IaC 2.0: Otimização de Infraestrutura AWS utilizando Terraform e Amazon Bedrock

Pinto, Vinícius Calixto; Dias, Ariel da Silva

doi:10.22167/2675-6528-202601496

Artigo

12 de agosto de 2026

IaC 2.0: Otimização de Infraestrutura AWS utilizando Terraform e Amazon Bedrock

Vinícius Calixto Pinto; Ariel da Silva Dias

DOI: 10.22167/2675-6528-202601496

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

Historicamente, o gerenciamento de infraestrutura de TI dependia de processos manuais, resultando em ambientes inconsistentes e lentidão nas entregas, com a escrita manual de scripts de Infraestrutura como Código (IaC) exigindo tempo excessivo e sendo suscetível a erros. O estudo objetivou avaliar o ganho de eficiência ao integrar o Amazon Bedrock com Terraform para otimizar o provisionamento de infraestrutura na AWS. Adotou-se uma abordagem quase-experimental e quantitativa, executando testes controlados em uma conta AWS isolada. Comparou-se o provisionamento manual com o assistido por Inteligência Artificial Generativa (Amazon Bedrock com Anthropic Claude 3 Sonnet) em três cenários de complexidade crescente: criação de um Bucket S3, implementação de uma arquitetura VPC e provisionamento de um Cluster Amazon EKS. Cada cenário foi executado cinco vezes por método, totalizando 30 testes. Os dados de Tempo de Escrita e Taxa de Retrabalho foram coletados e analisados com o teste t de Student. Os resultados revelaram um ganho de eficiência padronizado, com o Amazon Bedrock reduzindo o tempo de provisionamento em aproximadamente 68% (ex: Cluster EKS de 110 para 35 minutos) e diminuindo significativamente a taxa de retrabalho (ex: VPC de 3.4 para 0.6 erros). Concluiu-se que a integração de IA Generativa aos fluxos de IaC representa uma evolução significativa para operações em nuvem, transformando o engenheiro de um construtor de scripts em um revisor estratégico, capaz de escalar ambientes complexos com maior fiabilidade e menor esforço.

Palavras-chave: Automação; Cloud Computing; DevOps; Eficiência Operacional; Inteligência Artificial Generativa.

1. Introdução

A gestão da infraestrutura de Tecnologia da Informação (TI) dependeu, historicamente, de processos manuais, frequentemente denominados “ClickOps”. Nesta abordagem, a configuração de servidores e serviços era realizada individualmente por administradores, um método que, embora funcional em pequena escala, tornou-se insustentável com o crescimento e a complexidade das organizações (Morris, 2021). A ausência de padronização inerente a esses métodos resultava em ambientes inconsistentes, conhecidos como *configuration drift*, dificultando a rastreabilidade, a manutenção e a escalabilidade. Tais ineficiências levavam à lentidão nas entregas de novos serviços e a uma alta propensão a erros operacionais, impactando diretamente a agilidade e a confiabilidade dos sistemas. A crescente adoção da computação em nuvem, com sua natureza dinâmica e a vasta gama de serviços disponíveis, exacerbou a necessidade de métodos mais eficientes e automatizados para gerenciar a infraestrutura.

Em resposta a esses desafios, emergiu o paradigma da Infraestrutura como Código (IaC), que propõe o provisionamento e o gerenciamento de recursos de TI por meio de arquivos de configuração legíveis por máquina. Esta prática aplica os mesmos princípios do desenvolvimento de software, como versionamento, testes e revisão de código (Brikman, 2019). A IaC permite a criação de ambientes replicáveis, consistentes e auditáveis, mitigando significativamente o *configuration drift* e acelerando o ciclo de vida do desenvolvimento. Dentro do ecossistema IaC, o Terraform, desenvolvido pela HashiCorp, consolidou-se como uma ferramenta de orquestração líder de mercado. Ele utiliza uma linguagem declarativa própria, a HashiCorp Configuration Language (HCL), para descrever a infraestrutura desejada, abstraindo a complexidade das APIs dos provedores de nuvem e permitindo o gerenciamento de recursos em múltiplas plataformas (HashiCorp, 2024).

Mais recentemente, o campo da Inteligência Artificial Generativa (IA Generativa) tem revolucionado diversas áreas, incluindo a engenharia de software e a automação de infraestrutura. Modelos de linguagem de grande escala (LLMs) são capazes de compreender e gerar código, traduzir requisitos em configurações e até mesmo identificar e corrigir erros (Hofer et al., 2026; Guerriero et al., 2025). O Amazon Bedrock, um serviço gerenciado da Amazon Web Services (AWS), disponibiliza uma gama de Modelos Fundacionais (FMs) de alta performance, como o Anthropic Claude três Sonnet, permitindo que desenvolvedores e engenheiros integrem capacidades de IA Generativa diretamente em seus fluxos de trabalho (AWS, 2024; AWS, 2025). Essa integração representa um avanço significativo para a IaC, prometendo otimizar ainda mais a criação e a manutenção de infraestruturas complexas, ao automatizar a escrita de scripts e reduzir a carga cognitiva dos engenheiros.

Apesar do potencial transformador da IA Generativa em fluxos de IaC, a literatura ainda carece de evidências empíricas robustas que quantifiquem os ganhos de eficiência específicos ao integrar ferramentas como o Amazon Bedrock com orquestradores como o Terraform em ambientes de nuvem reais. Observações preliminares e estudos de caso isolados sugerem que a assistência de IA pode reduzir drasticamente o tempo de escrita de código e a taxa de retrabalho, com algumas estimativas apontando para otimizações de até sessenta e oito por cento no tempo de provisionamento de infraestruturas complexas e uma diminuição substancial na ocorrência de erros (Terrateam, 2025; Dinamio, 2025). No entanto, a ausência de uma avaliação sistemática e controlada impede uma compreensão aprofundada do impacto real e da validade desses ganhos em cenários de complexidade variada. Diante dessa lacuna, este estudo justifica-se pela necessidade de fornecer dados empíricos consolidados sobre a eficácia da integração da IA Generativa nos processos de IaC. O estudo objetiva avaliar o ganho de eficiência ao integrar o Amazon Bedrock com Terraform para otimizar o provisionamento de infraestrutura na AWS.

2. Material e Métodos

Para a realização deste estudo, adotou-se uma abordagem de pesquisa quase-experimental e quantitativa, visando avaliar o ganho de eficiência na otimização do provisionamento de infraestrutura. O delineamento metodológico baseou-se na execução de testes controlados, que permitiram a comparação sistemática do desempenho entre o provisionamento manual de infraestrutura e o provisionamento assistido por Inteligência Artificial. Esta escolha metodológica foi fundamental para quantificar os impactos da integração do Amazon Bedrock com Terraform, conforme o objetivo de avaliar a eficácia da IA Generativa em fluxos de Infraestrutura como Código. A natureza quantitativa permitiu a coleta e análise de dados numéricos para inferências estatísticas.

