# Construindo Empresas para o Futuro: Ambiente Promotor de Inovação como facilitador na adoção de novas tecnologias

- Link: https://modal.org.br/2024/11/11/construindo-empresas-para-o-futuro-ambiente-promotor-de-inovacao-como-facilitador-na-adocao-de-novas-tecnologias/
- Published: 2024-11-11T19:43:56-03:00
- Author: Neilsen Seixas

Vivemos em uma era em que termos como **Gestão Orientada por Dados (_Data-Driven
Management_)**, **_Data Lakehouse_**, **_Analytics_** e **Inteligência Artificial(
IA)** fazem parte da realidade de muitas empresas que buscam competitividade no 
mercado global. No entanto, é importante se perguntar: a sua empresa está preparada
para adotar essas tecnologias de forma eficiente? Seu time de colaboradores está
verdadeiramente capacitado para lidar com a implementação dessas inovações e metodologias
emergentes?

A resposta para essas perguntas pode determinar se a sua organização está pronta
para prosperar em um ambiente de negócios cada vez mais digital e dinâmico. E quando
falamos sobre essas tecnologias, não nos referimos apenas a soluções superficiais
ou ao marketing que frequentemente as acompanha. Estamos falando de **projetos de
ciência de dados** robustos, que utilizam estatísticas avançadas, aprendizado supervisionado
e não supervisionado, além de inteligência artificial aplicada, para apoiar as decisões
estratégicas baseadas em dados reais e concretos.

## **Gestão orientada por dados: muito além dos _dashboards_**

A verdadeira **gestão orientada por dados** vai muito além de possuir _dashboards_
com indicadores de desempenho (KPIs). Ela envolve a capacidade de prever tendências
futuras, responder perguntas críticas de negócios e guiar decisões estratégicas 
a partir do processamento e análise de grandes volumes de dados estruturados, semiestruturados
e não estruturados. Para alcançar essa visão, é necessário integrar a ciência de
dados, que engloba métodos científicos rigorosos como a matemática, a estatística,
algoritmos de _machine learning_, e um profundo conhecimento do domínio do negócio.

Implementar uma gestão orientada por dados significa desenvolver uma cultura de 
decisões baseadas em evidências, onde a intuição empresarial é complementada por
percepções geradas por modelos preditivos e análises de dados. Esse é um processo
contínuo, que evolui à medida que a organização se torna mais madura na adoção de
tecnologias de **_Analytics_**.

A **adoção de _Analytics_** é um processo gradativo. À medida que a empresa evolui
na sua jornada de transformação digital, ela passa por diferentes níveis de maturidade,
que vão desde a análise descritiva até modelos de análise preditiva e prescritiva,
que oferecem maior valor estratégico, através da mineração de dados utilizando o
processo CRISP-DM.

![](https://www.modal.org.br/wp-content/uploads/2024/11/mineracao_crisp-dm-1-1024x838.
png)

Processo de mineração de dados CRISP-DM

**Processo de mineração de dados CRISP-DM**

**1. Compreensão do Negócio**

O primeiro passo é definir claramente o problema de negócios a ser resolvido. Quais
são as perguntas que precisam de resposta? Identifique os objetivos estratégicos
que a empresa busca alcançar com o uso dos dados.

**2. Compreensão dos Dados**

Com os objetivos em mente, é hora de criar um inventário de dados. Isso envolve 
a extração, tratamento e armazenamento, além de uma análise exploratória para identificar
padrões e inconsistências. O objetivo é garantir que os dados sejam confiáveis e
estejam prontos para análise.

**3. Preparação dos Dados**

O objetivo é ajustar e converter os dados conforme necessário para aplicá-los às
técnicas escolhidas. Isso pode incluir:

 * Conversão para formato tabular.
 * Criação de modelos de dados estrelas.
 * Remoção ou inferência de valores ausentes.
 * Conversão de tipos, entre outros.

**4. Modelagem**

Aqui começa a parte sofisticada: a construção de modelos preditivos ou a aplicação
de algoritmos de _machine learning_ para extrair _insights_ valiosos. Tanto modelos
tradicionais quanto algoritmos avançados são usados para previsões e recomendações.

**5. Avaliação**

Os modelos criados são testados e validados. Se os resultados forem considerados
válidos e úteis, a solução pode ser implementada em produção, onde será monitorada
continuamente.

