14 minutos de leitura
Autor(a)
Fabrício Carraro é formado em Engenharia da Computação pela UNICAMP e pós-graduado em Data Analytics & Machine Learning pela FIAP. Atualmente, mora na Espanha.
Fique por dentro de conteúdos, insights e oportunidades do universo tech. Receba novidades e lançamentos direto no seu e-mail.
A pergunta que trava a maioria dos projetos não é como usar inteligência artificial, e sim onde usar. Afinal, tecnologia disponível não falta; o que costuma faltar é clareza sobre quais problemas que podem ser resolvidos com IA existem dentro da sua operação, e quais deles valem o esforço agora.
Essa é a etapa de ideação, anterior a qualquer protótipo. Neste guia, portanto, você vai ver os critérios para separar boas oportunidades de armadilhas, um processo em quatro etapas, as ferramentas que ajudam, como testar com um piloto e como se desenvolver nessa competência.
Começar pela tecnologia é o erro mais comum e mais caro. Quando a pergunta é “onde a gente usa IA?”, o resultado costuma ser um piloto bonito que não sobrevive à operação. Por outro lado, quando a pergunta é “quais são os nossos maiores gargalos?”, a IA aparece como consequência, aplicada onde muda o jogo.
Nesse sentido, vale entender os três tipos de contribuição que a tecnologia oferece. O primeiro é automatizar tarefas repetitivas, como triar mensagens e extrair dados de documentos.
O segundo é gerar insights, encontrando padrões em volumes que ninguém leria manualmente. O terceiro é apoiar decisões, com previsões que substituem o achismo por estimativa fundamentada.
Um bom problema para IA, além disso, tem três marcas: alto impacto, repetição em escala e dados disponíveis. Economizar 20% do tempo de um processo executado dez vezes por ano muda pouco, já o mesmo ganho em um processo que é diário, transforma a operação.
Avalie este artigo
É necessário ter dados e indicadores claros para guiar um objetivo do negócio não se perca:
Antes de qualquer avaliação técnica, conecte o problema a um objetivo que a liderança já persegue, como reduzir custos, aumentar receita ou acelerar entregas. Se você não consegue explicar essa ligação em uma frase, provavelmente o problema não é prioritário.
Em seguida, mapeie quem sofre com o problema hoje, quem aprova o orçamento e quem vai operar a solução depois. Envolver essas pessoas desde o começo evita a cena clássica do projeto tecnicamente correto que ninguém adota.
A IA aprende com dados, portanto o inventário do que existe define o que é possível. Vale separar dados estruturados, como tabelas de vendas, de dados não estruturados, como e-mails, áudios e documentos, porque cada tipo abre caminhos diferentes.
Contudo, quantidade não é qualidade. Verifique se os dados são completos, atualizados e confiáveis, e se há histórico suficiente para o modelo aprender. Se a base for frágil, o projeto certo talvez seja organizar os dados primeiro, tema que aprofundamos no guia de estratégia de dados com IA.
Com o contexto na mão, cinco critérios objetivos ajudam a filtrar as oportunidades:
Na prática, um checklist rápido resolve a triagem inicial:
Quando a maioria das respostas é positiva, você tem um candidato forte. Ainda assim, vale um alerta: nem todo problema precisa de IA. Processos com regras determinísticas saem mais baratos e confiáveis com automação tradicional. Reserve a IA para o que envolve padrão, linguagem ou previsão.
Nesta fase, as ferramentas servem menos para construir e mais para enxergar: use o recurso mais simples capaz de responder à pergunta do momento.
A seguir, um fluxo enxuto que cabe em poucas semanas e entrega, ao final, uma lista priorizada de oportunidades.
Desenhe os processos da área, do início ao fim, e marque onde as pessoas gastam mais tempo, onde os erros aparecem e onde o trabalho fica parado esperando alguém. Esses gargalos são o mapa do tesouro.
Uma dinâmica simples funciona bem: reúna o time e peça que cada pessoa liste as três tarefas mais repetitivas da própria rotina. O entregável é uma lista bruta de dores, com dono e frequência estimada.
Para cada dor listada, responda quais dados descrevem aquele processo, onde eles estão e em que formato. Em seguida, avalie a qualidade e aponte as lacunas, ou seja, o que faltaria coletar.
Esta etapa também pede um checklist de governança: quem responde por cada base, quais dados são sensíveis, quais têm restrição de uso e como o acesso é controlado. O guia de governança de dados ajuda a estruturar isso desde o início.
