Meetup Itaú Tech — Edição Híbrida | Maio 2026

Resumo técnico produzido a partir da transcrição automática do evento. Organizado por blocos conforme a agenda oficial.

Obs: você pode conferir a transmissão completa do evento aqui.

1. Abertura

Apresentação: Raíza (Time de Comunicação e Change, Itaú)

Primeira edição híbrida do Meetup Itaú Tech, reunindo participantes presenciais e online. O evento contou com parceiros como Google, EBANX, Cognition, Localiza, GitHub e Alura/Hipsters.tech. A agenda cobriu estratégia de IA no banco, painéis técnicos sobre implementação de agentes em escala e arquitetura de experiências para clientes, além de uma gravação ao vivo do podcast Hipsters.tech.

2. Agentes de IA no Itaú: escalando a transformação

Palestrante: Fernando Kontopp — Diretor de Tecnologia no Itaú

Resumo

Kontopp apresentou a jornada de transformação tecnológica do Itaú iniciada em 2015, estruturada em pilares sequenciais: modelo de trabalho fluido, modernização de arquitetura (desacoplamento de monolitos), agenda de dados, design como disciplina estratégica e, agora, IA como camada de aceleração de toda a cadeia.

O banco opera dois vetores principais com IA: interno (como o trabalho é feito) e externo (experiências entregues ao cliente final).

Destaques técnicos

13.000+ ITubers usando alguma plataforma de IA no dia a dia
75% do time de desenvolvimento usa o Devin (Cognition), especialmente o Devin CLI
Migrações realizadas 5–6x mais rápidas com coding agents
Redução de 70% dos "toques" em codebases mapeados
Documentação gerada para 300.000+ repositórios
Cobertura de testes dobrada nos repositórios
Redução de 98% em incidências de alto impacto para clientes
Aumento de ~3.000% na entrega de valor ativado para clientes
Redução de 44% no custo unitário de processamento de transações
Vulnerabilidades de segurança tratadas em lote e em velocidade muito maior

Plataforma interna: IARA

Plataforma centralizada de IA do Itaú que provê:

Acesso a todos os modelos (novos modelos disponibilizados em ~2 dias)
Orquestração de prompts, knowledge bases e RAG
Memória persistente para casos específicos
Políticas de responsible AI (o que pode/não pode ser respondido ao cliente)

Instituto de Ciência e Tecnologia — ICTi

~200 pesquisadores dedicados
Linhas de pesquisa: IA Generativa, Computação Quântica, Robótica, Realidade Estendida
20+ papers publicados em revistas científicas
Parcerias com USP, MIT, Stanford

Casos de uso para clientes ("Inteligência Itaú")

Pix pelo WhatsApp: transações por voz, foto de QR Code ou texto
Assessoria financeira para PJ/MEI: gestão de fluxo de caixa com IA generativa em escala
Inteligência de Investimentos: assessor pessoal com 5M+ clientes ativos, baseado em perfil do usuário e prateleira ampla de produtos

Insights e conclusões

"A hora que você fala que vai fazer mais rápido, você precisa ter freios tão bons quanto a velocidade do carro." — Fernando Kontopp

IA generativa não é hype. É realidade que muda como empresas trabalham e como consumidores se comportam. Estratégia de "espere e veja" já é tardia. A missão declarada do Itaú é ser a empresa líder em IA no mercado financeiro brasileiro.

3. Painel — Implementando agentes em escala: a transformação em engenharia de software em grandes empresas

Palestrantes:

Gabriel Pegorelli — Gerente de Tecnologia, Itaú
Guilherme Grupenmacher — GTM, Cognition AI
Kalecser Pasquali Kurtz — VP de Tecnologia, EBANX

Mediação: Thais Luiza Donega e Souza — Cientista de Dados, ICTi

Resumo

Painel centrado na adoção do Devin (Cognition) em larga escala no Itaú e EBANX. Abordou os desafios técnicos, culturais e de governança da integração de agentes autônomos em organizações com compliance intenso, além de métricas de produtividade e boas práticas emergentes.

