A fala do CEO da TOTVS à CNN Brasil expõe um gargalo estrutural: sem previsibilidade regulatória e capital humano qualificado, a adoção de IA no Brasil perde velocidade. Analisamos os impactos para empresas, a agenda de governança e as decisões executivas prioritárias.
Introdução contextual
O debate sobre inteligência artificial no Brasil deixou de ser uma conversa sobre experimentação tecnológica e passou a ser uma discussão sobre competitividade econômica. Em entrevista à CNN Brasil, o CEO da TOTVS avaliou o cenário de adoção de IA no país e apontou dois vetores críticos: a educação e o ambiente de negócios. A mensagem central é direta — regras instáveis freiam investimentos em inovação.
Essa não é uma queixa setorial isolada. É um sinal de que a equação brasileira de inovação ainda depende de variáveis que o setor produtivo não controla sozinho: previsibilidade regulatória, segurança jurídica, oferta de talento qualificado e infraestrutura digital. Para executivos de tecnologia, risco e compliance, o recado é operacional: planejar IA em um ambiente de regras móveis exige arquitetura de decisão mais robusta, não menos.
Nesta análise, contextualizamos a fala, traduzimos os impactos para empresas e propomos uma leitura executiva com recomendações práticas. O foco não é a notícia em si, mas o que ela revela sobre a maturidade do mercado brasileiro diante da IA.
O que aconteceu
Em entrevista publicada pela CNN Brasil, o CEO da TOTVS — maior empresa de software de gestão da América Latina — avaliou a adoção da inteligência artificial no Brasil e apontou a educação e o ambiente de negócios como pontos-chave. A tese central: a instabilidade das regras reduz a disposição das empresas de investir em inovação de longo prazo.
O contexto importa. O Brasil discute marcos regulatórios para IA, proteção de dados, tributação de serviços digitais e incentivos à inovação em ritmos distintos. Ao mesmo tempo, empresas enfrentam pressão por produtividade, escassez de profissionais especializados e custos de capital elevados. Quando o arcabouço regulatório muda com frequência ou permanece ambíguo, o retorno esperado de projetos de IA se torna mais difícil de calcular — e o investimento migra para iniciativas de curto prazo ou para outras jurisdições.
A fala do executivo dialoga com um movimento mais amplo: o de que a adoção de IA no Brasil avança, mas de forma desigual. Grandes empresas estruturam centros de excelência, enquanto a base da economia ainda patina em projetos-piloto que não escalam. A ausência de regras estáveis é um dos freios citados, mas não o único.
Por que isso importa para empresas
Para o executivo brasileiro, a instabilidade regulatória não é um tema abstrato de Brasília. Ela se traduz em custo de capital, risco de compliance e dificuldade de priorização. Vejamos os desdobramentos práticos.
1. Custo de decisão e horizonte de investimento
Projetos de IA maduros — como automação de processos, modelos preditivos e agentes conversacionais — exigem ciclos de 12 a 36 meses para gerar retorno consistente. Quando as regras mudam, o comitê executivo tende a encurtar o horizonte, priorizando ganhos rápidos e evitando apostas estruturais. O resultado é uma adoção superficial, que não transforma o modelo de negócio.
2. Assimetria entre grandes e pequenas empresas
Companhias com estrutura jurídica e de compliance robusta conseguem absorver mudanças regulatórias. Pequenas e médias empresas, que representam a maior parte do tecido produtivo, ficam expostas. Isso amplia o gap de produtividade e concentra os ganhos de IA em poucos players.
3. Talento como gargalo estrutural
A menção à educação não é retórica. Falta de profissionais qualificados em dados, machine learning e governança de IA encarece projetos e atrasa roadmaps. Sem política consistente de formação, o Brasil importa talento ou terceiriza desenvolvimento — o que reduz a apropriação local de valor.
4. Ambiente de negócios e segurança jurídica
Regras instáveis afetam contratos, responsabilidade civil por decisões automatizadas, propriedade intelectual de modelos e tratamento de dados. Empresas que operam com IA precisam de clareza sobre quem responde por erros, como auditar decisões e quais evidências manter. Sem isso, o jurídico se torna freio, não habilitador.
Impacto para cibersegurança, governança, IA ou continuidade
A fala do CEO da TOTVS tem implicações diretas em quatro frentes que sustentam a operação digital.
