Pesquisa
Como a IA realmente se transforma em valor empresarial?
Um programa de pesquisa que explora por que organizações com acesso a tecnologias de IA semelhantes produzem resultados econômicos radicalmente diferentes.
Esta página reúne o programa de pesquisa: sua pergunta central, as três linhas em que se organiza, os frameworks que cada linha desenvolve e as publicações e artigos que o documentam. Evolui com o trabalho.
A cadeia causal no centro do programa
Uma agenda de pesquisa, onze frameworks conectados
Cada framework aborda um ponto onde a cadeia de conversão se rompe: a liderança que ainda não consegue governar a IA, a dívida de arquitetura e governança que se acumula, a forma como os pilotos são construídos, o modelo operacional que os escala, a medição que torna o valor visível e a alocação de capital que o reinveste.
01Três linhas de pesquisa
AI Value Realization
Por que capacidades de IA semelhantes produzem retornos tão diferentes?
Pesquisa organizacional e econômica sobre como o investimento em IA se converte em decisões, ações e valor mensurável. Inclui o AVRT e seu sistema de medição, os conceitos de dívida (liderança, arquitetura, governança) e a alocação de capital em portfólios de IA.
Frameworks desta linha
- AI Value Realization Theory (AVRT)
- AI Leadership Debt
- Architecture Leadership Debt
- Governance Debt
- AVRT Measurement System
- AI Capital Allocation Theory
- AI Portfolio Decision Framework
- Executive AI Literacy
Publicações e evidências
- Working paper AVRT v3 (em andamento; resumo executivo publicado no LinkedIn, ago 2026)
- Série AVRT, partes 1–3, e série Portfólio Estratégico de IA (LinkedIn, 2026)
Artigos relacionados · AI Value Realization Theory (AVRT) · Liderança e alfabetização executiva em IA · Portfólio e estratégia de IA · Modelos operacionais e governança de IA
AI Value Realization Theory: resumo executivo
O resumo executivo do framework: a cadeia de conversão, as cinco métricas (ALDI, DCR, ACR, VCR, AIRR), a lógica do elo mais fraco, a curva em J, o autodiagnóstico de 10 perguntas, o mapa de posicionamento, a métrica crítica por setor e o roadmap de 3, 6, 12 e 18–24 meses.
Ler · 9 min de leituraAlém do AI-First: converter a inteligência artificial em resultados de negócio
Não é preciso tornar-se uma empresa AI-first para criar valor com inteligência artificial. Mas é preciso repensar como a IA muda a forma como o negócio opera, decide e gera resultados econômicos: onde está o valor por setor, um caso que leva a margem bruta de 30% a 31%, em que Microsoft, McKinsey e BCG convergem, por que o valor não é capturado (Dívida de Liderança em IA) e como saber se é capturado (o funil de conversão do AVRT).
Ler · 15 min de leituraA DRE pode estar certa — e a decisão sobre IA ainda estar errada
A Gartner já mede os custos ocultos da IA na força de trabalho: um custo do talento especializado 3–4 vezes maior, até 30% dos cargos deslocados recontratados até 2029, uma "hipoteca sobre o talento". Nenhum desses custos foi causado pela tecnologia: todos nascem de uma decisão. Este artigo dá nome ao total, AI Leadership Debt, e acrescenta à equação do valor da IA o termo que lhe falta.
Ler · 11 min de leitura02Três linhas de pesquisa
IA industrial
Como o machine learning e os agentes mudam o controle de processos físicos complexos?
Pesquisa aplicada na fronteira entre controle de processos e IA: controle adaptativo com ML (MPC/APC) para processos de mineração não lineares, gêmeos digitais e simuladores de treinamento, visão computacional em escala e agentes de IA operacionais que integram milhares de sinais em tempo real.
Frameworks desta linha
- Evolution-Ready PoC
- Expert Validation Loop
- Agent Harness Engineering
Publicações e evidências
- Barrientos C., Neira N., Olivares J., et al. “Non-linear Adaptive APC: ML-Driven Optimization for Copper Mining.” APC Peru, 2025.
- Barrientos C., et al. “Adaptive APC Strategy using ML for SAG Grinding.” APC Peru, 2024.
- Trabalho anterior: modelos preditivos geometalúrgicos e AutoML na mineração chilena (CORFO / PIA-CONICYT); Hydrometallurgy (Elsevier).
Artigos relacionados · Engenharia agêntica e AI-native
Desenvolvemos 10 vezes mais rápido. Estamos também acelerando os erros?
