Ep.4 Leadership Club - IA além da hype: o que líderes precisam realmente entender

Estamos aqui para gravar sobre a IA além da hype, além do bafafá, além do burburinho que está sendo gerado hoje. Trouxe uma liderança que já atuou no Brasil e hoje mora nos Estados Unidos, um especialista no assunto, que fez doutorado na área, está no front da indústria, trabalha numa startup como diretor e está aplicando na prática boa parte do que vamos falar aqui. Muito bem-vindo, Luiz.

Obrigado pelo convite, Carlos. É um prazer estar aqui.

Conta um pouquinho da tua transição profissional, da mudança para os Estados Unidos. Como foi essa carreira?

A gente estudou junto no FRJ. Fiz basicamente toda a minha formação acadêmica lá. Fiz a graduação, foi onde a gente se conheceu, e também trabalhou junto no sistema acadêmico. Na época, eu já estava no mestrado, mas também trabalhando. Fiz um mestrado sanduíche, fui para Portugal, fiquei um ano lá fazendo pesquisa, voltei, defendi o mestrado e fiz doutorado na UFRJ. Na época, não existia uma linha específica de ciências de dados ou de machine learning. A IA naquela época era outra coisa. As disciplinas que a gente fazia, a gente chamava de inteligência computacional. Fui para a linha de banco de dados, e foi quando começou um pouco esse burburinho, começou a ficar quente. A minha tese teve bastante a ver com machine learning.

Depois que terminei o doutorado, já tinha passado no concurso e estava trabalhando como professor na Universidade Rural do Rio de Janeiro. Ajudou a fundar o curso de bacharelado em ciência da computação lá. Foi uma experiência bacana, porque aprendi muito sobre o ambiente acadêmico, como funcionava. A gente tinha uma ideia de processos administrativos, mas não tinha muita ideia em relação à política de como a coisa funcionava. Como se cria um curso, como se é avaliado pelo MEC, briga para ter professor, direitos, licenças, tudo isso é bem diferente. O curso, durante um tempo, foi o melhor curso de ciência da computação do Rio, ficou à frente da UFRJ. Trabalhei lá de 2012 a 2019.

Em 2019, saí e resolvi voltar para o mercado. Comecei a trabalhar numa startup no Vale do Silício, remotamente, ainda morando no Brasil, do ramo de saúde, dos Estados Unidos. Era basicamente venda de plano de saúde. Nos Estados Unidos, as coisas são muito fragmentadas porque cada estado tem sua legislação específica. Essa empresa foi comprada pela UnitedHealth Group. Quando teve a junção, me convidaram para assumir um cargo de liderança, mas eu tinha que estar nos Estados Unidos por causa de legislação de privacidade de dados. Quem está fora dos Estados Unidos não pode acessar o dado. Aceitei e fui para a Flórida. A UnitedHealth Group é a quinta maior empresa dos Estados Unidos atualmente, no ranking da Fortune. Trabalhei lá até junho desse ano, quando fui convidado para integrar uma startup do Vale do Silício chamada Point Health, também no espaço de saúde, healthcare. É engraçado que a Point Health já bota AI no nome, pointhealth.ai, já surfando um pouco.

Você está num cargo de Chief Data Scientist numa startup que tem AI no nome, no Vale do Silício. Dentro desse contexto de liderança, de ciência de dados, de olhar de tecnologia, você é um cara que tem base acadêmica legal, mas que não ficou só na academia. A gente tenta sempre trazer isso para o prático, para resolver problemas. Hoje você está numa posição de liderança que está o tempo todo entre essas fronteiras: pesquisar a próxima onda, mas ao mesmo tempo aplicar, e isso tem que gerar resultado de negócio, porque sendo uma startup, a conta precisa fechar. Como tem sido esse desafio de equilibrar as variáveis dessa equação?

É um desafio bastante complicado. Por um lado, a gente tem que estar sempre atualizado, acompanhando os novos lançamentos. Por outro lado, a gente tem que apresentar resultado. Então a gente está sempre testando coisas novas e filtrando o que é hype e o que de fato é algo que a gente consegue aplicar e apresentar um resultado integrado na rotina do dia a dia. A formação como engenheiro de software ajuda muito. A formação que a gente teve como cientista da computação nos dá toda a capacidade para transitar pelo mundo de desenvolvimento, saber de boas práticas de programação, conhecer práticas de automação, DevOps, e também conhecer bastante de teoria, matemática, estatística. Por mais que na faculdade foi difícil, eu sinto que não aprendi direito. Tem muita gente por aí que sequer viu isso e não faz a menor ideia e está por aí falando besteira, propagando besteira. Essa formação nos dá a capacidade de separar o que é hype, o que é empolgação, o que não está maduro o suficiente, daquilo que a gente realmente consegue usar para agregar valor ao produto que a gente está desenvolvendo. Não é uma tarefa fácil.

