudo pela pressão para “fazer alguma coisa com IA”. Experimentar é importante; o problema surge quando se confunde exploração tecnológica com estratégia de investimento. A pergunta inicial não deve ser “onde podemos usar IA?”, mas “que problema relevante queremos resolver e que melhoria material esperamos alcançar?”. Só depois faz sentido definir métricas, dados, mudanças de processo, integrações, riscos e responsabilidades, e escolher a tecnologia certa.
O que distingue as organizações que estão realmente a transformar o negócio com IA daquelas que apenas aprenderam a falar sobre IA?
A diferença é entre as organizações que optam por experimentar tecnologias, provas de conceito e pilotos, mesmo que visando a melhoria de um processo, para depois pensarem como expandir esse teste; e as organizações que estão dispostas a avançar, desde o início, com um plano de transformação mais profunda dos seus processos, incluindo do seu modelo operativo e de negócio.
A realidade mostra-nos que essa vontade raramente aparece depois de se experimentar durante muito tempo, quando surge a fadiga das provas de conceito. Ou é uma predisposição e um objetivo desde o início, ou a conversão de projetos de Data & AI em resultados reais para o negócio dificilmente acontece.
A diferença entre falar sobre IA e transformar o negócio com IA está precisamente aí: a tecnologia deixou de ser o fim da transformação e passou a ser um teste à capacidade da própria organização para se transformar.