**6. Implantação, Monitoramento e Ajustes**

Para a implantação, o modelo precisa ser compatível com os sistemas de decisão. 
Durante o monitoramento, ajustes podem ser necessários para otimizar o desempenho.
Se o modelo não atender às expectativas, ele pode ser substituído por uma abordagem
mais eficiente.

À medida que as empresas adotam estratégias **_Data-Driven_** e utilizam _frameworks_
como o CRISP-DM para orientar suas análises, elas começam a trilhar uma jornada 
de maturidade em _Analytics_. Esse caminho não só fortalece a capacidade de transformar
dados em _insights_ acionáveis, mas também prepara as organizações para evoluir 
em níveis de sofisticação analítica. Agora, vamos explorar como esses níveis de 
maturidade impactam diretamente a eficácia das decisões empresariais e a inovação
contínua.

## **Níveis de maturidade em _Analytics_**

Os quatro principais níveis de maturidade em **_Analytics_** são:

 * **Análise Descritiva**: O nível mais básico de análise, que responde à pergunta“
   O que aconteceu?”. Envolve relatórios históricos e análises retrospectivas que
   ajudam a empresa a entender os eventos passados.
 * **Análise de Diagnóstico**: O segundo nível de maturidade busca responder “Por
   que isso aconteceu?”. Utiliza técnicas que permitem identificar as causas dos
   eventos, oferecendo uma visão mais detalhada e compreensiva.
 * **Análise Preditiva**: Neste nível, a pergunta “O que provavelmente acontecerá?”
   é o foco. Aqui, são utilizados modelos preditivos para antecipar futuros acontecimentos,
   permitindo à empresa se preparar para diferentes cenários.
 * **Análise Prescritiva**: O nível mais avançado, que responde à pergunta “Como
   posso fazer isso acontecer?”. A análise prescritiva utiliza simulações e técnicas
   de otimização para identificar as melhores estratégias de ação.

Nos dois primeiros níveis (1 e 2), a atuação de **analistas de dados** e profissionais
de **_Business Intelligence_ (BI)** é predominante. Já nos níveis mais avançados(
3 e 4), o trabalho dos **cientistas de dados** se torna fundamental, pois é aqui
que as predições e percepções de maior valor para o negócio são gerados.

Compreender os **Níveis de Maturidade em _Analytics_** permite que as organizações
avaliem sua jornada analítica e identifiquem áreas de melhoria contínua. Essa avaliação
não apenas destaca o progresso alcançado, mas também prepara o terreno para a próxima
fase: a implementação estratégica, onde técnicas avançadas são integradas aos processos
de decisão para gerar valor real e mensurável.

## **Principais técnicas utilizadas em projetos de _Analytics_**

Para garantir que um projeto de **_Analytics_** gere os resultados esperados, é 
essencial utilizar uma combinação de técnicas avançadas, que permitem extrair o 
máximo de valor dos dados disponíveis. Algumas das técnicas mais comuns incluem:

![](https://www.modal.org.br/wp-content/uploads/2024/11/tecnicas-analytics-1-1024x268.
png)

Técnicas de Analytics

Essas técnicas são essenciais para lidar com diferentes tipos de dados. Existem **
Dados discretos**, que são aqueles que assumem valores específicos e contáveis, 
como número de clientes ou produtos vendidos, e outro tipo são os **dados contínuos**,
que podem assumir qualquer valor dentro de um intervalo, como a altura ou o tempo
gasto em uma tarefa.

Essas técnicas além de servirem para diferentes tipos de dados são aplicáveis tanto
no **aprendizado supervisionado** (como a classificação, que organiza dados em categorias,
e a regressão, que prevê valores contínuos) quanto no **aprendizado não supervisionado**(
como a clusterização, que agrupa dados semelhantes, e a redução de dimensionalidade,
que simplifica grandes conjuntos de dados).

Ao explorar as principais técnicas utilizadas em projetos de _analytics_, fica evidente
a importância de uma base sólida de dados para extrair _insights_ valiosos. Nesse
contexto, surge a necessidade de organizar e gerenciar esses dados de forma eficiente,
o que destaca o papel crucial do _Data Lakehouse_. Essa abordagem inovadora oferece
uma infraestrutura unificada, permitindo que as empresas integrem, armazenem e processem
dados de forma otimizada, impulsionando suas capacidades analíticas para o próximo
nível.

