Nos últimos anos, a Inteligência Artificial se tornou um tema central nas discussões sobre inovação e eficiência nos negócios. A maioria dos gestores de grandes companhias, independente do segmento, aderiu a IA, alguns com clareza das melhorias que desejavam e outros pelo famoso FOMO (sigla em inglês que representa o medo de ficar de fora). A empolgação em torno da ferramenta fez com que muitos pulassem uma das etapas mais importantes: uma estruturação cuidadosa, com dados de qualidade e alinhamento estratégico ao negócio. Com a compreensão equivocada do processo, a IA apresenta falhas e gera frustração. Segundo pesquisa da World Economic Forum em 2025, 83% dos executivos veem a IA como uma prioridade estratégica para suas organizações, mas 74% das empresas relatam desafios na adoção em larga escala. Na mesma linha, o Gartner aponta que 30% dos projetos de IA generativa serão abandonados, até o final deste ano, após a fase de prova de conceito.
A teoria da difusão da inovação, de Everett Rogers, sociólogo americano criador do conceito de early adopters, explica o cenário. Muitas empresas vão tentar se posicionar como inovadoras ou adotantes iniciais de uma determinada solução para se enquadrarem como tais. Em termos de posicionamento, gera status. Por isso, muitos executivos logo se colocam no jogo, mostrando um interesse da empresa pelas ferramentas mais modernas. Em paralelo, temos o hype cycle do Gartner, que reflete: quando uma tecnologia entra na moda, o gatilho de mercado dispara uma euforia crescente, alimentada pela falsa impressão de que ela pode resolver grande parte dos problemas corporativos. Com isso, nascem diversas provas de conceito e, tanto a ideia de Inovação proposta por Rogers, quanto a solução tecnológica que está no hype, cairão no vale da desilusão, por ignorarem dimensões importantes no momento inicial de implementação. O cenário é tão real que, de acordo com dados da pesquisa ‘Generating ROI with AI’, da IBM, o retorno sobre investimento do uso de Inteligência Artificial está em 5,9%, em média.
A adoção pode ser frustrante caso a empresa não tenha familiaridade e nem maturidade. Porém, organizações mais maduras também notam falhas, de forma geral, por falta de um aprofundamento no problema a ser resolvido. Antes de recorrer a qualquer solução inovadora, o gestor responsável deve se questionar: “Tenho dados de qualidade? Meus sistemas estão prontos para fazer integração com ferramentas de IA? Com o problema resolvido, a IA vai me trazer retorno a ponto de compensar o investimento?”. Quando a adoção é feita pelo movimento de mercado, sem o pensamento analítico e mapeamento de problemas a serem resolvidos, a probabilidade de falha é muito grande.
Existe estrutura correta para o sucesso na adoção de IA?
Ainda não temos um manual de garantia de sucesso, mas algumas abordagens e uso de metodologias consagradas podem auxiliar a estruturar um projeto de Inteligência Artificial que entregue resultados. Alguns passos podem ser generalizados de forma macro. Todo projeto de IA precisa nascer de uma necessidade real da empresa e, se possível, com indicadores claros para sua quantificação. Conhecendo estes aspectos, deve ser observada a base essencial para esse tipo de projeto: os dados. Eles devem existir, estarem disponíveis, terem qualidade, uma governança bem estabelecida e respeitar regulações como a Lei Geral de Proteção de Dados (LGPD). As etapas seguintes se relacionam a atividades investigativas. Nela são essenciais exploração, entendimento e adequação dos dados e testes de modelos de IA, em um ciclo que exige aprendizado até se encontrar o modelo mais adequado ao problema definido e que busque os indicadores desejados pela empresa.
A transição após encontrar um modelo adequado, é crucial para um projeto de IA. Os modelos resolvem problemas, mas dependem de uma construção adequada como produto, para que sejam adotados e utilizados. Neste momento se torna essencial pensar em sua usabilidade, o empacotamento adequado, como ele será escalado e disponibilizado na empresa. O sucesso de muitas aplicações mora na capacidade de torná-las orgânicas na rotina e fácil de ser utilizadas. Os exemplos podem ser variados, dos sistemas de recomendação da Netflix, às conversas com o ChatGPT. Seja a solução para o público amplo ou interno, as empresas devem pensar em sistemas onde a IA seja um componente essencial, sem ser uma barreira, sem exigir interações complexas e que sua fluidez, de forma paradoxal, faça o usuário esquecer que existe uma Inteligência Artificial atrás de sua ação.
Em projetos recentes que envolvem IA Generativa (GenAI), existem pontos adicionais. As novas interações exigem considerações quanto a aspectos éticos e guardrails para controlar o conteúdo e respostas do modelo. A interação direta com os usuários, sejam internos ou externos, exige um olhar mais cuidadoso quanto às respostas de assistentes, chatbots e qualquer sistema que possui um modelo de Large Language Model (LLM) sendo utilizado. Outra característica é a privacidade dos dados que são enviados para os modelos de GenAI, em especial quando existe o uso de serviços de empresas como OpenAI e Anthropic. Por este motivo, uma boa boa prática é avaliar se a solução adequada seria utilizar a técnica de Retrieval Augmented Generation (RAG), de forma a garantir a privacidade de dados, controlar o comportamento do sistema e garantir o funcionamento adequado.
Um ponto importante atualmente está associado à educação quanto ao uso destas soluções. Parte da estratégia de sucesso para uma empresa, no caso de soluções internas, está no treinamento adequado de sua equipe. Mostrar os resultados que podem ser alcançados, indicar que o projeto visa ampliar a capacidade dos indivíduos, uma rotina facilitada de serviço e mesmo a importância da qualificação sobre o tema, são pontos importantes atualmente. A dificuldade de uso, o sentimento de substituição e o aumento da complexidade nos processos estabelecidos, por exemplo, podem ser fatores de fracasso de um projeto, ainda que o modelo por si, fosse capaz de entregar valor.
Uma vez em operação, o projeto passa a ser monitorado de forma contínua, demonstrando se existe necessidade de novos treinamentos do modelo, quais as respostas dos usuários, se a solução está atendendo as métricas e se existe algum aperfeiçoamento. O aspecto de acompanhamento é essencial para evolução da solução. Técnicas como MLOps, onde um conjunto de processos auxilia na automatização dos ciclos de entrega deste tipo de projeto, podem ajudar. Além das métricas de impacto da solução, os custos operacionais devem ser igualmente observados, uma vez que volumes de dados, tempo de processamento, quantidade de requisições de API, podem elevar o custo de manter a solução. Desta forma, o ganho com o modelo e o custo para operacionalizá-lo, devem estar adequados para a solução do projeto.
Os desafios na adoção da IA são reais, mas superáveis. Ao aprender com os erros, adaptar as estratégias e investir em conhecimento, as empresas podem evoluir em sua jornada e alcançar resultados cada vez mais expressivos. No fim do dia, o modelo pode ser preciso ao máximo, mas sua adoção deve ser simples, orgânica, se encaixar no workflow do usuário e garantir uma experiência que, por vezes, nem sequer valoriza a Inteligência Artificial em si, mas entrega um resultado final de acordo com o esperado. O futuro da IA é promissor para aqueles que se preparam.
João Santos, especialista de soluções do SiDi, Instituto de Tecnologia.
Inscreva-se em nosso canal do Whatsapp e tenha acesso as principais notícias do mercado.
Fonte: TI INSIDE Online - Leia mais
