A diferença entre sucesso e fracasso está em fazer as perguntas certas antes de comprar a tecnologia
Pense na última vez que comprou um celular. Você avaliou câmera, armazenamento, sistema operacional e bateria. É um processo racional onde comparamos atributos para entender valor e necessidade. Só assim fazemos uma boa compra — e isso vale para toda compra na vida adulta.
Por que, então, no mundo corporativo, tratamos inteligência artificial sem conhecer os critérios? Vejo organizações mergulhando no hype da IA, movidas pelo medo de ficarem para trás. Querem comprar a qualquer custo, mas não sabem quais atributos avaliar. Chegam sem entender o escopo técnico, tornando impossível comparar valor e aplicação real. Confiam mais em quem “vende” e não no que “compram”.
O primeiro erro são empresas que tratam IA como tecnologia única, quando são múltiplas abordagens. O relatório “The state of AI” da McKinsey, de março de 2025, separa “IA generativa” de “IA analítica” – termo para machine learning clássico.
A IA generativa replica conhecimento público, ótima para textos e chatbots. Para extrair informações de documentos proprietários (manuais, notas fiscais), usamos RAG (Retrieval-Augmented Generation), que consulta bases internas. Para cálculos e estatísticas, como risco de inadimplência, aplicamos machine learning clássico. Escolher errado significa gastar dinheiro resolvendo o problema errado.
Outros atributos incluem a qualidade dos dados de treinamento, a precisão do modelo – % de erros e acertos – e a explicabilidade responde se você consegue entender o raciocínio por trás de cada decisão da IA. Não por acaso, o estudo da McKinsey aponta que imprecisão e falta de explicabilidade estão entre os principais riscos que organizações mais se esforçam para mitigar. E aqui há um problema: a maioria das empresas nem sabe quais dados possui. Onde está a planilha de investimento em anúncios? O relatório de vendas por SKU? Os dados de entrega por região? As métricas de cliques no site? Sem entender isso, investir em IA vira intuição, não decisão de negócio.
Enquanto essa organização acontece, podemos – e devemos – treinar o nosso olhar para pensar de forma orientada a dados. Ser data-driven é uma mentalidade. Trata-se de ter a disciplina de formular hipóteses, buscar evidências nos dados para validá-las e, a partir daí, tomar decisões. É substituir o “eu acho” pelo “os dados mostram que”.
Recentemente adotei uma maneira de treinar esse olhar com um exercício simples: a metodologia “user story” (história de usuário), muito utilizada na construção de produtos digitais no contexto das metodologias ágeis de desenvolvimento de software. O conceito foi publicado por Kent Beck em “Extreme Programming Explained” (1999) e consolidado por Mike Cohn em “User Stories Applied” (2004).
Olhe para os seus dados e pense:
“Como um [tipo de usuário], eu quero [ação/visão/funcionalidade], para que eu possa [objetivo/resultado].”
Aplicar essa didática aos dados nos força a validar a real necessidade de um relatório e, principalmente, a direcioná-lo para quem pode usá-lo e para qual tipo de decisão.
Vamos usar um exemplo da Black Friday?
“Como analista de marketing, quero visualizar o desempenho de vendas por hora para ajustar os anúncios em tempo real. Como gerente de e-commerce, quero um painel consolidado de vendas por região para otimizar o estoque e a logística. Como diretor de operações, quero um mapa de calor de demanda versus custo logístico para decidir sobre a abertura de um novo centro de distribuição.”
Se a sua empresa precisa de dados de mercado e compra relatórios prontos, o desafio é o mesmo. Muitas organizações adquirem dados caros pensando que compram “respostas”, quando na verdade compram “matéria-prima”. Aplicar este racional pode direcionar o olhar para ações concretas.
Com a maturidade e organização dos dados e ciência do tipo de decisão a ser tomada, a IA virá depois – e quando vier, a sua empresa estará pronta.
Maíra Guedes
Colunista ABStartups
