Por João Santana, Vice Presidente de Inovação Neohype

A pergunta que os CIOs fazem sobre inteligência artificial aplicada à operação mudou de lugar. Até pouco tempo, a conversa girava em torno de qual modelo escolher. Hoje, quase ninguém pergunta isso. A pergunta é por que o piloto não virou operação.

Os dados públicos explicam a mudança. O estudo The GenAI Divide: State of AI in Business 2025, publicado pela iniciativa NANDA do MIT a partir da análise de mais de 300 implantações corporativas divulgadas, cerca de 150 entrevistas com executivos e uma pesquisa com 350 funcionários, concluiu que aproximadamente 95% dos pilotos corporativos de IA generativa não produziram impacto mensurável no resultado financeiro, apesar de um investimento estimado entre 30 e 40 bilhões de dólares. A conclusão central do relatório é a parte que menos circulou: a falha é organizacional, não tecnológica.

O Gartner chegou ao mesmo território por outro caminho. Em julho de 2024, a consultoria previu que pelo menos 30% dos projetos de IA generativa seriam abandonados após a prova de conceito até o fim de 2025, e nomeou quatro causas: qualidade de dado insuficiente, controles de risco inadequados, custos crescentes e valor de negócio pouco claro. Nenhuma delas tem a ver com a capacidade do modelo.

Por que o piloto morre depois da demonstração

Há um padrão que ajuda a entender o tamanho do problema. O interesse corporativo se concentra na camada que o usuário vê, o assistente virtual, o chatbot, a interface que impressiona em demonstração interna. A camada que faz essa interface funcionar, que é a esteira automatizada do outro lado da conversa, costuma ficar para depois. O resultado é previsível: um assistente entra em produção rapidamente e logo se descobre que ele não consegue concluir nada sozinho, porque não existe processo automatizado para onde encaminhar o que ele entendeu.

Vale observar o que o estudo do MIT encontrou do lado dos 5% que deram certo. O maior retorno não apareceu nas áreas mais visíveis, e sim em automação de processos de apoio, com eliminação de trabalho repetitivo e redução de custo operacional. É coerente com a leitura das quatro causas apontadas pelo Gartner: o ganho aparece onde o processo é repetitivo, mensurável e tem dono.

Quando fomos entender por que alguns dos nossos próprios pilotos morriam no caminho, a causa nunca era o modelo. Era sempre uma das quatro acima, e são elas que organizam as perguntas que os CIOs realmente fazem.

‍

Quem responde pelo processo que a IA vai mudar?

O piloto quase sempre tem dono técnico. O processo que ele deveria mudar, não. Essa assimetria é a causa número um de projeto que não sai do lugar, porque não há ninguém com autoridade para alterar a rotina que o piloto propõe alterar.

A regra que adotamos é simples. Todo agente em produção precisa de um responsável de negócio com nome. Sem isso, em seis meses ninguém sabe explicar por que ele responde daquele jeito, e o agente vira dívida técnica em vez de ativo.

Existe esteira ou cada caso de uso é artesanal?

Quando cada caso de uso é construído do zero, nada do que se aprende em um vira capacidade no próximo. O segundo projeto custa o mesmo que o primeiro, e o terceiro também. É o sintoma mais confiável de ausência de camada de orquestração.

Há um teste direto para isso: o segundo caso de uso custou uma fração do primeiro? Se a resposta for não, o que existe é uma coleção de pilotos, não um programa.

Também vale registrar o que descobrimos ao investigar nossos próprios travamentos. Quase todo problema que parecia ser de inteligência artificial era, na verdade, de base de conhecimento desorganizada ou de processo mal desenhado. Trocar de modelo resolve pouco quando o gargalo é o dado.

Quanto custou o seu último mês de inteligência artificial?

Essa é a pergunta que silencia a sala. A maioria consegue dizer quanto gastou no total. Quase ninguém consegue dizer quanto custou por agente, por equipe ou por usuário.

O problema é estrutural. O consumo cresce com a adoção, que é exatamente o que se queria quando o projeto começou. Sem medição por agente desde o primeiro dia, o sucesso vira susto no fechamento do trimestre. Se o custo por agente não é medido, não existe operação de inteligência artificial, existe uma conta aberta.

