Algemetric
- IA
- segurança de dados
- product discovery
Decision builder
Resumão:
Sei que você não tem tempo para ler um portfólio inteiro, então aqui está o que importa:
- DesafioA tecnologia de Multiparty computation (MPC) da Algemetric ainda não tinha product-market fit. Com o planejamento anual chegando, era preciso conceber em um mês um produto com MPC que tornasse tangível um possível futuro da tecnologia, para apresentar aos investidores. — Ir para a seção: O desafio
- Meu papel e escopoCriar o design do concept, passando por discovery, alinhamento com engenheiros, analistas de dados e business developers, pesquisa desk e criação do protótipo. — Ir para a seção: Discovery
- ResultadosA partir da apresentação do concept aos investidores, novos temas viraram prioridade na estratégia do ano seguinte: integrações com outras ferramentas, linguagem natural e levar o MPC para produtos já adotados pelas empresas. — Ir para a seção: Os resultados
- Principais decisões e trade-offsPosicionar o produto como apoio à decisão, e não como ferramenta de segurança. Diferenciar o produto de LLMs genéricos com um método de decisão estruturado, em vez de um chat. Responder ao medo de vazamento com uma IA que nunca acessa os dados reais. Manter a responsabilidade com quem decide, permitindo revisar e mudar cada fator. — Ir para a seção: Definições do produto
O problema
Visão geral
A Algemetric é uma empresa americana de pesquisa avançada em criptografia, especializada em análise de dados segura e que preserva a privacidade. É a irmã mais nova da Symetrix, uma empresa de pesquisa que ganha com royalties de patentes de semicondutores.
A ideia era replicar esse modelo em software, com a Multiparty computation (MPC) como inovação central: os dados ficam criptografados e distribuídos em vários bancos, e os cálculos acontecem sem descriptografá-los.
O Decision builder foi uma iniciativa de inovação que influenciou o plano estratégico da empresa e trouxe os investidores para a discussão sobre o futuro do produto.
MPC em poucas palavras
O MPC faz cálculos sobre dados criptografados sem nunca expor os dados.
Sem MPC
Quem faz relatórios para o RH pode abrir a tabela inteira de salários e ver quanto um colega ganha. Se a empresa for hackeada, tudo fica exposto.
Com MPC
Os dados são criptografados e divididos entre serviços de nuvem como AWS e Google Cloud. Um banco invadido só entrega pedaços sem sentido.
Com mais medidas de privacidade
Colunas sensíveis só devolvem agregados. Dá para calcular a média salarial, mas nunca ver o salário de alguém. O resultado só é descriptografado com a sua chave.
Onde o design entra
Enquanto matemáticos e criptógrafos desenvolviam a tecnologia, meu papel era descobrir quais problemas reais ela podia resolver, com product discovery, pesquisa com usuários e métodos criativos.
Normalmente, primeiro se encontra o problema e depois se cria a tecnologia. Aqui o caminho era o inverso: a tecnologia existia, e faltava o problema. Muitas empresas de tecnologia começaram assim, como laboratórios de pesquisa.
O desafio
A Algemetric tinha um produto, o Prisma, mas ainda buscava product-market fit. Nesse contexto, o CEO lançou um desafio com um mês de prazo.
Prisma
O construtor de dashboards da Algemetric, que gera gráficos a partir de dados criptografados. Servia para validar o MPC e gerar receita, com clientes de petróleo, hotelaria e cobrança.
Product-market fit
Segurança sozinha era difícil de vender. Grandes empresas valorizam, mas demoram a adotar novos processos. Pequenas empresas focam no dia a dia e muitas vezes não têm recursos para análise de dados.
Um mês
Para o Conselho Estratégico Anual, o CEO desafiou o design a conceber um produto em que o MPC fosse essencial. O concept precisava mostrar o potencial de longo prazo, sem se prender aos limites técnicos atuais.
Processo de design
Discovery
Com o prazo curto, a discovery reuniu engenheiros de software, um analista de dados e business developers numa matriz CSD (certezas, suposições e dúvidas), para mapear a jornada do dado, da geração até a decisão final.
Um benchmark de ferramentas de business analytics e de IA generativa completou o mapa. Ferramentas de BI como Power BI, Looker, Qlik Sense e Tableau tornavam a visualização intuitiva, mas paravam aí. ChatGPT e Gemini lidavam bem com tabelas e preparação de dados, mas a análise mais profunda dependia da experiência de quem usava. Entre os dois ficava uma lacuna: a decisão em si.
Esse era o cenário de 2023, e ele mudou desde então. Ainda não existiam padrões como os MCPs, para conectar a IA a fontes de dados externas, nem skills, para a IA seguir processos estruturados.
Lacunas dos concorrentes
Em 2023, as ferramentas de dados e IA que as empresas usavam tinham quatro lacunas.
Só visualização
Muitos gráficos e pouco apoio para transformar insights em decisões concretas.