## **A necessidade de organizar e gerenciar dados: o papel do _Data Lakehouse_**

Para que essas técnicas de **_Analytics_** possam ser aplicadas de maneira eficaz,
os dados precisam estar devidamente organizados e gerenciados. É aqui que entra 
o conceito de **_Data Lakehouse_**.

**O que é um _Data Lakehouse_?**

Um **_Data Lakehouse_** é uma arquitetura moderna de gerenciamento de dados que 
combina o melhor dos dois mundos: o **_Data Lake_** e o **_Data Warehouse_**.

Um **_Data Lake_** é um grande reservatório que permite armazenar dados brutos em
diferentes formatos e de várias fontes, como textos, imagens e vídeos. Embora seja
altamente flexível e escalável, pode ser difícil de acessar e organizar rapidamente.
Já um **_Data Warehouse_** é como uma arquitetura de base de dados estruturada, 
onde os dados são limpos e otimizados para consultas rápidas.

O **_Data Lakehouse_** resolve esses problemas ao permitir que empresas armazenem
dados brutos e estruturados, semiestruturados e não estruturados em um único local,
combinando a flexibilidade do **_Data Lake_** com a eficiência e a velocidade de
consulta do **_Data Warehouse_**. Isso facilita a adoção de tecnologias avançadas,
que dependem de grandes volumes de dados para o treinamento de modelos.

## **A importância da governança de dados**

Governança de dados refere-se ao conjunto de políticas, processos e estruturas que
asseguram a gestão adequada dos dados em uma organização. Seu principal objetivo
é garantir que os dados sejam precisos, consistentes, seguros e estejam em conformidade
com regulamentações, como a LGPD (Lei Geral de Proteção de Dados) no Brasil. Isso
envolve definir responsabilidades claras sobre quem pode acessar, modificar ou utilizar
os dados, além de garantir a integridade e a qualidade das informações. A governança
de dados é essencial para permitir que as empresas façam uso eficaz de seus ativos
de dados, assegurando que eles sejam gerenciados de forma ética, transparente e 
eficiente, criando uma base sólida para análises e tomadas de decisão baseadas em
dados.

Se sua empresa já possui um **_Data Warehouse_**, um **_Data Lake_** ou até mesmo
um **_Data Lakehouse_**, então, é fundamental garantir uma sólida governança de 
dados. Modelos preditivos e soluções de **_Analytics_** só serão eficazes se os 
dados utilizados forem confiáveis.

Com essa base bem estruturada, as empresas podem maximizar os benefícios de um _Data
Lakehouse_, preparando-se para o próximo passo: **a adoção de Inteligência Artificial(
IA)**. A IA promete transformar esses dados bem geridos em _insights_ acionáveis,
automatizando processos e aprimorando a tomada de decisão estratégica, elevando 
a organização a novos patamares de inovação e eficiência.

## **Adoção de Inteligência Artificial (IA) nas empresas**

A **Inteligência Artificial** está rapidamente se tornando um componente central
nas empresas modernas, e seu uso pode ocorrer em várias etapas do processo de negócios:

 * **Aumento da produtividade individual dos colaboradores**: Utilizando IA para
   automatizar tarefas dos colaboradores, melhorando a eficiência individual.
 * **Automação de processos internos de negócios**: IA é aplicada para automatizar
   processos de negócios internos que exigem grande quantidade de dados e decisões
   rápidas.
 * **Atendimento e suporte ao cliente**: _Chatbots_ e assistentes virtuais movidos
   por IA ajudam a melhorar a experiência do cliente e a reduzir custos operacionais.
 * **Produtos e serviços baseados em IA**: Empresas estão criando novos produtos
   e serviços que utilizam IA para oferecer soluções inovadoras ao mercado.
 * **Suporte à tomada de decisões estratégicas**: A IA é combinada com técnicas 
   de **_Analytics_** para fornecer percepções detalhadas que ajudam os gestores
   a tomar decisões mais efetivas.

## **Principais ramos da Inteligência Artificial**

Existem diversos ramos da **Inteligência Artificial (IA)** que estão moldando o 
futuro das empresas e seus processos operacionais. A seguir, apresento os principais,
bem como algumas de suas aplicações no mundo real:

![](https://www.modal.org.br/wp-content/uploads/2024/11/ramos-ia-1-1024x203.png)

Ramos da inteligência artificial

Além desses, temos o emergente campo da **IA Generativa**, que está revolucionando
a forma como criamos conteúdos, com exemplos como **_ChatGPT_**, **_Gemini_** e **
_Claude_**, que produzem textos, imagens e até mesmo códigos de programação de maneira
automatizada.

