Por Anna Gomez, CEO da OpenCircle.

A inteligência artificial passou rapidamente de tendência tecnológica a prioridade estratégica dentro das empresas. A discussão já não está restrita às áreas de tecnologia. CEOs, CIOs e lideranças de diferentes setores passaram a avaliar como incorporar IA aos negócios e, em muitos casos, a pressão interna deixou de ser sobre a necessidade de adotar a tecnologia para se concentrar em onde aplicá-la.

Essa mudança, porém, traz um risco: começar pela ferramenta antes de compreender o problema.

Os números mostram que a adoção está avançando, mas a capacidade de execução ainda não acompanha o mesmo ritmo. Dados do Cetic.br apontam que o uso de inteligência artificial pelas empresas brasileiras cresceu de 13% em 2024 para 17% em 2025. Ao mesmo tempo, levantamento da Deloitte indica que apenas cerca de um quarto das organizações brasileiras consegue levar 40% ou mais de seus pilotos de IA para escala. Quando se trata de IA agêntica, somente 27% apresentam governança madura.

O desafio, portanto, não parece estar apenas no acesso à tecnologia. Está também na capacidade de identificar onde ela efetivamente pode produzir impacto.

Em vez de começar uma discussão perguntando onde utilizar IA, as organizações deveriam inverter a lógica: qual problema precisa ser resolvido? A diferença entre essas duas perguntas pode determinar se um projeto será capaz de gerar resultado ou se permanecerá apenas como mais uma iniciativa experimental.

O problema vem antes da ferramenta

Todo projeto de tecnologia deveria partir de uma necessidade concreta do negócio. Para isso, alguns critérios são particularmente relevantes: impacto financeiro, eficiência operacional, escala e recorrência do problema.

Também é necessário compreender quanto determinada ineficiência custa para a organização. Pode ser uma perda direta de receita, um processo manual que consome horas de equipes, sistemas que não se comunicam, dificuldades de acesso à informação, regras de negócio mal estruturadas ou uma infraestrutura incapaz de responder adequadamente a picos de demanda.

O diagnóstico permite identificar não apenas o tamanho do problema, mas qual tipo de intervenção é necessária para enfrentá-lo.

Essa etapa é especialmente importante porque nem todo problema tecnológico exige inteligência artificial. Em algumas situações, uma integração entre sistemas pode ser suficiente. Em outras, uma automação tradicional ou mesmo uma reorganização de processos pode produzir o resultado esperado sem a complexidade adicional de um projeto de IA.

Há exemplos que ajudam a demonstrar essa lógica em operações de grande escala. Em uma iniciativa desenvolvida para uma das principais companhias do mercado de fidelidade e programas de pontos, a reorganização das regras de expiração permitiu evitar um passivo estimado em R$ 40 milhões. Em outro projeto, ligado à digitalização e unificação do acesso a serviços cartorários em âmbito nacional, a solução passou a atender cerca de 3 milhões de usuários por mês.

Em ambos os casos, o ponto relevante não está na adoção de determinada tecnologia, mas na identificação prévia do problema que precisava ser resolvido.

Quando a inteligência artificial faz sentido

A IA tende a ser adequada quando algumas condições estão presentes. Uma delas é a existência de volume relevante de dados. Outra é a presença de padrões que se repetem e podem ser identificados ou previstos. Também há maior aderência quando uma decisão precisa ser tomada em escala e envolve julgamento probabilístico, em vez de uma regra previamente determinada.

Quando a situação é essencialmente determinística — se determinada condição acontece, determinada ação deve ser executada — uma automação convencional pode resolver a questão.

O mesmo cuidado deve existir quando a origem do problema está nos próprios dados ou processos da organização. Inteligência artificial aplicada sobre informações inconsistentes ou processos mal estruturados não elimina a causa da ineficiência. Em alguns casos, apenas torna suas consequências mais visíveis.

Por isso, antes de aprovar um projeto de IA, lideranças deveriam conseguir responder a quatro perguntas: qual problema de negócio será resolvido, qual é o custo de não fazer nada, se é possível validar a hipótese em menor escala e se aquela demanda realmente necessita de inteligência artificial.

São questões simples, mas que mudam a lógica de decisão.

Da experimentação ao retorno

A popularização da IA generativa criou uma fase marcada por experimentação. Empresas passaram a testar ferramentas, desenvolver pilotos e buscar novas aplicações. Esse movimento é natural diante de uma transformação tecnológica dessa dimensão, mas os próprios indicadores de mercado sugerem que a próxima etapa será diferente.

À medida que a adoção cresce e as dificuldades para levar projetos à escala se tornam mais evidentes, aumenta também a cobrança por retorno sobre investimento.

Projetos de inteligência artificial passam, então, a disputar recursos com outras prioridades empresariais. Para justificar sua continuidade, precisarão demonstrar impacto financeiro, produtividade, eficiência operacional ou capacidade de solucionar problemas relevantes.

Esse movimento deve ganhar ainda mais importância na formulação das estratégias corporativas para 2027. Definir simplesmente “usar IA” como prioridade pode levar a empresa a procurar problemas que justifiquem uma tecnologia previamente escolhida.

A lógica deveria ser inversa.

Antes de decidir onde aplicar inteligência artificial, a organização precisa identificar seus problemas mais relevantes, dimensionar seus impactos e compreender suas causas. Somente depois disso deveria avaliar qual ferramenta é capaz de resolvê-los.

A pergunta estratégica, portanto, não é onde usar IA. É qual é o problema mais caro ou mais relevante do negócio hoje,  e o que realmente é necessário para resolvê-lo.