IA na empresa: comece pelo processo, não pela ferramenta

A pergunta mais comum sobre IA numa empresa já não é "funciona?". É "por onde a gente começa?". E a resposta que mais circula, "escolha uma ferramenta e teste", é justamente a que mais deixa projetos pelo caminho.

Antes de chegar ao porquê, vale olhar o que as pesquisas mais recentes dizem sobre quem já começou.

Quase metade da indústria já usa

O IBGE mede o uso de tecnologias digitais na indústria brasileira na PINTEC Semestral, feita com a ABDI e a UFRJ, que acompanha empresas industriais com 100 ou mais funcionários. A edição divulgada em setembro de 2025 trouxe o salto: em 2022, 16,9% dessas empresas usavam inteligência artificial. Em 2024, eram 41,9%.

O uso cresce com o porte. Entre as empresas de 100 a 249 funcionários, 36,1% usavam IA; entre as de 500 ou mais, 57,5%.

E está concentrado longe da linha de produção. Entre as indústrias que usam IA, 87,9% aplicam na área administrativa, 75,2% na comercial e 73,1% no desenvolvimento de projetos. É a IA que lê documentos, organiza informações, responde e-mails e prepara propostas, mais do que a que controla máquinas.

A mesma pesquisa pergunta o que atrapalha a adoção de tecnologias digitais avançadas em geral (não só IA). Entre as empresas que já as usam, os obstáculos mais citados são o custo alto (78,6%) e a falta de pessoal qualificado (54,2%).

Usar não é o mesmo que ganhar com isso

Em 2025, um estudo do MIT, o The GenAI Divide: State of AI in Business 2025, chegou a um número que circulou o mundo: só cerca de 5% das organizações estudadas estavam transformando pilotos de IA generativa em impacto real na operação ou no resultado. Os outros 95% não tinham retorno mensurável.

Esse número precisa ser lido com cuidado. O estudo é preliminar e se baseia em 52 entrevistas com executivos, 153 respostas de questionário e a análise de mais de 300 iniciativas públicas. Não é a taxa de fracasso de todos os projetos de IA do mundo. Mas duas conclusões dele merecem atenção, porque batem com o que se vê em qualquer empresa:

• O problema raramente é o modelo. Segundo os autores, as ferramentas falham porque não se encaixam no trabalho: não aprendem com o contexto da empresa, não se integram aos sistemas que a equipe usa, exigem um passo a mais que ninguém tem tempo de dar.

• O dinheiro vai para onde aparece, não para onde rende. Mais da metade dos orçamentos de IA generativa estudados ia para vendas e marketing, enquanto os retornos mais claros apareciam na automação de rotinas internas, longe dos holofotes.

Juntando as duas pesquisas, o retrato é este: muita empresa já usa IA, sobretudo em tarefas administrativas, e pouca consegue dizer quanto ganhou com isso.

Por que a ferramenta não é o ponto de partida

Quando o projeto começa pela ferramenta, a pergunta que se faz é "o que dá para fazer com isso?". A resposta é sempre "muita coisa", e o piloto vira uma demonstração: impressiona na reunião, ninguém usa na semana seguinte.

Quando começa pelo processo, a pergunta é outra: "qual trabalho, que hoje custa tempo ou dinheiro, pode ser feito de outro jeito?". A ferramenta passa a ser escolhida pelo que esse trabalho exige, e o resultado pode ser comparado com o que existia antes.

É a diferença entre comprar uma furadeira e precisar de um furo de 8 milímetros na parede da sala.

Três perguntas antes de qualquer ferramenta

1. Qual tarefa, exatamente?

"Usar IA no atendimento" não é uma tarefa. "Ler os e-mails que chegam na caixa de pedidos, separar o que é pedido novo, alteração ou reclamação, e preencher o pedido no sistema" é.

Se não dá para descrever o trabalho em uma frase com verbo, ainda não é hora de escolher ferramenta. As melhores candidatas costumam ter três características:

• Volume: acontecem todo dia, muitas vezes.

• Texto: envolvem ler ou escrever e-mails, documentos, formulários, conversas, que é onde os modelos de linguagem são bons.

• Resultado conferível: alguém consegue olhar a saída e dizer se está certa.

