Premium Edition #009: O problema começa antes da tecnologia: começa na linguagem

O problema começa antes da tecnologia: começa na linguagem.

Algo que observo continuamente no setor de saúde é o seguinte paradoxo:

E, surpreendentemente, o motivo, muitas vezes, não é técnico.

Antes de GPUs, APIs, embeddings ou RAG, há um obstáculo ainda mais crítico:

Linguagem.

Termos como “agente”, “pipeline”, “workflow”, “risco”, “customização” ou “módulo” são usados com naturalidade em reuniões, mas significam coisas diferentes para médicos, engenheiros, gestores e compliance.

E, quando cada área opera com um significado diferente, nasce o caos organizacional que derruba projetos.

O fluxo apresentado por Nikit Badam: a cascata do fracasso.

Nikit Badam, especialista global em AI Systems Design e ex-líder de IA/ML na Microsoft e na Meta, mostra exatamente como essa confusão se transforma em fracasso.

Segundo ele, todo projeto que fracassa segue quatro etapas inevitáveis:

1. Confusão com terminologia

2. Desalinhamento das equipes

3. Escopo expansivo e retrabalho

4. Falha do projeto

Nikit é amplamente reconhecido no mercado global de IA por conseguir traduzir ecossistemas técnicos complexos — agentes, ferramentas, pipelines, fluxos autônomos — em frameworks claros, acionáveis e livres de jargões.

Sua visão conecta engenharia profunda, produto e estratégia, tornando esse modelo particularmente útil para pensar em IA aplicada à saúde.

E, quando aplicamos esse fluxo à realidade hospitalar, a cascata se intensifica.

Por que isso é potencializado na saúde?

A saúde é, por essência, um ambiente multidisciplinar e altamente regulado.

• Clínicos buscam impacto, segurança e explicabilidade.

• Engenheiros buscam desempenho, arquitetura e eficiência.

• Gestores buscam ROI, previsibilidade e redução de riscos.

• Compliance e Jurídico buscam conformidade e mitigação de responsabilidades.

Todos querem acertar — mas falam dialetos diferentes.

Então, quando alguém diz “agente”, por exemplo:

• Para um engenheiro, é um sistema autônomo com loop interno.

• Para um clínico, é um assistente digital seguro.

• Para o gestor, trata-se de uma automação que reduz custos.

A mesma palavra.
Significados completamente diferentes.

Esse ruído é a semente da cascata.

O custo da descoordenação: dados da McKinsey

A descoordenação semântica e estratégica não é só frustrante — é dispendiosa.

Um estudo conduzido pela McKinsey, em parceria com a Universidade de Oxford, que analisou mais de 5.400 projetos, revelou:

• 45% de estouro de orçamento em média

• 7% de atraso

• 56% menos valor entregue do que o previsto.

Fonte:
McKinsey — Delivering large-scale IT projects on time, on budget, and on value
🔗 https://www.mckinsey.com.br/capabilities/mckinsey-digital/our-insights/delivering-large-scale-it-projects-on-time-on-budget-and-on-value

No setor de saúde, esse número tende a ser ainda maior devido a:

• Integração com sistemas legados (HL7, FHIR).

• Comitês de validação clínica

• ciclos éticos e regulatórios (LGPD, Anvisa)

• dados fragmentados

• múltiplos stakeholders (TI, clínica, gestão, qualidade, segurança, compliance)

Ou seja: a cascata custa caro — e pesa ainda mais na saúde.

O papel do tradutor de IA

É aqui que entra um papel que eu venho defendendo.

O médico que lida com projetos de IA na saúde precisa desenvolver a função de tradutor de IA: o profissional que conecta engenheiros, médicos e gestores — garantindo que todos falem a mesma língua.

Na prática, isso significa:

• Traduzir necessidades clínicas em requisitos técnicos.

• Transformar limitações técnicas em expectativas realistas.

• Evitar ruídos semânticos que possam gerar múltiplas interpretações.

• alinhar arquitetura de IA com impacto clínico real

• Garantir coerência entre compliance, negócios e engenharia.

• Acelerar ciclos de decisão e reduzir o retrabalho.

• evitar que projetos caiam na cascata apresentada por Nikit

Este papel não é sobre “saber tudo”.
É sobre alinhar mundos que nunca foram concebidos para dialogar naturalmente.

E, na saúde, essa ponte se torna essencial.

Conclusão — Antes de alinhar modelos, precisamos alinhar pessoas.

O maior erro em IA é acreditar que o problema seja tecnológico.

A maioria dos projetos não falha por causa do código.
Falha antes do código — na linguagem, nos termos, nas expectativas.

Se queremos que a IA transforme de verdade a saúde, precisamos começar por algo muito mais básico e muito mais profundo:

• um vocabulário comum

• frameworks claros

• alinhamento estratégico real

• Integração entre clínica, engenharia e gestão.

Quando quebramos a cascata no primeiro passo, abrimos caminho para uma IA que finalmente chega à prática — e entrega valor clínico real, seguro e mensurável.

 🤔 Para refletir…

• Em quais momentos do seu ambiente de trabalho você percebe que times diferentes usam as mesmas palavras com significados distintos — e como isso já impactou decisões importantes?

• Se você pudesse escolher apenas um ponto de alinhamento para reforçar amanhã no seu time (clínico, técnico ou estratégico), qual seria — e por quê?

• O que você, pessoalmente, poderia fazer para reduzir ruído semântico e acelerar a clareza nos projetos de IA que está envolvido?

 🤔 Para ouvir… (versão podcast - made with NotebookLM)