PT-BR 
É inegável dizer que a IA está em toda parte. Empresas investem em copilotos, automações inteligentes, assistentes virtuais, modelos generativos, entre outros. O problema é que muitas iniciativas e projetos com inteligência artificial impressionam nos testes e decepcionam quando chegam à operação (e o motivo geralmente não está na tecnologia).
Essa dificuldade não se limita a casos isolados. Segundo o estudo State of AI, da McKinsey, 88% das organizações já utilizam IA em pelo menos uma função de negócio, mas apenas 39% relatam impacto no EBIT em nível corporativo. O dado reforça que o desafio atual não é experimentar IA, mas transformá-la em valor sustentável para o negócio
Projetos com IA raramente falham porque o modelo é ruim. Eles falham por algum desalinhamento processual ou porque não foram desenhados para resolver uma decisão real do negócio. Essa é talvez a principal mudança de mentalidade que as organizações precisam fazer: deixar de enxergar IA como ferramenta e começar a tratá-la como um projeto de transformação de processos e tomada de decisão.
O erro mais comum: começar pela IA
Em muitas empresas, a conversa começa com “Onde podemos usar IA?”, sendo que a pergunta inicial deveria ser “Qual decisão ou processo precisamos melhorar?”.
Parece apenas um detalhe, mas essa mudança pode alterar completamente o resultado de um projeto, principalmente quando o escopo é grande e os stakeholders são muitos.
Sem um desafio bem definido e uma decisão clara a ser melhorada, a IA pode acabar se tornando apenas uma demonstração tecnológica promissora, mas sem caminho real para ganhar escala ou se manter no negócio. Isso ajuda a explicar por que iniciativas bem-sucedidas em bancos, fintechs e empresas de pagamentos normalmente surgem a partir de desafios específicos, como prevenção a fraudes, análise de crédito, automação de processos regulatórios ou aumento da eficiência operacional, e não da simples adoção de uma nova tecnologia.
Um exemplo prático dessa abordagem ocorreu na Evertec, em uma prova de conceito conduzida pelo Torq (hub de inovação da companhia) com uma startup para automação de processos fiscais. O projeto não começou pela tecnologia, mas pela necessidade de trazer automação e reduzir o esforço operacional em atividades repetitivas. Ao final da validação, foram observados ganhos de eficiência superiores a 85% em determinadas etapas do processo, demonstrando que resultados relevantes tendem a surgir quando a IA é aplicada a um problema claramente definido e associado a métricas objetivas de negócio.
As 5 perguntas que deveriam vir antes do primeiro prompt
Antes de escolher um modelo, parceiro ou caminho a seguir, vale responder:
- Qual processo queremos melhorar?
- Qual resultado esperamos gerar?
- Como vamos medir sucesso?
- O que não pode acontecer?
- Como saberemos se vale a pena escalar?
Essas perguntas ajudam a evitar meses de trabalho em iniciativas que não conseguem provar valor ao final do piloto. Contudo, responder isso não deve trazer mais burocracia. O objetivo é acelerar a tomada de decisão e aumentar as chances de sucesso do projeto.
Em um cenário em que novos modelos, ferramentas e aplicações surgem praticamente todas as semanas, a velocidade organizacional se torna tão importante quanto a capacidade tecnológica. Não adianta economizar meses de desenvolvimento no futuro se a iniciativa passar meses parada em discussões iniciais, aprovações complexas ou processos internos que não acompanham o ritmo da inovação.
Bons projetos de IA combinam dois elementos que muitas vezes parecem conflitantes: agilidade para experimentar e disciplina para avaliar resultados. O desafio não é escolher entre velocidade e governança, mas encontrar um equilíbrio que permita testar hipóteses, aprender rápido e tomar decisões com segurança.
Governança não é burocracia
Quando o assunto é IA, governança costuma ser vista como algo que desacelera a inovação. Na prática, acontece justamente o contrário. Sem governança, os projetos encontram obstáculos quando tentam escalar.
Questões como privacidade dos dados, segurança, responsabilidade pelas decisões, monitoramento de resultados e controle de riscos, precisam ser pensadas desde o início e não quando a solução já está em produção.
ROI é importante, mas não é tudo
A pergunta sobre retorno financeiro sempre aparece e ela é legítima, mas existe a armadilha comum de tentar medir apenas o ROI. Em projetos de IA, especialmente nos estágios iniciais, o conceito de VOI (Value on Investment) ganha relevância.
O ROI responde: “O investimento se paga?”; enquanto o VOI responde: “Estamos construindo uma capacidade estratégica valiosa para o futuro?”
Muitas vezes, um piloto gera aprendizados sobre dados, processos, governança e adoção que ainda não aparecem no resultado financeiro imediato, mas são valiosos e decisivos para escalar a iniciativa posteriormente.
Esse raciocínio é particularmente relevante em instituições financeiras. Uma prova de conceito voltada à prevenção de fraudes ou à modernização de processos regulatórios pode não gerar retorno expressivo nos primeiros meses, mas criar capacidades valiosas que reduzem riscos, aceleram futuras iniciativas e ampliam a capacidade de inovação da organização.
O que separa experimentos de resultados?
Muitas organizações já superaram a discussão sobre adotar ou não inteligência artificial. O desafio agora é transformar iniciativas de IA em resultados sustentáveis. Esse movimento tem se mostrado mais complexo do que a velocidade de evolução da própria tecnologia. Segundo a Deloitte, a maioria das organizações ainda encontra dificuldades para levar iniciativas de IA à escala, evidenciando que o principal desafio já não está na experimentação, mas na capacidade de incorporar a tecnologia de forma consistente aos processos, controles e decisões do negócio.
No setor financeiro, onde eficiência operacional, conformidade regulatória e experiência do cliente impactam diretamente os resultados, isso exige mais do que acesso a bons modelos ou novas tecnologias. Exige clareza sobre o problema que se deseja resolver, métricas capazes de demonstrar valor, processos adaptados à nova realidade e uma governança que permita escalar com confiança.
No fim, projetos bem-sucedidos de IA não são lembrados pela tecnologia que utilizam. São lembrados pelos problemas que resolvem. Talvez essa seja a principal lição para empresas que buscam capturar valor com inteligência artificial: o diferencial competitivo não estará em quem adota IA primeiro, mas em quem consegue conectá-la melhor às decisões, processos e objetivos do negócio.