Spec-Driven Development, Context Engineering e Loop Engineering governam os inputs e a execução dos agentes. Nenhum valida o output como conhecimento. Argumentos a favor de um Expert Validation Loop, e por que converter inteligência incorreta mais rápido é risco acelerado.
Ler · 8 min de leituraAlém do LLM: Agent Harness Engineering e governança de IA
Um ano construindo agentes de IA para ambientes industriais deixou uma conclusão inesperada: quanto mais escalava, menos consistente ficava. O problema não era o modelo. Era o design de todo o sistema ao seu redor: memória, contexto, orquestração, observabilidade e governança.
Ler · 4 min de leitura03Três linhas de pesquisa
IA na saúde
O machine learning pode apoiar decisões de tratamento em idosos com câncer?
Apoio à decisão de terapia sistêmica em pessoas idosas com câncer. PROTEGER, a plataforma desenvolvida na Oncoger.ai, analisa cada caso em três etapas, elegibilidade, intensidade de dose e prognóstico, a partir da avaliação geriátrica: a IA recomenda, a equipe de oncologia e oncogeriatria decide. Modelos multivariados com validação externa, reportados segundo o guia TRIPOD-AI, e uma validação prospectiva em andamento. Parte do PRECISION-AI, programa tecnológico de cinco anos financiado pela CORFO e liderado pela Universidad de Chile e pela Universidad del Desarrollo.
Com o Hospital Clínico Universidad de Chile, a Universidad del Desarrollo, a Universidad Mayor, o Hospital Dr. Franco Ravera Zunino, o Hospital Digital (Ministério da Saúde) e o University Medical Centre Utrecht; parceiros internacionais MIT Jameel Clinic e London AI Centre for Value-Based Healthcare.
Frameworks desta linha
- Expert Validation Loop
Publicações e evidências
- Navarrete G., Martínez G., Barrientos C., Venegas R., et al. “Machine learning models as a supporting tool to decide systemic therapy for older adults with cancer.” Journal of Geriatric Oncology, 17 (2026) 103031. DOI 10.1016/j.jgo.2026.103031 · ISRCTN11875539.
- Modelo de ensemble com AUC 0,84 (IC 95% 0,78–0,89) em validação externa (272 pacientes, dois centros terciários, 2021–2025), após uma coorte de desenvolvimento de 357 pacientes.
- Plataforma em validação em mais de 7 hospitais do Chile, Peru e Brasil, com mais de 1.000 pacientes incluídos nos modelos de machine learning (Oncoger.ai).
Pesquisa
Publicações
Pesquisa revisada por pares
- Navarrete G., Martínez G., Barrientos C., Venegas R., et al. “Machine learning models as a supporting tool to decide systemic therapy for older adults with cancer.” Journal of Geriatric Oncology, 17 (2026) 103031. DOI ↗
- 20+ publicações revisadas por pares em Hydrometallurgy (Elsevier), SPIE Astronomical Instrumentation e Space Terahertz Technology, 2005–2016.
Pesquisa industrial
- Barrientos C., Neira N., Olivares J., et al. “Non-linear Adaptive APC: ML-Driven Optimization for Copper Mining.” APC Peru, 2025.
- Barrientos C., et al. “Adaptive APC Strategy using ML for SAG Grinding.” APC Peru, 2024.
Working papers
- Barrientos C. “AI Value Realization Theory (AVRT): um modelo de conversão do valor da IA nas organizações.” Working paper v3, 2026. Disponível sob solicitação.
Artigos e divulgação
- Artigos, séries e carrosséis publicados no LinkedIn e reproduzidos na seção Artigos e pesquisa, agrupados por tema.
Explorando atualmente
Perguntas abertas da agenda de pesquisa
Quatro perguntas que hoje orientam o trabalho. Comentários, evidências contrárias e colaboração são bem-vindos.
- 01
A realização de valor da IA pode ser medida como um sistema de conversão?
AVRT Measurement System
- 02
A AI Leadership Debt pode explicar as diferenças persistentes no ROI da IA entre organizações?
AI Leadership Debt
- 03
Como as organizações deveriam alocar capital entre iniciativas de IA sob incerteza organizacional?
AI Capital Allocation
- 04
Como os PoCs de IA deveriam ser arquitetados para maximizar o aprendizado sem criar Architecture Leadership Debt?
Evolution-Ready PoC · Architecture Leadership Debt