Casos de utilização e aplicações da IA nos principais setores

A IA está «em todo o lado», segundo todas as manchetes que lê. O problema dessa afirmação é que oculta a realidade da sua implementação desigual. Numa série de setores, está genuinamente a transformar a forma como se trabalha. Em muitos outros, é apenas discretamente útil na periferia. Nuns poucos, não passa de um slide num pitch deck. Dizer simplesmente que «a IA está a revolucionar tudo» torna, na verdade, mais difícil perceber onde está a ter um impacto real.

Eis a perspetiva real que dissipa o ruído e é a própria essência deste guia. Elimine todo o jargão do setor e o que resta é a IA a fazer as mesmas seis coisas em todos os casos. Prevê. Personaliza. Automatiza. Vê. Compreende linguagem. Otimiza. Um modelo de deteção de fraude num banco e um detetor de tumores num hospital são fundamentalmente o mesmo tipo de máquina, apenas aplicados a problemas diferentes. Assim que reconhece esse padrão, a «IA para X» deixa de ser um mistério e torna-se evidente.

Assim, este é um mapa prático e não um roteiro de hype. Vamos apresentar os padrões recorrentes, analisar como se manifestam nos vários setores com casos de utilização reais e ser absolutamente claros sobre onde a IA está a trazer resultados e onde houve apenas exagero. Desenvolvemos IA na maioria destes setores, pelo que esta é a visão prática de quem constrói e não a de um relatório de tendências.

Os padrões que se repetem: o que a IA realmente faz

Antes do roteiro pelos setores, conheça os seis mecanismos. Na sua essência, tal como a IBM define, a IA consiste em levar as máquinas a executar tarefas que normalmente exigiriam inteligência humana — mas, na prática atual, isso traduz-se numa lista curta e concreta de áreas em que é genuinamente competente. Quase todos os casos de utilização reais de IA, em qualquer setor, consistem num destes seis aplicados a um domínio específico. Mantenha-os presentes e o resto deste guia ler-se-á como variações de um mesmo tema.

• Previsão e estimativa. Aprender com dados históricos para antecipar o que se segue — procura, risco, avarias de equipamentos, perda de clientes (churn). O pilar discreto da IA empresarial, assente em machine learning.
• Personalização e recomendações. Adaptar o que cada pessoa vê ou o que lhe é proposto — o produto, o conteúdo, a melhor ação seguinte. Um sistema de recomendação é o motor por detrás disto, surgindo sempre que há um cliente para servir.
• Automatização de trabalho repetitivo. Delegar tarefas de grande volume e baseadas em regras — triagem, extração, encaminhamento, processamento — para que as pessoas dediquem o seu tempo às partes que exigem discernimento. O mecanismo é o mesmo, quer se trate de um banco a processar documentação de crédito ou de um hospital a codificar registos clínicos.
• Visão computacional. Ler e interpretar imagens e vídeo: detetar um defeito, ler um documento, reconhecer um rosto, compreender um cenário. A mesma capacidade identifica um tumor num exame, uma fissura numa pá de turbina e uma erva daninha num campo.
• Compreensão e geração de linguagem. Trabalhar com linguagem humana — responder a perguntas, resumir, traduzir, redigir. A capacidade por detrás de cada chatbot e assistente de voz, e de cada ferramenta que lê um contrato, resume um relatório ou redige uma resposta.
• Otimização. Encontrar a melhor opção entre um número infindável de alternativas — definir as rotas de uma frota, planear a produção de uma fábrica, alocar um orçamento, definir preços em tempo real. É a matemática discreta que move uma rede de distribuição, uma linha de produção e uma rede elétrica.

Este é, no essencial, todo o conjunto de ferramentas. Cada caso de utilização apresentado abaixo é um destes seis, orientado para o problema específico de um setor. Se não retiver mais nada, memorize estes seis — são a forma mais rápida de distinguir uma oportunidade real de IA de um mero chavão.

Vale também a pena notar a frequência com que os sistemas reais combinam vários deles. Uma estrutura moderna de apoio ao cliente, por exemplo, utiliza a compreensão de linguagem para captar a questão, a previsão para antecipar o que o cliente necessita e a automatização para a resolver — três padrões num único fluxo de trabalho. As aplicações mais valiosas tendem a articular estas abordagens em vez de dependerem de uma única. Esse é também um sinal revelador: um caso de utilização genuinamente transformador costuma entrelaçar dois ou três dos seis mecanismos, enquanto uma funcionalidade superficial do tipo «adicionámos IA» muitas vezes não corresponde a nenhum deles com essa etiqueta.

Casos de utilização de IA nos principais setores

Passemos agora ao roteiro. Para cada setor, o objetivo não é apresentar uma lista exaustiva — é demonstrar quais dos seis padrões realizam o trabalho mais pesado e onde reside verdadeiramente o valor.

