Duas pesquisas saíram esta semana com números que parecem contraditórios sobre inteligência artificial nas empresas brasileiras. Uma pesquisa do setor de HRTech mostrou que 68% das empresas já têm meta formal de uso de IA — o dobro do ano passado. A outra, do Cetic.br/CGI.br, a mais rigorosa que o país tem sobre o tema, mostra que a adoção formal e estruturada está em 17%. Não é contradição. É a diferença entre uma diretoria aprovar uma meta em slide e uma operação realmente mudar por causa dela.
Eu já vivi esse gap de perto, muito antes de virar manchete de pesquisa. Em mais de 30 anos decidindo projetos de tecnologia em empresas grandes, aprendi que a parte fácil sempre foi conseguir a meta aprovada. A parte difícil — a que decide se o projeto vira número real ou vira slide arquivado — é transformar orçamento aprovado em processo que funciona todo dia, com alguém respondendo por ele.
Principais aprendizados
- Meta formal de IA e adoção real de IA são medidas por instrumentos diferentes — comparar os dois números como se fossem a mesma coisa é o primeiro erro de leitura dessas pesquisas.
- O gap entre 68% de intenção e 17% de execução real não é sobre tecnologia disponível; é sobre quem, na prática, responde pelo processo que deveria mudar.
- Nos projetos que viraram capacidade de verdade, o traço comum nunca foi o tamanho do orçamento — foi ter um time dedicado, não “todo mundo ajuda quando sobra tempo”.
- Uma meta de IA sem processo priorizado, dado confiável e métrica acompanhada desde o início é uma intenção declarada, não uma iniciativa em andamento.
- O tempo entre aprovar a meta e mostrar resultado mensurável é, na minha experiência, um indicador mais honesto de maturidade do que qualquer percentual de adoção declarada em pesquisa.
Por que uma empresa pode ter meta de IA aprovada e ainda não ter nenhum resultado?
Porque aprovar meta e mudar processo são dois eventos diferentes, separados por decisões que ninguém coloca em pesquisa de mercado. A pesquisa de HRTech mediu intenção declarada — empresas que dizem ter uma meta formal, com eficiência organizacional apontada como a principal fonte de valor esperado. O Cetic.br mediu outra coisa: adoção formal e estruturada, cruzando o dado com o tamanho da empresa. O salto foi real entre as grandes empresas (de 38% para 50% em um ano), mas entre as pequenas o avanço foi mais lento (de 10% para 15%). Duas fotografias do mesmo fenômeno, tiradas com lentes diferentes — e a diferença entre elas é exatamente onde vive o trabalho que ninguém quer fazer.
Eu vi essa distância de perto num projeto que conduzi em uma grande indústria/varejista de beleza. A meta de reduzir risco fiscal com automação e IA já estava aprovada havia tempo — ninguém discordava dela em reunião de diretoria. O que fez a meta virar resultado real, R$368 milhões em risco fiscal mitigado, foi uma decisão bem menos confortável: montar 5 squads dedicados, com 58 pessoas de dedicação real, não emprestada de outra área “quando dava”. Antes dessa decisão, a empresa já tinha a meta havia tempo. Só não tinha o processo.
O que muda quando uma meta de IA vira, de fato, capacidade operacional?
Muda o dono. Uma meta aprovada em comitê tem patrocinador — alguém que assinou o orçamento. Uma capacidade operacional tem responsável — alguém cujo trabalho do dia depende do processo funcionar, e que é cobrado quando não funciona. São papéis diferentes, e a confusão entre os dois é a razão mais comum pela qual uma iniciativa fica presa entre 68% (a meta) e 17% (o resultado).
Também muda a granularidade da decisão. Quando conduzi o projeto de assistente virtual numa grande operadora de telecom — R$131 milhões em custos operacionais evitados —, a decisão que mais importou não foi qual tecnologia usar. Foi decidir, com precisão, qual fatia do atendimento aquele projeto ia assumir, com que critério de sucesso, e quem revisava o desempenho toda semana. IA genérica “para melhorar o atendimento” não teria virado número nenhum. Escopo específico, com dono nomeado, virou.