Fala um pouquinho mais do que a Point Health faz especificamente para os seus pacientes, clínicas, para quem ela atende. O que no final do dia o Luiz está entregando via seus times?

A Point Health é uma startup do ramo de saúde. Basicamente combina farmacogenômica e IA para sugerir, como uma ferramenta de suporte, para médicos na hora de tomarem uma decisão sobre o caminho, o tratamento mais adequado para uma determinada condição. Traduzindo, farmacogenômica basicamente é DNA. A gente manda um teste para sua casa, você faz um teste de DNA, pode ser de saliva, tem vários tipos. Com isso, a gente manda para uma empresa que sequencia o seu DNA e você sabe exatamente quais genes você tem. Isso vai dizer quais são as suas alergias, quais medicamentos o seu corpo processa melhor do que outros, de risco. Com isso, a gente tem o seu DNA, a gente sabe quais são os medicamentos que normalmente os médicos prescrevem e faz um match disso, muitas vezes utilizando inteligência artificial. A gente usa reinforcement learning, que fala de sugerir a próxima ação a ser tomada, baseado no seu histórico médico, combinando o DNA com o histórico médico, com tratamentos já feitos. A partir disso, como entrada, ele sugere a próxima ação: tem que fazer um exame, tem que tomar tal medicação, qual é o próximo caminho a ser seguido. No momento, a gente está focando muito em saúde mental: ansiedade, depressão, TDAH, inclusive casos específicos como depressão pós-parto, psicose.

Um dos motivos de eu ter te chamado é que você está trabalhando numa empresa que está realmente colocando isso como missão, como propósito da empresa, e não como uma feature acessória. Dentro da hype de IA, a gente sabe que hoje tem muita gente fazendo pendura e calho de IA em produtos e serviços, mas que fica aquela coisa meio torta. Você está vivendo isso na essência da startup: ela deixa de existir se o que vocês estiverem construindo não funcionar. Não dá para viver de hype, senão a porta fecha, não vai parar de pé. Tem alguma coisa revirando o teu olho quando você bate em IA? Eu queria trazer a experiência dos Estados Unidos, o que você tem visto nas conferências, no discurso mainstream de IA, mas que na prática, falando com lideranças de negócio, você chega a revirar o olho: calma, que isso aí não é bem por aí. Eu queria explorar o estado real da IA no mercado hoje.

Sobre isso eu tenho muita coisa para falar. Vou começar um pouquinho mais para trás. Quando entrei na UHG, como diretor de inteligência artificial, na verdade o que a gente fazia era machine learning. Não estávamos falando de IA generativa. Estamos falando de modelo de aprendizado que a gente já usa vinte, trinta anos. Um dos meus primeiros papéis era encontrar grupos dentro da UHG, porque a UHG é enorme, tem trezentos mil funcionários. Tem retrabalho, coisa de empresa grande. A gente conseguiu, com um determinado sucesso, colocar alguns grupos para trabalharem juntos. Tinha um grupo que estava fazendo OCR, desenvolveu uma ferramenta que fazia OCR, e tinha outro que estava precisando pegar um documento em PDF que era imagem. A gente conseguiu promover essa colaboração.

A gente foi acompanhando a IA, esse hype começando, antes da IA generativa. Todo mundo estava muito interessado em modelos de machine learning. O nosso grupo cresceu em cima desse hype. Quando a gente fazia reunião para tentar pegar um projeto novo, uma das nossas maiores preocupações era: vem cá, precisa de um modelo de machine learning? A gente precisa criar alguma coisa para cá? Ou isso é só para seguir o hype? A gente já tinha a pergunta: isso é um problema de engenharia de software ou é de machine learning? Nem todo problema é um problema de machine learning. Isso a gente já vinha falando de 22 para 23.

Depois o ChatGPT foi lançado, aquela bagunça, todo mundo ficou super empolgado. Começou o hype da IA generativa, e agora a gente tem que falar: calma, isso aí pode ser um problema de engenharia de software. O hype do machine learning foi substituído pelo hype da IA generativa. Só que muitas vezes os problemas que o pessoal está tentando resolver não são problemas sequer de IA, são problemas ainda de engenharia de software.