## **Principais técnicas de _Machine Learning_ e _Deep Learning_**

Para compreender melhor como esses ramos da IA funcionam na prática, é fundamental
conhecer as principais técnicas de _Machine Learning_ e _Deep Learning_ que os sustentam.
Essas técnicas são a espinha dorsal dos sistemas de IA modernos e são responsáveis
por grande parte dos avanços recentes na área.

![](https://www.modal.org.br/wp-content/uploads/2024/11/ml-dl-1-1024x216.png)

Técnicas de _Machine Learning_ e _Deep Learning_

## **_Machine Learning_: fundamentos para a tomada de decisão inteligente**

O _Machine Learning_ se divide em três categorias principais, cada uma com aplicações
específicas no ambiente empresarial:

 * **Aprendizado Supervisionado**
    - **Regressão e Árvores de Decisão**: Essenciais para previsões financeiras 
      e análise de risco.
    - **_Random Forests_**: Utilizadas em modelos de precificação dinâmica e detecção
      de fraudes.
 * **Aprendizado Não Supervisionado**
    - **_Clustering_**: Fundamental para segmentação de mercado e personalização
      de produtos.
 * **Aprendizado por Reforço**
    - **Q-Learning**: Aplicado em otimização de cadeias de suprimentos e estratégias
      de _trading_ algorítmico.

## **_Deep Learning_: a fronteira da Inteligência Artificial**

O _Deep Learning_, subconjunto avançado do ML, utiliza redes neurais complexas para
tarefas sofisticadas:

 * **Redes Neurais Convolucionais (CNNs)**: Revolucionam o controle de qualidade
   visual e o reconhecimento facial em segurança.
 * **Redes Neurais Recorrentes (RNNs)**: Cruciais para análise de séries temporais
   em previsões de mercado.
 * **_Transformers_**: Impulsionam _chatbots_ avançados e sistemas de tradução automática,
   facilitando a comunicação global nos negócios.

## **Aplicações Estratégicas no Ambiente Corporativo**

 * **Processamento de Linguagem Natural (NLP)**
    - Análise de sentimento de clientes e geração automatizada de relatórios.
 * **Visão Computacional**
    - Inspeção automatizada de produtos e sistemas de segurança inteligentes.
 * **Sistemas de Recomendação**
    - Personalização de experiências de clientes e otimização de vendas cruzadas.
 * **IA Generativa**
    - Criação de conteúdo personalizado e prototipagem rápida de _designs_.

## **Tendências Emergentes**

 * **_Transfer Learning_**: Permite a adaptação rápida de modelos existentes para
   novos contextos de negócios, reduzindo tempo e custos de desenvolvimento.
 * **_Few-Shot Learning_**: Possibilita o treinamento eficiente de modelos com conjuntos
   de dados limitados, ideal para nichos de mercado específicos.

![](https://www.modal.org.br/wp-content/uploads/2024/11/processo-ml-1-1024x317.png)

Processo de _Machine Learning_

## **Considerações Estratégicas**

A implementação bem-sucedida de ML e DL requer:

 * Alinhamento com objetivos estratégicos de negócios.
 * Investimento em infraestrutura de dados robusta.
 * Desenvolvimento de uma cultura organizacional _data-driven_.
 * Atenção contínua às questões éticas e de privacidade.

O ML e o DL não são apenas tendências tecnológicas, mas ferramentas essenciais para
a vantagem competitiva no mercado global atual. Empresas devem estar preparadas 
para integrar essas tecnologias em suas estratégias de longo prazo, garantindo inovação
contínua e eficiência operacional.

## **O Papel da IA no Futuro das Empresas Brasileiras**

Uma pesquisa recente da **Gartner** revelou que 92% dos executivos brasileiros pretendem
investir em IA até 2025. Esse dado não é surpreendente, dado o crescente interesse
por tecnologias que aumentam a eficiência, reduzem custos e geram valor em um mercado
cada vez mais competitivo.

![](https://www.modal.org.br/wp-content/uploads/2024/11/investimentos-gartner-1.
png)

Pesquisa Gartner

Os setores que mais têm adotado essas tecnologias no Brasil incluem o financeiro,
com a automação de processos bancários e análise de crédito, e o de telecomunicações,
que utiliza IA para melhorar o atendimento ao cliente e reduzir a taxa de cancelamento
de serviços. Porém, a adoção dessas tecnologias está longe de ser exclusiva desses
setores. A transformação digital impulsionada pela IA está chegando a empresas de
todos os tipos e tamanhos, desde pequenas startups até grandes corporações.

