Uma demonstração de inteligência artificial pode ser preparada em pouco tempo e surpreender qualquer comité de direção. Ainda assim, o desafio não está em mostrar aquilo que a IA é capaz de fazer num ambiente controlado, mas em conseguir que essa capacidade funcione de forma estável, segura e útil na operação real. É precisamente na distância entre a demonstração e a fiabilidade na operação que se decide se a IA acrescenta valor ou apenas cria expectativas.

E o potencial é real: a IA generativa pode resumir documentos, classificar pedidos, localizar informação, redigir respostas ou gerar código em segundos. A dificuldade surge quando capacidades ainda em desenvolvimento são apresentadas como se já estivessem preparadas para qualquer organização.

A IA é muito mais fácil de demonstrar do que de transformar numa capacidade operacional. Basta um caso controlado para obter, em segundos, um resultado que anteriormente exigia tempo e conhecimento especializado.

Essa facilidade aumenta expectativas geradas num contexto em que os fabricantes projetam um futuro quase milagroso com os seus modelos, as redes sociais enchem-se de casos de sucesso, cursos para “desenvolver IA” em três dias e prompts apresentados como soluções universais, enquanto os fornecedores de serviços apresentam os desenvolvimentos em curso como produtos finais.

E isso leva os clientes a esperar que os seus fornecedores disponham já de capacidades prontas a melhorar a sua produtividade e a reduzir custos. A expectativa é compreensível, mas deve ser gerida com rigor: entre uma prova promissora e uma solução industrializada existe, muitas vezes, uma parte significativa do esforço, do custo e do risco do projeto.

Para compreender melhor essa distância, importa separar duas dimensões que, quando falamos de inteligência artificial, são frequentemente confundidas: a maturidade tecnológica de uma ferramenta e a profundidade com que esta é integrada no nosso trabalho quotidiano.

A primeira dimensão é a maturidade, que mede a fiabilidade tecnológica através de três situações diferentes. Num primeiro nível está aquilo que é tecnicamente possível: o modelo consegue resolver uma tarefa, mas apenas em condições muito específicas. Depois surge aquilo que foi demonstrado de forma consistente: a ferramenta já foi testada com casos reais, apresenta resultados estáveis e, sobretudo, temos claros quais são os seus limites. Finalmente, está aquilo que se encontra preparado para produção: a solução pode operar no dia a dia da empresa com segurança e controlo, sabendo gerir dados imperfeitos, exceções e o seu impacto no negócio.

A segunda dimensão é a profundidade, que define o grau de autonomia e o alcance da IA nas nossas tarefas. Na sua forma mais básica surge o copiloto de uso geral, que ajuda a redigir, resumir ou pesquisar informação, enquanto o utilizador fornece o contexto e revê o resultado final. Também pode ser aplicada a uma atividade específica, como classificar uma caixa de entrada de pedidos ou preparar o rascunho de uma resposta. Um nível superior de integração permite ligar a IA a sistemas e dados, sempre de acordo com as permissões definidas, reduzindo pesquisas manuais e etapas operacionais. Por fim, um agente com capacidade de atuação já não se limita a sugerir ou pesquisar informação: coordena diferentes ferramentas e executa ações autonomamente dentro de um fluxo de trabalho.

Estas duas dimensões podem cruzar-se de formas muito diferentes. Podemos ter uma solução com uma integração muito profunda nos nossos sistemas, mas que, do ponto de vista tecnológico, continua a ser muito imatura. Por outro lado, um simples copiloto com funcionalidades limitadas pode estar perfeitamente preparado para entrar em produção.

Também não é necessário procurar sempre o nível máximo de integração. Para muitas atividades, utilizar corretamente um copiloto básico proporciona um valor significativo quase de imediato. É uma abordagem com menor complexidade e menor risco, uma vez que funciona como um suporte inteligente para um ser humano que, supostamente, é quem fornece o critério final.

Independentemente da profundidade escolhida, uma solução de IA continua a ser software: necessita de dados, segurança, testes, operação e manutenção. No entanto, os LLM exigem avaliações adicionais.

O primeiro desafio é a veracidade: o modelo pode gerar uma resposta plausível e bem redigida sem que esta esteja efetivamente sustentada pela informação disponível. Isto obriga a controlar quais as fontes que utiliza, se estão atualizadas e se a resposta é realmente suportada por essas fontes.

O segundo desafio consiste em avaliar a qualidade quando não existe uma única resposta correta. Nestes casos, não basta superar um conjunto fechado de testes: é necessário definir critérios de aceitação, avaliar casos representativos e acompanhar o comportamento durante a operação, tendo em conta que este pode mudar quando se alteram o modelo, as fontes ou o contexto.

