Oferecido por
A inteligência artificial (IA) está disseminada no setor empresarial brasileiro. O momento de dúvidas sobre a sua implementação já ficou para trás. Segundo a última pesquisa da Bain & Company (empresa global de consultoria de gestão estratégica) sobre adoção de IA por empresas no Brasil, divulgada em agosto de 2026, o uso de alguma solução inteligente chega a 95% das companhias. O índice é puxado principalmente por aquelas do ramo da tecnologia, serviços financeiros e telecomunicações, que estão mais adiantadas na jornada de digitalização do que outros setores mais tradicionais como indústria, varejo e saúde.
O levantamento aponta ainda que o apoio ao trabalho analítico e intelectual, como elaboração de relatórios, pesquisas e análises de dados, consolidou-se como o uso mais frequente e mais adotado. Para o sócio e Head de Data & AI da Bain para a América do Sul, Lucas Brossi, o cenário trazido pelo levantamento deixa claro: a fase inicial de experimentação foi encerrada.
“É muito parecido com os índices que nós vemos, inclusive, fora do Brasil, em economias mais avançadas. Então, de fato, a IA penetrou em todas as companhias brasileiras. Surpreende a velocidade. É um avanço de adoção bastante exponencial, bastante rápido para uma tecnologia que ainda é tão nova”, analisa. Contudo, o executivo pontua algumas observações quando destrinchamos os números trazidos no relatório. A principal delas é conseguir transformar o emprego da ferramenta em valor concreto, posto que apenas 40% das empresas relatam ter conseguido escalar pelo menos um caso de uso. E mesmo entre esse grupo, não são todas capazes de mensurar economicamente o impacto no negócio, menos ainda de atribuir ROI (Retorno sobre o Investimento).
Essa tem sido uma dificuldade comum. Em outras palavras, quase todo mundo está usando IA, mas uma parcela muito menor conseguiu transformar experimentos em processos relevantes e recorrentes. Ter o domínio de uma ou outra solução tem se mostrado mais fácil do que realmente transformar a empresa por meio de IA.
Novos degraus: integração, escala, transformação
Na escada para atingir a revolução proposta pela IA, é preciso distinguir cada passo. Uma vez implementada, a tecnologia passa por uma etapa de integração, quando começa a fazer parte da rotina operacional da empresa. A escala é atingida quando o uso está disseminado e é recorrente. Por fim, a transformação só é possível quando a IA tem a capacidade de alterar custos, receitas, produtos ou até mesmo a própria estrutura do modelo de negócio.
Ainda que a escalabilidade seja o desafio da vez, intuitivamente as companhias acertaram no que julgam ser o caminho para atingi-la: 86% das empresas consultadas no relatório da Bain revelam que a IA é elencada entre as cinco principais prioridades estratégicas e 62% dizem que os programas de IA já são liderados diretamente pelo CEO ou por seus gestores diretos. Na leitura de Lucas Brossi, o diferencial de quem consegue escalar é justamente a visão estratégica:
“O que mais distingue as empresas que de fato escalaram e estão criando valor, daquelas que ainda estão experimentando, é o comprometimento da liderança. Quando as empresas respondem que aquilo é uma prioridade das diretorias, o índice de escalada é nove vezes maior do que o das que não escalaram. Então, é muito mais sobre quais são as empresas que realmente abraçaram como uma prioridade estratégica, da gestão executiva, versus aquelas onde isso é mais um projeto, mais uma iniciativa dentre tantas outras”.
Outro insight relevante para compreender o estágio de maturidade do uso de IA é a motivação, quer dizer, o que levou a empresa a adotar uma ferramenta deste tipo: 56% dizem ser a busca por ganho de produtividade de pessoal; para 32% é aumento de vendas; e 24% apostam na melhoria da eficiência em processos. Para o Head de Data & AI da Bain, isso mostra que houve um avanço de uma perspectiva em que IA era apenas sinônimo de eficiência, para o entendimento de que a tecnologia pode também ser uma dinamizadora de crescimento. Brossi faz um alerta para o aumento de produtividade, uma reflexão necessária sobre o que exatamente está sendo delegado para a máquina operar.