Governança, nesse contexto, não é burocracia que freia, mas é o que torna a escala possível. Na prática, significa guardrails contra injeção de prompt, tratamento de dados pessoais, interruptor de desligamento por agente, registro auditável de toda ação sensível com quem pediu e o que mudou, pontos obrigatórios de aprovação humana onde a decisão tem consequência, controle de acesso por perfil integrado à identidade corporativa e versionamento de instruções e modelos sem necessidade de nova publicação.

Alguém mudou de rotina por causa disso?

A quarta causa é a mais silenciosa. O piloto melhora um indicador técnico e não muda a vida de ninguém, nem dentro nem fora da empresa. Ele é aprovado, elogiado e esquecido.

Não adianta ensinar a ferramenta se não houver redefinição do que se espera da pessoa e, em seguida, avaliação por essa nova expectativa. No nosso caso, o desenvolvedor deixou de escrever a primeira versão do código e passou a revisar, decidir e responder por ela. É uma mudança de função, não de ferramenta.

O que fizemos em casa antes de vender

Antes de levar inteligência artificial para a operação de clientes, reescrevemos o jeito de construir software dentro da própria empresa. Criamos um centro de excelência com uma missão declarada: mudar o modo como todos os times constroem, e não produzir inteligência artificial para os outros times consumirem.

Os números dessa decisão:

• Nove squads operando na esteira compartilhada.
• Onze soluções em piloto no período.
• Redução de 40% no ciclo de desenvolvimento.
• Seis meses até o primeiro resultado mensurável.

A esteira em si é uma sequência de agentes que lê a demanda, produz a especificação, implementa a mudança, atualiza a cobertura de testes e devolve a revisão para decisão humana, com pontos de aprovação obrigatórios, portões de qualidade e de segurança e integração com as ferramentas de versionamento e de gestão de demanda. O conhecimento do projeto passou a viver na base curada, e não na cabeça de quem estava lá no início.

Como isso aparece em uma operação de cliente

Em uma operação de crédito para veículos pesados, a formalização dependia de e-mail, planilha, sistema legado e assinatura presencial. O redesenho criou uma esteira digital única, com captura e leitura automática de documentos, motor de regras, integração por API e assinatura pelo celular.

Os resultados, com atribuição anônima:

• Formalização: de um dia útil para menos de cinco minutos, uma redução de 99% nos casos simples.
• Assinatura: de quinze dias para dezesseis horas, com jornada 98% digital.
• Custo por processo: de R$ 41,31 para R$ 1,65, uma redução de 96%, equivalente a R$ 47,6 mil por mês.
• Escala: mais de trinta fluxos automatizados, mais de oito mil operações e mais de oitocentas horas liberadas por mês.

O caminho importa tanto quanto o número. A primeira fase foi diagnóstico e redesenho da jornada de ponta a ponta junto ao cliente, com cerca de setenta profissionais impactados. O produto mínimo entrou em setembro de 2024 por um fluxo específico, sem parar a operação. A produção plena chegou em março de 2025, com toda a rede em quatro meses. Só depois disso novos fluxos entraram sobre a mesma esteira, ao longo de 2025.

Nenhuma etapa começou pela escolha do modelo. Todas começaram pelo desenho do processo. É por isso que o segundo fluxo custou uma fração do primeiro, que é o único teste honesto de que existe esteira e não uma coleção de pilotos. Resultados em operações reais seguem esse mesmo padrão de sequência.

Três perguntas para fazer na sua operação

São as mesmas que usamos para abrir qualquer conversa sobre inteligência artificial aplicada à operação. Elas não exigem diagnóstico, exigem honestidade:

• Onde, na sua operação, a inteligência artificial já decide, e quem responde por essa decisão?
• Você consegue dizer, agora, quanto custou o seu último mês de inteligência artificial por agente?
• Se o seu melhor piloto virasse operação amanhã, o processo aguentaria?

Se as três respostas forem incômodas, o problema não é o modelo escolhido, mas sim a fundação que ele encontrou. Inteligência artificial amplifica a base que encontra, e uma base frágil produz erro mais rápido, não menos erro.

Quer saber se a sua operação está pronta para colocar inteligência artificial em produção?