Quase todas as empresas já testaram alguma ferramenta de IA. Poucas conseguem dizer, com número, o que ela devolveu. O problema deixou de ser acesso à tecnologia e passou a ser implementação: escolher o caso certo, medir o antes e o depois, e colocar a ferramenta dentro do trabalho real das pessoas.
Os dados de pesquisa apontam na mesma direção. A diferença entre experimentar e obter resultado está em processo, não em modelo. Este guia organiza esse processo em seis etapas: diagnóstico, priorização, decisão entre comprar e construir, piloto, medição de retorno e governança.
O foco é a empresa de pequeno e médio porte, inclusive o e-commerce. Para ver onde a IA ajuda por área, veja o guia prático de IA no marketing.
Por que tantos projetos de IA não saem do piloto
Três levantamentos ajudam a dimensionar o problema. Cada um tem escopo e metodologia distintos, e por isso a tabela traz o que foi medido, não só o número.
| Fonte | Escopo | O que encontrou |
|---|---|---|
| MIT, The GenAI Divide: State of AI in Business 2025 (relatado pelo Computing) | 150 entrevistas com líderes, pesquisa com 350 funcionários e análise de 300 implementações públicas | Cerca de 95% dos pilotos corporativos de IA generativa não chegaram a adoção em escala; a causa apontada é a lacuna entre ferramentas e fluxos de trabalho |
| McKinsey, The state of AI | 1.993 participantes em 105 países | 88% usam IA em ao menos uma função; cerca de um terço começou a escalar; 39% veem algum impacto no resultado, em geral abaixo de 5% do EBIT |
| Gartner (previsão) | Análise de mercado, não medição | Mais de 40% dos projetos de agentes de IA devem ser cancelados até o fim de 2027, por custo, valor pouco claro e controles de risco inadequados |
Os números pedem leitura cuidadosa. O estudo do MIT foi lido aqui por meio de um publisher de tecnologia, e o conceito de “fracasso” depende da definição do relatório. O levantamento da McKinsey é autorrelatado, e a previsão do Gartner é uma estimativa. O que eles têm em comum é o diagnóstico: o gargalo está em transformar uso em resultado.
No Brasil, a pesquisa TIC Empresas do Cetic.br, do NIC.br, ouviu 4.174 empresas com 10 ou mais pessoas ocupadas. Segundo o resumo executivo da edição 2025, 17% das empresas usam IA (13% na edição anterior). Entre as pequenas, o uso é de 15% (10% antes), e entre as grandes, 50% (38% antes). O uso cresce, mas ainda é minoria, o que deixa espaço para quem implementar com método.
Passo 1: faça o diagnóstico antes de escolher a ferramenta
O primeiro erro é começar pela ferramenta. O ponto de partida é o processo: onde há volume, repetição e custo que você consiga medir. Atendimento, cadastro de produtos, conciliação e pós-venda costumam ser bons candidatos.
Em duas a três semanas, faça quatro coisas:
- Mapeie processos com volume e repetição e meça a linha de base: horas, custo e taxa de erro por mês. Sem o “antes”, não existe ROI.
- Inventarie sistemas e dados (loja, ERP, WhatsApp, atendimento) e marque onde há dados pessoais.
- Liste os usos informais de IA que a equipe já faz sem aprovação. O MIT chama esse fenômeno de shadow AI, e ele revela onde há necessidade real.
- Defina quem é o responsável pelo projeto e quem aprova decisões de risco.
Passo 2: priorize casos de uso com impacto e esforço
Dê nota de 1 a 5 para impacto no negócio e para esforço de implantação (dados, integração, mudança de rotina). A prioridade é o impacto dividido pelo esforço. É um método simples da Analytikos para ordenar a lista, não um padrão de mercado.
| Caso de uso (exemplo) | Impacto | Esforço | Prioridade (impacto ÷ esforço) |
|---|---|---|---|
| Descrição de produtos em lote | 3 | 1 | 3,0 |
| Respostas a perguntas frequentes de pós-venda | 4 | 2 | 2,0 |
| Recuperação de carrinho personalizada | 4 | 3 | 1,3 |
| Previsão de demanda | 5 | 5 | 1,0 |
A previsão de demanda tem o maior impacto, mas a pior prioridade, porque exige dados históricos limpos e integração. A descrição de produtos em lote, com impacto menor, entrega resultado rápido e com baixo risco. Comece por um caso de prioridade alta e com dados disponíveis. Casos de esforço 5 ficam para depois que a equipe ganhar prática.