Teve um projeto lá que a gente estava trabalhando, num hackathon dentro da UHG. Vários líderes de várias partes da empresa submetiam problemas para serem resolvidos. Um desses problemas era que a gente tinha dois documentos que não deveriam mostrar a mesma informação, mas às vezes entre eles tinha uma inconsistência. Dependendo do contexto, do caso específico, tinha que ter uma intervenção humana, e essa intervenção às vezes tinha a cópia de uma parte de um sistema para outro, e essa cópia às vezes estava errada. Queriam que a gente fizesse uma comparação desses dois documentos e, se tivesse diferente, copiasse o conteúdo do certo para consertar o errado. A nossa primeira solução foi usando a expressão regular. Tudo volta na computação pra uma expressão regular. Usando a expressão regular, a gente descobriu basicamente 99,5% dos casos. A gente resolvia o problema. Só que eles falaram: não, tem que usar IA, tem que usar LLM. Não está fancy o suficiente, não está chique o suficiente. Então a gente resolveu fazer usando o ChatGPT. A nossa acurácia caiu de 99,5% para 70%. E ficou mais lento, porque a gente envolveu uma chamada a uma API externa, e mais caro, porque alguém tem que pagar por isso. Isso era um projeto de hackathon, não era para entrar em produção, mas é um ótimo exemplo do que está acontecendo dia a dia nos portfólios de empresas que estão metendo IA para dentro sem esse filtro. E o que é pior, a gente demorou muito tempo para entender o problema. A gente ficava: mas peraí, você quer consertar o relatório? Por que que eu não conserto o processo? Vamos automatizar esse processo, tirar essa intervenção humana e acertar a cópia de um relatório para outro. Não era isso que eles queriam. Era a meta de alguém de colocar uma IA.

Esse hype da IA generativa está passando por cima de problemas que são resolvíveis por engenharia de software, expressões regulares, alguma coisa mais bem pensada. Tenho outros exemplos. Teve um projeto de recomendação de planos. Nos Estados Unidos, todo ano você tem que renovar o seu plano, e com isso o plano pode ficar mais caro, mais barato, bota alguma funcionalidade nova, tira, uma rede de hospital melhor ou pior. Você tem uma janela muito específica de tempo, que eles chamam de open enrollment. Se você não fizer essa mudança, eles te cadastram de novo no mesmo plano e, às vezes, você perde o plano, fica um ano sem plano. Para fazer essa renovação, tinha um agente que pegava o teu histórico médico, olhava os planos de saúde, fazia um match manual para dizer quais são os dez melhores planos mais recomendados para você. Dado o volume da UHG, a quantidade de planos, isso significava que o agente tinha que começar o trabalho seis meses antes. Era uma coisa absurda.

Aí, vamos substituir isso por um sistema, um modelo. Esse modelo estava com outro grupo, que estava penando por causa de acesso a dados. Problemas de empresa grande. Não é fácil localizar o dado, quando acha o dado é difícil entender por que ele está daquela forma, o dado não tem boa qualidade, não tem dicionário de dados. Foi uma dor de cabeça tremenda. Isso mostra que você não vai construir modelo nenhum de qualidade se você não tiver esse trabalho de qualidade de dados sendo feito antes. E essa é uma das razões pelas quais esses projetos fracassam, porque muita gente não leva em consideração esse tempo.

Mesmo depois de ter acesso aos dados, eles estavam conseguindo criar um modelo. Mas esse projeto não estava comigo, estava com uma equipe irmã. O líder saiu da empresa, aceitou proposta de outro lugar, e o projeto caiu no meu colo. Demorei umas duas, três semanas para ficar a par do problema. Até que eu olhei e falei: mas peraí, a gente quer minimizar o custo do paciente, o menor valor possível, maximizando utilizações de determinados medicamentos, determinados tipos de exame. Isso te lembra alguma coisa? Minimizar alguma coisa, respeitando algumas restrições? Isso é um problema de programação linear. Já tem algoritmo disso, já está pronto. Passei mais ou menos um mês relembrando como é que é, porque isso faz séculos. No Python existe uma biblioteca chamada SciPy que já tem. Simplex já nem é mais utilizado, é outra coisa muito mais eficiente. A gente resolveu o problema. Foi outro exemplo em que a gente não precisou utilizar IA para resolver um problema que estavam framing como um problema de IA.

