Gestão de projetos de IA baseada em valor: Do hype ao valor

---

Por João Gabriel Alves

---

• Existe uma desconexão entre as promessas dos fornecedores e a criação de valor mensurável para a empresa. Apenas 15% dos tomadores de decisão conseguiram relatar um aumento no EBITDA relacionado à IA nos últimos 12 meses, o que leva ao cancelamento ou atraso de investimentos quando os resultados não aparecem no P&L.

•  A tecnologia representa apenas cerca de 20% do valor de uma iniciativa de IA. O fracasso ocorre porque as organizações ignoram os outros 80%, que consistem no redesenho dos fluxos de trabalho, essencial para que os humanos foquem em tarefas de impacto enquanto a IA lida com o rotineiro.

---

A maioria das empresas já adotou GenAI em alguma medida, mas poucas capturam valor de forma consistente. O motivo raramente é tecnologia. É gestão: sem disciplina para selecionar casos com impacto, executar com gates e operar com governança, a organização acumula iniciativas e não move resultado.

“Inteligência artificial” existe há décadas, mas 2022 marcou uma virada prática: com o ChatGPT, a barreira de uso caiu para profissionais não especialistas. Esse salto acelerou a adoção de LLMs e colocou IA no centro das conversas executivas. O problema é que conversa não paga conta. 

Os ganhos potenciais são reais. IA aumenta produtividade, mas o diferencial da GenAI é elevar a qualidade de entrega quando combina contexto, dados e conhecimento em decisões e explicações que antes dependiam de poucos especialistas. O ponto é que a base de “contexto” das empresas é caótica: 80% do conhecimento corporativo já vive em conteúdo não estruturado (PDFs, e-mails, prints, vídeos). Se você não governa dados e processo, você só escala entropia. 

E há um efeito colateral que muda o jogo operacional. Quando agentes entram no fluxo, o trabalho deixa de ser simples e o número de fontes de dados escalam: um único objetivo pode disparar centenas de subtarefas (queries, chamadas de API, passos de validação) em segundos.  Sem gates e observabilidade, esse motor vira custo e risco. 

Governança reduzindo risco, incerteza e entropia 

Governança costuma ser confundida com burocracia. Na prática, governança reduz entropia porque define prioridades, decide responsabilidades, cria controles e permite escala com qualidade. Em IA, ela conecta três coisas: valor, risco e execução. 

Um desenho robusto tende a incluir cinco blocos: 

1. Direção e limites: princípios, compromissos, apetite a risco e o que não será feito.

   
   

2. Estrutura de decisão e accountability: quem aprova o quê, papéis, conselhos e escalonamento. 

   
   

3. Processos e controles no ciclo de vida: gates por fase, métricas, documentação, auditoria e resposta a incidentes. 

   
   

4. Ferramentas e guardrails técnicos: testes, monitoramento, segurança, bibliotecas e plataforma. 

   
   

5. Cultura e capacitação: treinamento, incentivo ao questionamento e mecanismos de compliance aplicáveis no dia a dia.

Aqui vale um número que costuma irritar, mas organiza a conversa com o board: em iniciativas com agentes, tecnologia entrega cerca de 20% do valor; os outros 80% vêm do redesenho do trabalho. Ou seja, sem mudança de processo, a empresa compra IA e recebe demo. 

E governança responsável não é “nice to have”: em um survey sobre Responsible AI, 60% disseram que práticas responsáveis aumentam ROI e eficiência e 55% relataram melhoria em experiência do cliente e inovação.

Um stage gate para reduzir incerteza e acelerar valor 

O stage gate funciona porque força decisões em pontos críticos e evita projetos eternos. Mais importante: ele liga governança a resultado ao amarrar cada etapa a entregáveis e métricas mínimas. Na prática, ele separa Discovery (decidir o que vale a pena) de Delivery (entregar e operar com qualidade). 

Discovery 

1. Definir o problema de negócio 

   Comece pelas métricas. Em GenAI, bons casos combinam alta volumetria e alta necessidade de contexto. O problema precisa estar escrito como lacuna mensurável, com baseline, alvo e dono do valor. 

2. Diagnosticar e priorizar oportunidades 

   Quebre o processo e priorize com método explícito: impacto econômico, viabilidade de dados e integração, risco regulatório e reputacional. A saída não é “um tema”, é um recorte de MVP que cabe em semanas. 

   
   

3. Desenhar solução-alvo e MVP 

   Defina como a IA entra no fluxo: o que recomenda, o que continua decisão humana, quais entradas são permitidas, quais são proibidas, quando recusa e qual é o plano de contingência. LGPD, retenção, auditabilidade e logging entram no desenho, não no pós. 

Delivery 

4. Desenvolver a solução 

   Construa um sistema operacional, não um modelo isolado. Integrações, versionamento, trilha de auditoria, gestão de evidências, testes de qualidade e segurança, observabilidade e custo por interação. 

   
   

5. Testar e colocar em piloto 

   Validar em uso real com baseline comparável e governança mínima. Monitorar métricas e incidentes em cadência fixa, coletar feedback e decidir com evidência: escalar, ajustar ou encerrar. 