Aqui entra a conta. Estime o custo total, somando ferramentas, infraestrutura, horas de time e manutenção, e compare com o ganho esperado em horas economizadas, erros evitados ou receita.
A fórmula básica fica: ROI igual a ganho obtido menos custo total, dividido pelo custo total.
Ainda assim, trate o número como estimativa, não como promessa. O objetivo é descartar as ideias em que o custo evidentemente supera o benefício. Considere também o prazo, porque valor entregue daqui a dois anos vale menos do que valor entregue no próximo trimestre.
Com as estimativas prontas, distribua as oportunidades em uma matriz de duas dimensões: valor para o negócio e esforço de implementação. As de alto valor e baixo esforço são as vitórias rápidas, que financiam politicamente todo o resto e devem vir primeiro.
As de alto valor e alto esforço viram projetos estruturados. Já as de baixo valor, independentemente do esforço, saem da lista sem culpa. Por fim, some o filtro de risco: uma oportunidade valiosa que mexe com dados sensíveis pode exigir preparação antes de virar prioridade.
Um ponto que vale comentar é que no nosso canal do YouTube tivemos uma conversa justamente para discutir diferentes situações que pedem abordagens e complexidades de técnicas diferentes no emprego de IA e Machine Learning:
Nesta fase, as ferramentas servem menos para construir e mais para enxergar. Pensando por categoria:
A escolha segue a lógica do resto do processo: use o recurso mais simples capaz de responder à pergunta do momento. Uma boa engenharia de prompt rende mais nesta fase do que uma plataforma cara subutilizada.
Escolhida a oportunidade, o passo seguinte é provar a hipótese em pequena escala. O piloto existe para gerar evidência, não para impressionar a diretoria.
Defina antes de começar: qual hipótese será testada, qual recorte do processo entra no teste, quem é responsável, qual o prazo e como os dados serão coletados. Um piloto bem desenhado cabe em quatro a oito semanas.
Nesse desenho, inclua a governança desde o início. Quais dados o piloto acessa, como as pessoas envolvidas são informadas e o que acontece com as informações depois do teste são perguntas que a LGPD e os frameworks de proteção de dados ajudam a responder, junto de boas práticas de segurança da informação.
Acompanhe três famílias de indicadores. A de performance mede o resultado no processo, como tempo, volume tratado e taxa de erro.
A de qualidade avalia o comportamento da solução, incluindo correções manuais necessárias. A de negócio traduz tudo em valor, com custo evitado e adoção pelas equipes.
Tão importante quanto definir sucesso, contudo, é definir quando parar. Estabeleça critérios de saída antes do teste, como um patamar mínimo de resultado ou um teto de custo. Encerrar um piloto que não se sustenta é decisão saudável, e não fracasso, como propõe a mentalidade de produto mínimo viável.
Mapear os processos da área e marcar onde o trabalho trava é o que revela os gargalos com potencial de solução por IA.
Para realizar uma análise de dados com IA, separamos alguns pontos importantes:
O fluxo é conhecido e não mudou tanto assim. Primeiro, reúna e limpe os dados, tratando duplicidades, campos vazios e formatos inconsistentes. Depois, explore o conjunto para entender distribuições e relações, etapa em que os assistentes de IA aceleram bastante.
Em seguida, aplique a técnica adequada à pergunta, seja uma classificação, uma previsão ou uma análise de texto com PLN.
Por fim, valide: confira as fontes, teste com dados que o modelo não viu e desconfie de conclusões boas demais. Em produção, um pipeline de IA mantém o ciclo com qualidade monitorada.
A pergunta aparece bastante e a resposta honesta é que não existe método infalível. Ainda assim, alguns sinais ajudam. Em textos, padrões muito uniformes, ausência de detalhes verificáveis e repetição de estruturas levantam suspeita.
Em imagens e vídeos, inconsistências em mãos, reflexos, texturas e continuidade seguem sendo pistas úteis, como mostra a discussão sobre deep learning e deep fakes.
Do lado técnico, o caminho mais confiável não é adivinhar, e sim rastrear a procedência. Metadados de arquivo, marcas d'água digitais aplicadas por várias ferramentas de IA generativa e registros de auditoria dizem mais do que qualquer detector.
Por isso, a recomendação é documentar a origem do conteúdo desde a criação, em vez de tentar descobrir depois.
Para aterrissar a teoria, quatro padrões que se repetem em empresas de portes e setores diferentes. Em todos, o problema vem antes da tecnologia.