Avançando um pouco, teve esse hype de IA generativa. Eu já tinha saído da UHG e vindo para a Point Health. O mundo da startup é bem sensível a esses hypes, porque basicamente o que a startup quer fazer é vender. O que está na moda é mais fácil de vender. A conta precisa fechar. Eles precisam de dinheiro. Tem que ser bom, tem que ser bonito e, de preferência, podem cobrar por isso. Mas é muito sensível com buzzwords. Só que, também, é muito bacana porque, apesar de ser extremamente competitivo, é colaborativo. Você tem muita oportunidade para ir em conferência, ser convidado, apresentar o seu produto, conversar com lideranças.

A gente está falando de 2025, mais ou menos um ano e pouco dentro desse hype de IA. A gente já nota que as próprias lideranças de saúde, de healthcare, já estão ficando saturadas com IA, com promessas. Porque estão vendo empresas que simplesmente fazem: você faz o upload de um documento e depois consegue fazer busca dentro desse documento. Você faz isso no ChatGPT, não precisa de uma ferramenta mágica para fazer isso. As próprias lideranças, que eram um conceito extremamente difícil para elas entenderem, hoje já têm um pouco mais de conhecimento, já conseguem destrinchar, separar o que parece ser hype do que parece ser algo de fato uma inovação. E esse hype ficou tão forte que eles começam a dar choque. Tem muita gente falando de IA, saturou, e agora quem vai falar de alguma ideia nova e que realmente é boa começa a pagar o preço desse hype, dessa saturação. Tem muito a ver com o que a gente tem lido nos jornais, nas reportagens, sobre um monte de projetos de IA falhando, poucos terem sido colocados em produção, realmente resolvendo o problema ao qual se propôs.

Mas eu queria trazer um ponto: não é cansaço pelo cansaço. É que tem dinheiro envolvido. O dinheiro está caro, mundialmente falando. Taxa de juros, guerras, cenário de grana escassa. Não é mais aquele cenário. Nos Estados Unidos tem se falado muito do inverno das startups. Tem que ter resultado. É exatamente nesse caminho que você trata o cansaço deles. Eu acredito que existe a preocupação de uma bolha, e essa preocupação é cada vez mais crescente. Tem uma imagem circulando no LinkedIn com a OpenAI apontando para a NVIDIA, a NVIDIA apontando para outra big tech, virou meme. Porque elas estão impondo muito essa narrativa da IA, do futuro, da substituição. Não é sobre ser contra o ChatGPT, porque muitas das coisas que eles colocaram acho que não volta mais para trás. Não dá para viver sem um assistente que te ajuda a revisar um texto, a ter algumas ideias. Mas tem um ponto de equilíbrio que está sendo buscado, principalmente financeiro, e boa parte desse ponto de equilíbrio não está sendo visto.

Existe uma estatística que a gente já vinha conversando sobre projetos de machine learning: entre 80 e 90% dos projetos de machine learning falham. Eles não dão resultado. Na época, eram dados ruins, falta de apoio do pessoal de negócio, da gerência de negócio. E o negócio que mudou com a IA generativa é que é muito fácil criar um protótipo. Você cria em três dias, muito rápido. Mas conseguir avançar esse protótipo para um produto, transformar em produto de fato, é aonde está o difícil. Esses 80, 90% de falha se transportam para hoje. Tem um livro, o AI Engineering, que fala que uma imensa maioria dos projetos de IA generativa tem uma dificuldade muito grande em cruzar a linha de chegada. É como se fosse um Pareto: você desenvolve 80% do seu projeto muito rápido, mas os 20% que faltam demoram uma eternidade. E isso é extremamente frustrante. As empresas se deixam encantadas com esses 80% que você desenvolve extremamente rápido, mas na hora de escalar, de colocar em produção, de começar a ganhar dinheiro, você não consegue cruzar a linha de chegada. Porque o código que você escreveu está ruim. As próprias IAs alucinam, esquecem. Hoje em dia pesquisam se as LLMs têm introspecção, se elas lembram, se sabem o porquê que responderam alguma coisa sem ser baseado no contexto. É um número muito pequeno que diz que sim. Se elas introspecam 5% das vezes, significa que 95% das vezes elas não introspecam. Elas estão tomando uma decisão baseada no contexto. Se você perguntar por que você me deu essa resposta, ela vai analisar o contexto ao invés de analisar o conhecimento dela. Isso é extremamente frustrante.

