A inteligência artificial (IA) trouxe novos desafios às empresas, mas também abriu oportunidades relevantes de produtividade, inovação e crescimento. O Gartner prevê que o gasto mundial com IA alcance US$ 2,59 trilhões em 2026, um crescimento de 47% em relação ao ano anterior. Em outra pesquisa, a consultoria aponta que organizações com iniciativas de IA bem-sucedidas investem até quatro vezes mais, como percentual da receita, em áreas de base como qualidade de dados, governança, capacitação de pessoas e gestão de mudanças, na comparação com as que obtêm resultados ruins.
Esse potencial vem acompanhado de uma pergunta que muitas lideranças ainda não respondem com precisão: qual tipo de inteligência artificial a empresa precisa? A resposta não é única nem genérica. Depende do problema a ser resolvido, da natureza dos dados disponíveis e do resultado que a organização quer alcançar.
A necessidade de dados, porém, não é nova. Em “O Verdadeiro Poder“, publicado em 2009, o professor Vicente Falconi já destacava a importância de uma base de dados digital de qualidade, em quantidade suficiente para apoiar a análise de problemas e o alcance de metas. Isso valia para planilhas, sistemas de gestão e relatórios gerenciais muito antes de qualquer modelo de IA entrar em operação.
A inteligência artificial não cria uma exigência nova sobre os dados; ela aumenta o custo de não atendê-la. Um modelo alimentado com dados incompletos ou inconsistentes produz recomendações com aparência de precisão e nenhum lastro na realidade. Com a base bem construída e o problema definido, resta escolher a abordagem.
Três abordagens, três tipos de problema
Vale começar desfazendo uma confusão comum. Quando falamos em IA no ambiente corporativo, estamos falando quase sempre de machine learning: ensinar máquinas por exemplos, em vez de programá-las com regras explícitas.
As técnicas dessa área são as mesmas que dão origem tanto aos grandes modelos de linguagem (LLMs), como Gemini, Claude e GPT, quanto aos modelos de previsão de séries temporais, classificadores e sistemas de recomendação que as empresas usam há mais de uma década. A diferença entre eles não está na tecnologia de base, e sim no tipo de problema para o qual foram treinados.
Uma forma prática de organizar as opções, portanto, é perguntar que tipo de conhecimento o problema exige.
Computação clássica: O problema tem uma regra conhecida e explicitável: calcular um imposto, validar um cadastro, integrar dois sistemas, mover dados de um formulário para outro. É o território da automação tradicional, incluindo o RPA. Resolve a maior parte do que as empresas precisam há décadas, não é inteligência artificial e continua sendo a camada em que erros de dado aparecem primeiro.
Modelos preditivos: O problema tem padrão nos dados históricos, mas a regra não pode ser escrita à mão. Quanto vamos vender no próximo trimestre, qual cliente tende a atrasar o pagamento, qual equipamento está próximo de falhar, qual colaborador apresenta risco de saída. Esses modelos são treinados nos dados da própria empresa, têm um alvo definido e uma métrica de acerto mensurável. Por isso dependem diretamente de dados estruturados e bem tratados.
Modelos de linguagem: O problema envolve linguagem, conhecimento não estruturado ou demandas ambíguas, onde regras não alcançam. Resumir relatórios, responder perguntas com base em documentos internos, interpretar um pedido de cliente escrito de dez formas diferentes, apoiar desenvolvedores na escrita de código. O que esses modelos não fazem é estimar a probabilidade de um evento a partir dos dados operacionais da empresa. Essa continua sendo tarefa do modelo preditivo clássico.
Quando usar cada abordagem
Alguns exemplos ajudam a tornar a distinção concreta:
- Um fabricante que precisa resumir relatórios de campo automaticamente pode se beneficiar de um modelo de linguagem – Modelo de linguagem.
- Uma empresa que responde centenas de dúvidas de clientes por dia pode implementar um assistente com acesso à sua base de documentos – Modelo de linguagem.
- Um banco com alta taxa de fraude deve começar por modelos capazes de identificar padrões anômalos em transações – Modelo preditivo.
- Uma indústria pode antecipar a manutenção de um ativo monitorando indicadores e intervindo antes da falha – Modelo preditivo.
- Uma varejista com múltiplas lojas pode prever a demanda por loja e, a partir dessa previsão, otimizar a reposição de estoque, que é uma etapa distinta – Modelo preditivo + computação clássica.
- Uma operação de crédito pode calcular o risco de inadimplência de cada cliente, aplicar uma regra para definir o limiar de ação e, para os casos acionados, ler o histórico de interações, explicar os motivos prováveis e redigir a recomendação para a equipe de cobrança – Modelo preditivo + computação clássica + modelo de linguagem.
O desafio de escolher bem
O principal desafio na implementação de IA é formular o problema certo antes de escolher a ferramenta. Pular essa etapa aumenta o risco de investir tempo e recursos em uma solução que não gera resultado sustentável.
Com os dados preparados, as lideranças devem mapear os principais desafios operacionais e de negócio. Para cada um, a pergunta é: que parte do problema tem regra clara, que parte tem padrão histórico e que parte envolve ambiguidade ou linguagem? A resposta indica a combinação de abordagens.
O passo seguinte é definir métricas antes de qualquer investimento. O que precisa melhorar para que o projeto seja considerado bem-sucedido? Qual retorno é esperado? Em quanto tempo?
Por fim, o desenho da solução deve envolver as pessoas que executam o trabalho no dia a dia. A combinação entre experiência operacional, tecnologia adequada ao problema e rigor de gestão é o que transforma inteligência artificial em impacto real e duradouro.
Por Leandro Mineti, diretor de Dados e IA da Falconi