Sempre aparece uma pergunta nas conversas que tenho com CIOs e diretores de tecnologia: qual é o modelo de IA que a empresa deveria adotar? Essa é a pergunta que menos me interessa responder, porque ninguém escala IA em uma empresa apenas escolhendo um modelo. Isso depende de fatores como segurança, desempenho, governança e capacidade de escala. Em resumo, o problema não é o acesso à tecnologia.
Qualquer empresa de médio porte pode testar um copiloto, contratar uma API de modelo de linguagem ou conectar um agente a um fluxo de atendimento em poucas semanas ou até mesmo dias. Isso é cada vez mais comum, e tão simples quanto ter um site: é necessário, mas não é o que faz um cliente escolher você. Um levantamento da Accenture ouviu 2 mil empresas e concluiu que apenas 8% delas viraram “líderes na escala de IA”, ou seja, empresas que colocaram a IA no centro da estratégia do negócio. Os outros 92% seguem testando.
Essa mesma pesquisa mostra uma pista sobre o motivo para isso acontecer. Apenas 15% das empresas construíram o básico para escalar a IA. Em outras palavras, falta de base de dados, processo redesenhado, governança e pessoas que sabem operar no dia a dia. A ferramenta está ao alcance de praticamente todos, mas saber usar é outra história.
O resultado dessa equação aparece no fluxo de caixa. Empresas com receita acima de US$ 10 bilhões que escalaram IA cresceram, em média, 7% mais rápido do que as que ainda estão testando. Em empresas de qualquer porte, o retorno ao acionista foi 6% maior entre elas. Este resultado mostra que a contratação de uma IA não é o que faz a diferença, mas sim a forma de aplicá-la.
O que ninguém quer resolver antes da contratação
Na prática, o que separa quem escala de quem só testa são quatro características. E o modelo da IA não é uma delas.
Tudo começa pelo dado. Um modelo sabe muita coisa sobre o mundo, mas não entende o que é “cliente prioritário”, “margem aceitável” ou “estoque crítico” dentro da operação. Essas informações estão em dados internos. Na maioria das empresas que visito, esses dados ficam espalhados em sistemas que não se falam. Dado fragmentado significa falhas na IA, com respostas que mudam o tempo todo, decisões sem contexto e maior necessidade de revisão.
O processo. Neste tópico, a Deloitte tem um número que me inquieta: 37% das organizações usam IA de forma superficial, apenas colada em cima de processos que continuam exatamente iguais. Isso pode ajudar em um resumo mais rápido, uma resposta automática ou até mesmo uma tarefa a menos na fila do dia. Mas só 34% das empresas informam que estão reinventando o funcionamento do negócio, e apenas 20% já enxergam retornos financeiros. Ganhar tempo e ganhar receita são coisas diferentes. Lucrar é possível somente quando alguém redesenha processos em vez de só acelerar os de sempre.
Pessoas. Esse é o ponto que menos aparece, mas um dos mais importantes. É aqui que o projeto pode travar. Treinar um time para usar um copiloto leva tempo. Redesenhar a rotina de um time inteiro em torno de decisão assistida por IA leva muito mais tempo. É necessário definir o que pode se tornar automático, o que ainda precisa de olhar humano e quem responde quando o modelo erra.
Governança. O mais relevante para mim. Só uma em cada cinco empresas tem maturidade para operar agente autônomo. É um sistema que age sozinho, aprova pedido, ajusta preço. Sem saber quem tomou aquela decisão, sem conseguir reconstruir o raciocínio e sem um limite claro do que ele pode fazer, escalar IA vira risco antes de mostrar vantagem.
A pergunta pode mudar de “que modelo é recomendado?” para “como faço isso funcionar na minha operação de acordo com os dados que tenho hoje?”. Ela é bem mais difícil de responder que a primeira, mas é mais assertiva. Como disse, o modelo pode ser contratado rapidamente. Mas o que vem depois dele e como será implementado não tem como comprar pronto. Isso é construído dentro da empresa, aos poucos, de forma contínua e direcionada.