Enquanto a revolução da IA promete uma produtividade sem precedentes, as grandes empresas enfrentam um obstáculo enorme: elas não conseguem integrar modelos sofisticados em ambientes legados e desorganizados. Uma nova startup, June, tenta resolver essa crise de implantação usando IA para automatizar os processos que hoje exigem exércitos de consultores caros.

O Paradoxo da Implementação de IA

À medida que os modelos de IA se tornam mais capazes, a demanda por serviços profissionais manuais na verdade aumenta. As empresas contratam "Forward-Deployed Engineers" (FDEs) — equipes que se inserem dentro de uma organização para fazer a ponte manual entre modelos de IA brutos e a infraestrutura corporativa existente.

Efrat Rapoport, ex-executiva da Salesforce, afirma que contratar mais pessoas para gerenciar a complexidade é insustentável. Essa abordagem manual cria um gargalo que impede até mesmo os LLMs mais poderosos de entregar valor real para empresas da Fortune 500.

Resolvendo a Bagunça de Dados Legados

O maior obstáculo não é a inteligência do modelo; é a "bagunça por baixo". Grandes corporações operam em um mosaico de plataformas — Salesforce, ServiceNow, Databricks, Workday — repletas de dívida técnica, campos duplicados e fluxos de trabalho inconsistentes.

A plataforma da June escaneia os sistemas de uma empresa, aprende seus processos exclusivos e gera automaticamente um roteiro de implantação passo a passo. Em vez de arquitetos humanos mapearem integrações, a June identifica gargalos, solicita que os usuários limpem dados duplicados ou conectem fontes e, em seguida, constrói a integração automaticamente.

Indo Além da "Caixa Preta" da Consultoria

A June substitui o modelo manual de alta fricção e alto custo por uma ferramenta de autoatendimento. Para a CMG, uma grande credora hipotecária dos EUA, a diferença é transformadora. Após lutar com o Claude Code e o Salesforce por meio de consultoria tradicional, a June permitiu que sua equipe identificasse pontos de implantação e seguisse em frente sem semanas de bloqueios.

Ao automatizar o "encanamento" — limpeza de dados, mapeamento, otimização de fluxo de trabalho — a June permite que as empresas mudem do "vibe-coding" experimental para operações escaláveis e impulsionadas por agentes, sem a necessidade de um quadro massivo de engenheiros especializados.

Por Que Isso é Importante para o Cenário da IA

A próxima onda de IA não será julgada pela contagem de parâmetros, mas por quem conseguir tecer os modelos no motor econômico existente. Se a June tiver sucesso, a indústria poderá passar de um modelo baseado em serviços para um baseado em software, reduzindo a barreira para a automação empresarial e acelerando a era do "Agentic Workflow".

Principais Conclusões

  • Automação de Integração: A June escaneia e mapeia sistemas legados complexos e, em seguida, entrega um roteiro automatizado para corrigir a fragmentação de dados e a dívida técnica.
  • Redução de Custos Operacionais Humanos: A plataforma substitui os caros Forward-Deployed Engineers por um modelo de implantação de autoatendimento "build-on-click".
  • Apoiada por Gigantes: Desenvolvida pela equipe por trás da Bonobo AI, a June garantiu US$ 20 milhões em financiamento pre-seed liderado pela Time Ventures de Marc Benioff.

A June revelou uma plataforma impulsionada por IA que integra automaticamente modelos de linguagem de grande escala (LLMs) em sistemas empresariais legados, alegando eliminar a necessidade de equipes de engenharia de implantação direta (forward-deployed) dispendiosas.

O gargalo da integração

As empresas passaram o último ano comprando LLMs cada vez mais poderosos, mas a maioria ainda tropeça no primeiro obstáculo: conectar esses modelos a um mosaico de aplicações locais (on-prem) e em nuvem. A solução típica é contratar um esquadrão de FDEs — consultores que se inserem em uma empresa, mapeiam manualmente os fluxos de dados e escrevem o código de integração (glue code).

Efrat Rapoport chama essa abordagem de “insustentável”. Aumentar o quadro de funcionários não remove campos duplicados, tabelas obsoletas e fluxos de trabalho isolados; apenas adia o inevitável gargalo. O paradoxo é claro: à medida que os modelos de IA se tornam mais capazes, a demanda por serviços de implementação manual aumenta, em vez de diminuir.