6. Escalar, operar e evoluir 

   Escalar por ondas, definir SLAs e controle de mudanças. Monitorar desvios, custo, latência e qualidade. Evoluir com backlog priorizado e revalidações periódicas.

   
   

Elaboração de business case 

Governança dá direção. O business case dá permissão para investir e escalar. Um bom business case traduz processo em dinheiro, risco e velocidade. A seguir, um caso fictício aplicado ao processo de vendas com GenAI, do lead ao forecast e report gerencial.

Contexto e processo atual 

Na empresa fictícia RotaSul, o crescimento depende de prospecção ativa e de um funil bem operado. Hoje, o ciclo comercial mensal é repetitivo: capturar leads em múltiplas fontes, qualificar manualmente, registrar interações no CRM de forma inconsistente, montar propostas copiando modelos antigos, negociar por WhatsApp e e-mail sem histórico centralizado, cobrar atualizações do time, consolidar pipeline em planilhas e produzir forecast e reports para diretoria.

O padrão é conhecido: pipeline vira disputa de versões, com retrabalho, risco e baixa rastreabilidade. O forecast sai tarde e com narrativa frágil porque o esforço foi consumido em “arrumar a casa”, não em orientar decisão comercial (onde acelerar, onde desistir, onde mudar oferta).

Dores que sustentam o caso 

1. Integração fraca entre fontes: leads, CRM, e-mail, WhatsApp e propostas espalhados, com muito copiar e colar.

2. Baixa rastreabilidade: histórico de negociação e justificativas ficam em conversas e arquivos soltos, difíceis de auditar depois.

3. SLA estourado: resposta lenta a leads e propostas demoradas, com dependência de pessoas chave.

4. Comunicação lenta: follow-ups viram pingue pongue entre vendedor, pré-vendas, pricing e operação.

5. Forecast frágil: probabilidade e etapas “no feeling”, com pouca evidência e baixa comparabilidade entre vendedores.

Solução proposta: base de dados + agentes de vendas

Bloco 1: Base de dados comercial e trilha de auditoria 

Captura eventos do funil (lead, contato, reunião, proposta, objeção, negociação, ganho/perda), padroniza e versiona dados, define a “fonte da verdade” por evento e mantém trilha de auditoria de interações e documentos. 

Bloco 2: Agentes do operacional ao gerencial 

1. Agente de triagem e qualificação de leads: consolida entradas, enriquece dados, classifica ICP, identifica intenção e sugere próximo passo com justificativa. Começa em modo leitura e evolui para ações controladas no CRM.

2. Assistente de follow-up e coordenação interna: transforma pendências em fila única, gera mensagens e e-mails com contexto, puxa evidências (reuniões, anexos, termos), e escalona exceções para pricing, jurídico e operação com resumo objetivo.

3. Agente de propostas e negociação: monta proposta com base em playbooks, histórico do cliente e políticas comerciais, sugere concessões e alternativas, gera versões e registra mudanças com motivo.

4. Agente de pipeline e forecast: limpa inconsistências, faz checagens de sanity check, explica variações, aponta deals críticos, e gera sumário executivo com recomendações claras (foco, risco e ações da semana).

   
   

Estratégia de execução: sprints com gates 

Setup; desenvolvimento controlado; produção controlada; captura de ganhos. Aqui mora a maior parte do valor: redesenho do trabalho comercial, padrões de registro e disciplina de rotina.

Riscos e complexidade que precisam estar explícitos 

• LGPD e dados sensíveis: dados pessoais de leads e contatos, gravações e mensagens.

• Auditoria e rastreabilidade: evidência do que foi dito, proposto e aprovado, com histórico versionado.

• Fonte da verdade por evento: o que vale é CRM, e-mail, WhatsApp, proposta assinada? Isso tem que estar decidido.

• Adoção real do canal: se o time continuar “vendendo por fora”, o sistema vira vitrine.

• Dependência de integrações e qualidade de cadastro mestre: duplicidades, CNPJ errado, segmentos inconsistentes e estágios do funil mal definidos destroem o forecast.

O que fazer na próxima semana 

O ponto incômodo é este: GenAI não está apenas “automatizando tarefas”. Ela está revelando se a organização sabe desenhar e governar trabalho. Com 80% do conhecimento corporativo em conteúdo não estruturado e agentes capazes de disparar milhares de subtarefas em segundos, a pergunta relevante deixa de ser “qual modelo usar”. Passa a ser: quem controla o processo, o risco e o custo. Sem esse controle, a tecnologia só acelera a bagunça. 

Se a intenção é começar já, escolha uma frente de alto volume e trate como teste de seriedade: estabeleça baseline e alvo, e aplique o primeiro gate com donos claros de valor, risco e tecnologia. Em poucas semanas, a empresa descobre se está construindo capacidade para capturar resultado ou apenas acumulando demonstrações. 

Fontes: PwC (2025), "2026 AI Business Predictions"; Forrester (2025), "2026 Predictions: Technoly & Security"; a16z (2025), "Big Ideas 2026".