Saúde

Uma das aplicações mais profundas e de maior valor. A visão computacional pode analisar imagens médicas e sinalizar tumores e anomalias que um olhar humano cansado poderia facilmente deixar passar. Modelos preditivos conseguem identificar doentes em risco de descompensação muito antes de os seus sinais vitais entrarem em colapso. Os modelos de linguagem podem ser utilizados para estruturar o enorme volume de notas clínicas, o qual consome tanto tempo aos profissionais de saúde. A IA pode também ser empregue para acelerar a descoberta de medicamentos, analisando as milhões de moléculas em fase de desenvolvimento e reduzindo-as às poucas que são verdadeiramente viáveis. Uma parte significativa do valor a curto prazo e de menor risco encontra-se na camada operacional menos visível (agendamentos, faturação, autorizações prévias, etc.), precisamente o que tanto contribui para o esgotamento dos médicos. É a área onde um erro constitui apenas um inconveniente e não um desastre. Convém notar o padrão do setor neste domínio: a IA de diagnóstico de grande visibilidade é real, mas a sua implementação é muito lenta devido ao enquadramento regulamentar. A automatização de back-office é a que está a gerar valor hoje de forma discreta, poupando custos e reduzindo o stress. O padrão é claramente de assistência — a IA sinaliza e sugere, o médico toma a decisão. Esse é o modelo correto e é assim que os nossos projetos na área da saúde são concebidos.

Finanças e banca

O setor financeiro sempre foi um negócio orientado por dados (muito antes de a «IA» estar na moda), pelo que a integração é perfeitamente natural. Os modelos preditivos são utilizados para avaliar o risco de crédito e detetar fraudes em tempo real, identificando transações fora do padrão habitual de um cliente. Os modelos de otimização aplicam-se ao trading algorítmico e à otimização de carteiras. Os modelos de linguagem servem para responder a questões dos clientes e analisar relatórios financeiros e notícias em busca de indicadores. A deteção de fraudes, por si só, é o principal motor do investimento bancário nesta área, já que o prejuízo de uma única rede fraudulenta que passe despercebida supera largamente o custo do modelo que a interceta. Os robo-advisors e a monitorização automatizada de conformidade são outros exemplos do valor gerado em segundo plano. Os agentes de IA no setor financeiro são cada vez mais mobilizados para integrar todas estas frentes, com a ressalva de que o contexto fortemente regulamentado e de elevada exigência de confiança implica sempre a presença humana em qualquer decisão com consequências reais.

Retalho e e-commerce

O retalho é o terreno de eleição da personalização. Os motores de recomendação impulsionam grande parte do que os utilizadores descobrem e compram online. Os modelos de previsão são usados para antecipar a procura e evitar tanto o excesso de stock obsoleto como a rutura de stock. Assistentes baseados em linguagem guiam os clientes e gerem o suporte. A visão computacional está igualmente a avançar (pesquisa visual, lojas sem caixas, etc.). O objetivo comum continua a ser o de sempre no comércio: colocar o produto certo diante da pessoa certa, no momento certo. Do mesmo modo, no back-end da operação, a IA combate a fraude e os estornos (chargebacks), ajusta preços dinamicamente e equilibra o inventário entre lojas e armazéns (os aspetos operacionais discretos que são fundamentais para proteger a margem).

Indústria transformadora

O principal caso de utilização na indústria transformadora é a manutenção preditiva. Os sensores nas máquinas alimentam modelos que sinalizam uma peça prestes a avariar antes de a linha parar, convertendo o que seria uma paragem imprevista caríssima numa reparação planeada. A visão computacional é usada na inspeção de produtos, revelando-se muito mais eficiente e consistente do que o controlo de qualidade humano, ao conseguir identificar aquela microfissura impercetível que um operador deixaria passar na milésima unidade do turno. A otimização serve para definir o melhor plano de produção e o nível ideal de peças no sistema. A robótica orientada por IA encarrega-se do trabalho físico. Numa indústria onde a paragem de uma linha de produção custa uma fortuna por hora, o retorno é o mais tangível e mensurável possível. Foi por isso que o setor aderiu tão cedo e com tanta convicção.

Cadeia de abastecimento e logística

Muito poucas áreas são tão indicadas para a IA: trata-se de um exercício de otimização e previsão de ponta a ponta. Existem modelos a prever a procura em milhares de referências (SKUs), a delinear as rotas mais eficientes e a efetuar desvios dinâmicos perante imprevistos, a otimizar a disposição dos armazéns e a recolha (picking), e a sinalizar qualquer disrupção antes que esta se agrave. A pandemia alertou todos os intervenientes no setor para a fragilidade das cadeias de abastecimento, sendo a IA uma componente fundamental para reforçar a sua resiliência (ao simular cenários, identificar rapidamente fornecedores alternativos e gerir o nível exato de inventário, evitando faltas ou excedentes). O nosso trabalho em agentes de IA para a cadeia de abastecimento insere-se precisamente neste domínio.

Marketing e vendas

O marketing centra-se sobretudo na personalização e na linguagem. Passa pela segmentação, criação e teste de conteúdos em escala, previsão de quais as leads que merecem acompanhamento e personalização da mensagem para cada indivíduo. As equipas de vendas utilizam a IA para pontuar e priorizar potenciais clientes, preparar comunicações e identificar o momento ideal para o follow-up. O risco é privilegiar o volume em detrimento do valor, pois a IA torna trivial a produção em massa de conteúdos genéricos sem interesse. As equipas bem-sucedidas usam-na para aperfeiçoar o público-alvo e libertar a força de vendas para a vertente verdadeiramente humana da negociação, em vez de inundarem caixas de correio. Quando bem aplicada, qualifica e encaminha leads para que os comerciais concentrem o seu tempo nas oportunidades com maior probabilidade de fecho, indicando a melhor ação seguinte com base num CRM que ninguém teria tempo de examinar por completo.

