Por que copiar o case de IA de outra empresa quase nunca funciona

Copiar o case de IA de outra empresa é uma das formas mais rápidas de gastar orçamento sem entregar resultado. A cena se repete nas primeiras reuniões: um diretor chega com a reportagem de uma grande varejista que colocou mil agentes de IA em operação, com ganho de produtividade de 40% no time de vendas, e pergunta qual é a versão daquilo para a empresa dele. No mesmo mês, os três maiores bancos do país anunciam copilotos de IA para o cliente, o setor financeiro projeta mais de R$ 50 bilhões em investimento de tecnologia no ano e, num painel de abertura de evento, presidentes de banco dizem que os agentes de IA deixaram de ser promessa e viraram operação.

Tudo isso é verdade. O problema é o que a notícia não repete: esse resultado está apoiado em anos de dado proprietário organizado, em uma base de milhares de funcionários e clientes, e em um orçamento de tecnologia que a empresa de médio porte não tem. O case é real. Ele só não é transferível do jeito que aparece.

Depois de mais de 30 anos em tecnologia, minha leitura é que o que se copia de um bom case de IA não é a ambição nem a escala. É a disciplina: o recorte do problema, a ordem das etapas e o preparo do dado antes do primeiro piloto. Quem copia o tamanho da aposta sem copiar o método por trás dela costuma terminar com um projeto caro, desconectado e sem número para defender.

Principais aprendizados

• O case de IA de outra empresa mostra o destino, não o caminho: o resultado divulgado é o fim de uma jornada que começou anos antes, com organização de dado e recorte de processo.
• O que não se copia: volume e qualidade de dado proprietário, orçamento de tecnologia, time de dados dedicado e apetite a risco. Esses são os insumos que sustentam o número divulgado.
• O que se copia: a sequência. Problema antes da ferramenta, um processo por vez, métrica-norte antes da narrativa, dado organizado antes de escalar.
• Orçamento não é o gargalo da empresa média. R$ 10,5 bilhões em crédito público para projetos de IA já foram aprovados no Brasil desde 2023. O gargalo é processo pronto para receber o investimento sem travar na implementação.
• Antes de adotar um case como referência, responda três perguntas: que dado esse resultado exigiu, que processo específico mudou e em quanto tempo o número apareceu.

O que exatamente não se copia em um case de IA?

Quando uma grande varejista chega a mil agentes de IA em operação, com 16 mil dos quase 30 mil funcionários usando a tecnologia no dia a dia, o que se vê é o resultado. O que não aparece na manchete é o trabalho de anos de dado organizado antes de o primeiro agente entrar em produção: histórico de vendas limpo, catálogo padronizado, política de crédito estruturada, integração entre os sistemas que alimentam o agente. Sem essa base, o mesmo agente responde com informação errada e perde a confiança do time em uma semana.

A conta de orçamento também não se transporta. Um banco que projeta R$ 50 bilhões de investimento em tecnologia no ano tem margem para testar, errar e refazer em escala. Uma empresa de médio porte tem uma janela e um número para provar. São jogos diferentes, e tratar o case do banco como modelo direto ignora essa diferença. Já escrevi aqui sobre como a liderança do setor financeiro em IA aplicada não é só uma questão de orçamento — mas o tamanho do caixa muda o quanto de tentativa e erro cabe no projeto.

Vale um contraste com um caso que acompanhei de perto, anonimizado: em uma operadora de telecom, um assistente virtual de atendimento custou na ordem de R$ 12 milhões por ano e gerou algo próximo de R$ 131 milhões em custo evitado ao longo de três anos. É um número forte. Mas ele veio de um processo, em um canal, medido ao longo de três anos — não de “um agente em toda área”. Se alguém pegasse esse case e tentasse replicar a ambição (“IA no atendimento inteiro, agora”), gastaria o orçamento antes de chegar ao primeiro resultado defensável.

O que sustenta os cases de IA que dão certo?

Os cases que se sustentam têm três coisas em comum, e nenhuma delas é a tecnologia.

A primeira é dado pronto. Um estudo recente mostrou que 80% das empresas brasileiras já precisaram interromper ou reverter alguma implementação de IA, e boa parte dos casos teve como causa vazamento ou problema de governança de dados. A implementação não falha por causa do modelo. Falha porque o dado que alimenta o modelo não estava organizado, não tinha dono e não tinha regra de acesso.

