O que falta para sua empresa se tornar realmente AI-enabled
Mais do que escolher uma ferramenta é preciso preparar pessoas, processos e estruturas para sustentar a tecnologia quando ela passa a fazer parte da operação
Por Arthur De Santis, para a VC IA 10 out 2026, 18h00
A inteligência artificial avançou rapidamente da experimentação para a agenda estratégica das empresas. Elas contrataram ferramentas, colocaram projetos-piloto em prática e novas possibilidades surgiram em áreas diferentes como atendimento ao cliente, análise de dados, desenvolvimento de software e apoio à tomada de decisão. Mas, à medida que a tecnologia começa a ocupar espaços mais relevantes dentro das organizações, uma questão ganha importância: implementar IA significa, necessariamente, estar preparado para utilizá-la?
Ao longo da minha trajetória, atuei tanto em empresas que fornecem tecnologia quanto em instituições financeiras que dependem dela para operar. Essa experiência ajudou a consolidar uma distinção que considero essencial. Projetos têm objetivos, prazos e critérios para serem concluídos. A tecnologia que eles colocam em funcionamento, por outro lado, continuará demandando decisões, recursos e competências muito depois da entrega inicial.
Com a inteligência artificial, essa diferença se torna ainda mais evidente. Uma aplicação pode apresentar bons resultados em um projeto-piloto e, ainda assim, encontrar dificuldades quando precisa ser incorporada à rotina da empresa. Quem avaliará a qualidade de suas respostas? Quais informações poderão ser utilizadas? Como os custos se comportarão à medida que o volume de uso crescer? Quem responderá por eventuais falhas ou pela evolução daquela solução?
São perguntas que ajudam a separar a simples adoção de uma ferramenta daquilo que considero uma organização verdadeiramente AI-enabled: uma empresa preparada não apenas para utilizar inteligência artificial, mas para sustentá-la e evoluí-la de maneira integrada ao negócio.
Antes da tecnologia, vem o problema
Um dos riscos da atual corrida pela inteligência artificial é começar a discussão pela ferramenta. Surge um novo modelo, uma nova plataforma ou uma funcionalidade promissora e, quase imediatamente, aparece a pergunta sobre onde utilizá-la. Mas a ordem deveria ser inversa.
O primeiro passo é compreender qual problema a empresa pretende resolver e qual resultado espera alcançar. Processos, produtos e serviços oferecem oportunidades diferentes para a adoção de IA, mas nem toda possibilidade técnica representa uma oportunidade relevante de negócio.
Também é importante entender que inteligência artificial não é uma tecnologia única. Modelos generativos, soluções preditivas e sistemas de reconhecimento de imagens, por exemplo, atendem a necessidades distintas e dependem de diferentes tipos de dados, critérios de qualidade e estruturas de operação. A popularidade de determinada ferramenta não comprova sua adequação ao problema.
A partir daí, entra uma discussão que frequentemente recebe menos atenção do que deveria: o business case. Ganhos de produtividade, aumento de receita, melhoria da experiência do cliente ou redução de riscos precisam ser relacionados ao investimento necessário para produzir esses resultados. Mais do que projeções financeiras, são hipóteses que precisam ser testadas e acompanhadas ao longo do tempo.
E o investimento real costuma ser maior do que o preço de uma licença ou o custo de consumo de um modelo. Preparação de dados, integração com sistemas existentes, infraestrutura, segurança, capacitação das equipes e manutenção também fazem parte da conta.
É justamente quando esses elementos aparecem que algumas iniciativas aparentemente simples mostram uma complexidade muito maior.
O que acontece depois do piloto?
Considere uma aplicação de inteligência artificial destinada ao atendimento ao cliente. Em uma primeira experiência, ela pode ser utilizada apenas para produzir respostas a perguntas frequentes e apresentar bons resultados.
Quando a empresa decide ampliar seu uso, entretanto, a situação muda. A ferramenta poderá precisar consultar informações restritas, acessar outros sistemas, registrar o histórico do atendimento, executar solicitações ou identificar situações que devem ser encaminhadas a uma pessoa.
O que inicialmente parecia ser apenas uma solução de IA passa a envolver arquitetura, integração, segurança, processos e responsabilidades operacionais.
Essa preocupação não nasceu com a inteligência artificial. Ela acompanha qualquer tecnologia que deixa de ser uma iniciativa isolada e passa a integrar a operação de uma empresa. A diferença é que a velocidade de adoção da IA e a diversidade de aplicações tornam essa discussão ainda mais urgente.
Uma solução precisa ter alguém responsável por acompanhar seu funcionamento, tratar incidentes, atualizar componentes e avaliar seu desempenho. Também precisa de orçamento para continuar funcionando depois que o projeto termina.
