Em reuniões com executivos e gestores de empresas de diferentes portes, escuto com frequência a mesma orientação: “Precisamos implementar inteligência artificial”. Minha primeira pergunta é: para resolver qual problema? Nem sempre existe uma resposta clara.
Em muitas organizações, a IA ainda é tratada como uma cobrança, e não como parte de decisões estratégicas. Exige-se que as áreas utilizem a tecnologia antes mesmo de definir claramente o problema a ser resolvido, os objetivos, o orçamento e os resultados esperados. Esse tipo de situação produz iniciativas com pouco retorno, que perdem apoio antes de ganhar escala. Quando fracassam, reforçam a percepção de que a IA não funciona, embora a causa esteja, muitas vezes, na definição inadequada do problema, na falta de integração e na falta de planejamento.
A escolha começa pelo problema
Antes de escolher a tecnologia, a liderança precisa compreender claramente o problema, dimensionar seu impacto e definir o resultado esperado. Somente depois dessa fase, deve avaliar quais dados estão disponíveis e qual solução é mais adequada.
Mesmo quando a empresa possui grande volume de dados, essas informações frequentemente permanecem dispersas entre os departamentos. Sem integração, torna-se difícil compreender como uma decisão afeta o processo de ponta a ponta. O desafio não é apenas possuir dados, mas dar contexto a eles e utilizá-los nas decisões do negócio de tal forma que gere valor.
Na minha avaliação, a escolha da solução começa pelo entendimento dos efeitos do problema. Em seguida, peço uma análise da causa raiz, utilizando uma metodologia estruturada, e verifico se o processo está estável. Somente depois avalio as tecnologias disponíveis e o retorno sobre o investimento. Procuro sempre adotar a solução mais simples que resolva o problema de forma robusta e evite sua reincidência. Se uma melhoria de processo ou uma automação convencional for suficiente, não há razão para aplicar inteligência artificial
Na automação convencional, a empresa define previamente as regras e o sistema as executa. Na inteligência artificial, o modelo identifica relações nos dados para classificar, prever ou recomendar ações em situações nas quais as regras fixas não são suficientes. A decisão sobre qual abordagem utilizar deve considerar a complexidade do problema, a qualidade dos dados, o custo da solução e o retorno esperado.
Sem essa disciplina, a empresa corre o risco de automatizar um processo ineficiente ou aplicar uma solução complexa de IA quando uma melhoria de processo ou uma automação convencional resolveria o problema com menor custo e maior retorno.
Automatizar a inspeção não significa resolver o problema
Em uma operação industrial que acompanhei, discutiu-se a implantação de um sistema de inspeção com uso de inteligência artificial para identificar irregularidades no cordão de solda. Durante a análise, percebemos que o investimento aumentaria a velocidade e a precisão da detecção, mas não reduziria a geração de defeitos. Em outras palavras, passaríamos a identificar melhor o problema sem eliminar sua causa.
Antes de automatizar a inspeção, é necessário investigar as possíveis causas: parâmetros inadequados do equipamento, desgaste de componentes, variação da matéria-prima, falhas de preparação, condições ambientais ou ausência de padronização operacional.
Depois que o processo estiver compreendido e estabilizado, a automação pode assumir tarefas repetitivas de inspeção. A inteligência artificial passa a fazer sentido quando existe a necessidade de reconhecer padrões complexos, relacionar o defeito às variáveis do processo e sinalizar causas prováveis ou tendências de falha, que deverão ser validadas pelos especialistas do processo.
A decisão pode seguir cinco etapas: compreender o problema → eliminar a causa → estabilizar o processo → automatizar o controle → aplicar IA quando a complexidade justificar.
Esse exemplo mostra que investir em mais tecnologia não garante uma decisão melhor. O resultado depende de escolher a solução adequada para cada estágio do problema.
Visão sistêmica exige governança
Para que essa lógica saia do papel, cada iniciativa precisa de patrocínio executivo e de uma equipe transversal. As áreas envolvidas devem analisar o processo em conjunto e utilizar uma metodologia comum para comparar alternativas de solução.
Isso não significa reunir todos os departamentos em todos os projetos. A composição da equipe deve considerar quem conhece o processo, quem possui os dados, quem será afetado pela mudança e quem tem autoridade para disponibilizar os recursos necessários.