Linha do tempo da parceria Itaú × Cognition

Março/2024: Cognition lança vídeo do Devin como "primeiro engenheiro autônomo com IA" — ceticismo inicial do mercado
Julho–Agosto/2024: Primeiro contato e conversa técnica entre Itaú e Cognition
2024–2025: Exploração técnica, hardening, integração e escalonamento

Destaques técnicos

Arquitetura de integração do Devin no Itaú:

Service account com acesso a repositórios (decisão de governance crítica)
Usuário de serviço do Devin com permissão cuidadosamente escalpelada
Devin como co-author nos commits (Human engineer as author, Devin as co-author)
PRs do Devin passam por revisão humana obrigatória antes do merge
Guardrails implementados na pipeline de CD

Devin CLI vs. Devin remoto:

Devin CLI para casos de alto paralelismo e baixa supervisão (ex: migrações em lote)
Devin no modo síncrono (IDE/CLI local) para tarefas exploratórias ou com decisões incrementais
Windsurf 2.0 (adquirido pela Cognition) permite lançar sessões Devin de dentro da IDE

Escalabilidade diferencial:

Devin roda na nuvem: 300 sessões paralelas, usuário fecha o computador, sessões continuam
Knowledge base indexada: AlwaysOn, atualizada conforme o código evolui
Engenheiros podem conversar com o codebase em linguagem natural

EBANX — práticas de segurança:

Linter na esteira de deploy: autor principal deve ser engenheiro humano
Nenhum código sobe para produção sem revisão humana (chaves GPG assinadas)
Time comercial tem acesso ao codebase via Devin (perguntas sobre features e integrações por país)

Métricas de produtividade:

Itaú: A/B test com 100 squads (50 com Devin, 50 sem), comparando lead time, cycle time, change failure rate
Cognition: 35x aumento no número de PRs merged com apenas +1 headcount de engenharia no Q1 deste ano
Mercedes-Benz (case Cognition): produto de direção autônoma entregue 1,5 ano antes do previsto

Gargalo principal identificado:

Não é a qualidade de geração de código (já em paridade entre modelos). O gargalo é fornecer ao agente os acessos e ferramentas corretos (MCP do Databricks, AWS, ferramentas de security scanning). Agentes sem esses recursos tomam caminhos alternativos fracos.

Frameworks de confiança e governança:

Pirâmide de testes + guardrails + observabilidade como base para autonomia crescente
Blue-green deploy e canary releases como mecanismo de controle de risco
Governança de acesso para agentes: previsão de que em 6–12 meses será prática padrão nas grandes empresas
Times de devex dedicados a produtizar soluções de AI para os squads internos

Insights e conclusões

"A gente não pode esperar do Devin a mesma coisa que esperamos de um engenheiro se ele não tem os mesmos recursos disponíveis." — Guilherme Grupenmacher (Cognition)

"A maior habilidade de um engenheiro de software continua sendo escrever uma boa suite de testes automatizados. IA não tira isso." — Kalecser Kurtz (EBANX)

Habilidades valorizadas nos power users de agentes: curiosidade, resiliência, abertura para mudança, e capacidade de estruturar claramente a intenção (o que é pedido ao agente).

O perfil emergente é o AI Engineer: híbrido entre engenharia de software profunda e conhecimento de como modelos funcionam (vulnerabilidades probabilísticas, otimização de context window, construção de harness robusto).

4. Q&A — Bloco 1

Perguntas sobre:

Como mensurar aumento de produtividade com IA (resposta: métricas DORA + métrica qualitativa de "ambição das tarefas")
Como o Devin funciona para perfis não-engenheiros (resposta: qualquer área com acesso a código ou dados pode se beneficiar)
Maiores qualidades dos power users: curiosidade e não desistir no primeiro prompt mal-sucedido

5. Painel — Arquitetando experiências para o cliente com agentes de IA

Palestrantes:

Aline Pavan — Superintendente de Tecnologia, Itaú (líder da comunidade Inteligência Itaú)
Bruno Santos — Diretor de Tecnologia e IA, Localiza&Co
Isabela Prates — Executiva de Contas, Google Cloud

Mediação: Eduardo R. Hruschka — Head de Data Science, Itaú

Resumo

Debate sobre como sair da fase de experimentação (POC) para colocar IA generativa em produção com qualidade, segurança e escala. Cases reais do Itaú, Localiza e visão da Google Cloud sobre o stack de plataforma.

Destaques técnicos

O que diferencia quem escala IA em produção (visão Google Cloud):

Data anchoring: dados reais ancorados em near-real-time (Google Search como fonte adicional de enriquecimento)
Model selection racional: usar modelos certos para cada nível de complexidade (Gemini Flash para tarefas simples, modelos de reasoning para casos complexos) — impacto direto em custo e escalabilidade
Governança e segurança: dados dos clientes ficam no tenant do cliente, não entram no treinamento dos modelos

Gemini (Google DeepMind):

Projetado como modelo multimodal desde o início (não evoluiu para isso)
Integração entre pesquisa (DeepMind) e produto (Google Cloud) em near-real-time
Agentes conseguem: selecionar ferramentas/APIs, testar caminhos antes de sugerir, antecipar necessidades

Case Localiza — redesenho de jornada:

Processo de reserva de carro: APIs originalmente lineares, redesenhadas para conversacional
Agente unificado no ChatGPT englobando aluguel, assinatura e venda de seminovos
Eliminação do "bankês": linguagem simplificada na interação com clientes
Retirada digital (sem balcão): 40% dos contratos já nesse formato

Case Itaú — Inteligência de Atendimento:

Atendimento conversacional: cliente descreve o problema livremente, sistema roteia automaticamente
Assessoria para PJ: fluxo de caixa apresentado conversacionalmente (cliente pergunta, não recebe dashboard genérico)
Confiança em transações críticas: Pix e fluxos determinísticos continuam determinísticos; IA atua na camada de assessoria e personalização

Padrões de arquitetura e governança:

Evals contínuos, satisfaction scores do conversacional, observabilidade de latência e precisão
Feedback loop do cliente como mecanismo de retroalimentação
Agentes com contato externo passam por nível adicional de aprovação vs. agentes internos
IA exponencia problemas já existentes (falta de documentação, código legado, contratos de API mal feitos, falta de testes unitários)
Knowledge bases estruturados como pré-requisito para modelos genéricos funcionarem bem no contexto corporativo

Gestão da ansiedade executiva:

Prototipar rapidamente, trazer executivos para o loop de experimentação
Conexão próxima com times de pesquisa (papers → produto em ciclos curtos)
Foco e priorização: não mudar o foco a cada novo lançamento
Abordagem "Evals First": construir sistema de avaliação antes de escalar

Priorização de casos de uso:

Matriz: complexidade × valor gerado (financeiro ou impacto no cliente)
Começar pelos cases que "puxam a arrumação da casa" (efeito polinizador)
Contexto importa: Pix fora do ar por 2 segundos é inaceitável; botão de UI pode ser testado mais livremente

Insights e conclusões

"IA exponencia os problemas que a gente já tinha e que ia jogando embaixo do tapete." — Aline Pavan (Itaú)

"A gente ainda está usando IA para automatizar o que já existe. A mudança cultural real é reimaginar o que pode ser feito." — Bruno Santos (Localiza)

Clientes são mais intolerantes com erros de IA do que com erros humanos (máquina "está programada para errar assim"; humano "estava num dia ruim"). Exige arquitetura de guardrails mais granular do que em canais tradicionais.

6. Q&A — Bloco 2

Tópicos:

Como garantir adoção segura de agentes sem acumular erros em cascata (resposta: guardrails em camadas, evals contínuos, contrato de confiança com fornecedores de LLM)
Construção de confiança do cliente final em produtos financeiros com IA (resposta: transparência, disclaimer claro, dados protegidos por LGPD, confiança construída com uso progressivo)
Prompt injection e "lethal trifecta" de Simon Willison: input não estruturado + base de dados sensível + output para o agente = vetor de ataque. Técnica de defesa: paper CAMEL do Google DeepMind (mitigação, não solução completa)

7. Gravação de Podcast ao Vivo — Hipsters.tech

Tema: O profissional de tecnologia e o Itaú na era da IA agêntica

Participantes:

Paulo Silveira — CVO, Grupo Alura; host do Hipsters.tech
Vinicius Caridá, Ph.D. — Especialista Executivo em IA e Dados, Itaú
Fernanda Kipper — CTO e Founder, @useporabe
Pedro Lacerda — Strategic Solutions Engineer, GitHub

Resumo

Debate sobre o perfil do profissional de tecnologia na era agêntica, o impacto na formação de novos devs, democratização do software e quais habilidades se tornam mais ou menos relevantes.

Destaques técnicos

Dados do GitHub (Pedro Lacerda):

180 milhões de contas no GitHub (relatório 2025)
Brasil: 7M de usuários, 4ª maior comunidade do mundo (atrás de EUA, Índia, China)
Crescimento tão acelerado que o plano de expandir infra em 10x precisou ser substituído por um plano de 30x em fevereiro deste ano
80% dos novos desenvolvedores no último ano já começaram usando IA
1 conta nova por segundo na média do último relatório anual

Sobre geração de código com IA:

Volume de código não é mais o gargalo: o gargalo real é saber o que precisa ser feito
Benchmark: modelos resolvem 80% dos problemas harder do LeetCode; falham com 0% em reconstruir softwares complexos (ex: ffmpeg) sem acesso à internet
Código que vazou de uma ferramenta não é diferencial — contexto, comunidade e experiência do usuário são o diferencial real
Vibe coding e agentes autônomos são uma forma de programar — você está programando a intenção, não a linha de código

Spec Driven Development (SDD):

Metodologia emergente: escrever especificações em arquivos de texto (PRDs) antes de gerar código
Traz determinismo para o não-determinismo dos LLMs
Risco: replicar waterfall com IA — processo tão estruturado que trava experimentação