Apoio ao cliente

A manifestação mais evidente da IA com que as pessoas contactam. Os modelos de linguagem alimentam os chatbots e assistentes que respondem de imediato a pedidos simples, reencaminham os mais complexos para o colaborador adequado e analisam o sentimento da mensagem para dar prioridade a um cliente insatisfeito. Quando bem executado, assegura respostas mais rápidas e liberta os assistentes humanos para lidar com situações que exigem realmente intervenção humana. Quando mal concebido, torna-se num ciclo frustrante que impede o contacto com uma pessoa — uma falha de design, não da tecnologia. A estrutura ideal combina um chatbot simples de utilizar com um caminho desimpedido até um assistente humano, com a IA a trabalhar em segundo plano para apoiar o colaborador: disponibilizando o histórico completo, sugerindo respostas e resumindo o caso, para que o cliente nunca tenha de repetir a sua explicação.

Media e entretenimento

No setor dos media, a personalização é central e a geração ganha cada vez mais relevância. Os motores de recomendação que decidem o que vê, lê e ouve são o coração do negócio. A IA é utilizada na produção (edição, VFX, dobragem, localização) e está a transformar de raiz a criação de conteúdos, com todos os desafios criativos e éticos inerentes. A personalização que fideliza a audiência é o motor comercial; a vertente de geração é a fronteira que avança rapidamente e gera debate. A IA é também o alicerce do targeting de anúncios que financia grande parte da indústria e da moderação de conteúdos que permite às plataformas operar à escala (algo que nenhuma equipa humana conseguiria assegurar).

Seguros

O setor dos seguros assenta fundamentalmente na previsão e na automatização. A IA acelera a gestão de sinistros ao ler e extrair dados de documentos e fotografias, é utilizada na subscrição (underwriting) para avaliar riscos e consegue identificar padrões indicadores de fraude. A visão computacional permite avaliar a extensão dos danos em veículos ou imóveis a partir de imagens, reduzindo a resolução de um sinistro de dias para escassos minutos. À semelhança do setor financeiro, trata-se de uma atividade regulamentada em que a IA atua como apoio à decisão, sem tomar decisões finais de forma autónoma. A telemática e os dados de utilização possibilitam que as seguradoras definam preços com base no comportamento real e não em categorias demográficas genéricas, enquanto os assistentes de conversação com IA recolhem a participação inicial de sinistro, iniciando o processo assim que este é comunicado.

Jurídico

O setor jurídico está submerso em documentos, e é precisamente aí que a IA de linguagem faz a diferença. Acelera o processo de recolha de prova (discovery) ao localizar ficheiros relevantes entre milhares de documentos, analisa contratos sinalizando cláusulas de risco e agiliza a pesquisa jurídica. Não substitui o juízo crítico de um advogado, e os casos amplamente divulgados de IA a inventar jurisprudência ou citações fictícias são um alerta permanente para a necessidade de validar as suas respostas. Contudo, enquanto assistente capaz de condensar semanas de análise documental em poucos dias, revela-se extraordinariamente útil. As sociedades de menor dimensão, em particular, ganham uma capacidade que de outro modo não conseguiriam suportar — um poder de pesquisa e revisão que outrora exigia uma sala repleta de associados.

Educação

A promessa na educação é a personalização a uma escala que os professores simplesmente não conseguiriam alcançar sozinhos. É possível disponibilizar aulas e questionários que se adaptam a cada aluno, feedback imediato e assistentes de tutoria acessíveis a qualquer hora. Os LLMs conseguem redigir conteúdos e responder a dúvidas rotineiras, libertando o professor para a docência propriamente dita. A ressalva, naturalmente, reside no facto de o ensino ser profundamente relacional: o objetivo é apoiar docentes e alunos, não eliminar o vínculo humano. Existe também uma carga administrativa substancial que pode ser retirada das mãos dos professores (avaliações, planeamento, uma infinidade de perguntas repetitivas), o que liberta uma quantidade considerável de tempo.

Transportes e mobilidade

O setor dos transportes é, de uma ponta à outra, um domínio de previsão e otimização. A otimização de rotas identifica o melhor trajeto para uma frota de entregas e recalcula o itinerário em tempo real perante as variações de trânsito, poupando combustível e tempo a uma escala que nenhum gestor humano conseguiria atingir. A manutenção preditiva monitoriza os sensores em veículos, comboios e aviões para identificar componentes em falha antes de avariarem, impedindo que um camião fique imobilizado ou uma aeronave retida em terra. A visão computacional está no cerne da assistência à condução e da caminhada gradual rumo à autonomia (analisa a via, deteta perigos, mantém o veículo na faixa de rodagem). As empresas de transportes públicos utilizam a previsão de procura para alinhar o serviço com a mobilidade real dos passageiros. A grande lição sobre os veículos autónomos é que as soluções de apoio e otimização já estão a proporcionar valor tangível hoje, ao passo que a autonomia integral continua confinada a áreas mapeadas e delimitadas em meia dúzia de cidades. O verdadeiro retorno financeiro está nas operações de bastidores.