Quem desenvolve o Copilot, o que for, sabe que são ferramentas muito úteis. Ninguém está dizendo que elas não são úteis. Mas elas são assistentes, não são aquela coisa. Nenhum profissional vai confiar somente nessas ferramentas. Tem muita gente embutindo a LLM dentro de um fluxo de negócio e delegando para algum GPT, alguma tentativa de RAG, para fazer uma tomada de decisão por você. Tem muito sido falado de agêntica, de 25 para 26, agente autônomo, ele vai tomar a decisão por você, vai fechar o ticket no seu atendimento por você. Eu não diria que isso é maluquice, mas diria que é imprudente. Porque LLM e IA, de um modo geral, você tem que levar em consideração que a IA vai tomar uma decisão errada, vai ter uma previsão errada. Tanto que machine learning, uma das análises clássicas que a gente faz ao final, antes de apresentar os resultados para o pessoal de negócio, é: quais são as matrizes de confusão, os true positives, true negatives. A gente não tem uma precisão de 100%. Existe até uma brincadeira dizendo que se a precisão do modelo é 100%, o seu modelo está errado, porque ele tem que ter algumas decisões erradas. Senão significa que está decorando, tendo overfitting, vazamento de dados, alguma falha no processo. Essas tomadas de decisão dentro de um workflow específico, se delegar unicamente para uma LLM, eu acho imprudente. Se você não tomar os devidos cuidados, porque a quantidade de cuidados que você tem que cercar para integrar uma LLM, colocar um juiz, ter um data set de verdade absoluta, para medir a acurácia, até para escolher o modelo, é enorme. Como é que você escolheu o modelo? Porque rodou um prompt e gostou da saída? Não pode ser assim. Tem que ter uma coisa estruturada, mensurável.

Agora, tomar decisões de negócio, decisões estratégicas, aí me desculpa, mas eu acho maluquice. A LLM pode te ajudar a fazer um brainstorming, gerar código, enxergar o código, apoiar com ideia. Mas, por exemplo, devo abrir uma filial em tal lugar? E a LLM vai te dizer sim ou não, baseado em quê? Ela vai alucinar. E você vai colocar um caminhão de dinheiro para abrir uma filial, achando que está fazendo uma boa decisão estratégica, quando na verdade aquilo está baseado em nada. Você não pode confiar. Tem que ter o seu próprio senso crítico. A LLM não substitui.

Isso tangibiliza um dos últimos grandes assuntos: o que os líderes precisam saber agora. A gente tem esbarrado, sendo consultor, com empresas num cenário de aperto econômico. Não é só no Brasil, estamos falando também da América do Norte. Taxa de juros, guerra, dinheiro escasso. Estão vendo a venda de IA, de soluções LLM, por um caminho de: você vai conseguir eliminar o seu operacional colocando agentes autônomos. Nem 8 nem 80. Sim, tem uma evolução. Se tem uma coisa que a gente em computação fez até hoje, foi eliminando o trabalho repetitivo que o computador faz muito bem, melhorando a vida das pessoas. Mas não é uma eliminação completa. Vou dar um exemplo real. Esses dias estava conversando com um setor financeiro. Eles começaram a usar uma lógica para classificar gastos, despesas de uma empresa, encaixando tudo numa caixinha. Criaram um agente que está categorizando isso totalmente automático e já enfiou dentro do SAP. Deu problema. Tem um monte de classificação errada. Gasto de restaurante que foi parar como custo errado, com a promessa de que tiram três pessoas fazendo isso. Não é ser contra a automação, mas não dá para eliminar completamente o ser humano com a solução que você tem ali. Por mais que a pressão esteja grande de resultado, de redução de custo, é a tentação barata de ir para uma solução de automação pura e simples. O que não significa que a gente não tem que estar estudando sobre essas coisas. A gente tem que continuar se inteirando e se atualizando. Mas hoje em dia, o que é muito claro para mim, é que não tem nenhuma LLM pronta para substituir a força de trabalho humana na escala que estão prometendo. É sobre trazer algum nível de eficiência, mas não é sobre dizimar todos os empregos. Aquela coisa meio apocalíptica que tem sido vendida. As big techs trazem um pouco isso. O viés é de vender. Na corrida do ouro, ganha mais quem vende pá. Estão vendendo pá para caramba.

Que dicas você dá para CTOs, para diretores de áreas de dados e de cientistas de dados que estão vivendo essas pressões hoje, para manter o básico bem feito, manter a serenidade, equilibrar? Tem lideranças à beira do burnout porque cada semana é uma revolução nova que cai no colo deles. A pressão sobre o pra ontem está muito grande.