As exigências dependerão do caso de uso, do seu grau de autonomia e do risco associado. Num copiloto, o foco está principalmente na proteção da informação, na definição de critérios de utilização e na garantia de revisão por parte do utilizador. Quando a IA é aplicada a tarefas estruturadas, é necessário definir claramente o que recebe, o que deve devolver e como é avaliada. Se for integrada com outros sistemas, acrescentam-se a gestão de permissões, a rastreabilidade e o controlo da informação utilizada. E, se tiver capacidade para executar ações, é também necessário definir o que pode fazer autonomamente, o que requer aprovação e como reverter uma atuação incorreta.

Por exemplo, num serviço de manutenção de aplicações, uma base de conhecimento desatualizada pode deteriorar inadvertidamente as respostas. Uma recomendação incorreta também pode atrasar a identificação de uma solução ou gerar outro problema em produção.

Tudo isto obriga a passar do potencial para o caso real. Perante uma inteligência artificial em constante evolução, o nosso papel enquanto consumidores deve ser estratégico. A chave está em escolher o nível de profundidade adequado a cada necessidade do negócio, compreendendo que uma maior integração e autonomia implicam, geralmente, mais esforço de implementação, operação e controlo.

A IA não é uma solução universal. Em algumas tarefas, oferece capacidades que superam as das pessoas; noutras, complementa o seu trabalho enquanto copiloto e, em muitas, permite simplesmente fazer o mesmo de forma mais rápida ou cómoda. O verdadeiro desafio consiste em avaliar o retorno de cada caso de uso e antecipar a dependência tecnológica, incluindo uma possível subida dos custos dos fornecedores.

Experimentar e transformar são coisas diferentes. Uma equipa automatiza relatórios, outra cria um assistente para clientes e outra testa agentes de IA. Cada iniciativa pode gerar valor, mas a sua soma não é, por si só, uma estratégia de IA.

A adoção da IA nas organizações tende a evoluir por etapas. Primeiro, transforma tarefas: a análise fica mais rápida, o conteúdo mais barato e o trabalho administrativo mais simples. Depois, transforma workflows: as tarefas recombinam-se, as responsabilidades alteram-se, e as pessoas passam a supervisionar processos parcialmente executados por máquinas. A terceira etapa é a estratégica: a IA muda a forma como os clientes pesquisam, escolhem e compram e, com isso, o modelo de negócio pode começar a mudar.

O retalho é um bom exemplo. Durante décadas, empresas como a Amazon ganharam força ao reunir descoberta, comparação, transação e entrega. Os agentes de IA podem voltar a separá-las. Imaginemos um consumidor a pedir a um agente de IA: “Encontra-me os melhores ténis de corrida até 150 euros, compara as opções e compra o melhor par.” O retalhista continua a ter o produto e a assegurar a entrega, mas outro ator passa a influenciar o momento mais valioso: decidir o que comprar. Isto já tem peso económico: o tráfego enviado por IA para retalhistas cresce rapidamente, e a própria Amazon já investe fortemente em compras com agentes.

A questão vai além do uso interno nas empresas: os líderes têm de perceber como a IA pode mudar a relação com os clientes, que atividades se tornam commodities e onde estará a vantagem competitiva.

Escalar a IA exige, por isso, responder a três perguntas: onde pode a IA melhorar a eficiência hoje? Que workflows devemos redesenhar a seguir? E que partes do modelo de negócio poderá a IA transformar amanhã?

Aqui a conversa passa da tecnologia para a estratégia. Os líderes têm de decidir que capacidades querem manter internamente, e quais “comprar”, onde o julgamento humano continua a ser indispensável, e que posições no seu ecosystem não podem perder.

As competências também contam. Saber escrever prompts já não chega: é preciso saber quando confiar na IA, quando a questionar e como combiná-la com o julgamento humano. Enquanto Diretor Académico do The Lisbon MBA Católica|Nova, vejo-o refletido no ensino da gestão: a IA deve servir não só para aumentar a produtividade, mas para desafiar os alunos, enquanto líderes, a questionar resultados, comparar alternativas e justificar melhor as suas decisões. Compreender a tecnologia é importante, mas a sua maior responsabilidade será redesenhar organizações e decidir onde a IA deve, ou não, transformar o negócio.

É também, por isso, que o número de projetos-piloto deixa de ser uma boa medida de maturidade, se não for acompanhado de uma estratégia clara. A vantagem duradoura não será das organizações com mais pilotos, mas das que avançarem deliberadamente das ferramentas para os processos e destes para as escolhas de modelo de negócio.

As ferramentas continuarão a mudar. A verdadeira tarefa estratégica é perceber o que deve mudar com elas, e o que deve permanecer distintivamente seu.