Energia e serviços públicos (utilities)

A energia é, no essencial, um desafio de otimização: equilibrar a oferta e a procura em tempo real. Este é um campo onde a IA se encaixa perfeitamente. É aplicada para prever a procura em toda a rede elétrica e equilibrar a intermitência das energias renováveis com a produção mais estável de outras fontes, atenuando as flutuações que tornam a energia limpa tão complexa de gerir. A manutenção preditiva é outro campo onde se destaca com excelentes resultados, permitindo detetar falhas em turbinas, transformadores e condutas antes que causem interrupções no fornecimento. No setor petrolífero e do gás, é usada para otimizar perfurações e extração, bem como para modelar reservatórios a partir de dados sísmicos. A visão computacional e a análise sensorial monitorizam infraestruturas ao longo de milhares de quilómetros de condutas, algo humanamente impossível para qualquer equipa de inspeção. À medida que a rede se torna mais complexa e dependente de fontes renováveis, o problema de otimização torna-se mais difícil de resolver e, consequentemente, mais valioso de solucionar com sucesso. É por esta razão que as empresas do setor elétrico passaram das fases-piloto para a implementação real com uma rapidez muito superior à prudência que tradicionalmente lhes é atribuída.

Agricultura e exploração agrícola

A agricultura é, na verdade, uma das áreas mais promissoras para a IA — as margens são muito reduzidas e as variáveis (clima, solo, pragas, água) são precisamente o tipo de fatores em que a previsão e a visão computacional se destacam. A agricultura de precisão utiliza visão computacional em drones e tratores para identificar doenças, infestantes e plantas sob stress individualmente, aplicando água, fertilizantes e pesticidas apenas onde é necessário, em vez de pulverizar todo o campo. Os modelos de previsão conseguem antecipar colheitas e os momentos ideais para semear e colher. Para os pequenos agricultores nos países em desenvolvimento, as ferramentas de aconselhamento em dispositivos móveis estão a levar o potencial das explorações industriais para o telemóvel comum. O benefício não reside apenas nos custos — está em utilizar menos água e menos químicos para alcançar uma produtividade igual ou superior —, sendo uma das raras áreas em que a eficiência e a sustentabilidade são exatamente a mesma coisa.

Setor imobiliário

O setor imobiliário está a utilizar a IA nas áreas de avaliação, correspondência e em toda a burocracia associada. Os modelos de previsão conseguem estimar o valor de um imóvel a partir da sua localização, características e dados de mercado com muito mais rapidez do que uma avaliação manual, sinalizando quaisquer preços que pareçam desfasados. Os motores de correspondência são utilizados para aproximar compradores e arrendatários dos imóveis verdadeiramente adequados para eles, eliminando a navegação interminável. Os modelos de linguagem estão a gerir a vaga inicial de pedidos de informação e o grosso do trabalho documental (anúncios, contratos de arrendamento, termos legais, etc.), enquanto a visão computacional consegue converter um vídeo de visita numa planta ou etiquetar automaticamente as características de um anúncio. Isto não substitui de forma alguma o conhecimento local de um consultor imobiliário nem a sua capacidade de negociação, mas reduz a componente inerentemente lenta e administrativa deste setor.

Recursos humanos e recrutamento

Os RH foram pioneiros na adoção da IA para triagem e agendamento, e é nessa área que se encontram alguns dos alertas mais pertinentes. A IA é utilizada para filtrar e classificar currículos, agendar entrevistas e responder à infinidade de questões de rotina que enchem a caixa de correio dos RH. Também é utilizada através de modelos de previsão para sinalizar potenciais riscos de saída antes de um colaborador apresentar a demissão. O lado negativo é, naturalmente, o enviesamento: um modelo treinado nas decisões históricas de uma empresa irá aprender e reproduzir qualquer enviesamento existente nesse histórico, havendo já inúmeros casos amplamente divulgados, além de riscos jurídicos reais. Os RH são o exemplo mais evidente da regra aplicável a todas as áreas — a IA herda o enviesamento dos seus dados — e, num ambiente com tanto em jogo que envolve decisões humanas, exige impreterivelmente uma supervisão rigorosa em vez de automatização sem supervisão. Pode e deve ser utilizada para apoiar e acelerar, não para tomar a decisão final sem qualquer intervenção humana.

Hotelaria e viagens

A hotelaria e as viagens assentam fundamentalmente na personalização e na comunicação. Os motores de recomendação estão por todo o lado, sugerindo hotéis, restaurantes e experiências com base no perfil e no histórico do viajante. Chatbots e assistentes são utilizados para atender chamadas, gerir reservas, efetuar o check-in, tratar de alterações de itinerário e responder ao fluxo infindável de perguntas sobre «a que horas é o check-out?» 24/7, em todos os idiomas do mundo. A análise preditiva é aplicada na definição de preços dinâmicos para quartos e voos, bem como na previsão da procura, permitindo que os operadores ajustem as equipas e o stock de forma adequada para a semana seguinte. A tradução em tempo real é, naturalmente, uma grande ajuda para eliminar as barreiras durante as viagens. Sendo um setor essencialmente de serviços, a proposta vencedora consiste em libertar os seus colaboradores de tarefas repetitivas para que possam proporcionar a verdadeira hospitalidade humana que nenhum modelo conseguirá replicar (que é exatamente aquilo de que os hóspedes se recordam).

