Resposta direta: não é a primeira vez. O que hoje é chamado de “era dos agentes de IA” eu já vivi, numa escala menor e com outra tecnologia, doze anos atrás — em 2012, dentro de uma operadora de telecom brasileira, ajudando a implementar um dos primeiros projetos de IA conversacional do setor no país, integrando um mecanismo cognitivo a um sistema de telefonia corporativa para automatizar parte do atendimento. Não existia ChatGPT, não existia modelo de linguagem, não existia hype de agente autônomo — existia uma tecnologia nova, uma promessa grande e o mesmo conjunto de perguntas que hoje qualquer comitê de IA generativa faz antes de aprovar orçamento.
Reviver essa experiência importa agora porque o ciclo de hype de IA que estamos vivendo tem um roteiro conhecido — e quem já passou por um consegue separar, com mais rapidez, o que é substância do que é repetição de erro. Não é nostalgia. É um atalho prático: as perguntas que decidiram se aquele projeto de 2012 sobreviveu ou virou nota de rodapé são, quase palavra por palavra, as mesmas que decidem se um agente de IA generativa contratado hoje ainda vai estar em produção daqui a dois anos.
O que era diferente na IA conversacional de 2012 — e o que era exatamente igual?
A tecnologia em si não tem quase nada em comum. O que rodava em 2012 era um sistema baseado em regras e em reconhecimento de padrão, apoiado numa plataforma cognitiva ainda incipiente, integrado a uma central telefônica corporativa — sem generalização, sem capacidade de responder algo fora do roteiro programado. Um agente de IA generativa de hoje entende linguagem natural aberta, mantém contexto de conversa e pode ser conectado a dezenas de sistemas diferentes numa arquitetura de agentes. Comparar as duas tecnologias ponto a ponto seria desonesto.
Mas o que decidia o sucesso do projeto não era a tecnologia — e isso é o que ficou exatamente igual. Era a clareza sobre três coisas: quem era o dono do processo que a IA ia tocar, qual métrica ia provar que funcionou, e quem no time operacional ia absorver a mudança de rotina que a automação trazia. Nosso projeto de 2012 tinha um patrocinador executivo entusiasmado e um orçamento aprovado rápido — o que ele não tinha, nos primeiros meses, era um dono operacional único do fluxo de atendimento que a IA estava automatizando. Três áreas achavam que “cuidavam” do processo, nenhuma tinha autoridade para mudar o roteiro de atendimento sem consultar as outras duas. O projeto andou rápido no protótipo e travou meses inteiros na adoção real — o mesmo padrão que hoje vejo em empresas médias tentando colocar um agente de IA para atender cliente sem decidir, antes, quem tem autoridade para aprovar uma mudança no fluxo.
Por que a maioria dos projetos de IA daquela época não sobreviveu ao segundo ano?
Porque o escopo crescia mais rápido do que a governança. Um projeto que começava com um objetivo estreito e mensurável — reduzir o tempo de uma consulta específica, tirar uma tarefa repetitiva de uma fila — ganhava tração, aparecia numa reunião de resultado, e a resposta natural da liderança era “então vamos aplicar isso em mais dez processos”. O problema é que cada processo novo trazia um dono diferente, uma exceção diferente, um sistema legado diferente por trás — e a mesma equipe pequena que fez o primeiro caso funcionar não tinha capacidade de sustentar dez ao mesmo tempo com o mesmo padrão de qualidade. O projeto não morria por a tecnologia falhar. Morria de excesso de escopo sem estrutura para sustentar o crescimento — o mesmo motivo estrutural que já vi derrubar dezenas de tentativas de tecnologia de gestão muito antes de qualquer projeto de IA entrar em cena.
Os projetos que sobreviveram foram os que resistiram à pressão de crescer rápido demais. Ficaram num escopo estreito por mais tempo do que a diretoria gostaria, provaram resultado consistente nesse escopo, documentaram o que fazer quando o sistema não sabia responder — e só depois disso expandiram, processo por processo, sempre com um dono nomeado antes de começar. Isso não é uma lição sobre inteligência artificial. É uma lição sobre como qualquer mudança operacional sobrevive dentro de uma empresa — a tecnologia só deixa isso mais visível, porque acontece mais rápido e custa mais caro quando dá errado.
O que isso muda na forma como eu avalio um projeto de agente de IA hoje?