Uso indevido de dados
Grandes empresas proibiram IA generativa internamente, com medo de treinamento de modelos ou mau uso de dados sensíveis.
Responsabilidade
Quando a IA sugere um caminho, quem responde pelo resultado? Avisos de imprecisão não resolvem.
Pouca orientação
LLMs genéricos dão poucos passos práticos para quem não conhece métodos de tomada de decisão.
Pesquisa desk
A pesquisa desk mostrou por que decidir com dados ainda é difícil e o que uma ferramenta deveria fazer.
Excesso de dados
O volume e a complexidade dos dados tornam as decisões ineficientes. Numa pesquisa do Gartner, 79% dos estrategistas corporativos disseram que IA, automação e analytics seriam essenciais nos dois anos seguintes.
Fadiga cognitiva
Um estudo sobre decisões judiciais encontrou sentenças mais duras no fim do dia. Ferramentas podem ajudar quem decide a manter a consistência mesmo cansado ou sem tempo.
Decisão vs. escolha
Howard Rachlin separa a decisão (o pensar) da escolha (a ação). O concept foca em apoiar a decisão, para que as pessoas se sintam mais seguras nas escolhas.
Definições do produto
Como segurança sozinha não vendia, o concept passou a focar em ajudar a decidir, com uma garantia: a IA trabalha sem acessar os dados reais. Três definições saíram daí.
Um método de decisão
O diferencial é um processo de decisão estruturado e apoiado por IA, e não mais uma IA conversacional. Ele guia até quem não sabe formular a decisão.
Dados criptografados
Em 2023, empresas como Amazon e Apple restringiram o uso de ferramentas de IA por medo de vazamentos. Com MPC, nem a Algemetric acessa os dados brutos dos clientes.
Apoio, com controle
A ferramenta não decide por ninguém. Em cada etapa dá para revisar, entender e mudar os fatores, e a responsabilidade continua com quem decide.
Experiência
Perguntas complementares
Em vez de responder ao primeiro prompt do jeito que veio, o decision builder faz perguntas complementares para refiná-lo. Quem não sabe escrever o melhor prompt ainda recebe uma resposta clara e específica.
Enquanto isso, um resumo da decisão se monta ao lado: o resultado esperado e os fatores a considerar.
Fatores e fontes de dados
- Fatores a considerar: dá para revisar os fatores sugeridos pela IA, criar novos, conferir as fontes de dados de cada um e reordená-los por importância.
- Fontes criptografadas ou não: criptografia tem custo alto de processamento, então cada pessoa escolhe quais fontes precisam dela e pode combiná-las com as ferramentas que já usa.
- Nível de confiança: uma barra mostra se há informação suficiente para decidir. Ainda assim, dá para pedir uma decisão a qualquer momento, mantendo o controle.
Revisar e decidir
Antes do relatório completo, um resumo mostra como cada fator puxou o resultado, para o lado positivo ou negativo.
Mesmo quando a IA sugere um resultado, dá para escolher diferente. Nesse caso, o sistema reorganiza os dados para explicar a decisão alternativa: prós viram contras e vice-versa.
O relatório da decisão
Resultado
Os resultados
O concept, apresentado a investidores no Conselho Estratégico Anual, mudou o roadmap, a pesquisa e o jeito de vender o MPC.
Primeiros passos em IA
Os investidores demonstraram interesse em IA. O time de pesquisa criou um grupo de previsão com IA, e o Prisma passou a gerar SQL a partir de linguagem natural para montar gráficos.
Fontes de dados externas
Combinar dados criptografados com outras fontes foi o que mais engajou os investidores. O primeiro trimestre do roadmap focou em integrações: conectores de banco, um conector de API inteligente e dois sob medida.
Protótipo para planejar
O time de business development passou a ver o protótipo como um jeito rápido e barato de planejar e vender ideias, e pediu que os próximos concepts fossem apresentados assim.
Vender o MPC
Os investidores viram o MPC como uma tecnologia que habilita outros produtos, não como a função principal de um produto. Isso abriu uma nova frente de business development: uma API para levar o MPC a empresas que já têm produtos estabelecidos e precisam de segurança.
Principais aprendizados
Um artefato de design vai além do desenvolvimento. O concept serviu como ferramenta de alinhamento: tornou concreto um futuro possível e facilitou a compreensão e a tomada de decisão dos investidores, que é justamente a proposta do produto.
Em 2026, três anos depois, o concept se parece com o que fazem ferramentas de decisão com IA, como o AI Council, e skills e agentes que estruturam o processo de decisão. Ele também antecipou padrões que se tornaram comuns: integrações de IA com fontes de dados externas, como os MCPs (Model Context Protocol), perguntas complementares antes de responder e processos predefinidos para tarefas, como as skills. Para um concept feito para mostrar o potencial de longo prazo, a direção se confirmou.