← Biblioteca de InsightsModelo operacional e parceiros

Não reinvente a roda. Faça-a girar mais depressa.

16 nov 2026Filipe MarquesArtigo original.

As empresas precisam de plataformas sofisticadas para colocar a IA para trabalhar de verdade. Não deveriam precisar de um exército de especialistas para dominá-las.

O diretor de operações de uma grande indústria brasileira sabe onde está o dinheiro. Está nos dados das máquinas, dos contratos e dos turnos, que ninguém consegue analisar em conjunto. Ele também sabe o que os fornecedores dizem: para chegar lá, precisa de um grafo de conhecimento, de modelos preditivos e de aplicações que coloquem tudo nas mãos de quem decide. O que ninguém diz é onde ele vai encontrar as pessoas para fazer isso.

Esse é o dilema da IA corporativa. As plataformas que a tornam confiável são, por natureza, sofisticadas. Um grafo de conhecimento, como o Graph Studio, organiza o significado dos dados. Uma plataforma de ciência de dados, como o AI Studio, constrói e governa os modelos que fazem previsões. Uma camada de aplicações, como o Mendix, leva as decisões a quem está na operação. Sem as três conectadas, os agentes de IA respondem com segurança e erram com a mesma segurança.

Cada uma exige especialistas, e eles são escassos. A Bain estima que, nos Estados Unidos, cerca de metade das vagas de IA pode ficar sem preenchimento até 2027; 44% dos executivos apontam a falta de competências internas como um obstáculo central (Bain, mar/2025). No Brasil, o setor de tecnologia precisava de cerca de 159 mil profissionais por ano e formava 53 mil (Brasscom, 2021). Engenheiros de ontologia, cientistas de dados que entendem de causalidade e arquitetos capazes de juntar tudo isso são uma parcela ainda mais rara desse grupo.

Há quem veja na IA generativa uma saída. Se uma máquina escreve código, para que comprar plataformas? Em fevereiro, os investidores pareceram concordar: o índice S&P Software & Services caiu 25% em seis semanas, depois que a Anthropic lançou o Claude Cowork. A euforia durou pouco. Em 24 de fevereiro, a própria Anthropic anunciou integrações com Salesforce, Intuit, Docusign e FactSet (The Batch). No fim das contas, a IA chegava para trabalhar com o software sério, e não para substituí-lo.

A explicação é simples. O que sempre custou caro no software não foi escrever código. Foi saber o que o código deve fazer: as regras fiscais e contábeis, os padrões testados em milhares de empresas, a matemática que processa milhões de registros em paralelo e separa correlação de causalidade. Isso não sai de um prompt. O MIT concluiu que as ferramentas compradas de fornecedores especializados chegam ao resultado em cerca de 67% dos casos; as soluções construídas internamente, em uma fração disso (MIT NANDA, 2025). Economizar uma licença para reinventar a roda costuma sair caro.

Contexto e análiseOntologiaGrafo de conhecimentoCiência de dados e MLConecte e useFalta na maioriados diagramas de arquiteturaalimentaalimentaFluxo e experiênciaPortais, aplicações, automações e agentes de IAConstrua com IA e low-codeÉ onde a empresa se diferencia e muda rápidoRegistroERP, CRM, fiscal, folha de pagamentoAdote o padrão e customize com IARegras legais, fiscais e contábeis, testadas e homologadas
Construir onde a empresa se diferencia, adotar onde o software carrega regras estáveis, conectar a camada de contexto que alimenta as outras duas.

Sobram, então, duas saídas ruins. A primeira é contratar e treinar uma equipe completa para cada plataforma: cara, lenta e frágil, porque os melhores profissionais vão embora quando o mercado chama. A segunda é adiar. Nenhuma das duas serve para quem precisa competir este ano.

A S4 Digital Americas existe para resolver esse dilema. Acreditamos que, na era da IA, adotar software e conhecimento de excelência não deveria ser lento, caro nem arriscado. E que nenhuma empresa deveria precisar montar um exército de especialistas raros para usar as melhores plataformas do mercado.

