“Soberania não se mede por onde o servidor está e sim por quanto custa mudar de ideia", diz Ana Paula Appel, da Red Hat

Ana Paula Appel construiu carreira na fronteira entre pesquisa, invenção e arquitetura de sistemas de IA em produção. É Senior AI Specialist Solutions Architect na Red Hat e Technical Quantum Ambassador, doutora em Ciência da Computação pela USP, com mais de 15 anos impulsionando inovação em IA e computação quântica. 

Durante 13 anos na IBM, foi reconhecida três vezes como Master Inventor, com mais de 60 patentes, sendo mais de 30 concedidas, um trabalho destacado por cinco anos consecutivos pela Society of Women Engineers, que lhe concedeu o Prism Award em 2024 por 15 anos de contribuições à computação.

Em conversa com Fabrício Carraro, curador do IA Conference Brasil, Program Manager na Alura e autor do livro "IA Generativa" pela Casa do Código, Ana Paula explica por que o modelo em si deixou de ser o principal gargalo das empresas, propõe uma definição prática de soberania em IA e detalha onde termina a responsabilidade de um agente e começa a da infraestrutura que o cerca.

Sua carreira passou por pesquisa, invenção e, agora, pela arquitetura de IA empresarial em uma companhia profundamente ligada ao open source. O que mudou na sua própria definição de "inovação em IA" ao sair do laboratório e olhar cada vez mais para sistemas que precisam funcionar em produção?

No laboratório, inovação é a busca pela solução que ainda não existe ou que traz um avanço gigante sobre o que já existe. No mundo empresarial, é possível resolver um problema difícil com ferramentas e técnicas que já existem, desde que essa solução vá para produção e não fique apenas mais um protótipo.

A pesquisa me deixou duas heranças que uso todo dia. A primeira é não aceitar a primeira arquitetura que aparece, porque quem vem de pesquisa aprendeu que sempre há mais de um caminho.

A segunda, que acho a mais importante hoje, é saber ler o estado da arte com honestidade: reconhecer o que é resultado sob condições controladas, com benchmark escolhido a dedo, e o que já está maduro para ser usado por alguém que não é o autor do paper. Isso tira o hype da conversa.

Você tem falado que a IA está saindo de uma fase experimental e entrando numa fase de "industrialização". Quando uma organização atravessa essa fronteira, qual costuma ser o gargalo que ela mais subestima: modelo, infraestrutura de inferência, dados, governança ou custo operacional?

Hoje o modelo em si é a menor das preocupações, considerando a maturidade das opções abertas disponíveis para a maioria dos cenários corporativos.

A verdadeira barreira é organizacional: as equipes trabalham com ferramentas fragmentadas, em ambientes distintos para experimentação, versionamento e implantação.

Sem uma plataforma unificada, cada projeto vira uma integração isolada, sem reaproveitamento do que já foi construído, o que inviabiliza escalar do primeiro para dezenas de modelos seguintes.

Superado esse desafio, surge o gargalo da inferência: os investimentos se concentram no treinamento, e ignora-se o custo contínuo de operação que determina a viabilidade financeira da solução. A ausência de infraestrutura centralizada faz cada time gerenciar recursos de forma ineficiente, GPUs ociosas de um lado, gargalos do outro.

É essa falta de um fluxo padronizado entre experimentação e produção que inviabiliza projetos que funcionavam bem como pilotos.

Soberania de IA se tornou uma discussão muito mais presente em 2026. Mas uma empresa pode rodar seus próprios modelos e ainda depender de GPUs, clouds, frameworks e componentes de terceiros. Na prática, o que precisa estar sob controle da organização para que possamos realmente falar em soberania de IA?

Soberania não é autossuficiência, ninguém vai fabricar a própria GPU ou modelo, e não precisa. Soberania é controle total sobre o que é seu e ausência de lock-in sobre o resto.

O que tem que ser seu: os dados e o local onde são processados; os pesos do modelo e como foi feita a customização, para poder ajustar sem pedir licença a ninguém; e a capacidade de rodar a mesma aplicação em outro acelerador, em outra nuvem, no seu data center, sem reescrever nada.

Se para trocar de fornecedor você precisa refazer a solução, você não tem soberania, e sim uma dependência com endereço local.

É por isso que padrões e formatos abertos são estratégia, não preferência técnica: eles garantem o direito de sair. Soberania não se mede por onde o servidor está, e sim por quanto custa mudar de ideia.

Com agentes ganhando permissão para consultar sistemas e executar ações, até onde segurança e governança podem ser resolvidas no nível do próprio agente, e quais controles precisam obrigatoriamente existir abaixo dele, na infraestrutura?

No agente, você resolve intenção e escopo: quais ferramentas ele enxerga, o que faz com o resultado, quando parar e pedir confirmação humana. Mas o agente é um software não determinístico, e não pode ser a fronteira de confiança. A fronteira teria que ser garantida justamente pela parte imprevisível do sistema.

Abaixo dele, precisam existir controles que ele não consiga contornar, nem que queira.

Segurança significa identidade própria do agente, com credencial efêmera e de menor privilégio, nunca a credencial emprestada do usuário; autorização aplicada no sistema-alvo, não no prompt; isolamento de execução e controle de saída de rede.

E observabilidade (a metade que costuma ficar para depois) significa rastrear cada ação, com que identidade, qual ferramenta, qual dado, qual resultado, em tempo real e de forma imutável, para auditoria e resposta a incidente. Um controle que o agente pode ignorar não é um controle.

Você também acompanha de perto computação quântica. Tirando o hype, qual é a primeira interseção entre IA e quantum que você considera plausível gerar valor real para empresas?

A expectativa de usar computação quântica para treinar modelos maiores de IA não é realista no momento, não é o foco atual do quantum, e o volume de dados clássicos difere da essência dos problemas em que a tecnologia se destaca, que são de natureza quântica ou combinatória.

A convergência viável ocorre em áreas específicas e de alto custo, como otimização e simulação em química, materiais e formulação: a IA clássica gera e filtra candidatos, enquanto o quantum é acionado em uma etapa restrita do processo. Hoje, a frente mais madura é a oposta: a IA auxiliando o quantum na correção de erros e calibração.

O ponto de partida deve ser identificar os gargalos financeiros causados por aproximações nos processos atuais, não comprar a máquina em si.

E a migração criptográfica independe da adoção imediata do quantum, informações confidenciais armazenadas hoje podem ser capturadas para futura decodificação quântica, o que torna essa transição um elemento estratégico com prazo ditado por riscos externos.

Ana Paula Appel | IA Conference Brasil 2026

Se você quiser continuar essa conversa ao vivo, Ana Paula é uma das palestrantes do IA Conference Brasil, o maior evento de IA e tecnologia do país, realizado pela Alura.

Dia 24 de setembro de 2026, no Frei Caneca, em São Paulo, você tem a chance de se conectar com quem está construindo a próxima era da IA no Brasil.

A terceira e maior edição do evento vai reunir mais de 1.300 profissionais, +50 conteúdos exclusivos e palcos simultâneos pensados para quem quer sair de lá entendendo o que realmente importa entre tantas novidades que surgem no mercado.

Ainda dá tempo de garantir seu lugar na maior edição da história do evento. Nos encontramos lá?

IA Conference 2025