Passo 3: compre antes de construir
A decisão entre comprar uma ferramenta pronta e desenvolver uma solução própria pesa no prazo e no custo. O levantamento do MIT, na leitura do Computing, relata sucesso em cerca de dois terços dos casos com ferramentas adquiridas de fornecedores, contra cerca de um terço nos sistemas feitos internamente. Trate como indicação, já que a definição de sucesso é do relatório.
A regra prática: compre quando o problema é comum (atendimento, redação, análise) e construa apenas quando houver um diferencial competitivo claro e capacidade técnica para manter o sistema.
Passo 4: rode um piloto com começo, meio e critério de parada
Um piloto bem desenhado dura de seis a oito semanas, envolve um caso, uma equipe e uma comparação. A comparação pode ser com um grupo que não usa a ferramenta ou com a linha de base anterior. Defina antes de começar:
- A hipótese: “a IA reduz o tempo de resposta em X% sem piorar a satisfação”.
- Uma métrica principal (horas economizadas, tempo de primeira resposta, taxa de resolução ou custo por atendimento).
- Uma métrica de qualidade (taxa de erro, reclamações) e uma de risco (incidentes com dados).
- A regra de revisão humana: quem confere a saída antes de chegar ao cliente.
- O critério de parada e de escala: quanto de ganho é suficiente, em que prazo.
- 1DiagnósticoProcessos, linha de base, dados e usos informais (2 a 3 semanas).
- 2PriorizaçãoMatriz de impacto por esforço e escolha de um caso.
- 3Compra ou construçãoFerramenta pronta primeiro, desenvolvimento só com capacidade.
- 4PilotoUma equipe, um grupo de comparação, 6 a 8 semanas.
- 5Medição de ROIBenefício anual menos custo total, com revisão humana incluída.
- 6Governança e escalaResponsável, regras de dados, revisão mensal e expansão.
Imagem: Analytikos
Passo 5: calcule o retorno com todos os custos
ROI (%) = (benefício anual − custo total) ÷ custo total × 100. O benefício vem das horas liberadas, dos erros evitados ou da receita adicional. O custo precisa incluir a ferramenta, a implantação, o treinamento e a revisão humana.
Exemplo ilustrativo de atendimento: a loja recebe 1.500 chamados por mês e a IA resolve 20% deles (300). Cada chamado leva 8 minutos, então são 300 × 8 = 2.400 minutos, ou 40 horas por mês. A R$ 35 por hora, com encargos, o benefício é de R$ 1.400 por mês, ou R$ 16.800 por ano.
O custo do primeiro ano: ferramenta de R$ 500 por mês (R$ 6.000), implantação única de R$ 4.000 e R$ 1.800 de tempo de revisão. Total de R$ 11.800. O ROI é (16.800 − 11.800) ÷ 11.800 = 42%, e o payback é de 11.800 ÷ 1.400 = 8,4 meses.
Gráfico: Analytikos, com dados ilustrativos
Se a revisão humana fosse esquecida, o custo cairia para R$ 10.000 e o ROI pareceria 68%. A omissão de um item de R$ 1.800 muda a conclusão. Esse é o tipo de distorção que a linha de base e a contabilidade completa evitam.
Passo 6: governança antes de escalar
Governança não precisa ser pesada. Em empresas menores, uma página com responsável, usos aprovados e regras de dados já resolve a maior parte do risco. Três referências ajudam a estruturar.
LGPD
A Lei 13.709/2018 já se aplica a qualquer uso de IA com dados pessoais. O art. 6º traz princípios como finalidade, necessidade, transparência, segurança e responsabilização, o art. 7º define as bases legais, e o art. 20 garante ao titular o direito de pedir revisão de decisões tomadas unicamente por tratamento automatizado que afetem seus interesses. A regra interna mais útil: dado pessoal só entra em ferramenta com contrato adequado e base legal definida.
NIST AI RMF
O AI Risk Management Framework, do NIST (EUA), é voluntário e organiza a gestão de risco em quatro funções: Govern, Map, Measure e Manage. Uma versão enxuta cabe numa empresa pequena: quem decide, onde a IA é usada, como se mede a qualidade e como se corrigem os problemas.