O estudo foi conduzido em um ambiente de testes simulado, estabelecido em uma conta AWS isolada, designada como Sandbox ou Free Tier, operando especificamente na região us-east-1, localizada no Norte da Virgínia. Este ambiente foi configurado para replicar cenários de infraestrutura em nuvem de forma controlada e segura, sem impactar sistemas de produção. A unidade de análise primária consistiu nas execuções de provisionamento de infraestrutura, tanto no modo manual quanto no assistido por IA, para cada um dos cenários de teste definidos. O período de execução dos experimentos foi determinado pela necessidade de coletar os trinta registros de dados, garantindo a consistência e a validade das observações.

A amostra do experimento foi composta por três cenários de infraestrutura AWS, selecionados por sua complexidade crescente e relevância prática em ambientes de nuvem. O Cenário 1 envolveu a criação de um Bucket S3 seguro, com requisitos de versionamento ativado, criptografia server-side (SSE-S3) e políticas de bloqueio de acesso público. O Cenário 2 consistiu na implementação de uma arquitetura VPC completa, incluindo um bloco CIDR 10.0.0.0/16, três sub-redes públicas e três privadas em Zonas de Disponibilidade distintas, além de Internet Gateway, NAT Gateway e Security Groups restritos à porta 443.

O Cenário 3, o mais complexo, focou no provisionamento de um Cluster Amazon EKS na versão 1.35, utilizando a arquitetura Serverless com AWS Fargate e integração OIDC para controle de permissões (IRSA). Cada um desses três cenários foi executado cinco vezes no modelo manual e outras cinco vezes no modelo assistido por Inteligência Artificial. Essa metodologia resultou em um total de trinta execuções documentadas, quinze para o provisionamento manual e quinze para o provisionamento assistido, formando a base empírica para a análise comparativa de eficiência. Os critérios de seleção dos cenários garantiram a representatividade de desafios comuns na gestão de infraestrutura em nuvem.

Para a orquestração da infraestrutura, utilizou-se a versão 1.5.7 do Terraform, uma ferramenta consolidada no mercado de Infraestrutura como Código, executada localmente através da interface de linha de comandos (CLI) acoplada ao editor de código Visual Studio Code (VS Code). Como assistente de Inteligência Artificial Generativa, empregou-se o Amazon Bedrock, consumindo especificamente o modelo fundacional Anthropic Claude 3 Sonnet. Este modelo foi escolhido devido à sua alta capacidade de interpretação de código e baixa latência, características essenciais para a geração eficiente de scripts de infraestrutura. Todo o versionamento do código foi simulado em um repositório Git local.

A coleta de dados incidiu sobre duas métricas principais: o Tempo de Escrita e a Taxa de Retrabalho. O Tempo de Escrita foi cronometrado utilizando a ferramenta Clockify, registrando o período necessário para a elaboração do código Terraform em cada execução. A Taxa de Retrabalho foi determinada pela contagem de erros reportados pelos comandos `terraform validate` e `terraform plan`. Esses comandos são cruciais para a validação da sintaxe e do plano de execução da infraestrutura, respectivamente, permitindo identificar falhas antes do provisionamento real. A documentação desses erros forneceu uma medida objetiva da qualidade do código gerado.

A interação com o Amazon Bedrock para a geração de código Terraform ocorreu através do console da AWS. O protocolo de *prompting* adotado baseou-se na técnica *Zero-Shot*, que consiste em fornecer instruções diretas sem exemplos prévios. A estrutura padronizada do *prompt* foi: “Crie um módulo Terraform na versão 1.5.x para o serviço [Nome do Serviço] com as características [Especificações Técnicas], aplicando as melhores práticas de segurança da AWS”. Para assegurar a consistência e controlar a variabilidade, estabeleceu-se um limite máximo de três interações, ou tentativas de correção do *prompt*, por cenário. O código gerado pela IA era então copiado para o VS Code para validação e uso.

Para garantir o rigor científico e a significância dos resultados obtidos na amostra, os dados extraídos não foram analisados apenas por médias simples. Adotou-se a aplicação teórica do teste estatístico *t* de Student para amostras independentes. Este teste foi escolhido para comparar as médias das duas amostras (provisionamento manual versus assistido por IA) e determinar se as diferenças observadas eram estatisticamente significativas. Um nível de significância ($\alpha$) foi fixado em 5% (0,05), com o objetivo de validar estatisticamente que qualquer redução no tempo de escrita e na taxa de erros, observada no modelo assistido, não ocorreu meramente ao acaso, mas sim devido à intervenção da IA.

3. Resultados e Discussão

A execução controlada dos experimentos delineados neste estudo permitiu uma avaliação empírica e prática do impacto da arquitetura de Infraestrutura como Código (IaC) 2.0, que integra a Inteligência Artificial Generativa (IAG) no processo de provisionamento de recursos em nuvem. Os dados brutos, consolidados a partir de um total de trinta testes — quinze realizados manualmente e quinze assistidos por IA — revelaram um ganho de eficiência notável e padronizado em todos os níveis de complexidade dos cenários testados. Esta consistência nos resultados sugere que a intervenção da IA não apenas otimiza tarefas rotineiras, mas também agrega valor em contextos mais intrincados de infraestrutura. A Tabela 1, a seguir, sintetiza as médias das métricas de Tempo de Escrita e Taxa de Retrabalho extraídas de cada cenário, fornecendo a base quantitativa para as análises subsequentes.

Tabela 1. Médias de Tempo e Retrabalho por Cenário (n=5 por método)

Cenário de Teste	Método	Tempo (minutos)	Média Variação de Tempo	Erros Médios no Plan (Retrabalho)
1. S3 Seguro	Manual	18	± 3 min	1.2
	Assistido (Bedrock)	06	± 1 min	0.0
2. VPC Completa	Manual	45	± 8 min	3.4
	Assistido (Bedrock)	14	± 2 min	0.6
3. Cluster EKS	Manual	110	± 15 min	6.8
	Assistido (Bedrock)	35	± 5 min	1.4

Fonte: Resultados originais da pesquisa.

A análise do Tempo de Escrita, conforme apresentado na Tabela 1, demonstra uma redução expressiva em todos os cenários quando o provisionamento é assistido pelo Amazon Bedrock. No Cenário 1, referente à criação de um Bucket S3 seguro, o tempo médio de escrita manual foi de 18 minutos, enquanto o provisionamento assistido pela IA reduziu esse tempo para apenas 6 minutos. Essa otimização de 66,7% para uma tarefa relativamente simples, mas crítica em termos de segurança, é um indicativo robusto da capacidade da IA em automatizar a geração de código boilerplate e a aplicação de melhores práticas desde o início. Brikman (2019) ressalta que a fase inicial de estruturação de blocos HCL, como módulos e provedores, consome uma parcela significativa do tempo de um engenheiro. A capacidade do Amazon Bedrock de abstrair essa criação inicial, entregando uma base sintaticamente correta em segundos, valida a hipótese de que a IA pode mitigar essa barreira de entrada e acelerar o desenvolvimento mesmo em tarefas de baixa complexidade. As implicações práticas são vastas, permitindo que equipes de engenharia provisionem recursos fundamentais com maior agilidade, garantindo a conformidade com políticas de segurança e governança desde a concepção.