Muda a pergunta que eu faço primeiro. Antes de perguntar qual modelo, qual fornecedor ou qual arquitetura de agente uma empresa está considerando, pergunto quem vai ser o dono do processo depois que o piloto terminar — não durante o piloto, depois dele, quando o entusiasmo inicial já baixou e a rotina de manutenção começa. Pergunto qual vai ser a métrica que vai provar que funcionou, definida antes de começar, não inventada depois para justificar o que já foi gasto. E pergunto, com a mesma insistência de 2012, quem no time operacional vai absorver a mudança — porque nenhum projeto de IA sobrevive à resistência silenciosa de quem tem que usar ele todo dia e não foi ouvido antes de ele chegar.
O ciclo de hype de IA atual tem uma vantagem real sobre o de 2012: a tecnologia é objetivamente mais capaz, mais barata de testar e mais rápida de integrar. Mas isso também é um risco — é mais fácil hoje colocar um agente de IA no ar sem passar pelas perguntas difíceis, exatamente porque a barreira técnica caiu. A barreira que continua alta, como sempre esteve, é organizacional: dono nomeado, métrica clara, time preparado antes da mudança chegar. Quem pula essa parte porque “a tecnologia agora é mais fácil” está repetindo, com uma ferramenta melhor, a mesma pressa que hoje leva empresas brasileiras a reverter agente de IA em produção pelo mesmo motivo que travava projetos inteiros em 2012: pressa medida duas vezes, estrutura organizacional nenhuma.
Principais aprendizados
- O ciclo de hype de IA atual não é o primeiro — a IA conversacional de 2012, com tecnologia muito mais limitada, já expôs os mesmos riscos organizacionais que travam agentes de IA generativa hoje.
- A tecnologia raramente é o motivo pelo qual um projeto de IA falha depois do piloto — o motivo mais comum é a ausência de um dono operacional único, com autoridade para decidir mudanças no processo.
- Projetos de IA que crescem de escopo mais rápido do que a estrutura que os sustenta tendem a morrer de excesso de ambição, não de falha técnica.
- A métrica de sucesso precisa ser definida antes do piloto começar — definida depois, ela só serve para justificar o que já foi gasto, não para decidir se vale continuar.
- A barreira técnica para implementar IA caiu muito nos últimos anos; a barreira organizacional — dono, métrica, time preparado — continua exatamente onde estava em 2012.
Perguntas frequentes
A IA conversacional de 2012 é comparável aos agentes de IA generativa de hoje?
Tecnicamente, quase nada em comum — a de 2012 era baseada em regras e reconhecimento de padrão, sem a capacidade de linguagem aberta e contexto que um agente de IA generativa tem hoje. O que se repete não é a tecnologia, é o padrão organizacional de sucesso e fracasso: dono do processo, métrica definida antes, time preparado para a mudança.
O que sobrou daquele primeiro projeto de IA conversacional?
A parte que sobreviveu foi a que manteve escopo estreito, métrica clara e dono nomeado desde o início — mesmo crescendo mais devagar do que a diretoria queria. A parte que não sobreviveu foi a que tentou expandir para múltiplos processos antes de consolidar o primeiro, perdendo qualidade e dono no caminho.
Por que ciclos de hype de tecnologia se repetem tanto dentro das empresas?
Porque a pressão por resultado rápido é constante, independentemente da tecnologia da vez — e a estrutura organizacional necessária para sustentar uma mudança (dono, métrica, time preparado) é sempre mais lenta de construir do que a tecnologia é de comprar. Cada novo ciclo tecnológico reduz a barreira técnica, mas raramente reduz essa distância.
O que fazer diferente desta vez, com os agentes de IA generativa, aprendendo com o ciclo anterior?
Resistir à tentação de expandir o escopo antes de consolidar o primeiro caso. Nomear um dono operacional do processo antes de qualquer piloto começar, não durante ou depois. E definir a métrica de sucesso com antecedência — para que a decisão de continuar, ampliar ou encerrar um projeto de IA seja baseada em resultado medido, não em entusiasmo do momento.
Gillian Pellegrino é fundadora da HAIA e tem mais de 30 anos de carreira em tecnologia — incluindo a implementação de um dos primeiros projetos de IA conversacional do setor de telecomunicações brasileiro, em 2012, muito antes do hype atual. Hoje ajuda empresas médias a evitar repetir, com agentes de IA generativa, os mesmos erros organizacionais que ela já viu de perto na primeira onda.