O problema aparece quando uma equipe gasta horas lendo e classificando mensagens, chamados ou currículos. Modelos de linguagem categorizam e priorizam o material, deixando às pessoas as decisões de exceção.
O impacto está no tempo de resposta, e a lição é que o modelo precisa de uma rota clara de escalonamento humano.
Aqui o problema é decidir no escuro, seja sobre estoque, capacidade de atendimento ou inadimplência. Um modelo preditivo treinado com histórico transforma a decisão em estimativa fundamentada.
Todavia é bom se atentar para o fato de que sem dados históricos confiáveis, o modelo apenas formaliza o achismo.
Muitas operações ainda dependem de alguém digitando informações de notas e contratos em um sistema. A combinação de visão computacional com agentes de IA resolve boa parte disso.
O ganho pode até ser imediato, contudo a lição é prever validação para os casos ambíguos.
As filas de dúvidas repetidas encontram solução em assistentes treinados na base de conhecimento da empresa. O impacto é mais autonomia para quem procura ajuda.
Aqui o ponto de aprendizado é que a qualidade da resposta depende da qualidade da base, o que nos leva de volta aos dados.
Essa competência mora na fronteira entre negócio e tecnologia, e é aí que está o seu valor. Do lado técnico, vale entender os tipos de inteligência artificial e o que cada abordagem consegue fazer, além de noções de análise de dados. Do lado de negócio, entram leitura de processos, hipóteses e priorização.
Na prática, o melhor treino é aplicar o método no seu próprio contexto: mapeie um processo da sua área, avalie os dados, estime o ganho e proponha um piloto pequeno. Esse ciclo é a mentalidade que descrevemos no conceito de builder, e a etapa seguinte natural é transformar a oportunidade escolhida em um MVP com IA.
Por que investir nisso agora? Porque ferramentas se popularizam rápido, então operá-las deixa de ser diferencial em pouco tempo. Escolher o problema certo, por outro lado, continua raro e decide o retorno de qualquer investimento em IA. Para trilhas estruturadas, vale explorar as carreiras da Alura e a sua carreira em tecnologia.
Da oportunidade ao produto
Identificar o problema certo é a metade do caminho. Depois de encontrar uma oportunidade que realmente vale a pena, o próximo desafio é transformar essa ideia em uma solução de IA que possa ser testada e gerar valor de verdade.
É justamente esse processo que você pode desenvolver no Building AI Products, do Skills & Go da Alura com a FIAP. Em duas semanas de aulas ao vivo e atividades práticas, você aprende a transformar uma ideia em um produto com IA, passando pela construção, integração de diferentes tecnologias e desenvolvimento de soluções para problemas reais.
A proposta é colocar em prática o que vem depois da ideação: sair de uma oportunidade identificada e construir um produto capaz de gerar valor para quem vai utilizá-lo.
A IA se sai melhor em problemas que envolvem padrões, linguagem ou previsão, com repetição em escala e dados disponíveis. Triagem de textos, extração de dados de documentos, previsão de demanda e detecção de anomalias são exemplos frequentes. Já processos com regras fixas costumam ser mais bem resolvidos com automação tradicional.
Verifique três pontos: volume, qualidade e histórico. Você precisa de exemplos suficientes do fenômeno, com informações confiáveis, e de um período que cubra as variações do negócio. Se faltar histórico, comece coletando de forma organizada, porque essa coleta já é um projeto valioso.
Para mapear oportunidades e rodar pilotos simples, não. Ferramentas de IA generativa e plataformas no-code permitem que times de negócio testem hipóteses sozinhos. Contudo, para colocar uma solução em produção, com dados sensíveis e integração a sistemas, o apoio técnico deixa de ser opcional.
Comece pelo gargalo, e não pela tecnologia. Depois, aplique os critérios de viabilidade, dados, ROI, risco e prazo, e priorize pela matriz de valor e esforço. Além disso, envolva quem opera o processo desde o início, já que a adoção é onde a maioria dos projetos de IA falha.
Não. Ela é excelente em reconhecer padrões e gerar linguagem, porém não substitui decisões que dependem de contexto, ética ou responsabilidade humana, nem conserta processos mal desenhados. Automatizar um processo ruim apenas acelera o problema.
Decifrando Alan Turing: sua vida e trajetória no mundo da tecnologia
Ler mais
Ajuda com pesquisas, os ciclos da IA, e novo paradigma tecnoeconômico – Hipsters: Fora de Controle #08
Ler mais
IAs multimodais, extração de pensamentos e vantagens do open source – Hipsters: Fora de Controle #04
Ler mais