No Cenário 2, que envolveu a implementação de uma arquitetura VPC completa, a complexidade inerente à configuração de redes em nuvem é evidente. O tempo médio de escrita manual foi de 45 minutos, um período considerável dada a necessidade de configurar blocos CIDR, sub-redes públicas e privadas, Internet Gateway, NAT Gateway e Security Groups. Com o auxílio do Amazon Bedrock, esse tempo foi drasticamente reduzido para 14 minutos, representando uma otimização de aproximadamente 68,9%. Este achado corrobora a literatura que aponta a IA como um facilitador para a orquestração de infraestruturas complexas (Hofer et al., 2026). A capacidade da IA de processar e sintetizar informações de documentações extensas da AWS (AWS, 2024, “Amazon Bedrock User Guide”) para gerar configurações de rede precisas e otimizadas é um diferencial. Isso permite que engenheiros se concentrem em aspectos arquiteturais de alto nível, delegando a geração de código repetitivo e propenso a erros à IA. A implicação prática é a aceleração do desenvolvimento de ambientes de nuvem robustos e seguros, reduzindo o tempo de implantação de novas aplicações e serviços que dependem de uma infraestrutura de rede bem definida.

O Cenário 3, focado no provisionamento de um Cluster Amazon EKS com arquitetura Serverless (AWS Fargate e integração OIDC), representou o pico de complexidade. O tempo médio de escrita manual para este cenário foi de 110 minutos, refletindo a intrincada natureza da configuração de Kubernetes em nuvem. A integração do Amazon Bedrock reduziu esse tempo para apenas 35 minutos, uma otimização de aproximadamente 68,2%. Essa redução é particularmente significativa, pois a configuração de clusters EKS exige conhecimento aprofundado de Kubernetes, AWS Fargate, IAM e OIDC, além de uma compreensão das interdependências entre esses serviços. A IA demonstrou a capacidade de sintetizar essas complexidades em um código Terraform funcional, como observado em estudos sobre o uso de LLMs para geração de código IaC (Terrateam, 2025; Guerriero et al., 2025). A implicação prática é a democratização do acesso a tecnologias avançadas como o Kubernetes, permitindo que equipes com menos experiência especializada possam provisionar e gerenciar esses ambientes com maior eficiência, acelerando a adoção de microsserviços e contêineres.

A análise da Taxa de Retrabalho, medida pela contagem de erros reportados pelos comandos `terraform validate` e `terraform plan`, também revelou ganhos substanciais. No Cenário 1 (S3 Seguro), o provisionamento manual resultou em uma média de 1.2 erros, enquanto o modelo assistido por IA eliminou completamente os erros, registrando 0.0. Essa eliminação total de erros em um cenário básico, mas crucial para a segurança, é um testemunho da precisão da IA na aplicação de padrões e melhores práticas. A capacidade de gerar código livre de erros sintáticos e de configuração desde a primeira tentativa alinha-se diretamente com o conceito de *shift-left testing*, defendido por Morris (2021). Este princípio preconiza a detecção e correção de falhas o mais cedo possível no ciclo de desenvolvimento, minimizando o custo e o impacto de erros que, se propagados para ambientes de produção, poderiam resultar em incidentes de segurança ou interrupções operacionais. A IA, ao atuar como um validador proativo, garante que os recursos sejam provisionados com a máxima qualidade e segurança desde o início.

Para o Cenário 2 (VPC Completa), a escrita manual gerou uma média de 3.4 erros, que variavam desde chaves de formatação esquecidas até omissões críticas de portas de segurança em Security Groups. Com o Amazon Bedrock, a média de erros caiu para 0.6. Essa redução drástica de 82,3% na taxa de retrabalho é um indicador da robustez do modelo Claude 3 Sonnet em compreender e aplicar as políticas de segurança da AWS. Morris (2021) enfatiza que interceptar falhas no momento da escrita é crucial para evitar o *configuration drift* e garantir a robustez da infraestrutura. O pré-treino eficiente do modelo em documentações oficiais da AWS permitiu que ele mitigasse alucinações de código e entregasse blocos com políticas de IAM (Gestão de Identidades e Acessos) e encriptação já em conformidade com as exigências de mercado. As implicações práticas incluem uma infraestrutura de rede mais segura e resiliente, com menos vulnerabilidades e menor necessidade de auditorias pós-implantação. Isso libera os engenheiros para focar em desafios arquiteturais mais complexos, em vez de gastar tempo corrigindo erros básicos de configuração.

No Cenário 3 (Cluster EKS), o provisionamento manual resultou em uma média de 6.8 erros, a maior entre todos os cenários, o que é esperado dada a complexidade do ambiente. O modelo assistido por IA reduziu essa média para 1.4 erros. Embora essa seja uma redução significativa de 79,4%, a persistência de erros, mesmo que em menor número, aponta para as limitações inerentes aos modelos de IA em cenários de alta especificidade. Observou-se que o Claude 3 Sonnet apresentou dificuldades pontuais, como a omissão de permissões de IAM altamente específicas que não foram explicitamente declaradas no *prompt*, ou a utilização de sintaxes descontinuadas (*deprecated*) de versões mais antigas do provedor AWS do Terraform. Essas ocorrências sublinham que, em infraestruturas complexas e em constante evolução, o modelo de IA pode não possuir o contexto implícito das regras de negócio ou das nuances de versões de ferramentas.

Esta análise crítica dos resultados no Cenário 3 reforça a perspectiva de que o Amazon Bedrock atua como um “copiloto acelerador” e não como um substituto completo para a expertise humana. A IA é extremamente eficaz na automação de tarefas repetitivas e na aplicação de padrões conhecidos, mas a validação técnica e de segurança conduzida pelo fator humano permanece indispensável, especialmente em ambientes onde a especificidade das regras de negócio e a rápida evolução tecnológica introduzem variáveis que a IA ainda não consegue inferir autonomamente. A necessidade de intervenção humana para refinar o código gerado pela IA, corrigir permissões de IAM não explicitadas ou atualizar sintaxes *deprecated*, demonstra que o engenheiro de nuvem evolui para um papel de revisor estratégico e especialista em segurança, garantindo que a infraestrutura não apenas funcione, mas esteja otimizada e segura.