Construção civil

O setor da construção começou a adotar a tecnologia mais tarde, mas está a crescer rapidamente, uma vez que os seus problemas (segurança, atrasos, derrapagens orçamentais) são extremamente dispendiosos e geram cada vez mais dados. A visão computacional está a ser utilizada para monitorizar os estaleiros de obras quanto a falhas de segurança e para acompanhar o progresso face ao planeado através de fotografias e filmagens com drones. Os modelos de previsão são aplicados para antecipar atrasos e derrapagens orçamentais antes que se tornem catastróficos, aprendendo com os padrões de projetos anteriores. A otimização serve para sequenciar os milhares de tarefas interdependentes de uma obra, bem como as equipas e os equipamentos envolvidos. O design generativo é usado para explorar soluções estruturais que um profissional poderia não considerar. A limitação, claro, é que os dados da construção têm sido historicamente desorganizados e específicos de cada projeto; assim, quem está a retirar real valor são as empresas que se comprometeram a recolher dados fiáveis desde o início.

Telecomunicações

As telecomunicações dispõem de redes massivas e complexas, constituindo o ambiente ideal para a previsão e a otimização. A IA é utilizada para prever a carga da rede e ajustar a capacidade em tempo real, antecipar falhas de equipamento antes que causem quebras de serviço e detetar as anomalias que funcionam como avisos prévios de interrupções ou fraude. Na relação com o cliente, serve de base aos chatbots e aos modelos de previsão de cancelamento (churn) que as operadoras utilizam para reter os seus clientes num mercado tão agressivo. À medida que as redes se tornam mais densas e definidas por software, a complexidade da otimização atinge uma escala em que a automatização já não é apenas algo conveniente: é absolutamente essencial. Há simplesmente demasiados acontecimentos a desenrolar-se demasiado depressa para que seja possível ajustar tudo manualmente.

Governo e setor público

Os governos têm demonstrado grande prudência, o que é inteiramente compreensível dados os riscos e o nível de escrutínio. Contudo, os casos de utilização são bem reais: o enorme volume de documentos e processos que os organismos públicos têm de tratar, o esclarecimento de dúvidas dos cidadãos através de assistentes de IA, a deteção de fraudes em subsídios e impostos e a otimização de múltiplos aspetos, desde semáforos à afetação de recursos. Esta cautela justifica-se plenamente, já que no setor público se lida com pessoas que não têm outra opção senão recorrer ao sistema. Por conseguinte, a fasquia da equidade, transparência e responsabilização é incomensuravelmente mais alta do que num contexto comercial. É um domínio em que conceitos como «human in the loop» e «explicabilidade» deixam de ser simples preferências e passam a ser exigências fundamentais.

Gaming

A indústria dos videojogos utiliza IA há mais tempo do que quase qualquer outro setor (se considerarmos o comportamento dos NPC), e as aplicações atuais vão muito além disso. O machine learning é usado para ajustar a dificuldade de modo a manter o jogador envolvido, personalizar conteúdos e recomendações, e alimentar os sistemas anti-cheat que garantem a justiça nos jogos competitivos. A IA generativa está agora a ser aplicada na criação de recursos (assets), cenários e diálogos, preparando-se para cumprir a promessa de mundos muito mais dinâmicos e reativos. Os videojogos funcionam também como um excelente campo de testes, uma vez que as técnicas aí desenvolvidas (como agentes de aprendizagem por reforço capazes de dominar ambientes de extraordinária complexidade) têm forte probabilidade de encontrar aplicação posterior noutros contextos empresariais.

A lista poderia continuar — mas a lição já é evidente. Os setores variam; os seis movimentos mantêm-se. Onde quer que exista um problema dispendioso e dados utilizáveis, pelo menos um deles tende a encaixar perfeitamente.

A camada de IA generativa em todos os setores

Há uma mudança mais recente que merece destaque individual, precisamente por atravessar todos os setores em simultâneo. A vaga da IA generativa — os grandes modelos de linguagem e os geradores de imagem, áudio e vídeo que conquistaram o grande público — acrescentou uma capacidade verdadeiramente inovadora aos seis padrões: máquinas que não se limitam a analisar e prever, mas que também produzem. Texto, código, imagens, designs, dados sintéticos e esboços de praticamente tudo. É a área de evolução mais rápida de todo o ecossistema e está a remodelar o trabalho em todas as indústrias que abordámos — surgindo frequentemente nas empresas pela porta lateral, quando os colaboradores começam discretamente a utilizar ferramentas de uso geral antes de a organização definir qualquer estratégia formal.