O caminho é usar a IA não para substituir essas plataformas, mas para tornar o domínio delas acessível. A S4 Digital Brasil usa, em exclusividade com a AGENIUS, uma camada de abstração sobre o conhecimento técnico do Siemens ICX: o Mason, powered by AGENIUS. É uma tecnologia de IA proprietária, que trabalha sobre a suíte Siemens e se integra a ela, mas não é um produto Siemens. Quem decide fala a língua do negócio; a camada traduz isso em configuração, código, modelos e testes. Uma equipe híbrida, de pessoas e agentes, trabalha nas três plataformas ao mesmo tempo, enquanto o modelo tradicional colocaria quatro especialistas em fila.

MODELO TRADICIONALEspecialista MendixEspecialistaGraph StudioEspecialistaAI StudioIntegradorPassagens de bastão: cada plataforma espera pela anterior, e cada especialista conhece só a sua.COM A CAMADA DE ABSTRAÇÃOEquipe híbridaPessoas e agentes de IAsobre a camada deabstraçãoMendixGraph StudioAI Studioem paraleloSolução integradanuma fração do tempo
Uma equipe e uma camada, em vez de quatro especialistas em sequência.

Na prática, isso vai do mais simples ao mais completo. Em um extremo, aplicações Mendix geradas a partir de código legado, de requisitos ou de diretrizes de marca. No outro, casos inteiros que conectam Graph Studio, AI Studio e Mendix e colocam agentes de IA para trabalhar dentro da empresa, com pessoas validando cada decisão crítica. Tudo em uma fração do tempo que exigiria um especialista por plataforma.

Nada disso torna o conhecimento dispensável. Pelo contrário: ele fica mais valioso. A Deloitte deu acesso ao Claude a mais de 470 mil profissionais e está certificando 15 mil deles (Anthropic, out/2025). Em novembro, a Hg e a própria Anthropic anunciaram uma nova empresa para levar a IA dos pilotos ao impacto operacional (Artificial Lawyer). Até quem cria os modelos aposta em gente que conhece setores e empresas.

A roda já foi inventada, e é boa. O que falta à maioria das empresas não é uma roda nova, nem um exército para montá-la. É alguém que a faça girar mais depressa.

Fontes

Companies need sophisticated platforms to put AI to serious work. They should not need an army of specialists to master them.

The head of operations at a large Brazilian manufacturer knows where the money is. It sits in the data from machines, contracts and shifts, which nobody can read together. He also knows what vendors tell him: to get at it, he needs a knowledge graph, predictive models and applications that put it all in the hands of the people who decide. What nobody tells him is where he will find the people to do it.

This is the dilemma of enterprise AI. The platforms that make it trustworthy are, by nature, sophisticated. A knowledge graph, such as Graph Studio, organizes what the data means. A data science environment, such as AI Studio, builds and governs the models. An application layer, such as Mendix, takes decisions to the people who do the work. Without all three connected, AI agents answer with confidence and get things wrong with the same confidence.

Each needs specialists, and specialists are scarce. Bain reckons that in America about half of AI jobs could go unfilled through 2027; 44% of executives name the lack of in-house expertise as a central obstacle (Bain, Mar 2025). In Brazil, the tech sector needed some 159,000 professionals a year and was producing 53,000 (Brasscom, 2021). Ontology engineers, data scientists who understand causality and architects who can tie it all together are a rarer fraction still.

Some see a way out in generative AI. If a machine can write code, why buy platforms? In February investors seemed to agree: the S&P Software & Services index fell 25% in six weeks after Anthropic launched Claude Cowork. The panic did not last. On February 24th Anthropic itself announced integrations with Salesforce, Intuit, Docusign and FactSet (The Batch). AI, it turned out, had come to work with serious software, not to replace it.

The reason is simple. The expensive part of software was never writing code. It is knowing what the code must do: the tax and accounting rules, the patterns tested in thousands of companies, the mathematics that processes millions of records in parallel and tells correlation from causation. None of that comes out of a prompt. MIT found that tools bought from specialized vendors reach results in about 67% of cases; internal builds, in a fraction of that (MIT NANDA, 2025). Saving on a license to reinvent the wheel usually proves costly.