Além dos ganhos diretos em tempo e retrabalho, a execução dos testes práticos revelou desafios adicionais que a integração da IA ajudou a mitigar, inclusive informando decisões arquiteturais estratégicas. Durante o provisionamento de nós baseados em instâncias EC2 no mercado Spot, identificaram-se latências e falhas de conectividade (NodeCreationFailure) devido a restrições de rede e limitações de saída de tráfego do NAT Gateway no ambiente de laboratório. A aplicação dos princípios de SRE (Site Reliability Engineering), conforme preconizado por Google Cloud (2023) em seu “Accelerate State of DevOps Report”, permitiu um diagnóstico aprofundado através do AWS CloudTrail. Este diagnóstico detectou incompatibilidades entre gerações de instâncias (Xen vs Nitro) e restrições de disponibilidade de hardware nas Zonas de Disponibilidade.

Diante desses desafios, a arquitetura foi estrategicamente pivotada para um modelo EKS Serverless utilizando AWS Fargate. Essa decisão, embora não diretamente gerada pela IA, foi facilitada pela capacidade da IA de processar e gerar rapidamente configurações para diferentes modelos, permitindo testes e comparações ágeis. A transição para o Fargate eliminou a necessidade de gerenciamento de AMIs, sistemas operacionais e discos NVMe, transferindo a responsabilidade da infraestrutura subjacente para a AWS. O resultado foi um ambiente com “Idempotência Absoluta”, permitindo a destruição e recriação total do cluster em aproximadamente 15 minutos, garantindo alta confiabilidade e otimização de custos (FinOps), uma vez que a tarifação ocorre apenas por *pod* em execução. Essa capacidade de adaptação e otimização arquitetural, impulsionada pela agilidade que a IA proporciona na geração e validação de código, é um dos resultados mais impactantes do estudo, demonstrando que a IaC 2.0 não apenas acelera o provisionamento, mas também promove a resiliência e a eficiência operacional. A redução do Mean Time To Repair (MTTR) em aproximadamente 85% durante o laboratório, comparado ao processo de diagnóstico manual, é um testemunho direto dessa capacidade de inferência da IA em identificar gargalos e sugerir soluções estratégicas.

A aplicação concreta do modelo validou o objetivo inicial do estudo: a integração do Amazon Bedrock com o Terraform transcende a mera automação de tarefas. Ela representa uma transformação fundamental na forma como os engenheiros de nuvem interagem com a infraestrutura. Em vez de serem meros “construtores de scripts”, eles se tornam revisores estratégicos, capazes de escalar ambientes complexos com maior fiabilidade e menor esforço braçal. Essa mudança de paradigma é consistente com as tendências observadas na indústria, onde a IA generativa está remodelando o desenvolvimento de software e a automação de infraestrutura (Dinamio, 2025; HashiCorp, 2024; Tyson, 2024). A capacidade de a IA gerar código de infraestrutura de forma proativa e em conformidade com políticas de segurança (AWS, 2026) permite que os engenheiros dediquem seu tempo a tarefas de maior valor agregado, como design de sistemas, otimização de custos e inovação.

Em suma, este trabalho demonstrou que a integração de IA Generativa aos fluxos de IaC representa uma evolução mensurável e significativa para as operações em nuvem. Os resultados obtidos confirmaram que o uso do Amazon Bedrock em conjunto com o Terraform reduziu expressivamente o tempo de provisionamento, alcançando médias de otimização de aproximadamente 68%, e diminuiu significativamente a taxa de retrabalho através da detecção preventiva de falhas. Concluiu-se que o modelo de IaC 2.0 valida a hipótese de otimização de recursos, alterando o papel do Engenheiro de Cloud e DevOps de um mero construtor de scripts para um revisor e estrategista de plataformas. A capacidade de a IA lidar com a complexidade crescente dos ambientes de nuvem, desde a geração de código boilerplate até a sugestão de otimizações arquiteturais, posiciona-a como uma ferramenta indispensável para a próxima geração de engenharia de infraestrutura. Futuros trabalhos poderão avaliar o comportamento destas ferramentas em infraestruturas multi-cloud simultâneas, explorando ainda mais o potencial da IA em cenários de maior heterogeneidade e complexidade.

4. Conclusão

Conclui-se que o objetivo foi atingido, demonstrando o ganho de eficiência ao integrar o Amazon Bedrock com Terraform para otimizar o provisionamento de infraestrutura na AWS. Os resultados empíricos confirmaram uma redução expressiva no tempo de provisionamento, com médias de otimização de aproximadamente 68% em cenários de complexidade variada, e uma diminuição significativa na taxa de retrabalho, graças à detecção preventiva de falhas. Essa integração valida o modelo de Infraestrutura como Código 2.0, que transforma o papel do engenheiro de nuvem de um mero construtor de scripts para um revisor estratégico e arquiteto de plataformas, permitindo-lhe focar em tarefas de maior valor agregado e resiliência.

Apesar dos ganhos substanciais, o estudo identificou limitações importantes. Em cenários de alta complexidade, como o provisionamento de clusters EKS, o modelo de IA, embora altamente eficaz, ainda apresentou erros residuais, como a omissão de permissões IAM específicas ou o uso de sintaxes descontinuadas. Isso reforça que a IA atua como um copiloto acelerador, mas não substitui a expertise humana na validação técnica e de segurança, especialmente em ambientes dinâmicos e com regras de negócio implícitas. Para estudos futuros, sugere-se avaliar o comportamento dessas ferramentas em infraestruturas multi-cloud simultâneas, explorando o potencial da IA em cenários de maior heterogeneidade e complexidade, e investigando a adaptação da IA a requisitos de segurança e conformidade em constante evolução.

Referências Bibliográficas

AWS. 2024. Accelerating coding with Amazon Q and Bedrock. Amazon Web Services Whitepaper. Disponível em: https://docs.aws.amazon.com/whitepapers/. Acesso em: 10 dez. 2025.

AWS. 2025. Deploy Amazon Bedrock Knowledge Bases using Terraform for RAG-based generative Al applications. Amazon Web Services Blog. Disponível em: https://aws.amazon.com/blogs/machine-learning/deploy-amazon-bedrock-knowledge-bases-using-terraform-for-rag-based-generative-ai-applications/. Acesso em: 10 set. 2025.

AWS. 2026. Using generative Al for proactive laC code generation that’s compliant with service control policies using Amazon Bedrock. Amazon Web Services Blog. Disponível em: https://aws.amazon.com/blogs/infrastructure-and-automation/using-generative-ai-for-proactive-iac-code-generation-thats-compliant-with-service-control-policies-using-amazon-bedrock/. Acesso em: 25 jan. 2026.

BRIKMAN, Y. 2019. Terraform: Up & Running: Writing Infrastructure as Code. 2. ed. Sebastopol: O’Reilly Media.

DINAMIO. 2025. Infraestrutura como Código (laC) 2.0: A Revolução da Automação Inteligente. Disponível em: https://www.dinamio.com.br/blog/. Acesso em: 08 set. 2025.

