IA não é fim, é meio: como usar IA na prática

“Existe uma distância entre o que a gente ouve sobre IA e o que realmente acontece na prática.”.

Foi com um alerta que Tiago Moura, CTO da Hop AI e coordenador do curso IA Aplicada à Gestão Empresarial da FDC Pós Online , começou a masterclass IA na Prática: do Projeto à Entrega , realizada no dia 31 de março.

Durante uma hora, o especialista conduziu o público em um debate importante: a distância entre o entusiasmo com a inteligência artificial e os resultados concretos que ela efetivamente entrega dentro das organizações.

Key takeaways

• Projetos de IA só geram resultado quando partem de um problema de negócio claro, com impacto direto em receita ou redução de custos.
• A aplicação de inteligência artificial deve ser construída em pequenas entregas, com escopo específico, evitando tentativas amplas e pouco eficazes.
• Para usar IA na prática, é essencial integrar dados de qualidade, processos estruturados e cultura organizacional preparada para adoção e escala.

Confira a seguir as principais ideias apresentadas na masterclass.

Como usar a IA na prática para que iniciativas de inteligência artificial deem resultado

Tiago Moura abriu a aula com um estudo conduzido pelo MIT no ano passado que concluiu que 95% das iniciativas de IA não conseguiram gerar nenhum resultado mensurável dentro das organizações. Foram analisados cerca de 300 projetos que somavam investimentos entre 30 e 40 bilhões de dólares para se chegar a essa conclusão.

O motivo? Em 7 de cada 9 empresas avaliadas, a estrutura interna simplesmente não estava pronta para receber a tecnologia. Além disso, o estudo revelou que, enquanto 90% dos colaboradores afirmavam usar algum modelo de linguagem no dia a dia, apenas 40% das empresas tinham uma ferramenta oficial de IA implementada. As pessoas estavam usando IA por fora dos registros corporativos, sem governança ou orientações específicas.

"Se não tivermos clareza sobre a deficiência de negócio que estamos atacando, não é a IA ou alguma outra tecnologia que vai resolver isso", ressaltou.

Para Moura, o problema não é tecnológico. É de definição. E enquanto as organizações não aprenderem a partir do problema certo, a tecnologia mais avançada do mundo não vai mover o ponteiro.

Usar IA na prática começa pela escola do problema

Um dos erros mais comuns que Tiago Moura identificou nas empresas é a cultura do "vamos colocar IA nisso". Alguém volta de um evento animado, viu uma palestra incrível, quer replicar. E aí a ordem vira: "precisamos fazer IA aqui".

Para o especialista, esse é um caminho garantido para o fracasso: "Se começarmos pela tecnologia, a chance de desperdiçar a oportunidade é imensa. Em algum momento, alguém vai perguntar: e o resultado? Como a gente mediu? E normalmente a resposta não chega."

Antes de qualquer iniciativa, é preciso responder essa pergunta: o projeto vai aumentar a receita ou vai reduzir custo?

Se for difícil explicar o projeto a partir dessa resposta, provavelmente o problema escolhido não é relevante o suficiente.

Quanto mais próxima a solução estiver do core business da empresa, maiores as chances de sucesso. É ali que estão os melhores dados para treinar o algoritmo, o maior conhecimento de negócio para apoiar as decisões e o impacto mais expressivo nos resultados.

A jornada de uso da IA se constrói em pequenas etapas

Outro ponto central da masterclass foi a necessidade de fragmentar a visão de longo prazo em etapas tangíveis.

Moura comparou o processo com a construção de um carro autônomo, que não é montado de uma vez. Foram centenas de pequenas tarefas resolvidas, combinadas ao longo do tempo, até chegar ao produto final.

“Quando você percorrer essa jornada e entregar todas essas etapas, vai chegar na revolução prometida”, afirmou.

Esse raciocínio tem base na natureza dos algoritmos de IA, que devem ser vistos como especialistas. Eles funcionam melhor quando o escopo é bem delimitado, o problema é claro e a tarefa é específica.

Tentar resolver "gestão de suprimentos" com uma única solução de IA, de uma hora para outra, por exemplo, é subestimar a complexidade do processo e superestimar o que a tecnologia pode fazer de uma só vez.

IA generativa ou IA tradicional? Como usar cada uma na prática

Moura também explicou a diferença entre IA generativa e o que ele chamou de IA tradicional. A primeira tem como exemplos os grandes modelos de linguagem, os LLMs, como o ChatGPT e o Claude. Já a segunda se refere os métodos de machine learning estabelecidos há décadas, como aprendizado supervisionado, não supervisionado e por reforço.

