Agentes em produção
Agentes para tarefas específicas, conectados às ferramentas que você já usa, com controle de acesso, logs e um caminho definido para os casos que não devem resolver sozinhos.
Inteligência artificial aplicada, São Paulo
A NASCIA AI projeta, constrói e opera agentes, bancadas de avaliação e integrações nos processos que sua organização já usa todos os dias. Não é uma demonstração: é um sistema que sua própria equipe consegue operar, auditar e ampliar.
Os mesmos quatro passos, na mesma ordem, em cada projeto.
O que construímos
É fácil demonstrar um agente e difícil mantê-lo funcionando. A diferença não está no modelo. Está em tudo ao redor dele: os dados que ele pode acessar, a avaliação que avisa quando ele piora, o fallback (caminho alternativo) quando falha e a pessoa que responde pelo resultado.
Agentes para tarefas específicas, conectados às ferramentas que você já usa, com controle de acesso, logs e um caminho definido para os casos que não devem resolver sozinhos.
Uma bancada de testes que separa melhora real de uma rodada de sorte, para que nenhuma troca de modelo ou de prompt vá para produção no palpite.
Ilustração com dados simulados
As conexões entre o modelo e seus sistemas corporativos (ERP, CRM, chamados, finanças e documentos), prontas para auditoria.
Programas práticos para empresas, escolas e fundações, conduzidos por quem constrói esses sistemas, e não só escreve sobre eles.
Em produção
Quatro dos nossos projetos no ar, cada um com um número, sua fonte e sua data, e um sistema empresarial confidencial.
Educação
Mais de 15 mil educadores por mês.
Fonte: ai-teachers.pro e mrnascimento.com, acesso em 24 de setembro de 2026.
Ler o estudo de caso: AI Teachers
Finanças
415 testes aprovados em uma execução adversarial contra a fronteira de saída, 11 arquivos.
Fonte: registro de afirmações do Portfolio Horizon, execução de 31 de julho de 2026.
Ler o estudo de caso: Portfolio Horizon
Educação
12 etapas na orquestração de IA que liga cada tópico a carreiras do Reino Unido.
Fonte: página inicial do Careers Studio, acesso em 24 de setembro de 2026.
Ler o estudo de caso: Careers Studio
Educação
480 PDFs de provas anteriores do IGCSE em um acervo protegido.
Fonte: página inicial de mrnascimento.academy, acesso em 24 de setembro de 2026.
Ler o estudo de caso: Mr Nascimento Academy
Finanças
Para um grupo de capital fechado: a primeira linha da demonstração do resultado do exercício (DRE) mensal, gerada automaticamente a partir de dados brutos do ERP, validada com seis meses de histórico e aceita por escrito pelo patrocinador executivo.
Ler o estudo de caso: Agentes de IA para finanças corporativasCliente confidencial
Entregue em mais de dez versões, com mais de 60 páginas de documentação.
Avaliação
Duas versões de um modelo são avaliadas no mesmo conjunto de exemplos. Arraste o controle e veja o efeito do tamanho da amostra sobre a incerteza.
Ilustração com dados simulados
Acurácia, em um eixo de 50% a 100%
Com 100 exemplos, os dois intervalos se sobrepõem, e esta imagem, sozinha, não permite distinguir melhora de sorte. A sobreposição não mostra que as versões têm o mesmo desempenho.
Diferença: 4,0 pontos percentuais
| Versão A | Versão B | |
|---|---|---|
| Acurácia | 82,0% (82/ | 86,0% (86/ |
| Intervalo de confiança de 95% (Wilson) | 73,3% a 88,3% | 77,9% a 91,5% |
| Largura do intervalo (p.p.) | 15,0 | 13,6 |
Cada pontuação tem um intervalo de confiança de 95% de Wilson. O gráfico mostra a incerteza; não é um teste de significância. Uma comparação real entre dois modelos nos mesmos exemplos exige uma análise pareada dos resultados, que estes totais simulados não incluem.
As pontuações foram geradas para esta demonstração e não vêm de um sistema de cliente.
Como trabalhamos
A ordem é o método. Nada é construído antes de ser definido, nada entra em produção antes de ser medido e nada é transferido sem as pessoas capazes de manter tudo funcionando.
Deixar claros a tarefa, o responsável e a medida de sucesso antes de escolher qualquer modelo.
Você recebe
A definição por escrito, com o escopo de acesso aos dados e a decisão de construir ou não.
Construir primeiro a bancada de avaliação, para distinguir melhora de sorte.
Você recebe
A bancada de avaliação: um conjunto de testes montado com casos reais, métricas, linhas de base e um relatório gerado a cada mudança.
Pôr o sistema em produção no fluxo de trabalho que já existe, com fallbacks, logs e controle de acesso.
Você recebe
O sistema integrado em produção, com as rotas de escalonamento, o monitoramento e a trilha de auditoria.
Deixar o runbook (manual de operação), os testes e uma equipe capaz de operar o sistema sem depender de nós.
Você recebe
O runbook, a suíte de testes com o histórico de avaliação e a documentação no seu repositório, e uma equipe de operação formada.
A medida do trabalho não é a demonstração. É o sistema continuar funcionando, continuar sendo medido e continuar nas mãos da sua equipe depois que saímos.
Formação
Programas para empresas, escolas e fundações, em português e inglês, de briefings executivos a workshops práticos para equipes de engenharia e formação de professores.
Lideranças e equipes de engenharia que precisam decidir o que construir, o que comprar e como medir.
Professores e gestores escolares que precisam de uma política de IA aplicável e de práticas consistentes em sala de aula.
Equipes que financiam ou operam educação e serviços públicos e precisam avaliar propostas de IA com evidências.
Fundador

Fundador, NASCIA AI
Autor, matemático, desenvolvedor de soluções de IA, pesquisador de IA aplicada, palestrante e professor.
Autor de Generative AI for Teachers: A Practical Guide to Educational Technology (2025) e de Inteligência Artificial Generativa para Professores (Editora Dialética, 2026).
Matemático. Doutorando em Matemática Pura no IME-USP, Universidade de São Paulo, com exame de qualificação aprovado em 2026.
Desenvolvedor de soluções de IA que constrói sistemas inteligentes para grandes organizações e conduz a implementação de IA da definição inicial à transferência.
Pesquisa e textos
Um estudo forense de vazamento de respostas no reparo de código por agentes e artigos sobre avaliação de IA, educação e políticas públicas na imprensa brasileira e internacional.
Estudo
Zenodo, preprint do autor, sem revisão por pares. DOI 10.5281/zenodo.21286873 ·
Um preprint do fundador audita três experimentos próprios, mostra a saída esperada vazando pelo feedback de execução e define os controles de um resultado confiável.
Ler o estudo de casoThe AI Journal · · Inglês
GovInsider · · Inglês
EUobserver · · Inglês
Dúvidas
Respostas diretas sobre como um projeto funciona, como lidamos com dados e confidencialidade e o que fica fora do escopo.
Uma conversa costuma bastar para saber se cabe um agente ali, como avaliá-lo e o que seria preciso para mantê-lo funcionando.