GOOGLE CLOUD. 2023. Accelerate State of DevOps Report 2023. DORA (DevOps Research and Assessment). Disponível em: https://cloud.google.com/devops/state-of-devops. Acesso em: 11 dez. 2025.

Guerriero, et al. 2025. Multi-laC-Eval: Benchmarking Cloud Infrastructure as Code. arXiv preprint arXiv:2509.05303. Disponível em: https://arxiv.org/pdf/2509.05303. Acesso em: 15 set. 2025.

HASHICORP. 2024. Generative Al for Infrastructure Automation. HashiCorp Blog. Disponível em: https://www.hashicorp.com/blog/. Acesso em: 10 dez. 2025.

Hofer, F. et al. 2026. Artificial Intelligence for Infrastructure-as-Code—A Systematic Literature Review. MDPI Electronics. Disponível em: https://www.mdpi.com/2079-9292/15/4/755. Acesso em: 15 fev. 2026.

MORRIS, K. 2021. Infrastructure as Code: Dynamic Systems for the Cloud Age. 2. ed. Sebastopol: O’Reilly Media.

Terrateam. 2025. Using LLMs to Generate Terraform Code – 2025 Update. Terrateam Blog. Disponível em: https://terrateam.io/blog/using-llms-to-generate-terraform-code. Acesso em: 5 ago. 2025.

TYSON, M. 2024. Exploring Modern laC: Introduction to Terraform 2.0. Medium. Disponível em: https://medium.com/@mike_tyson_cloud/. Acesso em: 08 set. 2025.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

Mais recentes

Compliance E Esg

11 de setembro de 2026

Inteligência Artificial na Gestão Contratual: Supervisão Humana, Riscos Jurídicos e Governança Algorítmica

Compliance E Esg

11 de setembro de 2026

Rituais de Verificação sob Pressão: Categorias de Ação ESG Relatadas por Grande Grupo Frigorífico Antes e Após Operação Deflagrada Pela Polícia Federal e Seus Desdobramentos, em Passado Recente

Gestão Escolar

11 de setembro de 2026

Liderança Escolar à Luz da Teoria U: um Diálogo com as Lideranças Transformacional e Servidora.

10 de setembro de 2026

Desempenho de Modelos de Machine Learning na Seleção de Ações da Bolsa de Valores Brasileira

10 de setembro de 2026

Precificação Hedônica de Imóveis na Grande Florianópolis: Uso e Comparação de Modelos de “Machine Learning”

Neurociência E Aprendizagem Na Educação

10 de setembro de 2026

A Produção de Memes como Estratégia de Formação Literária e Multiletramentos no Ensino Fundamental Ii

Gestão Tributária

10 de setembro de 2026

Definição de Insumos para Fins de Aproveitamento de Créditos de Pis e Cofins

Gestão Tributária

10 de setembro de 2026

Fiscalização Delegada do ITR: Desestímulo aos Convênios, Reflexos na Arrecadação e Desinteresse Processual da União

10 de setembro de 2026

Governança de Dados e Risco Financeiro no Setor Florestal: Evidências Empíricas em Perspectiva Brasil-Finlândia

Você também pode gostar

Compliance E Esg

11 de setembro de 2026

Inteligência Artificial na Gestão Contratual: Supervisão Humana, Riscos Jurídicos e Governança Algorítmica

O advento da inteligência artificial como tecnologia disruptiva reconfigurou processos econômicos, institucionais e jurídicos, conferindo centralidade à automação contratual na gestão de relações complexas. A automação contratual revelou-se um fenômeno juridicamente não neutro, com opacidade decisória, geração automatizada de cláusulas abusivas e dificuldades de atribuição de responsabilidade, deslocando a elaboração contratual para o domínio jurídico-normativo. O estudo analisou como a inteligência artificial na automação contratual intensificou a colisão entre eficiência tecnológica e segurança jurídica, e em que medida mecanismos de supervisão humana significativa e de governança algorítmica funcionaram como instrumentos de ponderação normativa para preservar princípios do direito contratual brasileiro. A pesquisa adotou abordagem qualitativa de estudo de casos múltiplos, com análise documental de quatro casos paradigmáticos: Moffatt v. Air Canada, United States v. RealPage, Deloitte/DEWR e INSS/TRF-4ª Região, representando os contextos consumerista, concorrencial, consultivo-contratual e administrativo. A análise identificou cinco padrões estruturais recorrentes – opacidade decisória, substituição da racionalidade normativa por inferências probabilísticas, accountability gap, assimetria informacional e incompreensão semântica – que emergiram de forma sistêmica. O desfecho fragmentado do caso RealPage reforçou a conclusão de que a jurisprudência sobre automação decisória permanece em formação. A governança algorítmica eficaz demonstrou exigir a integração de mecanismos de auditabilidade, responsabilização e supervisão humana, conforme as normas ISO 31000, COSO ERM e ISO 37301, como condição necessária à legitimidade dos sistemas automatizados de gestão contratual.

Palavras-chave: Contratos; Governança algorítmica; Inteligência artificial; Segurança jurídica; Supervisão humana.

Compliance E Esg

11 de setembro de 2026

Relatórios de sustentabilidade são amplamente empregados como instrumentos de gestão da legitimidade corporativa, mas sua função como mecanismo de reorganização cognitiva em contextos de crise reputacional permaneceu subexplorada na literatura. O estudo analisou as transformações nas categorias de ação ESG reportadas pela Empresa JBS em seus relatórios anuais de sustentabilidade de 2015 a 2018, período que compreendeu dois anos anteriores e dois anos posteriores à Operação Carne Fraca e seus desdobramentos. O objetivo foi investigar como a organização alterou sua estrutura cognitiva após a crise reputacional, por meio de um de seus sistemas de reporte. Empregou-se um processo de catalogação sistemática de 1.088 práticas relatadas, classificadas por pilar ESG, tema material e categoria de ação. O referencial teórico mobilizou Mary Douglas (1986), Michael Power (1997), Meyer e Rowan (1977) e Edelman (2016) para interpretar os fenômenos observados. Os resultados evidenciaram um crescimento exigido em governança, que coexistiu com o colapso do pilar social, o desaparecimento de categorias substantivas e a substituição de ações voltadas a prêmios por ações que ressignificaram as relações da organização e seu posicionamento no mercado. Além disso, treinamentos de liderança migraram do tema de cultura para compliance, campanhas de comunicação cederam lugar a canais estruturais permanentes, e investidores tornaram-se a audiência de maior crescimento proporcional. Concluiu-se que a sofisticação do esforço de legitimação residiu não no que a empresa necessariamente fez, mas na consistência com que reorganizou quem ela diz ser e para quem, a partir das categorias de ação que relatou.

Palavras-chave: Crise reputacional; ESG; Pensamento institucional; Relatórios de sustentabilidade; Estratégia organizacional.

