Venho acompanhando de perto a velocidade com que muitas empresas estão criando programas de IA e comecei a reconhecer um filme que já assisti antes.

Cloud, transformação digital, data lakes, microsserviços e outras ondas tecnológicas vieram acompanhadas de promessas enormes. Muitas produziram valor real. Mas também vimos projetos caros, arquiteturas excessivamente complexas, dependência de fornecedores e iniciativas que modernizaram a tecnologia sem transformar significativamente o negócio.

Agora corremos o risco de repetir alguns desses erros com IA. Talvez o primeiro seja também o mais básico: começar pela tecnologia e depois procurar o problema. Ouve-se com insistência frases tipo “precisamos ter agentes.” ou “precisamos colocar IA em todos os processos.” Mas por quê?

Há processos em que um modelo preditivo, regras determinísticas, automação tradicional ou simplesmente eliminar algumas etapas pode ser mais barato, confiável e adequado do que colocar um LLM ou um agente. A melhor solução de IA para determinado problema pode ser não usar IA. Isso parece óbvio, mas entra em conflito com a dinâmica criada pelo hype, pela pressão competitiva e pelo receio de parecer atrasado.

Vejo também outro padrão conhecido: confundir piloto bem-sucedido com transformação.

Demonstrar que um modelo consegue resumir documentos, responder perguntas, gerar código ou executar determinada tarefa é relativamente fácil. Integrá-lo ao processo real, garantir qualidade, segurança, dados, permissões, observabilidade, fallback, responsabilidade e economia sustentável é outra história. O piloto demonstra possibilidade tecnológica. Produção precisa demonstrar valor operacional.

E existe ainda uma terceira armadilha. Automatizar partes de um processo sem redesenhar o processo inteiro. Cada departamento cria seus copilotos e agentes. Marketing acelera conteúdo. Financeiro acelera análises. Atendimento acelera respostas. Desenvolvimento acelera geração de código.

Todos parecem mais produtivos. Mas o trabalho continua atravessando os mesmos silos, aprovações, sistemas e filas. Podemos acabar criando departamentos mais rápidos dentro de uma empresa que continua lenta.

Outra causa que considero subestimada é a arquitetura. IA generativa facilita experimentar, mas agentes aumentam rapidamente a complexidade: múltiplos modelos, chamadas, ferramentas, APIs, contexto, memória, permissões e integrações.

É tentador construir uma arquitetura preparada para todas as possibilidades futuras.

Mas precisamos realmente de tudo isso? Complexidade não é maturidade. Uma arquitetura sofisticada demais para o problema pode aumentar custo, superfície de ataque, dependências e dificuldade operacional sem gerar valor proporcional.

Também vejo empresas tratando IA como uma coleção de casos de uso. Dez pilotos aqui, vinte ali, um copiloto em cada área. O resultado pode ser uma espécie de arquipélago de IA, com dezenas de iniciativas aparentemente bem-sucedidas, mas pouca capacidade corporativa compartilhada de dados, identidade, segurança, integração, avaliação, observabilidade e governança. O que funciona isoladamente pode se tornar caro e inconsistente quando multiplicado pela organização.

E há ainda a questão econômica, uma das mais negligenciadas. Com software tradicional, grande parte do custo é relativamente previsível depois da implantação. Com IA, principalmente com agentes, inferência, tokens, ferramentas, APIs, observabilidade e supervisão podem transformar parte relevante da operação em custo variável.

Um agente pode economizar quinze minutos de trabalho humano e consumir recursos equivalentes a vinte. Tecnicamente funciona, mas economicamente fracassa.

E nenhuma dessas questões deveria servir para colocar toda a culpa em consultorias, fornecedores ou equipes de tecnologia. Empresas também compram narrativas porque querem atalhos. Frameworks dão conforto. Benchmarks oferecem aparência de objetividade. Grandes plataformas parecem reduzir incerteza.

Mas transformação não pode ser terceirizada intelectualmente.

A organização precisa compreender seus próprios processos, economics, dados, riscos e restrições suficientemente bem para desafiar tanto fornecedores quanto suas próprias premissas.

Por isso eu desconfio quando vejo um programa de IA começando pela escolha do modelo, da plataforma ou do fornecedor. Eu recomendo começar muito antes. Qual problema queremos resolver? Como o processo funciona hoje? Onde está o gargalo? Qual resultado econômico esperamos? Que alternativa mais simples existe? Como saberemos que funcionou? E o que nos fará interromper o projeto se não funcionar? E só então discutiria qual tecnologia usar.

Estamos diante de uma tecnologia extraordinariamente poderosa. Justamente por isso, o risco de encontrar aplicações para ela em todos os lugares é enorme. E uma das competências mais importantes na era da IA não é saber onde colocar IA. É seja saber onde ela realmente cria valor, onde uma solução mais simples é suficiente e onde não fazer nada ainda pode ser a decisão mais racional.

Cezar Taurion é advisor de IA com mais de 4 décadas de experiência no mercado de TI. Investidor e mentor de startups de IA e membro do conselho de inovação de diversas empresas e associações. Foi Diretor de Novas Tecnologias Aplicadas e Chief Evangelist da IBM Brasil, sócio-diretor e líder da prática de IT Strategy da PwC, além de passar por Shell e Chase Manhattan Bank. Escreve sobre TI em publicações especializadas e apresenta palestras em eventos e conferências. É autor de 14 livros e e-books. Membro notável do I2AI. Professor convidado da FDC, da PUC-RJ e PUC-RS, nas cadeiras de MBA “IA aplicada aos negócios” e “Transformação Digital”. Publisher da Intelligent Automation Magazine. Top Voice Linkedin.