Empresas que investem em **_Data Lakehouse_**, **_Analytics_** e **IA** estão se
posicionando à frente da curva de inovação tecnológica, pois suas decisões, baseadas
em dados, são cruciais para o sucesso competitivo.

## **Desafios na adoção de novas tecnologias nas organizações**

Apesar da importância reconhecida de tecnologias avançadas como _Data Lakehouse_,
_Analytics_ e Inteligência Artificial para a competitividade empresarial, muitas
organizações enfrentam obstáculos na sua implementação. Estes desafios incluem a
necessidade de manter o foco no _core business_ e a falta de _expertise_ interna.
Neste cenário, surge a necessidade de um catalisador externo para impulsionar a 
inovação e a transformação digital.

É neste contexto que o conceito de Ambiente Promotor de Inovação (API) ganha relevância,
oferecendo uma solução estratégica para acelerar a adoção tecnológica e a transformação
digital nas organizações.

## **O Ambiente Promotor de Inovação (API) como acelerador da transformação digital**

O Ambiente Promotor de Inovação (API) surge como uma solução estratégica para empresas
que enfrentam desafios na adoção de tecnologias avançadas como IA, _Big Data_ e 
_Analytics_. Este conceito oferece:

 * Um espaço colaborativo – físico e/ou virtual – para experimentação e desenvolvimento
   tecnológico.
 * Suporte de especialistas e parceiros estratégicos.
 * Oportunidades para criar provas de conceito (PoCs) com mínimo impacto nas operações
   diárias.
 * Um ecossistema que facilita a transferência de conhecimento e a adoção de tecnologias
   disruptivas.

O API é particularmente valioso para organizações que:

 * Querem aumentar a _expertise_ interna especializada.
 * Têm limitações de tempo para dedicar à inovação.
 * Precisam manter o foco em suas atividades principais.

Ao proporcionar um ambiente estruturado para inovação, o API acelera a transformação
digital, permitindo que as empresas explorem novas tecnologias de forma eficiente
e eficaz, sem comprometer suas operações _core_.

## **O papel de uma Instituição Ciência, Tecnologia e Inovação (ICT) no apoio à inovação**

As Instituições de Ciência, Tecnologia e Inovação (ICTs) desempenham um papel crucial
no ecossistema de inovação, atuando como catalisadoras da transformação digital 
nas empresas. Através do serviço de Ambiente Promotor de Inovação (API), as ICTs
oferecem:

 * **Suporte Técnico Abrangente na Adoção de Tecnologias Avançadas**:
    - _Expertise_ em tecnologias emergentes e práticas inovadoras.
    - Orientação e suporte na adoção de novas tecnologias.
    - Assistência especializada para empresas em transição para ambientes digitais
      mais eficientes.
 * **Criação de Ambientes de Teste e Validação**:
    - Estabelecimento de APIs personalizados para testar e validar novas soluções
      tecnológicas.
    - Infraestrutura segura para experimentação sem riscos às operações principais
      da empresa.
 * **Capacitação e Transferência de Conhecimento**:
    - Realização de _workshops_ e treinamentos especializados.
    - Facilitação da transferência de conhecimento entre especialistas e equipes
      empresariais.
 * **Preparação para o Futuro**:
    - Auxílio na preparação das estruturas organizacionais para futuros desafios
      tecnológicos.
    - Desenvolvimento de roadmaps de inovação alinhados com as tendências do mercado.
    - Estratégias para adotar novas tecnologias sem interromper as operações principais.
    - Planejamento para uma transição suave e eficaz.

Ao adotar uma parceria com uma ICT, as empresas não apenas ganham acesso a recursos
e conhecimentos de ponta, mas também se beneficiam de uma abordagem estruturada 
e orientada para a inovação. Isso permite que elas se mantenham competitivas em 
um mercado em rápida evolução, enquanto desenvolvem internamente as competências
necessárias para sustentar sua transformação digital a longo prazo.