O padrão de impacto é em tudo semelhante. No marketing, trata-se de redigir e testar conteúdos. No desenvolvimento de software, de escrever e rever código. Nos media, de apoiar a produção. No direito e na banca/finanças, de resumir e elaborar minutas de documentos. No apoio ao cliente, de dar vida aos próprios chatbots. Na saúde e na investigação, de ajudar a sintetizar a literatura e a estruturar notas. O traço comum é que a IA generativa é exímia a produzir rapidamente uma primeira versão do trabalho intelectual. É exatamente assim que as equipas mais cautelosas a utilizam: como um assistente júnior incansável que rascunha, sugere e acelera. O ser humano mantém o controlo total e a autoria do resultado final.

As ressalvas de rigor acompanham-na para todo o lado. Os modelos generativos produzem o que é plausível, não necessariamente o que é verdadeiro (podem afirmar algo falso com a mesma naturalidade com que dizem a verdade, o fenómeno conhecido como alucinação). São o reflexo dos enviesamentos presentes nos dados de treino e levantam inúmeras questões em torno da propriedade intelectual, autenticidade e obrigações de divulgação. A mesma regra aplica-se a todos os setores: a IA generativa é um catalisador formidável para quem a opera diretamente e um sério risco para quem assume os seus resultados seguros como versões finais acabadas. Ela amplia as capacidades da IA, mas não dispensa a necessidade de discernimento.

As vantagens transversais a todos os setores

Setores distintos, mas os benefícios rimam entre si. Qualquer que seja a indústria, o valor da IA tende a concentrar-se no mesmo conjunto de áreas.

• Eficiência e custos. A automatização de tarefas de grande volume e a otimização de operações reduzem custos e libertam os colaboradores para funções de maior valor. É o motivo mais comum para o financiamento de projetos de IA.
• Melhores decisões a partir de dados. A capacidade de previsão transforma os dados que uma empresa já possui em antecipação — o que vai vender, o que vai avariar, quem vai cancelar o serviço —, assentando as decisões em algo muito mais sólido do que o mero instinto.
• Escala e disponibilidade. A IA processa volumes inacessíveis a qualquer equipa, 24 horas por dia, sem cansaço — desde pedidos de suporte à revisão de documentos e monitorização.
• Personalização. Tratar cada cliente como um indivíduo em vez de um segmento, a uma escala que nunca seria possível manualmente.
• Novas capacidades. Algumas coisas simplesmente não eram viáveis antes — tradução em tempo real, análise instantânea de imagens, identificação de candidatos a fármacos in silico. Não se trata apenas de ganhos de eficiência, mas de competências verdadeiramente novas.
• Libertação de equipas para trabalho de maior valor. Quando a IA assume o trabalho repetitivo, as pessoas passam a dedicar o seu tempo ao discernimento, à criatividade e às relações interpessoais — as componentes em que as máquinas são piores e os humanos se destacam. Se for bem gerida, esta é a vantagem mais duradoura de todas.

Há uma ressalva que se aplica a todos estes pontos: estes ganhos são potenciais, não automáticos. O mesmo projeto pode proporcionar todos eles ou nenhum, consoante a execução — razão pela qual duas empresas do mesmo setor, adotando a mesma tipologia de IA, obtêm frequentemente resultados totalmente díspares. O benefício nunca reside propriamente na tecnologia; reside no alinhamento entre a tecnologia e um problema real, com uma implementação cuidada. Tenha isto em conta ao ler qualquer lista de vantagens da IA, incluindo esta.

Os dados que sustentam este entusiasmo são reais, se forem analisados com atenção. Estudos da McKinsey apontam números impressionantes para o potencial económico da IA, e o relatório anual Stanford AI Index regista um aumento contínuo da adoção ano após ano. Ambos merecem uma leitura ponderada — o potencial é amplo e autêntico, e o fosso entre o potencial e o valor efetivamente concretizado é onde se encontra a maior parte do trabalho árduo e exigente.

Os limites reais: o hype versus a realidade

Eis o aspeto que a cobertura mediática mais entusiasta ignora por completo. O impacto da IA nos vários setores é bastante real, mas extremamente desigual. Saber onde traçar a linha é o que distinguirá quem a adota com inteligência de quem acaba apenas prejudicado.

Comecemos pela parte desigual. Alguns setores — banca e seguros, retalho, logística, media — foram verdadeiramente transformados, por disporem de muitos dados e estarem repletos de desafios de previsão e personalização. Outros foram escassamente tocados na prática, digam o que disserem as manchetes, porque os seus problemas são físicos, relacionais ou carecem de dados aproveitáveis. A afirmação «A IA está a transformar todos os setores» é verdadeira enquanto trajetória, mas enganadora enquanto retrato do presente.

Os casos de utilização que realmente funcionam partilham um perfil bem definido, que vale a pena fixar. Existe um problema claro e dispendioso — não um «devemos utilizar IA», mas sim um «este problema específico está a custar-nos uma fortuna». Há dados de qualidade suficientes para aprender. O âmbito é bem delimitado em vez de excessivamente abrangente. E há supervisão humana sempre que os riscos são elevados. Os casos de utilização sem estas características são onde os orçamentos vão para morrer.