Harness engineering:

98% do que faz um agente funcionar bem é o harness (skills, tools, conexões, contexto de negócio, memória)
Apenas 2% é o modelo em si (decisão pura de IA)
Skills do Copilot como exemplo: comunidade criou superpowers que viraram padrão
MCP (Model Context Protocol): adiciona contexto à janela, mas traz risco de context window overflow — soluções surgindo para otimizar isso

Democratização e novos mercados:

IA como "camada de abstração final" para democratizar criação de software
Mercados não atendidos (padarias, barbearias, logística, varejo físico) podem ser servidos por dev autônomos ou micro-startups com custo muito menor
Software ephemeral e contextual para pequenas empresas: barreira de qualidade menor, ciclo de vida mais curto

Segurança com IA:

Startups emergindo para contra-atacar ataques gerados por IA (agentes monitorando logs em CloudWatch/Datadog, bloqueando IPs suspeitos ativamente)
LLMs sendo usados tanto para explorar vulnerabilidades quanto para defesa

Insights e conclusões

"Você precisa saber programar, saber se comunicar. Essas habilidades que já eram importantes se tornam ainda mais essenciais." — Paulo Silveira

"A diferença é muito nítida entre o profissional que sabe o fundamento e o que não sabe usando IA. Quem não sabe só fica replicando erros." — Fernanda Kipper

"Habilidades de liderança — clareza do que precisa ser feito, definir entregáveis, saber avaliar — se tornam necessárias para todos ao trabalhar com agentes." — Vinicius Caridá

As três habilidades essenciais para o profissional de tecnologia na era agêntica:

Fundamentos técnicos: domínio profundo de pelo menos uma stack (sistemas distribuídos, caching, resiliência, algoritmos) — sem isso, não há capacidade de avaliar o output do agente
Criatividade em solução: capacidade de conectar ferramentas e propor usos não óbvios dos agentes
Comunicação clara: saber especificar intenção, definir entregável, avaliar resultado — as mesmas habilidades de liderança agora necessárias para todos

O que não terceirizar para a IA: a parte criativa e autoral. Texto/código sem origem humana não tem tom de voz, não tem contexto implícito, não tem "alma". Usar IA como copiloto no processo criativo, não como piloto.

8. Principais Takeaways

Agentes autônomos já são realidade em produção em organizações de escala do Itaú e EBANX. A pergunta não é "se", é "como".
75% do time de engenharia do Itaú usa Devin. Migrações 5–6x mais rápidas, 70% de redução em toques em codebases, cobertura de testes dobrada, 300k+ repos documentados.
O harness importa mais que o modelo. 98% do resultado de um agente vem da engenharia ao redor (tools, skills, MCPs, context, memory). Trocar de modelo resolve menos do que melhorar o harness.
Governance de agentes é o novo desafio de segurança. Service accounts com amplo acesso a repos, blast radius de erros, human-in-the-loop obrigatório em PRs críticos, linters de authorship — tudo isso precisa ser projetado antes de escalar agentes.
Testes automatizados continuam sendo a principal habilidade do engenheiro. São os guardrails que permitem agentes operarem com autonomia crescente sem quebrar o que já existe.
IA exponencia problemas existentes. Falta de documentação, código legado, contratos de API mal definidos e ausência de testes ficam ainda mais críticos quando agentes são colocados no loop.
Métricas de produtividade com IA precisam combinar quantitativo e qualitativo. DORA metrics + "ambição das tarefas realizadas" + redução de tarefas operacionais em favor de trabalho de alto impacto.
O profissional de tecnologia precisa de fundamentos, criatividade e comunicação clara. Quem não tem fundamentos não consegue avaliar o output do agente e acumula erros. Quem não se comunica bem não consegue especificar intenção com precisão.
Spec Driven Development (SDD) ganha tração, mas cuidado com replicar waterfall com IA. O processo deve habilitar experimentação, não engessá-la.
Democratização do software é real. 80% dos novos devs no GitHub já começam com IA. Infra do GitHub precisou ser expandida 30x em vez dos 10x planejados. Mercados antes inacessíveis (varejo, logística, PMEs) passam a ser viáveis com custo menor de desenvolvimento.
Transparência e confiança são pré-requisitos para adoção pelo cliente final. Disclaimers claros, dados protegidos pelo tenant do cliente (não usados para treinar modelos), feedback loop de retroalimentação.
A próxima fronteira é segurança agêntica. Ataques via IA já são realidade; startups emergem para contra-atacar com agentes defensivos (monitoramento ativo de logs, bloqueio de IPs suspeitos em tempo real).