Do Hype a prática: o que realmente muda quando a IA entra no negócio
Resumo executivo
O painel mediado por Karina (Cacau) Lima reuniu Diego Contezini (Asas) e Lucas Prim (Stone) para discutir como as empresas podem migrar do hype da inteligência artificial para a geração real de valor nos negócios. Apesar da alta taxa de adoção de IA no Brasil, a maioria das organizações ainda enfrenta dificuldades para obter uma transformação profunda, muitas vezes iludida por métricas superficiais ou focada apenas na utilização de chatbots sem impacto financeiro direto.
Diego Contezini enfatizou que a transformação estrutural exige uma cultura corporativa com espaço seguro para erros e aprendizados. Ele explicou que as LLMs se destacam no processamento de linguagem natural — que inclui a própria programação de software —, mas ressaltou a importância de manter supervisão humana (human-in-the-loop) e governança rigorosa de dados, especialmente em ambientes altamente regulados como o setor financeiro.
Lucas Prim detalhou a estratégia da Stone para selecionar e priorizar casos de uso de alto impacto, exemplificando com a automação do atendimento ao cliente para gerar economia direta. Ele defendeu o uso do método científico para testar hipóteses (com grupos de controle e testes A/B) e destacou que a IA deve ser entendida estritamente como um meio acelerador a serviço das metas do negócio, cabendo aos líderes definir o 'o quê' e o 'porquê'.
Tópicos principais
- Cultura e tolerância ao erro: Para haver adoção real de IA, a empresa precisa criar um ambiente seguro onde as pessoas possam errar e aprender.
- IA especializada em linguagem: As LLMs operam com linguagem natural e código, devendo ser aplicadas prioritariamente em processos baseados em comunicação ou programação.
- Seleção focada de casos de uso: A implementação deve focar em resolver um problema estratégico específico por vez (estratégia dos pinos de boliche) antes de expandir.
- Método científico e medição de ROI: Avaliar o retorno da IA exige grupos de controle e testes comparativos rigorosos para evitar ilusões com métricas de vaidade.
- Liderança pelo exemplo: A democratização da IA na empresa depende de os executivos utilizarem ativamente as ferramentas no seu dia a dia.
- Governança e privacidade de dados: O acesso de modelos de IA a bancos de dados exige anonimização e rigor para evitar violações regulatórias.
Insights
Frases marcantes
"uma empresa só é capaz de adotar algo novo, Se ela tem espaço para o erro."— Diego Contezini
"A IA está a serviço, Do negócio."— Lucas Prim
"fazer um trabalho Medíocre na era da IA, É mais fácil do que nunca. Fazer um trabalho excelente É o trabalho de cada um de vocês."— Lucas Prim
Aplicações práticas
- 1Mapear e priorizar processos internos cuja matéria-prima seja predominantemente a linguagem (atendimento, redação de contratos, análise de documentos ou escrita de código).
- 2Estabelecer experimentos controlados com grupos de tratamento e grupos de controle para validar objetivamente o ganho de eficiência da IA frente aos processos tradicionais.
- 3Implementar protocolos de anonimização e gateways de governança antes de liberar o acesso de LLMs aos bancos de dados corporativos.
- 4Incentivar os lideres e executivos a usarem ferramentas densas de IA diariamente, servindo de modelo prático para suas equipes.
- 5Definir a meta do projeto em métricas de negócio (ex: redução de chamados ou economia financeira) e não em métricas de uso tecnológico (ex: quantidade de tokens consumidos).
Conclusão
A inteligência artificial é uma ferramenta poderosa de linguagem e aceleração que deve estar estritamente alinhada aos objetivos estratégicos do negócio. O verdadeiro impacto de IA ocorre quando os líderes superam a espuma do hype, garantem espaço seguro para a experimentação governada e focam em resolver problemas reais com rigor de medição.