Importa também ter honestidade quanto ao fosso que separa uma demonstração de uma implementação real. A IA demonstra resultados espetaculares em apresentações — uma prova de conceito bem concebida pode fazer parecer que quase tudo está resolvido. Colocar essa mesma capacidade a funcionar de forma fiável, à escala, com dados reais e imperfeitos, integrada nos sistemas que as pessoas utilizam no dia a dia, é um trabalho totalmente diferente e muito mais exigente. Grande parte do desencanto em torno da IA empresarial resulta de confundir o primeiro cenário com o segundo. A demonstração corresponde aos 20% fáceis; os restantes 80% concentram o verdadeiro esforço, e orçamentar um projeto como se a demonstração fosse a meta final é a razão pela qual tantas iniciativas estagnam a meio.

Os custos e o retorno têm impreterivelmente de ser ponderados. Os projetos de IA acarretam custos contínuos reais (computação, tratamento de dados, talento especializado, manutenção) e uma grande parte deles simplesmente não recupera esse investimento. Tendem a falhar porque procuravam atingir uma determinada capacidade técnica em vez de resolver um problema com um custo financeiro quantificável. Aqueles que realmente compensam são aqueles em que seria possível atribuir um valor monetário ao problema antes de escrever uma única linha de código. «Interessante» não é um caso de negócio. «Este tipo específico de falha custa-nos milhões por ano» é.

Curiosamente, os verdadeiros obstáculos raramente residem nos algoritmos. Estão antes na qualidade dos dados (os dados da maioria das organizações estão mais desorganizados do que se pensa), na integração com sistemas legados, nos custos, na regulamentação e no exigente trabalho humano de gestão da mudança. O NIST e outras entidades estão a desenvolver quadros de referência para a gestão dos riscos da IA — enviesamento, fiabilidade, transparência — exatamente porque implementar esta tecnologia com responsabilidade é muito mais difícil do que apenas lançá-la. O modelo costuma ser a parte simples; tudo o que o rodeia é o verdadeiro projeto.

A questão do emprego é perfeitamente legítima. A IA está a alterar profundamente a natureza do trabalho em todos os setores em que intervém, e fingir o contrário seria ilusório. A realidade imediata em praticamente todos os setores passa pela capacitação e aumento de produtividade, em vez da substituição pura e simples. A IA está a assumir as tarefas rotineiras para que as pessoas se possam concentrar no discernimento, nas relações interpessoais e no que foge à rotina. O panorama a longo prazo é verdadeiramente desconhecido e entidades como o WEF estão a monitorizar a evolução do equilíbrio entre postos de trabalho criados e eliminados. Quem afirmar saber o impacto líquido está apenas a especular. O pressuposto de planeamento mais realista é o de que se tratará de um processo de mudança e adaptação contínua, e não de uma rutura repentina. É exatamente isso que confirmam as investigações da OECD sobre a IA nas várias economias.

Como identificar e desenvolver o seu caso de utilização de IA

Se está a ler isto para perceber onde a IA se enquadra na sua própria organização, eis uma framework agnóstica ao setor que mantém o esforço assente na realidade.

1. Comece por um problema dispendioso e rico em dados — não pela «IA». Identifique o que tem um custo verdadeiramente elevado — tempos de inatividade, rotatividade de clientes (churn), fraude, processos lentos, procura não atendida — e comece por aí. O problema lidera; a tecnologia acompanha. Dizer «precisamos de uma estratégia de IA» é o primeiro passo para desperdiçar dinheiro.
2. Verifique em qual dos seis padrões se enquadra. Trata-se de um problema de previsão? De personalização? Automação, visão, linguagem, otimização? Se o seu problema se mapear claramente num dos seis, é provável que tenha uma oportunidade real de IA. Se não se enquadrar em nenhum, desconfie.
3. Certifique-se de que os dados existem e são utilizáveis. A IA aprende com os dados e nenhum modelo sobrevive a dados fracos. Antes de se construir o que quer que seja, confirme que tem dados limpos e relevantes suficientes — porque corrigir os dados é normalmente um trabalho maior do que criar o modelo.
4. Faça um piloto restrito e meça face a uma referência real. Escolha um caso de utilização, teste-o face à forma como opera atualmente e meça com honestidade. Uma pequena vitória comprovada dá-lhe legitimidade para escalar. Um grande lançamento que tenha ignorado essa etapa muito raramente sobreviverá ao contacto com a realidade.
5. Mantenha a intervenção humana onde o risco é elevado. Em tudo o que tenha consequências críticas (saúde, dinheiro, segurança, aspetos legais), preveja a supervisão humana desde o início. Não é, de todo, uma falta de ambição; é a forma de construir um sistema responsável e sustentável.
6. Planeie a integração e a mudança, não apenas o modelo. A parte mais difícil quase nunca é o algoritmo em si, mas sim a integração efetiva nos sistemas existentes e conseguir que as pessoas o utilizem. Preveja orçamento para isso ou o modelo mais brilhante do mundo ficará apenas a apanhar pó.