“Ainda é muito difícil entregar o ciclo inteiro para um agente executar. Por quê? Porque a gente ainda tem problemas de contexto, de confiabilidade, e não são todas as decisões que você quer entregar para um agente. Mas é bastante razoável entregar partes do processo. Eu ainda posso continuar decidindo, mas por que não ter um agente que navega nos sete sistemas diferentes, puxa o dado, organiza, limpa e traz o dado pronto para a minha decisão? Por que não ter um agente que ajuda a pensar nas alternativas que eu tenho, eventualmente me recomenda a melhor e justifica?”, pondera Lucas Brossi.
Dados e governança são desafios
Apesar do potencial dos agentes de IA para transformar as operações das empresas, sua maturidade ainda esbarra em desafios importantes relacionados à qualidade dos dados, à contextualização das informações e à governança dos acessos. É preciso garantir que os agentes compreendam as particularidades do negócio e atuem dentro de limites bem definidos, constata o executivo da Bain.
“Tem um problema de dados, obviamente. E aqui é um problema que não é só do dado tradicional, não é só o número que está em alguma tabela do sistema. É muito também sobre contexto: o que é um cliente na minha empresa, o que é um grupo econômico, como eu faço o negócio, como eu defino receita, como essa coisa se relaciona com aquela. Tem muitas dessas regras tácitas que estão na cabeça das pessoas, mas não estão documentadas. Tem um trabalho grande de dar contexto suficiente sobre o negócio para os agentes funcionarem bem”, explica.
A falta de dados estruturados também se coloca como uma barreira a ser vencida. Embora os modelos de IA tenham avançado significativamente, sua eficiência depende da qualidade e da organização dos dados. Informações dispersas, inconsistentes ou armazenadas em sistemas que não se comunicam dificultam a capacidade da tecnologia de identificar padrões e gerar respostas confiáveis.
Em outra perspectiva, uma vez que uma ferramenta inteligente tenha à sua disposição dados estruturados e tenha sido embarcada e treinada com todo contexto necessário, a pergunta que surge é: como garantir a governança?
“Hoje, as empresas têm bancos de dados e aplicações que são usados por usuários humanos. Os usuários humanos nós conhecemos: eles têm crachá, e-mail, máquinas, e sabemos quem acessou o quê, quando e para fazer o quê. Na medida em que você migra para uma tropa de agentes, como eu controlo esse bando de novos funcionários, vamos dizer assim? Como eu garanto que eles têm acesso só ao que deveriam ter, que executam só o que poderiam executar, dentro de alçadas, e que eu tenho controle sobre isso, sei quem está fazendo o quê, e, se alguma coisa sai da normalidade, sou avisado e consigo atuar? Esse ainda é um desafio tecnológico”, alerta Brossi.
Mesmo sem um cenário ideal, é importante que as empresas sigam investindo em tecnologia como estratégia não só de competitividade, mas de permanência no mercado a longo prazo. O momento é de ir além da experimentação, de integrar processos e desenhar metas bem claras com o uso de IA para cada área. Mais do que acompanhar uma mudança em curso, as empresas precisam aprender a transformar a IA em valor real, tanto para seus negócios quanto para as pessoas que fazem parte deles.
“IA não é só tecnologia, é transformação do negócio. Temos sempre que partir do ângulo de quais são as dores, qual é o resultado que eu quero criar, quais são as áreas da minha empresa onde o uso dessa tecnologia mais pode potencializar os resultados, e aí tratar, de fato, como uma transformação. As empresas que mais têm conseguido resultados são as que entendem a importância dessa agenda, estão tratando isso como uma prioridade de negócio e estão fazendo um domínio por vez, em vez de tentar abraçar o mundo”, reflete o Head de Data & AI da Bain.
A primeira fase da revolução da IA corporativa foi democratizar o acesso. A segunda será descobrir quem consegue reorganizar a empresa ao redor dela e transformar experimentação em resultado.
Carolina Abelin