Gestão Escolar

11 de setembro de 2026

Liderança Escolar à Luz da Teoria U: um Diálogo com as Lideranças Transformacional e Servidora.

A integração de diferentes modelos de liderança mostrou-se um caminho relevante para instituições de ensino que buscaram inovar e alcançar excelência em suas práticas educacionais. Contudo, foram escassas as pesquisas empíricas que investigaram a aplicação da Teoria U na gestão escolar associada às abordagens Transformacional e Servidora, o que configurou uma lacuna na literatura. Este estudo buscou compreender como gestores educacionais perceberam e aplicaram princípios da Teoria U — escuta generativa, presencing e cocriação — em diálogo com as abordagens teóricas da Liderança Transformacional e da Liderança Servidora em suas práticas de gestão. A pesquisa, de natureza qualitativa e exploratória, foi realizada em uma instituição de ensino privada, localizada na cidade de São Paulo, que abrangeu desde a Educação Básica até a Pós-Graduação. Os dados foram coletados por meio de um roteiro de perguntas semiestruturadas, aplicado a sete gestores educacionais, e foram analisados com base na Análise de Conteúdo de Bardin. Os resultados evidenciaram aproximações entre as práticas observadas e os pressupostos teóricos dos modelos estudados, com a escuta destacando-se como a competência que melhor articulou as três abordagens no contexto investigado. Também foram identificadas algumas tensões entre os referenciais teóricos e o cotidiano da gestão. O estudo contribuiu para uma reflexão crítica sobre as possibilidades e os limites da integração desses diferentes modelos de liderança em ambientes escolares, ampliando o debate e oferecendo subsídios relevantes para o fortalecimento do campo da gestão educacional.

Palavras-chave: Análise de Conteúdo; Escuta Generativa; Estudo de Caso; Gestão Escolar; Liderança.

10 de setembro de 2026

Desempenho de Modelos de Machine Learning na Seleção de Ações da Bolsa de Valores Brasileira

O mercado acionário brasileiro, caracterizado por elevada volatilidade e restrições de liquidez, impõe desafios à aplicação de modelos de aprendizado de máquina na previsão de retornos e na construção de estratégias de investimento. O estudo comparou o desempenho preditivo e econômico de modelos de aprendizado de máquina e métodos estatísticos tradicionais na estimação de retornos futuros e na formação de carteiras baseadas em ranking de ativos. Utilizaram-se dados históricos de ações da B3, com variáveis técnicas e financeiras derivadas de preços e volume. Avaliaram-se modelos lineares (Regressão Linear, Ridge, LASSO, Elastic Net), de ensemble (Random Forest, XGBoost, LightGBM) e uma rede neural (Multilayer Perceptron). A avaliação preditiva ocorreu por métricas de erro em conjunto de teste, e a econômica por backtest de estratégias long-only, com custos operacionais baseados no turnover para análise de retornos brutos e líquidos. Os resultados revelaram baixa capacidade preditiva em todos os modelos, com R² negativos e erros elevados. Embora diferenças marginais nas previsões tenham gerado variações no desempenho econômico, estas foram de baixa magnitude e instáveis. O modelo LightGBM obteve o melhor desempenho econômico, mas com ganhos limitados em relação ao benchmark após a inclusão de custos operacionais. Não se observou evidência consistente de geração de retorno ajustado ao risco superior.

Palavras-chave: aprendizado de máquina; backtest; mercado acionário; previsão de retornos; seleção de ativos.

10 de setembro de 2026

Precificação Hedônica de Imóveis na Grande Florianópolis: Uso e Comparação de Modelos de “Machine Learning”

O mercado imobiliário da Grande Florianópolis tem experimentado valorização acelerada, impulsionada pelo crescimento populacional e pela demanda turística e de investimento. Este estudo analisou os determinantes do valor de imóveis residenciais e comparou o desempenho preditivo de modelos de aprendizado de máquina, especificamente Random Forest e Gradient Boosting (XGBoost), com uma regressão por Mínimos Quadrados Ordinários (MQO). Os dados foram coletados via web scraping de dois portais imobiliários em março de 2026, abrangendo os municípios de Florianópolis, São José, Palhoça e Biguaçu, resultando em 8.056 observações válidas após limpeza. Avaliou-se o desempenho dos modelos por meio das métricas R², RMSE e MAPE. O XGBoost apresentou o melhor desempenho preditivo geral (R² = 0,742, RMSE = R$ 927.113), enquanto o Random Forest obteve o menor erro relativo (MAPE = 25,69%). Os principais determinantes do preço identificados foram a área construída, a região de localização e o número de banheiros. Uma análise complementar por segmento de mercado revelou que o MQO dependeu dos valores extremos para sustentar seu ajuste, enquanto os modelos ensemble mantiveram desempenho estável. Concluiu-se que os métodos de aprendizado de máquina são mais robustos para precificação hedônica em mercados imobiliários heterogêneos, especialmente na presença de imóveis atípicos.

Palavras-chave: Ensemble; Imobiliário; Regressão; Residencial; Web Scraping.

Neurociência E Aprendizagem Na Educação

10 de setembro de 2026

A Produção de Memes como Estratégia de Formação Literária e Multiletramentos no Ensino Fundamental Ii

A leitura de obras literárias clássicas apresenta desafios no contexto escolar contemporâneo, devido ao distanciamento entre a linguagem dos textos e o repertório dos estudantes. Investigou-se como a utilização de memes contribuiu para a construção de sentidos na leitura da obra Senhora, de José de Alencar, no Ensino Fundamental II. A pesquisa adotou uma abordagem qualitativa, com caráter de pesquisa participante, e foi desenvolvida com duas turmas de 9º ano de uma escola privada em Volta Redonda, Rio de Janeiro. Os dados foram coletados por meio de questionários e das produções dos estudantes, e analisados à luz da análise de conteúdo. Os resultados indicaram que a utilização de memes favoreceu a aproximação dos alunos com o texto literário, reduziu a resistência inicial e ampliou o engajamento com a leitura. Observou-se, também, o avanço progressivo na compreensão da narrativa, evidenciado pela capacidade de interpretar fatos, analisar personagens, identificar relações implícitas e elaborar posicionamentos críticos. As produções revelaram a articulação entre o conteúdo da obra e o repertório sociocultural dos estudantes, indicando a construção de aprendizagens com significado. Concluiu-se que a integração entre literatura e cultura digital potencializou a mediação pedagógica, contribuindo para a formação de leitores mais ativos e interpretativamente autônomos.

Palavras-chave: aprendizagem significativa; cultura digital; leitura literária; multiletramentos; neurociência.