Para colocar em perspectiva, o coordenador da FDC Pós Online fez a seguinte analogia: "A IA generativa pode ser pensada como um ‘pacote Office com anabolizantes’. São ferramentas que melhoram a produtividade individual em muitos níveis.".

No entanto, ganho de produtividade individual não é o mesmo que transformação estrutural. Para Moura, os grandes projetos e as mudanças organizacionais mais profundas ainda residem na IA tradicional. Ela reúne métodos que a ciência já validou, que têm menor risco tecnológico e que estão gerando retorno mensurável em empresas sérias no mundo todo.

A IA generativa democratiza o acesso, acelera testes e facilita a prototipagem. A IA tradicional transforma modelos de negócio. Saber qual usar é uma competência estratégica fundamental para qualquer gestor.

As três dimensões para colocar projetos de IA em prática

Tiago Moura apresentou as três dimensões que precisam estar alinhadas para que um projeto de IA saia do laboratório e chegue à produção de forma bem-sucedida: técnica, produto e organização.

1. Dimensão técnica

Na dimensão técnica, Moura destacou a importância de ter dados de qualidade, não apenas em volume histórico, mas também em profundidade de características. E não basta saber que o dado existe, ele precisa ser acessível e utilizável.

Além disso, a experimentação precisa ser tratada como parte legítima do processo, e não como sinal de incompetência.

2. Dimensão de produto

Na dimensão de produto, a orientação foi para uma abordagem colaborativa entre humano e máquina, e não de substituição.

"Eu vou passar um problema grande, difícil, complexo, para a máquina trabalhar. Mas eu ainda preciso aplicar, sobre o final da solução, a minha capacidade de abstração e criatividade", explicou.

3. Dimensão organizacional

Segundo Moura, é na dimensão organizacional que os projetos de IA morrem. Dois terços dos projetos que são tecnicamente viáveis nunca chegam à produção por causa de barreiras de processo e resistência cultural.

Se a organização não tem abertura para mudar ou criar processos, nenhum algoritmo perfeito vai superar esse obstáculo.

Como métricas e falhas definem o sucesso de usar IA na prática

Tiago Moura dedicou um bloco importante da aula a dois temas que costumam ser negligenciados nas iniciativas de IA: métricas e falhas.

No que diz respeito a métricas, o erro mais grave que ele identificou é não medir o processo antes de implementar a solução. Sem uma linha de base, não há como saber se a IA melhorou alguma coisa.

"É preciso ter em mente que o algoritmo vai falhar. Ele tem essencialmente cunho probabilístico, por isso não existe o modelo de IA perfeito", ressaltou Moura.

É necessário planejar a falha de forma madura, definindo o que acontece quando o modelo erra, quem recebe o caso, qual é o processo de fallback.

E, no caso da IA, é ainda mais crítico porque as falhas muitas vezes não são identificadas por sinais técnicos, mas por mudanças de comportamento no negóci. Isso exige que as equipes de negócio estejam tão próximas do modelo quanto as equipes técnicas.

Framework para usar IA na prática

Para encerrar, o coordenador da FDC Pós Online apresentou um checklist de seis perguntas que qualquer gestor deve ser capaz de responder antes de iniciar um projeto de IA:

1. Qual é o problema? Está claro e é relevante para a organização?
2. Quem usa a solução? Qual é a tarefa específica sendo executada?
3. Os dados existem e estão acessíveis? Com histórico suficiente e riqueza de características?
4. O que muda com o output do algoritmo? O que é diferente da realidade anterior?
5. Qual métrica será impactada? Em quanto tempo? Em que magnitude?
6. Existe um plano de operação pós-produção? Quem monitora? Quais são os alertas?

Aprenda a usar IA de forma prática e estratégica

A masterclass IA na Prática: do Projeto à Entrega ofereceu um recorte do que o curso IA Aplicada à Gestão Empresarial da FDC Pós Online oferece em profundidade: a visão prática, crítica e orientada a resultado que transforma gestores em líderes capazes de fazer a IA sair do laboratório e chegar à produção.

Com professores que trabalham ativamente com IA no mercado, cases reais e uma abordagem horizontal que perpassa diferentes setores e desafios de negócio, o programa é o caminho para transformar o entusiasmo com a tecnologia em resultados concretos e mensuráveis.

Perguntas frequentes sobre como usar IA na prática

*Conteúdo gerado com o apoio de IA.