Como a plataforma da June funciona

A June inverte o jogo. Em vez de enviar engenheiros para auditar o ambiente de um cliente, a plataforma implanta sua própria IA para escanear a pilha tecnológica existente — Salesforce, ServiceNow, Databricks, Workday ou um ERP personalizado. O escaneamento produz um mapa detalhado de esquemas de dados, endpoints de API e gatilhos de fluxo de trabalho. A partir desse mapa, a June identifica automaticamente:

  • Campos de dados redundantes ou órfãos que impedem o treinamento do modelo
  • Contratos de API desalinhados que causariam erros de tempo de execução (runtime)
  • Lacunas no fluxo de trabalho onde um agente impulsionado por LLM poderia agregar valor

A plataforma então gera um plano de remediação, solicitando que o usuário aprove ações de limpeza, como a desduplicação de tabelas ou o estabelecimento de pipelines de dados seguros. Uma vez aprovado, o mesmo mecanismo de IA executa as alterações, constrói os conectores e implanta o LLM como um serviço gerenciado.

Na prática, o fluxo de trabalho substitui um engajamento de consultoria de várias semanas por uma experiência de "build-on-click". As equipes internas podem iterar em integrações sem precisar esperar por engenheiros externos.

Um caso de teste do mundo real

A CMG, uma grande credora hipotecária dos EUA, teve dificuldades para conectar o Claude Code — uma ferramenta de IA conversacional — à sua instância do Salesforce. A consultoria arquitetônica tradicional forçou a empresa a uma série de reuniões de ida e volta, cada uma adicionando semanas de atraso. Após mudar para a plataforma da June, a equipe da CMG identificou os pontos exatos de integração, executou a limpeza automatizada e lançou o LLM em dias, em vez de semanas. O resultado: um agente funcional que responde a consultas de subscrição (underwriting) sem a necessidade de uma equipe externa de FDE.

O que está em jogo

A abordagem pressupõe que uma IA possa compreender de forma confiável as políticas de governança de dados, as restrições de segurança e os requisitos regulatórios de uma empresa. Um conector mal configurado poderia expor informações confidenciais de clientes ou desencadear falhas em cascata. Críticos alertam que a integração totalmente automatizada ainda pode precisar de uma rede de segurança humana, especialmente em setores altamente regulamentados, como finanças ou saúde.

Efeitos cascata na indústria

A June surgiu da equipe que construiu a Bonobo AI e já garantiu US$ 20 milhões em financiamento pre-seed liderado pela Time Ventures, de Marc Benioff. O apoio sinaliza a confiança dos investidores de que a próxima onda de valor da IA virá de softwares que reduzem a fricção de implantação, e não de modelos cada vez maiores.

Contraponto: o fator humano

A automação não apaga toda a complexidade. Sistemas legados frequentemente carregam customizações não documentadas, e alguns pontos de integração envolvem código legado que não pode ser reescrito sem arriscar a estabilidade. A plataforma da June pode acelerar a fase de "encanamento" (plumbing), mas as empresas ainda precisarão de especialistas de domínio para validar se as correções automatizadas estão alinhadas com as regras de negócio e os mandatos de conformidade.

O que observar a seguir

  • Métricas de adoção: O churn inicial e a velocidade com que novas empresas passam do piloto para a produção revelarão se a automação realmente substitui engenheiros humanos.
  • Resposta regulatória: À medida que a IA se integra às funções principais de negócio, os reguladores podem emitir diretrizes sobre integração automatizada, especialmente em relação à privacidade de dados.
  • Cenário competitivo: Outras startups e fornecedores estabelecidos estão correndo para agrupar ferramentas de implantação de IA com suas plataformas de nuvem. A forma como a June diferencia seu mecanismo de varredura e remediação será crítica.
  • Transparência de preços: A comparação dos custos da plataforma com as taxas de consultoria tradicionais determinará seu apelo para CFOs preocupados com custos.

A afirmação da June de automatizar o mundo bagunçado e repleto de sistemas legados da implantação de IA empresarial é ousada, e os resultados iniciais na CMG sugerem que a tecnologia pode reduzir semanas de trabalho para dias. Se o modelo conseguirá lidar consistentemente com os casos de borda (edge cases) que mantêm as empresas de consultoria em funcionamento decidirá se o mercado de integração de IA realmente mudará de um modelo intensivo em pessoas para um modelo intensivo em software. Os próximos trimestres dirão se o "build-on-click" se tornará o novo padrão para transformar LLMs em agentes geradores de receita.