*Por Carlos Eduardo Carvalho, Sócio-Diretor e CEO da Bridge & Co.
Desde que aplicações de Inteligência Artificial (IA) Generativa passaram a fazer parte do cotidiano das pessoas, o assunto não saiu mais das pautas empresariais. Empresas de diversos setores iniciaram uma corrida para desenvolverem suas próprias versões do “ChatGPT”, sendo cada vez mais pressionadas pelo discurso de que a IA é o motor da nova revolução industrial.
Como aconteceu em outras grandes ondas de transformação tecnológica, no momento inicial cria-se uma neblina que dificulta visualizar o que é fato e o que são promessas infladas.
As aplicações de IA Generativa estão hoje no topo do Hype Cycle, segundo o Gartner Group. Isso significa que há muita promessa na mesa, mas ainda pouca materialidade em termos de casos de sucesso. Isso não é um problema em si: passar por essa fase é esperado, assim como foi para a internet, a mobilidade e a computação em nuvem.
Para quem ocupa cadeiras de tomadas de decisão, o momento exige cautela e um olhar atento às lições aprendidas que já deram certo.
Pesquisa inédita: O poder da IA no mercado de alimentos e bebidas: expansão e desafios do setor em 2025: Casos de sucesso em implantação de IA: lições aprendidasCaracterísticas dos casos de sucesso
Após acompanhar uma série de casos de adoção de IA Generativa em empresas de diferentes setores, chegamos a uma lista de características comuns daquelas que consideramos estar indo no caminho certo.
Por serem novas, é pouco provável que você encontre no mercado aplicações já consideradas maduras. A grande maioria está em fase de evolução, e é esperado que muitos ajustes ainda sejam feitos.
Consideração inicial: neste artigo, estamos tratando apenas de aplicações de IA Generativa, ou seja, de aplicações que têm como padrão os modelos de IA que criam conteúdos de texto, imagem, vídeo e som – assim como modelos tipo ChatGPT, Gemini e Copilot. Outras aplicações mais antigas e maduras, baseadas em modelos de IA analíticos, como modelos de regressão, por exemplo, não estão contemplados nesta análise.
- Característica 1: antes de investir em tecnologia, a empresa adotou medidas de letramento digital focado em IA para diferentes níveis hierárquicos. Com isso, criou um ambiente em que o diálogo era possível e havia conhecimento mínimo sobre como esses modelos funcionam. Os programas de letramento incluíram, inclusive, mentorias para o Conselho de Administração, CEO e toda a camada de liderança executiva.
- Característica 2: a empresa realizou um trabalho de discovery de casos de uso bem estruturado. Esse processo envolveu diferentes áreas para identificar oportunidades de melhoria dos processos de negócio que poderiam ser alavancadas por meio da IA Generativa. Isso gerou um backlog de casos de uso que foi analisado e priorizado. Por fim, foram selecionados aqueles previamente analisados em termos de viabilidade tecnológica e potencial de valor para o negócio.
- Característica 3: foi desenvolvido e internalizado o conhecimento sobre a dinâmica de precificação dos modelos de IA. Iniciar uma jornada de adoção de IA Generativa sem entender os aspectos financeiros de cobrança dos provedores pode se tonar um pesadelo para as empresas. Dominar o “taxímetro” dos modelos é fundamental para que os business cases sejam elaborados de forma madura e realista.
- Característica 4: os casos de uso foram desenvolvidos inicialmente com mentalidade de “PoC” (Proof of Concept), com orçamento limitado e metas claras de comprovação de resultado. Apenas após passarem por validações iniciais – tanto em relação à eficácia dos modelos quanto às taxas aceitáveis de alucinação e às medidas de controle e governança – esses modelos foram escalados para produção.
- Característica 5: a empresa entendeu que, no atual estágio de maturidade ainda baixo, as aplicações de IA Generativa precisam funcionar dentro do conceito de “human in the loop”. Ou seja, elas devem servir para dar mais eficiência e produtividade ao ser humano. Pelas características inerentes aos modelos, principalmente relacionadas às possíveis alucinações, a empresa os colocou a serviço do humano para empoderá-lo, e não substituí-lo.
Resultados
O que observamos nos casos de uso acompanhados de perto é um ganho significativo de produtividade e eficiência dos times que passam a contar com modelos de IA Generativa bem montados e testados a seu favor. Ou seja, um trabalho de uma área administrativa que antes era feito em quatro horas passa a ser feito em 30 minutos. Isso em diferentes setores: RH, jurídico, contabilidade, auditoria, entre outros.
Podemos afirmar que, para casos assim, já existe um caminho de sucesso bem pavimentado que pode servir de benchmark para a sua empresa – caso ela ainda esteja uma etapa atrás.
Aplicações mais transformadoras, que alteram significativamente a cadeia de valor e a forma como a empresa gera receita, ainda são muito raras. É muito provável que surjam com o tempo, mas poucas empresas (early adopters) estão com apetite ao risco e capacidade financeira alocada para isso. A maioria segue o fluxo de buscar eficiência e produtividade em áreas que não impactam diretamente o produto final e o fluxo de geração de caixa.
Carlos Eduardo Carvalho | Sócio-Diretor e CEO da Bridge & Co. – Fundador e CEO da Bridge & Co., é Engenheiro de Produção e Mestre pela COPPE/UFRJ. Possui MBA Executivo pela Fundação Dom Cabral e especialização em Plataformas Digitais pelo MIT. É especialista em Business Transformation com ênfase em automação de processos, análise avançada de dados e Inteligência Artificial. Atua também como palestrante, autor e professor de pós-graduação em instituições como UFRJ, FGV e UFJF.