A primeira dica é: entenda IA. Ah, faz um curso? Não tem tempo para fazer curso? Contrata alguém que saiba e deixa essa pessoa como um diretor, alguém que reporte a você. Alguém que entenda de machine learning, entenda de IA. Sai do food, sai daquela coisa da raiva e só. Se você não entende, não tome decisão sobre algo que você não entende.

Segundo, capacite a sua equipe. Hoje em dia existe uma pressão imensa para você utilizar IA. A gente entende isso. E acredito que todas essas empresas já têm projetos utilizando IA generativa rolando. Mas muitas vezes o treinamento da equipe, por causa dessa pressão, é um efeito colateral, não é o foco principal. Você está forçando o pessoal a desenvolver uma coisa que às vezes ninguém acredita que vai dar certo. Mas um efeito positivo é que você está treinando a equipe, aumentando o senso crítico. Vai ser benéfico para o futuro. Mas se você percebe que tem algum gap, alguma lacuna nesse conhecimento, como identificar? Escuta a sua equipe. Eles vão reclamar de alguma coisa. Se a mesma pessoa está reclamando várias vezes da mesma coisa, ou se várias pessoas estão reclamando de uma coisa específica, isso significa que é uma possível lacuna. Fecha essa lacuna. É muito mais barato, é muito melhor para a sua empresa investir nos seus funcionários do que demitir e contratar outros.

A terceira dica é: não fique frustrado. Alinhe as suas expectativas. Vocês estão trabalhando em diversos projetos utilizando IA generativa. A taxa de fracasso desses projetos, no mundo como um todo, é muito alta. Se no mundo como um todo é muito difícil ter um projeto que vai conseguir entrar em produção, vai ser muito difícil para você conseguir colocar o seu projeto também em produção, transformar em produto de fato. Alinhe a sua expectativa. Vá ver o bem-te-real, não o que está no anúncio. O que está no anúncio do jornal, da revista, hoje em dia, não necessariamente é real. Senta para conversar com alguém de fato que está fazendo.

Outra coisa: proteja a sua equipe dessa pressão. Eles vão sentir a pressão de qualquer forma, mesmo você protegendo ou não. Mas se você não proteger, vai perder boa parte da sua equipe por burnout. O seu papel como líder não é passar pressão. O seu papel como líder é blindar a sua equipe de pressão desnecessária. Botar foco naquilo que precisa foco. Ninguém vai brigar com a minha equipe. Quem briga com a minha equipe sou eu. Eu sei como falar com a minha equipe, eu sei me comunicar com a minha equipe.

Outra coisa que muita gente não presta atenção: custo. Esses projetos são baratos para você desenvolver um protótipo. Mas quando você pensa na hora de colocar aquilo em produção, de escalar, agora você tem que lidar com o público acessando o seu site, o sistema que vai fazer chamadas a uma LLM, a quantidade de tokens explode. O custo econômico da escala precisa estar embutido no business plan. Não dá para seguir o business plan só com uma POC. O custo da POC não é o custo do business plan real. Tem várias coisas que podem dar errado. Ah, eu fazia com LLM. Agora vou fazer chamadas ao LLM hospedado na Meta. Agora vou fazer no LLM local. Mas e o hardware? E a chamada? Toda questão de segurança. Existem mudanças que não são nada triviais e que são possíveis causas de fracasso de um produto. Quando a gente fala de uma startup, momentum é uma coisa muito importante. Manter a coisa andando. Você para por duas semanas por problema de desempenho e é quase um atestado de óbito do seu produto.

Obrigado por ter aceitado. Acho que a gente faria outro episódio só seguindo com o que ainda tem aqui, mas respeitando o tempo dos ouvintes e do nosso convidado. Quero parabenizar pela trajetória, pela carreira. Estou orgulhoso por você. Luiz, por favor, sua mensagem final para os nossos ouvintes.

Obrigado, Carlos. Foi um prazer participar do podcast. Parece mais um bate-papo, um dos vários que a gente tinha lá atrás, quando a gente trabalhava junto. Muito obrigado. Também tenho muito orgulho da trajetória de vocês. Continuo sempre acompanhando. E se alguém tiver qualquer questão, quiser entrar em contato, fica à vontade.

A última coisa, a última mensagem mesmo é: calma. Se tem uma bolha, a bolha provavelmente tem, provavelmente vai estourar, vai ser ruim, vai ser feio. Mas depois as coisas voltam ao normal. É por isso que eu bato muito nessa tecla de estudar, de se preparar, para quando a coisa entrar em níveis normais e saudáveis. Perfeito. Obrigado, valeu, gente.