Falhas na adoção de inteligência artificial nas empresas costumam ocorrer menos por desinteresse pela tecnologia e mais por decisões ruins de implantação, sobretudo quando a companhia começa por projetos acessórios, distantes do core business e sem efeito direto sobre a operação. O diagnóstico veio de Teodora Barone, founder da Asimi Investments, e de Dionisio Chiuratto Agourakis, founder & CEO da JAI, no painel O que falha nas empresas na implantação de IA, que integrou a programação do AI Summit EXAME, realizado no dia 2 de junho, em São Paulo.

Promovido pela EXAME em parceria com a Saint Paul, o evento reuniu especialistas e lideranças em mais de oito horas de conteúdo sobre IA aplicada aos negócios. A proposta foi conectar tecnologia, estratégia e gestão, com foco em decisões capazes de gerar valor para empresas e carreiras.

Barone e Agourakis trabalham com IA há mais de 15 anos, desde um período em que muitas aplicações desse campo eram associadas a pesquisa operacional, ciência de dados e algoritmos. Barone seguiu carreira no mercado financeiro. Agourakis fundou a JAI, empresa de terceirização de processos que funciona 100% com IA: as tarefas são executadas por robôs, e a equipe humana tem apenas quatro pessoas. A diretriz da companhia é só levar um processo à produção quando ele puder ser realizado sem intervenção humana. Segundo eles, essa exigência ajudou a revelar padrões de falha que se repetem em projetos de IA de companhias dos mais variados setores.

O começo errado

A primeira armadilha aparece na escolha do que automatizar. Com medo de ficar para trás, muitas empresas direcionam a IA a iniciativas periféricas e a equipes juniores, longe das decisões de negócio. O efeito costuma ser pouco relevante. Barone relatou o caso de um grande varejista que lançou um chatbot premiado, elogiado na imprensa e com alta no índice de satisfação. Dezoito meses depois, a linha de receita do balanço permanecia inalterada.

Para a dupla, a IA não deve ser tratada como um projeto de TI convencional. O resultado passou a depender dos dados e da adoção, não apenas de uma especificação fechada. Antes, contou Barone, as empresas compravam um pacote pronto e adaptavam a operação a ele, como ocorria na instalação de um ERP. Agora, a tecnologia se ajusta ao negócio, interfere na cultura e influencia o orçamento de tecnologia por anos.

Outro ponto de atenção é o incentivo do fornecedor de soluções de TI. Em vez de redesenhar o melhor fluxo para o cliente, muitos prestadores desse tipo de serviço se limitam a adicionar funções de IA sobre o que já vendem. “O incentivo é: eu estou te dando mais botões com estrelinha e aí você vai comprar um pacote a mais, que você vai pagar por mês. E aí tem o Pro, o Turbo, o Max”, disse Agourakis.

O abismo da produção

A facilidade de gerar demonstrações também cobra um preço. “Tem uma coisa muito perversa que acontece especificamente com a IA generativa, que é a capacidade de você fazer uma prova de conceito em uma tarde, que é superlegal, e aquilo demorar um ano e meio, dois anos para entrar em produção”, destacou o CEO da JAI.

O choque aparece quando a solução vai para a operação real e precisa lidar com casos críticos. Barone lembrou que a maioria dos modelos ainda está sujeita a alucinações por padrão e que usuários aprendem a burlar sistemas. Como exemplo, ela citou a possibilidade de driblar chats de algumas seguradoras a ponto de fazê-los liberar um sinistro. Quando isso acontece, comentou, a reação das empresas costuma ser tirar a IA do ar. “E aí você não mata um projeto, você mata a vontade, a probabilidade de aquela empresa aceitar aquela tecnologia”, afirmou Agourakis. “Aquilo vira essa persona non grata na reunião da diretoria ou no board.”

Os palestrantes também rebateram quatro justificativas frequentes para o fracasso: dados sujos, ausência de cientistas de dados, custo alto e ERP defasado. Nenhuma, para eles, é impedimento real.

Sem demolir o prédio

A dupla recomenda às companhias um método que chama de AI retrofit. “A gente não vai demolir um prédio, a gente vai modernizar a estrutura que já está de pé”, disse Barone. A ideia é preservar o DNA da companhia e acoplar a IA aos sistemas atuais, em vez de obrigar a empresa a se moldar a uma solução fechada.

O método tem quatro passos: mapear o fluxo certo, acoplar a tecnologia sem parar a operação, provar o resultado por métricas de negócio e escalar em produção. A escolha do fluxo segue uma matriz que cruza impacto e dificuldade. Projetos difíceis e de alto impacto, como substituir uma área inteira por robôs, entram em uma categoria de apostas mais ambiciosas e arriscadas, com maior incerteza sobre prazo, custo e resultado. Os de baixo impacto viram acessórios e não interferem nos resultados do negócio.

A zona recomendada reúne os projetos de alto impacto e menor dificuldade de acoplamento. Os melhores casos, apontou a dupla, costumam ser os menos atraentes, como a automatização da entrada de notas fiscais, validação de dados e conhecimento de transporte. Segundo eles, projetos assim costumam trazer resultados em poucas semanas.

A etapa de validação é outro ponto de risco. “A métrica de negócio precisa estar definida antes de o projeto efetivamente começar. E você precisa usar dados reais e ter um resultado em semanas”, afirmou Barone. “Senão você morre no PowerPoint.”

Setores regulados, como seguros e hospitais, foram citados como ambientes especialmente favoráveis para a aplicação de IA. A razão, segundo Agourakis, é que quanto mais regras e restrições existem em um processo, menor tende a ser a margem para interpretações abertas do sistema. Como essas normas já estão escritas, a tecnologia encontra um domínio mais delimitado para operar e pode gerar valor em workflows críticos.

Sobre a posição do Brasil na corrida pela aplicação de IA nos negócios, Barone se disse otimista. “O Brasil não está atrasado”, disse. “A gente está, na verdade, em um momento de potencial muito grande para a melhoria da produtividade.” A vantagem de chegar depois, afirmou, é poder evitar erros já cometidos em mercados mais maduros.