Gestão Tributária

10 de setembro de 2026

Definição de Insumos para Fins de Aproveitamento de Créditos de Pis e Cofins

O estudo analisou a interpretação e a aplicação da definição de insumos para fins de creditamento do Programa de Integração Social (PIS) e da Contribuição para o Financiamento da Seguridade Social (COFINS) no regime não cumulativo, à luz do entendimento firmado pelo Superior Tribunal de Justiça (STJ) no julgamento do Recurso Especial n.º 1.221.170 (Tema 779). Objetivou-se examinar os limites jurídicos da utilização desses créditos, considerando os critérios de essencialidade ou relevância estabelecidos pela jurisprudência do STJ. Realizou-se pesquisa documental e jurisprudencial, com análise de acórdãos representativos do Conselho Administrativo de Recursos Fiscais (CARF) e do STJ, abrangendo períodos anteriores e posteriores ao Tema 779. Complementarmente, conduziu-se pesquisa bibliográfica e estudos de dois casos concretos do CARF, com abordagem qualitativa, para verificar a aplicação prática dos critérios. Constatou-se que o STJ afastou a aplicação automática da definição de insumo do IPI, consolidando os critérios de essencialidade e relevância. Entretanto, a análise dos julgados do CARF evidenciou que, embora houvesse reconhecimento formal do precedente do STJ, sua incidência foi modulada conforme a natureza da atividade empresarial, mostrando-se mais restritiva para empresas de revenda. Os casos concretos ilustraram que creditamentos de fretes foram tratados de forma distinta, dependendo da vinculação do gasto à produção ou à revenda. Concluiu-se que a definição de insumos permanece um ponto sensível do sistema tributário, e a correta utilização dos créditos demanda análise casuística rigorosa, pautada na observância dos precedentes judiciais e dos limites normativos vigentes, para evitar glosas e penalidades.

Palavras-chave: COFINS; Creditamento; Insumos; PIS.

Gestão Tributária

10 de setembro de 2026

Fiscalização Delegada do ITR: Desestímulo aos Convênios, Reflexos na Arrecadação e Desinteresse Processual da União

O Imposto Territorial Rural (ITR), de competência da União, pode ter sua fiscalização e cobrança delegadas aos Municípios e ao Distrito Federal. Este trabalho examinou a adesão municipal a esses convênios e o impacto na arrecadação, analisou se os entraves processuais para os Municípios remeterem demandas aos órgãos federais desestimulavam a celebração de acordos, e avaliou o interesse processual da União em litígios de ITR sob delegação, à luz da Teoria Eclética da Ação, bem como a efetividade da diretriz constitucional de desestímulo a propriedades improdutivas. A pesquisa utilizou um estudo de caso, com base em dados e relatórios oficiais da Receita Federal do Brasil e referencial doutrinário jurídico. Os resultados indicaram baixa adesão municipal aos convênios, com quase 75% dos municípios sem acordo. A arrecadação do ITR, mesmo integralmente repassada, não justificou os investimentos municipais, e a manutenção da atuação processual pela União desestimulou a continuidade dos ajustes. Verificou-se que a União carecia de interesse processual nessas demandas, dada a ínfima representatividade do ITR na arrecadação federal e a ausência de proveito econômico-financeiro, o que impediu o cumprimento efetivo da diretriz constitucional de desestímulo à improdutividade rural. Concluiu-se que são necessárias modificações legislativas para que o ITR alcance seus objetivos de arrecadação e função social.

Palavras-chave: Arrecadação; Eficiência; Fiscalização; ITR; Municípios.

10 de setembro de 2026

Governança de Dados e Risco Financeiro no Setor Florestal: Evidências Empíricas em Perspectiva Brasil-Finlândia

A fragmentação informacional no setor florestal brasileiro constituiu o ponto de partida desta pesquisa, que investigou como a governança de dados impactou a capacidade analítica, o risco financeiro e a competitividade da gestão florestal, por meio de um estudo comparativo entre Brasil e Finlândia. Submeteram-se 332 documentos, incluindo 307 informativos CEPEA/Esalq/USP (2001–2025) e 25 relatórios setoriais (Bracelpa, ABRAF, Ibá, 2003–2025), a um pipeline de extração automatizado baseado em OCR, mineração de texto e expressões regulares, obtendo-se 13.059 registros estruturados. Realizou-se análise de sensibilidade do Valor Presente Líquido (VPL) e análise de sentimento léxica. Apenas 12,1% dos registros de custo continham Custo Operacional Efetivo preenchido, e nenhum apresentou margem líquida calculável. A incerteza nos dados de entrada oscilou o VPL de um projeto florestal em mais de R$ 20.000/ha, evidenciando a distorção da decisão orientada por dados quando a sofisticação algorítmica não substituiu a qualidade dos dados de origem. A análise de sentimento léxica confirmou a transição dos relatórios setoriais brasileiros de formato estatístico para promocional. Em contraste, o modelo finlandês demonstrou a viabilidade de uma governança integrada, com o inventário florestal consolidado como pilar de inteligência industrial. Os resultados indicaram que o fortalecimento da governança de dados constituiu pré-requisito para a transição do setor para um sistema de planejamento sustentado por evidências.

Palavras-chave: competitividade; fragmentação informacional; inteligência artificial; soberania digital; tomada de decisão.

Chamada De Artigos

11 de setembro de 2026

Chamada de artigos – Edição Temática Gestão de Pessoas

Submissões abertas de 11/09/2026 a 30/09/2026 Estão abertas as submissões para a Chamada Temática Gestão de Pessoas 2026, da Revista Estratégias & Soluções (E&S). A chamada será organizada em dois fluxos editoriais: Fluxo 1 – Trabalhos finais de destaque do MBA USP/EsalqDestinado aos TCCs do curso de Gestão de Pessoas do MBA USP/Esalq que obtiveram […]

Direito Tributário

09 de setembro de 2026

Entre Sísifo e o tonel das Danaides

A cesta básica, o salário-mínimo e o verdadeiro preço das coisas Na mitologia grega, alguns castigos não se distinguiam pela violência de um único sofrimento, mas pela condenação à repetição. Sísifo deveria conduzir uma enorme pedra até o alto de uma montanha e, quando o esforço parecia finalmente concluído, a pedra escapava e retornava ao […]

Inteligência Artificial

03 de setembro de 2026

O desafio atual da colaboração

Na medida em que o processo criativo começa com a IA, organizações precisam repensar como preservar a construção coletiva das ideias Em pouco mais de três anos, ferramentas de inteligência artificial generativa passaram a ocupar grande parte do trabalho nas organizações, seja para escrever, programar, pesquisar, planejar, analisar ou projetar. A presença já é tão […]

Inteligência Artificial

02 de setembro de 2026

O preço de usar IA sem treinamento

Adoção da tecnologia já alcança 88% das organizações mundiais, enquanto o número de profissionais punidos por usá-la sem preparo dobrou em sete meses No primeiro semestre de 2026, ministrei aulas de inteligência artificial com foco em planilhas, dashboards e apresentações, em Barcelona, na Espanha. Entre meus alunos havia advogados e juízes do Il·lustre Col·legi de […]