A segunda é recorte. Um caso que acompanhei, também anonimizado: em um grande grupo educacional, um assistente omnichannel derrubou o tempo de espera de cerca de duas horas para menos de um minuto, absorvendo um volume 45% maior sem aumento proporcional de equipe. Isso não foi “IA na empresa toda”. Foi uma jornada, um canal, uma métrica clara antes de começar. O recorte pequeno é o que permite medir e defender o número.

A terceira é a métrica-norte definida antes da narrativa. Quando o projeto começa sem saber qual indicador vai se mover, ele vira mais uma linha de orçamento — e entra na estatística dos ganhos de produtividade que não vêm sozinhos, porque dependem de mudança de processo, não de acesso a modelo.

Repare no que fica de fora dessa lista: captação. Já foram aprovados R$ 10,5 bilhões em crédito e coinvestimento público para projetos de IA no Brasil desde 2023, via BNDES, Finep e Embrapii. Dinheiro existe. O que costuma faltar na empresa média é processo pronto para receber esse investimento sem travar na hora de implementar.

Como usar um case de IA sem se enganar?

Cases servem, e muito — desde que se leia o método, não o placar. Antes de adotar qualquer referência externa como modelo, eu faço o cliente responder três perguntas.

Que dado esse resultado exigiu, e eu tenho o equivalente? Se o case depende de cinco anos de histórico transacional limpo e a sua empresa tem esse dado espalhado em planilhas sem padrão, o primeiro projeto não é o agente — é organizar o dado.

Que processo específico mudou? Todo case real tem um recorte. “IA no jurídico” não é um recorte; “triagem de contratos padrão de fornecedor” é. Encontre o recorte do case e procure o equivalente no seu processo.

Em quanto tempo o número apareceu? A maioria dos cases de escala levou anos. Saber disso ajusta a expectativa e evita a decisão de cancelar um projeto bom no terceiro mês porque ele “ainda não é a grande varejista do case”.

Com essas respostas na mão, o passo seguinte é dimensionar o esforço para o time que você tem hoje, não para o time do case. Escrevi um guia sobre como priorizar casos de uso de IA com a equipe disponível, e o princípio central é sempre o mesmo: comece pelo processo que já tem dado organizado e impacto claro, entregue, meça, e só então escale. É assim que se constrói um case próprio — que, esse sim, vai servir de referência para a sua realidade.

Nenhuma das pontas visíveis do mercado resolve o problema da empresa que já fatura e precisa de resultado. Nem o unicórnio de IA que nasceu no Brasil, com lógica de capital de risco e aposta em escala, nem a manchete do banco com orçamento de bilhões. O caminho da empresa de médio porte passa por escopo menor, dado organizado e disciplina de medição — a parte do case que não vira manchete.

Perguntas frequentes

Vale a pena estudar cases de IA de grandes empresas?

Sim, desde que a leitura seja do método e não do placar. O que interessa em um case é o recorte do problema, a ordem das etapas, o preparo do dado e o tempo até o resultado. O número final divulgado depende de insumos — volume de dado, orçamento, base de clientes — que a sua empresa provavelmente não tem na mesma proporção.

Por que o case de IA da concorrência não se replica na minha empresa?

Porque o resultado divulgado é o fim de uma jornada que começou anos antes, apoiada em dado proprietário organizado e em um orçamento específico. Copiar a ambição sem os insumos que a sustentam leva a projetos caros e desconectados. O que se replica é a disciplina: um processo por vez, métrica antes da narrativa, dado antes de escalar.

Quanto tempo leva para ter um case de IA próprio?

Os cases de escala que viram referência levaram anos, somando a organização de dado anterior ao primeiro piloto. Um recorte bem escolhido, porém, pode gerar um resultado mensurável em poucos meses — desde que o processo já tenha dado organizado e uma métrica-norte definida antes de começar.

Preciso de um time de dados dedicado para ter resultado com IA?

Não para o primeiro projeto. O que é inegociável é ter o dado do processo escolhido organizado, com dono e regra de acesso. Times de dados dedicados ajudam a escalar; para começar, o mais importante é o recorte pequeno e a clareza sobre qual indicador vai se mover.

Sou Gillian Pellegrino, fundadora da HAIA e consultora executiva de IA. São mais de 30 anos de carreira em tecnologia, boa parte deles ajudando empresas a separar o que funciona do que é só linha de orçamento. Se a sua empresa está tentando replicar um case de IA e não sabe por onde começar, fale com a HAIA.