Há mais uma coisa que a metodologia não lhe dirá, mas que aprenderá com a experiência: vai ter de iterar. A primeira versão de uma funcionalidade de IA quase de certeza que não será a versão final que os utilizadores irão efetivamente usar. Os modelos sofrem desvios à medida que o mundo muda, os pipelines de dados quebram e o que os utilizadores realmente fazem com a funcionalidade vai surpreendê-lo. As equipas que vencem tratam o lançamento como o início do trabalho e não como o seu fim. Trata-se de monitorização contínua, retreino e aperfeiçoamento, em vez de simplesmente lançar uma vez e seguir em frente. A IA é menos algo que se instala e mais uma capacidade que precisa de continuar a ser cultivada.

Nada disto é específico de um setor, e esse é precisamente o ponto: o rigor metodológico aplica-se mesmo quando os casos de utilização variam. Descobrir que padrão se adequa ao seu problema — ou se se trata de todo de um problema de IA — é exatamente para o que serve uma breve conversa de consultoria de IA, antes de comprometer um orçamento para o descobrir da forma mais difícil.

O que distingue as empresas que vencem com a IA

Em todos estes setores, as organizações que obtêm valor real da IA tendem a ser muito semelhantes — e isso tem surpreendentemente pouco a ver com o modelo que escolheram. Alguns traços comuns surgem repetidamente.

Começam pelo problema e não pela tecnologia. Os líderes não têm propriamente uma estratégia de IA, mas sim uma lista de problemas dispendiosos que estão a resolver (alguns dos quais são ideais para a IA). Começam com pouco e provam resultados. Um projeto-piloto restrito com um resultado demonstrável é o que permite avançar para o seguinte, em vez de uma aposta desmedida que consumirá um ano e um orçamento antes sequer de se obter qualquer resultado. Levam os seus dados muito a sério, tendo aprendido cedo que o modelo é a parte fácil e os dados são o projeto. As equipas que dispõem de dados limpos, acessíveis e bem governados são as que avançam mais rapidamente.

Mantêm deliberadamente o elemento humano no processo. Em vez de seguirem o caminho da automação total para depois terem de descobrir como assegurar confiança ou conformidade regulamentar, tratam a IA como um produto e não como um projeto. Lança-se, mede-se e continua-se a melhorar. Têm expectativas realistas. Compreenderam perfeitamente que a IA é simultaneamente poderosa e limitada. Não são os evangelistas que acham que ela vai fazer tudo, nem os céticos que pensam ser apenas exagero. Esse meio-termo é, no final de contas, onde o valor real é captado. É uma realidade sem grande glamour.

Se nos perguntar qual é a principal coisa que aprendemos com todo este exercício entre setores, é que a IA recompensa as virtudes mais discretas: problemas bem definidos, bons dados, um âmbito muito restrito, discernimento humano e medições honestas. As empresas que reúnem estes elementos são as que vencem em todos os setores. Aquelas que andam apenas a perseguir a palavra «IA» são as que, na sua maioria, não vencem.

Em resumo

A IA não é uma revolução monumental que varre todos os setores ao mesmo tempo. Trata-se dessas mesmas seis capacidades (previsão, personalização, automação, visão, linguagem, otimização) a produzir valor real e tangível nas circunstâncias certas — ou seja, onde existe um problema claro e dados de qualidade com que aprender. Revela-se totalmente dececionante quando é apenas introduzida para alimentar uma narrativa. Os setores que estão a triunfar com ela não são os que apostam cegamente na «IA». São os que estão efetivamente a resolver um problema específico e dispendioso.

Essa é a perspetiva que deve aplicar ao seu próprio negócio. Não pergunte «como podemos usar a IA?». Pergunte «qual é o nosso problema mais dispendioso e rico em dados, e será que se enquadra em previsão, personalização, automação, visão, linguagem ou otimização?». Se sim, tem uma base sólida para construir. Se não, acabou de poupar um desvio financeiro muito pesado. Esta simples mudança de perspetiva vale muito mais do que qualquer dose de propaganda, pois transforma uma aspiração vaga numa decisão que pode efetivamente testar.

Vale a pena recuar e analisar a trajetória. O panorama que temos do que foi transformado e do que permaneceu essencialmente intocado é apenas uma fotografia do momento, e não um veredicto final. A fronteira está sempre a mover-se. A IA generativa está a acelerar os setores baseados em trabalho intelectual a um ritmo impressionante, e áreas que pareciam imunes há poucos anos estão agora a descobrir discretamente os seus dados e os seus casos de utilização. A atitude sensata não é afirmar que a IA será ou não relevante para o seu setor. O sensato é aceitar que o será, de forma assimétrica e ao seu próprio ritmo. As organizações que desenvolveram os hábitos que aqui referimos (problemas claros, dados limpos, medições honestas) serão as que estarão preparadas para avançar quando chegar o momento.

Se procura identificar onde a IA se enquadra de forma genuína no seu setor — ou se deseja uma resposta direta sobre se vale a pena avançar com uma ideia —, esse é o tipo de conversa que a nossa equipa aprecia. Pode falar connosco e, se a resposta sincera for que ainda não precisa de IA para isso, seremos os primeiros a dizê-lo. Se houver um caso de utilização real, a nossa equipa de desenvolvimento de IA trata de tudo a partir daí.