Sustentabilidade

28 de agosto de 2026

Como a sustentabilidade está redesenhando os data centers

Economia digital encontra limites físicos e tenta reduzir seu impacto ambiental O crescimento acelerado da infraestrutura digital transforma consumo de energia, disponibilidade hídrica, refrigeração, materiais construtivos e localização em variáveis centrais para o projeto da próxima geração de data centers. Durante boa parte da transformação digital, consolidou-se a percepção de que a computação estava progressivamente […]

Branding

27 de agosto de 2026

O branding que venceu a Copa de 2026

Entre identidade visual, uniformes, tipografia e disputa bilionária por audiência, marketing esportivo nunca esteve tão em evidência A Copa do Mundo de 2026 terminou com a Espanha erguendo a taça pela segunda vez, ao vencer a Argentina por 1 a 0 na prorrogação. O Brasil encerrou a competição na 11ª colocação, eliminado ainda nas oitavas […]

Governança

24 de agosto de 2026

Governança corporativa: entre o controle e a responsabilidade

O que as crises corporativas e os erros cometidos nos casos Enron, FTX e Americanas podem ensinar Uma empresa pode ter conselho de administração, auditoria independente, comitê de auditoria, código de conduta, políticas de compliance e dezenas de mecanismos de controle e, ainda assim, caminhar para o colapso. A pergunta incômoda é: se todos esses […]

Educação

21 de agosto de 2026

A educação cibernética como vantagem competitiva na economia digital

Empresas que investem apenas em tecnologia continuam vulneráveis a riscos A economia tornou-se digital. Essa afirmação, que há poucos anos poderia soar como diagnóstico de tendência, hoje descreve uma realidade consolidada. Empresas, consumidores, instituições financeiras, governos e profissionais passaram a depender de plataformas conectadas para realizar transações, compartilhar informações, contratar serviços, consumir conteúdo, estudar, trabalhar […]

Comportamento Consumidor

19 de agosto de 2026

Racionalidade e o contágio no consumo

Como os livros de colorir para adultos ajudam a compreender emoções, influência social e novas febres de mercado De tempos em tempos, determinados produtos ultrapassam sua função original e se transformam em verdadeiras modas de consumo, influenciando escolhas individuais e comportamentos coletivos. Os livros de colorir para adultos são um exemplo particularmente ilustrativo desse fenômeno. […]

Gestão Tributária

01 de setembro de 2026

Reforma tributária e planejamento patrimonial no campo

Eficiência para gerenciar os impostos facilita a governança e permite organizar a sucessão familiar A organização patrimonial rural virou uma medida estratégica diante da reforma tributária no Brasil, que entrou em vigor neste ano. O planejamento das atividades e da gestão do patrimônio rural, por meio de ferramentas como a transição da Pessoa Física para […]

Renata de Gaspari Valdejão Almeida

Inteligência Artificial

05 de agosto de 2026

Dentro da empresa e fora do radar: os riscos da Shadow AI

Segundo a Microsoft, 75% dos profissionais já utilizam inteligência artificial no trabalho sem homologação da empresa O uso da inteligência artificial generativa já faz parte da rotina corporativa. Ferramentas como ChatGPT, Copilot e outras plataformas ajudam profissionais a produzir textos, analisar dados, criar apresentações e acelerar tarefas em praticamente todos os setores. Mas esse avanço […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julho de 2026

O futuro como competência

Interesse acadêmico reforça a projeção de cenários como ferramenta essencial para a tomada de decisões Enquanto algumas empresas ainda tentam acertar o próximo passo, outras já trabalham com múltiplos futuros possíveis — e se preparam para todos eles. Mas afinal, o que significa “pensar o futuro”? É tendência, é estratégia ou uma nova competência que […]

Renata de Gaspari Valdejão Almeida

Inovação

Tecnologia

21 de maio de 2026

Corredor Agro SP: inovação, articulação institucional e futuro

Pecege comanda operação executiva das atividades do ecossistema de 400 km que ficou conhecido como Vale do Silício do agro brasileiro Em 2025, além de assumir a gestão do Parque Tecnológico de Piracicaba, o Instituto Pecege também foi designado para comandar a operação executiva das atividades do Corredor de Inovação Agropecuária do Estado, o chamado […]

Educação

27 de abril de 2026

Como transformar um TCC em negócio

Nova gestão do Parque Tecnológico de Piracicaba oferece consultoria a egressos de MBAs O novo diretor de projetos do Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, costuma dizer que uma das maiores recompensas que já teve na vida foi ver seus orientandos do MBA USP/Esalq estruturarem empresas a partir de seus trabalhos de conclusão de […]

Tecnologia

20 de março de 2026

O repertório humano na era da IA

Pensamento crítico e criatividade são insubstituíveis no trabalho do profissional de marketing A Inteligência Artificial (IA) é capaz de feitos incríveis, mas ainda não possui a capacidade de julgamento, empatia, intuição e criatividade estratégica necessárias para fazer o trabalho de um bom profissional de marketing. Nessa área, é importante saber usar a ferramenta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

23 de fevereiro de 2026

ESG como estratégia de crescimento em uma cooperativa do RS

Santa Clara equilibra responsabilidade social e ambiental com inovação Fundada em 1911 por imigrantes italianos em Carlos Barbosa, na serra gaúcha, a Cooperativa Santa Clara é um exemplo de que é possível equilibrar o crescimento econômico com a responsabilidade social e ambiental. De uma pequena empresa de produção de queijos, a organização evoluiu para um […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

22 de janeiro de 2026

Brasil livre de febre aftosa: o que muda para a carne brasileira?

Com um rebanho de mais de 200 milhões de cabeças de gado, o país é atualmente o líder em exportações O Brasil recebeu recentemente, pela primeira vez, a certificação de país livre de febre aftosa sem vacinação, conferida pela Organização Mundial de Saúde Animal (OMSA). O selo fortalece a posição do país como fornecedor de carne confiável para o […]

Renata de Gaspari Valdejão Almeida

Inovação

09 de dezembro de 2025

Inovação: o novo ciclo do Parque Tecnológico de Piracicaba

Instituto Pecege assume a gestão apostando na criação de novos negócios A partir de 2026, o Instituto Pecege assumirá a gestão do Parque Tecnológico de Piracicaba (PTP). Entre suas responsabilidades estarão a administração, operação, manutenção e expansão do parque, além do fomento de atividades de inovação, empreendedorismo e ciência e tecnologia. A escolha foi feita […]

Renata de Gaspari Valdejão Almeida

06 de julho de 2026

Arquitetura de Grande Porte: Gestão de Mudanças DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação. A arquitetura e o urbanismo configuram-se como bases imprescindíveis em um espaço urbano cada vez mais complexo e desafiador, onde a intrínseca conexão entre questões sociais, ambientais e tecnológicas […]