2. Como vamos saber se melhorou?

Antes de começar, anote o número de hoje. Quantas horas por semana a tarefa consome. Quantos erros aparecem por mês, e quanto custa corrigi-los. Quanto tempo o cliente espera pela resposta.

Sem esse ponto de partida, todo projeto de IA parece um sucesso na apresentação, e ninguém consegue dizer se ele pagou a própria conta. É exatamente a situação de boa parte das empresas do estudo do MIT.

3. Quem confere, e o que acontece quando a IA erra?

Ela vai errar. Um modelo de linguagem pode classificar um e-mail na categoria errada ou ler um número de pedido trocado. A diferença entre um projeto que dura e um que é desligado em três meses está em ter decidido isso antes:

• quais casos passam direto, sem revisão;

• quais vão para uma pessoa conferir, e quem é essa pessoa;

• como um erro é corrigido antes de chegar ao cliente.

Uma regra prática: no começo, tudo passa por revisão. Conforme os números mostram onde a IA acerta com folga, a revisão vai ficando restrita aos casos duvidosos.

Um exemplo para tornar isso concreto

Imagine uma distribuidora que recebe pedidos por e-mail. Hoje, uma pessoa abre cada mensagem, identifica o cliente, os produtos e as quantidades, e digita tudo no sistema de pedidos.

Começando pela ferramenta, o projeto seria "vamos dar um assistente de IA para a equipe de vendas". Começando pelo processo, ele fica assim:

• Tarefa: ler o e-mail de pedido e preencher o rascunho do pedido no sistema, com cliente, itens e quantidades.

• Medida: pedidos digitados por dia, tempo médio por pedido e pedidos corrigidos depois de enviados, todos medidos antes de começar.

• Revisão: a pessoa que hoje digita passa a conferir o rascunho e aprovar. Pedidos com produto desconhecido ou quantidade fora do normal ficam marcados para atenção.

O exemplo é ilustrativo, mas o formato serve para quase qualquer caso: uma tarefa, um número de antes, uma pessoa responsável pela conferência.

Um piloto com começo, meio e fim

Projeto de IA sem prazo vira projeto eterno. Um piloto útil tem:

• duração definida, de algumas semanas, curta o bastante para não virar estrutura permanente;

• critério de sucesso escrito antes, a partir do número de hoje: "reduzir o tempo por pedido pela metade, com menos erros do que hoje";

• uma decisão no final: seguir, ajustar ou desligar. Desligar um piloto que não funcionou é um bom resultado, porque custou pouco.

Vale também que ele rode dentro do sistema que a equipe já usa. A IA que preenche o campo no sistema de sempre é usada no dia seguinte. A que exige abrir outra tela, copiar e colar, quase nunca. É o "não se encaixa no trabalho" do estudo do MIT, na prática.

Não esqueça o custo por uso

Serviços de IA costumam ser cobrados pelo volume: quanto texto entra, quanto texto sai. Isso tem uma consequência que pega muita gente de surpresa: um projeto que dá certo é chamado cada vez mais, e a conta cresce junto.

Por isso, desde o piloto, vale calcular o custo de uma unidade de trabalho: quanto custa processar um pedido, ler um documento, responder um atendimento. Com esse número, a comparação com o custo de hoje fica honesta, e não há surpresa quando o volume dobrar.

Para levar para a próxima reunião

Antes de avaliar qualquer ferramenta de IA, a empresa deveria conseguir responder:

1. Qual tarefa, descrita em uma frase com verbo?

2. Quantas vezes ela acontece por semana, e quanto tempo leva hoje?

3. Quantos erros ela tem hoje, e quanto custam?

4. Quem vai conferir o que a IA produzir?

5. Em quantas semanas o piloto termina, e qual número define se ele deu certo?

6. Quanto custa, em dinheiro, processar uma unidade de trabalho com IA?

Se as respostas estiverem na mesa, escolher a ferramenta é a parte fácil.

Fontes

• IBGE, PINTEC Semestral 2024, divulgada em 24 de setembro de 2025: nota da Agência IBGE. Números por área e por porte também em Teletime e Poder360.

• MIT NANDA, The GenAI Divide: State of AI in Business 2025, conforme a cobertura da Virtualization Review e o resumo do relatório no AIGL.