## **Conclusão: o futuro da competitividade empresarial está na inovação**

O futuro das empresas está diretamente ligado à sua capacidade de inovar e de adotar
tecnologias que as tornem mais eficientes, competitivas e preparadas para lidar 
com as demandas de um mercado em constante evolução. A gestão orientada por dados,
impulsionada pela **Ciência de Dados** suportadas por tecnologias como **_Data Lakehouse_**,**
_Analytics_** e **Inteligência Artificial** não é mais uma tendência, mas uma necessidade
estratégica.

O **Ambiente Promotor de Inovação** (API) oferece às empresas o apoio necessário
para acelerar essa transição, garantindo que estejam preparadas para competir em
um mundo cada vez mais digital. Com a combinação certa de tecnologia, estratégia
e suporte, as organizações podem construir uma base sólida para o futuro, posicionando-
se à frente da concorrência e aproveitando as oportunidades que a era da informação
tem a oferecer.

Investir no futuro da sua empresa nunca foi tão essencial como agora. No entanto,
sabemos que a inovação exige mais do que vontade: ela precisa de conhecimento, estratégia
e execução precisa.

O **Ambiente Promotor de Inovação (API)** do **Instituto Modal Ciência e Tecnologia**
oferece exatamente isso.

Ao contratar nossos serviços, a empresa não estará apenas implementando tecnologias
de ponta como **_Data Lakehouse_**, **_Analytics_** e **Inteligência Artificial**,
mas também construindo as bases de um negócio preparado para enfrentar os desafios
de um mercado cada vez mais digital e competitivo. Com o suporte especializado do
Instituto Modal, sua empresa pode inovar de forma contínua, sem comprometer suas
operações principais, e estar sempre à frente, pronta para liderar as transformações
do futuro.

**Referências Bibliográficas**:

 * **GAIOTTO, Sérgio.** _Introdução à Inteligência Artificial._ Apostila do Curso
   Advanced MBA Analytics e Inteligência Artificial Data Science. São Paulo: FIA
   Business School – lab.data, 2024.
 * **LIMA-MARQUES, M.** Inteligência Artificial: conceitos básicos. **Instituto 
   Modal**, 1 jun. 2022. Disponível em: <[https://modal.pubpub.org/pub/nk6rck27/release/1](https://modal.org.br/2024/11/11/construindo-empresas-para-o-futuro-ambiente-promotor-de-inovacao-como-facilitador-na-adocao-de-novas-tecnologias/\"https://modal.pubpub.org/pub/nk6rck27/release/1\")
   >. Acesso em: 11 nov. 2024.
 * **PROVOST, Foster; FAWCETT, Tom.** _Data Science para negócios: o que você precisa
   saber sobre mineração de dados e pensamento analítico de dados._ Rio de Janeiro:
   Alta Books, 2016.
 * **SHARDA, Ramesh; DELEN, Dursun; TURBAN, Efraim.** _Business Intelligence e análise
   de dados para gestão de negócios._ São Paulo: Cengage Learning, 2018.
 * **SIEGEL, Eric.** _Análise preditiva: o que é e por que ela funciona._ Rio de
   Janeiro: Alta Books, 2013.
 * **SOUZA, B.** **Redefinindo Contratações no Setor Público: ICTs como Parceiras
   Estratégicas para a Inovação | Instituto Modal**. , 13 set. 2024. Disponível 
   em: <[https://modal.org.br/2024/09/redefinindo-contratacoes-no-setor-publico-icts-como-parceiras-estrategicas-para-a-inovacao/](https://modal.org.br/2024/11/11/construindo-empresas-para-o-futuro-ambiente-promotor-de-inovacao-como-facilitador-na-adocao-de-novas-tecnologias/\"https://modal.org.br/2024/09/redefinindo-contratacoes-no-setor-publico-icts-como-parceiras-estrategicas-para-a-inovacao/\")
   >. Acesso em: 11 nov. 2024
 * **SOUZA, B.** White Paper: Ambiente Promotor de Inovação (API). **Instituto Modal**,
   1 jul. 2019. Disponível em: <[https://modal.pubpub.org/pub/hv7h0ncu/release/1](https://modal.org.br/2024/11/11/construindo-empresas-para-o-futuro-ambiente-promotor-de-inovacao-como-facilitador-na-adocao-de-novas-tecnologias/\"https://modal.pubpub.org/pub/hv7h0ncu/release/1\")
   >. Acesso em: 11 nov.2024.

_Este texto foi elaborado com a colaboração de ChatGPT, uma ferramenta de inteligência
artificial desenvolvida pela OpenAI, que auxiliou no refinamento e formatação do
conteúdo._