A infraestrutura deve suportar o crescimento esperado e a cibersegurança precisa ser analisada desde o início, especialmente quando a aplicação passa a acessar informações ou sistemas corporativos. Uma nova ferramenta não cria riscos apenas dentro dela própria; pode alterar também a exposição de todos os componentes aos quais está conectada.
Outro ponto importante é a arquitetura empresarial. O fato de uma integração ser tecnicamente possível não significa que seja a melhor decisão para a organização. Soluções adotadas para resolver rapidamente um problema podem criar redundâncias, dependências difíceis de administrar ou uma dívida técnica que aparecerá alguns anos depois.
Em um ambiente como o de IA, no qual modelos, fornecedores e tecnologias evoluem rapidamente, essas escolhas ganham ainda mais peso.
A transformação também precisa acontecer nas equipes
Nenhuma dessas questões, entretanto, elimina um elemento central: as pessoas.
Adotar uma ferramenta de inteligência artificial não significa que uma empresa tenha desenvolvido as competências necessárias para utilizá-la. Saber operar uma interface é apenas uma parte muito pequena dessa preparação.
Profissionais precisam entender como avaliar resultados, reconhecer limitações, identificar situações em que uma resposta deve ser revista e compreender em quais circunstâncias a tecnologia pode ou não ser utilizada. Dependendo da aplicação, será necessário desenvolver novas competências internamente ou recorrer a especialistas externos.
O próprio modelo operacional da organização pode precisar ser revisto. Se uma tecnologia passa a executar parte de uma atividade, é necessário entender o que muda no processo, quais decisões continuam sob responsabilidade humana e como serão tratadas as exceções.
Sem essa adaptação, corre-se o risco de colocar uma ferramenta nova dentro de uma forma antiga de trabalhar.
Essa discussão ajuda a entender por que a adoção de inteligência artificial não deveria ser tratada apenas como um projeto de tecnologia. Ela envolve a maneira como áreas se relacionam, como decisões são tomadas, como conhecimento é organizado e como responsabilidades são distribuídas.
Acesso não é sinônimo de resultado
Há ainda outro desafio quando a solução começa a ganhar usuários: medir se ela efetivamente está produzindo valor. Número de acessos, quantidade de usuários e volume de interações ajudam a mostrar adoção, mas dizem pouco, isoladamente, sobre o resultado da iniciativa.
A pergunta mais relevante é o que mudou depois da implementação. Houve ganho de produtividade? O processo ficou mais confiável? A experiência do cliente melhorou? Custos ou riscos foram reduzidos? Os profissionais conseguiram direcionar tempo para atividades de maior valor?
Indicadores como esses ajudam a acompanhar não apenas a utilização da ferramenta, mas também a maturidade da organização em relação àquela capacidade.
Isso é particularmente importante porque modelos de IA não permanecem estáticos. A tecnologia evolui, o contexto de uso muda, os dados se alteram e novos riscos ou oportunidades podem surgir. Uma solução que hoje funciona adequadamente precisará continuar sendo acompanhada, revista e aprimorada.
O que significa, afinal, ser AI-enabled?
Nada disso significa que toda experiência com inteligência artificial deva ser cercada por um processo longo ou excessivamente burocrático. Experimentar faz parte do aprendizado, e a profundidade da análise deve ser proporcional ao risco, à dimensão e à criticidade de cada aplicação.
O problema aparece quando uma experiência bem-sucedida é confundida com uma capacidade empresarial já estabelecida.
Uma organização preparada para IA não é necessariamente aquela que possui mais ferramentas ou mais projetos em andamento. É aquela que consegue identificar onde a tecnologia faz sentido, testar hipóteses, compreender custos e riscos e criar as condições necessárias para sustentar aquilo que demonstrar valor.
Isso exige olhar para tecnologia, mas também para infraestrutura, integração, segurança, arquitetura, orçamento, competências, processos e responsabilidades.
A discussão sobre inteligência artificial nas empresas tende a se concentrar na velocidade da inovação e nas possibilidades oferecidas pelos novos modelos. Esses aspectos são importantes, mas representam apenas parte do desafio. A vantagem não estará somente em implementar mais rapidamente. Estará também na capacidade de incorporar a tecnologia ao funcionamento da organização sem perder controle sobre aquilo que ela exige ao longo do tempo.
É nesse sentido que entendo o propósito de transformar tecnologia em valor. Uma solução gera valor de maneira mais perene quando pode ser utilizada, sustentada e aprimorada pelas pessoas, com responsabilidades claras e uma contribuição concreta para os resultados do negócio.
*Arthur De Santis é executivo de Tecnologia e Trusted Advisor, autor do livro e portal CIO Codex – The IT Framework, e possui mais de 20 anos de experiência no setor de serviços financeiros. Ao longo da carreira, formou e liderou equipes e iniciativas em diferentes áreas da cadeia de valor de TI.