Cibersegurança
Ambientes de IA ampliam a superfície de ataque: dados de treinamento, prompts, APIs de modelos e integrações com sistemas críticos. Regras instáveis dificultam a definição de requisitos mínimos de segurança e de responsabilidades entre fornecedores e clientes. Sem padrão claro, cresce o risco de vazamento de dados, envenenamento de modelos e uso indevido de informações sensíveis.
Governança
Governança de IA exige políticas internas, comitês de ética, trilhas de auditoria e métricas de desempenho. A ausência de referências regulatórias estáveis obriga as empresas a criar seus próprios padrões — o que é positivo em maturidade, mas gera custo e insegurança. Organizações que já estruturaram frameworks como NIST AI RMF e ISO/IEC 42001 saem na frente.
Inteligência artificial
Do ponto de vista técnico, a instabilidade regulatória afeta a escolha de modelos, a localização de dados e a estratégia de nuvem. Empresas podem hesitar em adotar modelos de fronteira por receio de exposição jurídica, optando por soluções menos capazes. Isso reduz o potencial de ganho e atrasa a curva de aprendizado organizacional.
Continuidade de negócios
Projetos de IA mal governados podem se tornar pontos únicos de falha. Se um modelo crítico é descontinuado por mudança regulatória ou por decisão de fornecedor, a operação precisa de planos de contingência. A instabilidade amplia a necessidade de arquiteturas modulares, com capacidade de substituição de componentes e monitoramento contínuo.
Leitura executiva da WSVP
A declaração do CEO da TOTVS deve ser lida menos como lamento e mais como diagnóstico de maturidade. O Brasil tem mercado consumidor, dados e talento em quantidade razoável, mas carece de previsibilidade. Em ambientes assim, a vantagem competitiva não vem de esperar a regra perfeita, e sim de construir capacidade de adaptação.
Nossa leitura é que três movimentos separam empresas que vão capturar valor com IA das que vão apenas acumular pilotos. Primeiro, tratar governança como infraestrutura, não como burocracia. Segundo, investir em talento interno e em parcerias que reduzam dependência de poucos fornecedores. Terceiro, desenhar arquiteturas modulares que permitam trocar modelos, provedores e jurisdições sem parar a operação.
Em um cenário de regras móveis, a resiliência arquitetural vale mais do que a aposta em uma única tecnologia ou fornecedor.
Também é preciso reconhecer que a instabilidade regulatória não é exclusividade brasileira. A União Europeia avança com o AI Act, os Estados Unidos oscilam entre regulação setorial e incentivo à inovação, e a China consolida seu próprio arcabouço. O diferencial brasileiro é a combinação de ambição digital com fragilidade institucional em algumas frentes. Isso exige das empresas uma postura mais ativa na interlocução com reguladores e associações setoriais.
Por fim, a menção à educação deve ser tratada como agenda de longo prazo, mas com ações de curto prazo. Programas de requalificação, parcerias com universidades e trilhas internas de capacitação são medidas que não dependem de mudança legislativa para começar.
Recomendações práticas
- Mapeie a exposição regulatória da sua IA. Identifique quais modelos, dados e decisões automatizadas estão sujeitos a regras setoriais e à LGPD. Documente riscos e responsabilidades.
- Estruture um comitê de governança de IA. Envolva jurídico, segurança, dados, negócio e compliance. Defina políticas de uso, critérios de aprovação e trilhas de auditoria.
- Adote arquitetura modular. Evite dependência de um único provedor de modelos ou nuvem. Padronize interfaces e mantenha capacidade de substituição.
- Invista em talento interno. Crie trilhas de capacitação em dados, IA e governança. Parcerias com instituições de ensino aceleram a formação.
- Prepare planos de continuidade para modelos críticos. Defina o que acontece se um modelo for descontinuado, restringido ou falhar. Teste cenários regularmente.
- Participe do debate regulatório. Contribua com consultas públicas e associações setoriais. A regra que você ajuda a construir é menos surpresa do que a regra que você apenas recebe.
- Meça o retorno com métricas de negócio. Produtividade, receita incremental, redução de custo e mitigação de risco devem orientar a priorização, não a novidade tecnológica.
Fontes consultadas
- CNN Brasil — Regras instáveis freiam investimentos em inovação, diz CEO da TOTVS à CNN
- Lei Geral de Proteção de Dados (LGPD)
- NIST AI Risk Management Framework
- ISO/IEC 42001 — Governança de IA
Disclaimer
Este rascunho foi produzido com apoio de inteligência artificial e ainda requer revisão humana antes da publicação.