Os papéis precisam estar claramente definidos. A liderança estabelece as prioridades, os resultados esperados e os recursos disponíveis. As áreas de negócio compreendem o problema, mapeiam o processo, dimensionam os impactos e acompanham os resultados. A área de tecnologia avalia a infraestrutura, a integração, a disponibilidade, a qualidade e a segurança dos dados necessários para viabilizar a solução
Consultorias, startups, universidades e centros de inovação podem contribuir com metodologia e conhecimento especializado. Entretanto, não devem definir sozinhos o que é estratégico para a organização. Essa responsabilidade continua sendo dos executivos e das áreas de negócio.
Sem governança, muitos projetos não avançam além da prova de conceito. A empresa testa a tecnologia e apresenta uma demonstração, mas não define responsável, orçamento, indicadores, integração com os processos existentes ou critérios para ampliar a solução.
Por isso, cada iniciativa deve começar com respostas objetivas para algumas perguntas:
- Qual problema será resolvido?
- Qual resultado esperamos alcançar?
- Quem será o responsável pelo projeto?
- Quais áreas precisam participar?
- Quais dados serão necessários?
- Quanto será investido?
- Como o resultado será medido?
- Quais critérios determinarão a continuidade ou interrupção do projeto?
Sem essas definições, a cobrança pelo uso de inteligência artificial permanece no discurso. Com governança, os projetos deixam de ser experiências isoladas e passam a se conectar à estratégia e à operação da empresa.
Quando estrutura e tecnologia produzem resultados
Um exemplo recente é o projeto INSIGHT, desenvolvido pelo BMW Group em parceria com a Universidade de Zagreb para otimizar a produção de células de bateria. Os resultados mais recentes da iniciativa foram divulgados em abril de 2026.
A iniciativa utiliza dados de testes existentes e informações coletadas em tempo real para prever parâmetros de processo e desempenho. Segundo o BMW Group, em determinadas etapas, os sistemas reduziram em mais de 50% o material e o tempo necessários, mantendo ou melhorando a qualidade.
Para esta discussão, o aspecto mais relevante não é apenas o algoritmo, mas a forma como o projeto foi organizado. Havia um problema concreto, especialistas de diferentes áreas e uma parceria acadêmica para estruturar os dados e desenvolver os modelos.
A combinação de conhecimento industrial, engenharia e ciência da computação conectou a inteligência artificial a uma necessidade concreta da produção e permitiu mensurar os resultados.
Na minha avaliação, esse caso confirma algo que observo nas operações industriais: a decisão de utilizar inteligência artificial não pode ser o ponto de partida. Projetos consistentes começam com um problema relevante, dados disponíveis, competências adequadas, governança e critérios claros para medir os resultados.
Quando a empresa não possui internamente todas as competências necessárias, pode recorrer a consultorias, startups, universidades e centros de inovação. Esses parceiros podem apoiar o mapeamento dos processos, a identificação das oportunidades e a avaliação da solução mais adequada, que poderá envolver melhoria de processo, automação ou inteligência artificial.
No Brasil, mecanismos de inovação cooperativa também podem apoiar esses projetos. A EMBRAPII é um exemplo: por meio de instituições credenciadas, compartilha parte dos custos e dos riscos de projetos de pesquisa, desenvolvimento e inovação. Esse apoio pode reduzir as barreiras iniciais à experimentação, mas não substitui a análise do problema, do retorno esperado e da viabilidade da solução.
Independentemente do parceiro ou do mecanismo de fomento, vejo como papel da liderança definir as prioridades, assegurar os recursos e garantir que a iniciativa esteja conectada aos objetivos estratégicos da organização
Tecnologia como meio, não como fim
Automação e inteligência artificial são meios para alcançar resultados, não fins em si mesmas. Para sustentar e ampliar seu uso, a organização precisa de responsáveis definidos, orçamento, processos conhecidos e dados confiáveis.
Nem todo problema precisa de inteligência artificial. Algumas situações exigem a correção ou padronização do processo; outras podem ser resolvidas com automação baseada em regras. A IA torna-se relevante quando a complexidade, o volume de dados ou a variabilidade do cenário ultrapassam a capacidade das abordagens convencionais. Entender essa diferença permite aplicar a inteligência artificial onde ela realmente pode gerar valor.
Na minha opinião, antes de decidir qual solução de inteligência artificial utilizar, o executivo deveria responder a três perguntas: qual problema queremos resolver? Qual resultado esperamos alcançar? Nossa organização está preparada para sustentar essa solução?
Por isso, considero que a maturidade digital de uma empresa não deve ser medida pela quantidade de projetos de IA que ela anuncia, mas pela sua capacidade de identificar problemas relevantes, escolher a abordagem adequada e transformar tecnologia em resultados concretos.