Context and analyticsOntologyKnowledge graphData science and MLConnect and useMissing from mostarchitecture diagramsfeedsfeedsWorkflow and experiencePortals, applications, automations and AI agentsBuild with AI and low-codeThis is where the company differentiates and changes fastRecordERP, CRM, tax, payrollAdopt the standard and customize with AILegal, tax and accounting rules, tested and certified
Build where the company differentiates, adopt where software carries stable rules, connect the context layer that feeds the other two.

That leaves two bad options. The first is to hire and train a full team for each platform: expensive, slow and fragile, because the best people leave when the market calls. The second is to wait. Neither works for a company that has to compete this year.

S4 Digital Americas exists to resolve this dilemma. We believe that, in the age of AI, adopting first-class software and knowledge should not be slow, expensive or risky. And that no company should have to raise an army of rare specialists to use the best platforms on the market.

The way to do it is to use AI not to replace those platforms, but to make mastering them accessible. S4 Digital Brasil uses, under exclusivity with AGENIUS, an abstraction layer over the technical knowledge of Siemens ICX: Mason, powered by AGENIUS. It is proprietary AI technology that works on, and integrates with, the Siemens suite, but it is not a Siemens product. Decision makers speak business; the layer turns that into configuration, code, models and tests. A hybrid team of people and agents works on all three platforms at once, where the traditional model would line up four specialists in a queue.

TRADITIONAL MODELMendix specialistGraph StudiospecialistAI StudiospecialistIntegratorHand-offs: each platform waits for the previous one, and each specialist knows only their own.WITH THE ABSTRACTION LAYERHybrid teamPeople and AI agentsworking on theabstraction layerMendixGraph StudioAI Studioin parallelIntegrated solutionin a fraction of the time
One team and one layer, instead of four specialists in sequence.

In practice this runs from simple to complete. At one end, Mendix applications generated from legacy code, requirements or brand guidelines. At the other, whole cases that connect Graph Studio, AI Studio and Mendix and put AI agents to work inside the company, with people validating every critical decision. All in a fraction of the time one specialist per platform would need.

None of this makes knowledge dispensable. It makes it more valuable. Deloitte gave more than 470,000 of its people access to Claude and is certifying 15,000 of them (Anthropic, Oct 2025). In November Hg and Anthropic itself announced a new company to take AI from pilots to operational impact (Artificial Lawyer). Even those who build the models are betting on people who know industries and companies.

The wheel has already been invented, and it is a good one. What most companies lack is not a new wheel, nor an army to assemble it. It is someone to make it turn faster.

Sources

Las empresas necesitan plataformas sofisticadas para poner la IA a trabajar en serio. No deberían necesitar un ejército de especialistas para dominarlas.

El director de operaciones de una gran industria brasileña sabe dónde está el dinero. Está en los datos de las máquinas, los contratos y los turnos, que nadie logra leer en conjunto. Sabe también lo que le dicen los proveedores: para llegar ahí necesita un grafo de conocimiento, modelos predictivos y aplicaciones que pongan todo en manos de quien decide. Lo que nadie le dice es dónde va a encontrar a las personas para hacerlo.

Este es el dilema de la IA corporativa. Las plataformas que la hacen confiable son, por naturaleza, sofisticadas. Un grafo de conocimiento, como Graph Studio, organiza el significado de los datos. Un entorno de ciencia de datos, como AI Studio, construye y gobierna los modelos. Una capa de aplicaciones, como Mendix, lleva las decisiones a quien trabaja. Sin las tres conectadas, los agentes de IA responden con confianza y se equivocan con la misma confianza.

Cada una pide especialistas, y los especialistas escasean. Bain estima que, en Estados Unidos, cerca de la mitad de los puestos de IA podría quedar sin cubrir hasta 2027; el 44% de los ejecutivos señala la falta de competencias internas como un obstáculo central (Bain, mar/2025). En Brasil, el sector tecnológico necesitaba unos 159.000 profesionales al año y formaba 53.000 (Brasscom, 2021). Ingenieros de ontología, científicos de datos que entienden la causalidad y arquitectos que unen todo esto son una fracción aún más escasa de ese grupo.