É o mesmo raciocínio que sustenta programas de capacitação que hoje acompanho na HAIA: quando um time de negócio — não de tecnologia — recebe um gargalo específico, prioridade e tempo protegido para construir a própria solução, o resultado aparece rápido. Num programa de validação cadastral numa operação de saúde de médio porte, o ciclo caiu de 5-6 dias para até 24 horas, com a equipe operando com 3 pessoas em vez de 8. Vale a ressalva de sempre: resultados variam conforme o contexto, a maturidade e os processos de cada organização — não é fórmula, é padrão que se repete quando as condições certas existem.
Como saber se a iniciativa de IA da sua empresa está mais perto dos 68% ou dos 17%?
Três perguntas simples separam intenção de capacidade, e nenhuma delas exige consultoria cara para responder. Primeira: existe uma pessoa nomeada — não uma área, uma pessoa — que responde pelo resultado desse processo específico? Segunda: os dados que alimentam essa iniciativa são confiáveis o suficiente para esse processo específico, mesmo que não sejam perfeitos para a empresa inteira? Terceira: existe uma métrica de resultado sendo acompanhada desde o piloto, ou a avaliação só vai acontecer “quando o projeto estiver pronto”?
Se a resposta às três for sim, a iniciativa provavelmente já está mais perto da capacidade real do que da meta declarada — mesmo que a empresa nunca tenha respondido a uma pesquisa sobre isso. Se qualquer uma for não, vale menos energia em expandir o escopo e mais energia em resolver essa lacuna específica antes. Isso não é diferente do que já vale para qualquer projeto de tecnologia — a única coisa nova é que, com IA, o custo de adiar essa decisão não aparece de imediato, e por isso é mais fácil ele passar despercebido. Um raciocínio parecido, aplicado à camada de governança de dados como obstáculo real para escalar IA, é algo que já vi se repetir empresa após empresa: o problema raramente é falta de meta.
Perguntas frequentes
Por que a pesquisa da Cetic.br mostra um número tão menor que outras pesquisas de mercado?
Porque mede outra coisa. A Cetic.br mede adoção formal e estruturada de IA nas empresas, com metodologia consistente ano a ano, enquanto boa parte das pesquisas de fornecedores de tecnologia mede intenção declarada ou uso individual de ferramenta por algum colaborador. Nenhuma das duas está errada — mas tratá-las como comparáveis distorce o diagnóstico de quanto uma empresa realmente avançou.
Ter uma meta formal de IA aprovada pela diretoria já é um bom sinal?
É um sinal de intenção, não de capacidade. Uma meta aprovada mostra que existe patrocínio e orçamento disponível, o que é necessário, mas não suficiente. O sinal de capacidade real aparece quando existe dono nomeado do processo, dado confiável para aquele processo específico e métrica de resultado acompanhada desde o início — não apenas orçamento.
Minha empresa é de médio porte e não tem verba para montar um squad dedicado de IA. E agora?
Squad dedicado não precisa significar contratação nova. Nos casos que acompanhei de perto, o fator decisivo foi dedicação de tempo protegido de pessoas que já existiam na empresa — não o tamanho da equipe. Um processo prioritário, com dono nomeado e algumas horas semanais protegidas, costuma gerar mais resultado do que um projeto amplo sem responsável claro.
Quanto tempo leva para uma meta de IA virar resultado mensurável?
Depende do processo, mas o sinal de alerta é quando não há nenhuma métrica sendo observada desde o piloto. Programas bem conduzidos costumam mostrar primeiros resultados operacionais ainda durante as primeiras semanas de execução — não depois de meses de planejamento. Se a única resposta disponível é “vamos medir quando estiver pronto”, a iniciativa ainda está na fase de meta, não de capacidade.
Gillian Pellegrino tem mais de 30 anos de carreira em tecnologia, com passagens por operações de telecom e indústria antes de fundar a HAIA. Escreve aqui sobre o que aprendeu decidindo — nem sempre acertando de primeira — projetos de dados e IA em escala real.
