A adoção da inteligência artificial (IA) cresce rapidamente no ambiente corporativo, mas especialistas alertam que o sucesso da implementação depende de uma preparação prévia que vai muito além da escolha da Tecnologia.
Segundo o relatório State of AI, da consultoria McKinsey & Company, 88% das empresas já utilizam inteligência artificial em alguma função. Apesar disso, a maioria das organizações ainda se encontra em fase experimental, sem alcançar aplicações em larga escala.
Para André Junges, Chief Revenue Officer do Grupo Supero, a principal dificuldade não está na tecnologia em si, mas na preparação das empresas para utilizá-la de forma eficiente.
“O que vemos com frequência é a organização ter o objetivo de implementar IA de forma bem estruturada no papel e descobrir, já no meio do caminho, que as informações não estão organizadas, ou que os sistemas não se comunicam. Muitas vezes, o processo que a IA deveria automatizar sequer foi documentado”, afirma o executivo.
Dados confiáveis são a base da inteligência artificial
O primeiro conceito apontado pelo especialista é a importância da qualidade dos dados.
Modelos de linguagem, conhecidos como LLMs (Large Language Models), funcionam a partir das informações fornecidas e não conseguem identificar automaticamente dados inconsistentes, incompletos ou desatualizados.
Segundo Junges, em setores como indústria e logística, onde informações circulam entre sistemas diferentes, sensores e plataformas legadas, garantir a integração e a qualidade dos dados é uma condição essencial para que os resultados gerados pela IA sejam confiáveis.
Processos precisam estar documentados
Outro desafio frequente está relacionado à falta de documentação dos processos internos.
Quando uma atividade depende apenas do conhecimento acumulado pelas equipes e não possui regras claras ou tratamento estruturado para exceções, a automação tende a apresentar falhas e exigir retrabalho.
De acordo com o especialista, esse é um dos gargalos mais comuns identificados após o início dos projetos de inteligência artificial.
IA exige infraestrutura além do modelo
O terceiro ponto destacado é que o modelo de inteligência artificial representa apenas uma parte da estrutura necessária para o funcionamento da solução em ambiente corporativo.
Além do LLM, é preciso contar com sistemas de integração, mecanismos de validação, governança de dados, contexto operacional e conexão com plataformas externas.
Segundo Junges, em muitos projetos a construção dessa infraestrutura demanda mais esforço técnico do que a implementação do próprio modelo de IA.
Quando essa camada é negligenciada, aplicações que funcionam bem em testes podem apresentar dificuldades significativas durante a operação real.
Da experimentação para a escala
Para o executivo, o avanço da inteligência artificial nas empresas depende de uma mudança de perspectiva.
Em vez de tratar a preparação como uma etapa secundária, as organizações precisam enxergá-la como condição indispensável para o sucesso da iniciativa.
“Não existe atalho entre a decisão de implementar IA e a operação funcionando com IA. O que existe é um conjunto de decisões técnicas e de negócio que precisam ser entendidas antes”, conclui.
Com inormaçõ Agência Brasil.