Hay quien ve en la IA generativa una salida. Si una máquina escribe código, ¿para qué comprar plataformas? En febrero, los inversores parecieron estar de acuerdo: el índice S&P Software & Services cayó un 25% en seis semanas, después de que Anthropic lanzara Claude Cowork. La euforia duró poco. El 24 de febrero, la propia Anthropic anunció integraciones con Salesforce, Intuit, Docusign y FactSet (The Batch). La IA, al final, venía a trabajar con el software serio, no a reemplazarlo.

La razón es simple. Lo caro del software nunca fue escribir código. Es saber qué debe hacer el código: las reglas fiscales y contables, los patrones probados en miles de empresas, la matemática que procesa millones de registros en paralelo y separa correlación de causalidad. Eso no sale de un prompt. El MIT concluyó que las herramientas compradas a proveedores especializados llegan al resultado en cerca del 67% de los casos; las construcciones internas, en una fracción de eso (MIT NANDA, 2025). Ahorrar una licencia para reinventar la rueda suele salir caro.

Contexto y análisisOntologíaGrafo de conocimientoCiencia de datos y MLConecte y useFalta en la mayoríade los diagramas de arquitecturaalimentaalimentaFlujo y experienciaPortales, aplicaciones, automatizaciones y agentes de IAConstruya con IA y low-codeEs donde la empresa se diferencia y cambia rápidoRegistroERP, CRM, fiscal, nóminaAdopte el estándar y personalícelo con IAReglas legales, fiscales y contables, probadas y homologadas
Construir donde la empresa se diferencia, adoptar donde el software lleva reglas estables, conectar la capa de contexto que alimenta a las otras dos.

Quedan, entonces, dos salidas malas. La primera es contratar y formar un equipo completo para cada plataforma: caro, lento y frágil, porque los mejores se van cuando el mercado llama. La segunda es postergar. Ninguna sirve a quien tiene que competir este año.

S4 Digital Americas existe para resolver este dilema. Creemos que, en la era de la IA, adoptar software y conocimiento de excelencia no debería ser lento, caro ni arriesgado. Y que ninguna empresa debería tener que formar un ejército de especialistas escasos para usar las mejores plataformas del mercado.

La forma de lograrlo es usar la IA no para reemplazar esas plataformas, sino para hacer accesible su dominio. S4 Digital Brasil usa, en exclusividad con AGENIUS, una capa de abstracción sobre el conocimiento técnico de Siemens ICX: Mason, powered by AGENIUS. Es tecnología de IA propietaria, que trabaja sobre la suite Siemens y se integra con ella, pero no es un producto Siemens. Quien decide habla de negocio; la capa lo traduce en configuración, código, modelos y pruebas. Un equipo híbrido, de personas y agentes, trabaja en las tres plataformas al mismo tiempo, donde el modelo tradicional pondría a cuatro especialistas en fila.

MODELO TRADICIONALEspecialista MendixEspecialistaGraph StudioEspecialistaAI StudioIntegradorTraspasos: cada plataforma espera a la anterior, y cada especialista conoce solo la suya.CON LA CAPA DE ABSTRACCIÓNEquipo híbridoPersonas y agentes de IAsobre la capa deabstracciónMendixGraph StudioAI Studioen paraleloSolución integradaen una fracción del tiempo
Un equipo y una capa, en vez de cuatro especialistas en secuencia.

En la práctica, esto va de lo simple a lo completo. En un extremo, aplicaciones Mendix generadas a partir de código heredado, de requisitos o de guías de marca. En el otro, casos enteros que conectan Graph Studio, AI Studio y Mendix y ponen agentes de IA a trabajar dentro de la empresa, con personas validando cada decisión crítica. Todo en una fracción del tiempo que exigiría un especialista por plataforma.

Nada de esto vuelve prescindible el conocimiento. Lo vuelve más valioso. Deloitte dio acceso a Claude a más de 470.000 profesionales y está certificando a 15.000 de ellos (Anthropic, oct/2025). En noviembre, Hg y la propia Anthropic anunciaron una nueva empresa para llevar la IA de los pilotos al impacto operativo (Artificial Lawyer). Hasta quienes crean los modelos apuestan por gente que conoce sectores y empresas.

La rueda ya fue inventada, y es buena. Lo que le falta a la mayoría de las empresas no es una rueda nueva, ni un ejército para montarla. Es alguien que la haga girar más rápido.

Fuentes