Marco legal brasileiro
O projeto de lei do marco legal da IA (PL 2338/2023) já passou pelo Senado e tramita na Câmara, conforme noticiado pela imprensa especializada. Ele ainda não é lei, e o texto pode mudar. Isso não é motivo para esperar: a LGPD já vale hoje. Para uma comparação, veja o que a lei de IA da União Europeia passou a exigir.
Passo 7: escale com padrão e monitoramento
Só escale depois que o piloto bater a meta. Padronize o processo, treine quem vai usar, monitore qualidade e custo todo mês e revise contratos e preços periodicamente. Para o atendimento, o risco de escala está na passagem para humano: veja o que mostra o estudo sobre clientes que repetem o problema após o handoff.
Erros comuns na implementação de IA
Os erros abaixo se repetem de empresa para empresa. Eles se agrupam em escolha, execução e risco.
Erros de escolha e planejamento
| Erro | Por que acontece | Efeito | Como corrigir |
|---|---|---|---|
| Começar pela ferramenta, não pelo problema | Pressão por não ficar para trás | Ferramenta sem uso claro e custo sem retorno | Fazer diagnóstico e escolher o caso pela matriz |
| Não medir a linha de base | Falta de tempo no início | Impossível calcular ROI depois | Medir horas, custo e erros por 4 semanas antes |
| Escolher o caso mais ambicioso | Busca por impacto alto | Piloto longo, caro e sem entrega | Priorizar por impacto ÷ esforço |
| Concentrar a IA só em marketing e vendas | É a área mais visível | Ignorar ganhos em processos internos | Avaliar também o back-office, onde o MIT relata melhor retorno |
Erros de execução
| Erro | Por que acontece | Efeito | Como corrigir |
|---|---|---|---|
| Construir internamente sem capacidade | Desejo de controle | Projeto longo e instável | Avaliar compra antes de construir |
| Ignorar o fluxo de trabalho | Foco na tecnologia | Equipe não adota e a ferramenta é abandonada | Redesenhar o processo e treinar quem usa |
| Piloto sem critério de parada | Falta de meta | Piloto eterno sem decisão | Definir meta e prazo antes de começar |
| Deixar custos fora do ROI | Contar só a licença | ROI inflado | Incluir implantação, treinamento e revisão humana |
| Medir atividade, não resultado | Mensagens e textos gerados são fáceis de contar | Sucesso aparente sem efeito no negócio | Acompanhar custo, receita e satisfação |
Erros de risco e governança
| Erro | Por que acontece | Efeito | Como corrigir |
|---|---|---|---|
| Dados pessoais em ferramentas sem contrato ou base legal | Uso informal | Risco de LGPD e de vazamento | Política de dados e revisão de contratos |
| Ignorar o uso informal da equipe | Proibição sem alternativa | Dados saem da empresa sem controle | Oferecer ferramenta aprovada e regras claras |
| Esperar o marco legal para ter governança | Acreditar que não há regra hoje | Exposição à LGPD já vigente | Começar com uma política enxuta agora |
Checklist de implementação de IA
- Medi a linha de base do processo escolhido.
- Listei os usos informais de IA e os dados pessoais envolvidos.
- Pontuei os casos por impacto e esforço.
- Avaliei comprar antes de construir.
- Defini hipótese, métricas e critério de parada do piloto.
- Prevo a revisão humana nas saídas que chegam ao cliente.
- Calculei o ROI com todos os custos.
- Nomeei o responsável e escrevi a política de uso.
- Defini a rotina mensal de monitoramento.
Perguntas frequentes
Por onde começar a implementar IA na empresa?
Pelo diagnóstico: escolha um processo com volume e custo mensuráveis, meça a linha de base e pontue os casos por impacto e esforço. A ferramenta vem depois.
Quanto tempo leva um piloto de IA?
De seis a oito semanas costuma bastar para um caso, desde que a hipótese, a métrica e o critério de parada estejam definidos antes.
Como calcular o ROI de um projeto de IA?
Subtraia o custo total do benefício anual e divida pelo custo total. Inclua ferramenta, implantação, treinamento e revisão humana. No exemplo do artigo, o ROI do primeiro ano é de cerca de 42%.
Vale mais comprar ou construir uma solução de IA?
Em geral, comprar para problemas comuns e construir só quando há diferencial competitivo e capacidade de manutenção. O MIT relata mais sucesso com ferramentas adquiridas, mas é uma indicação, não uma regra.
A LGPD se aplica ao uso de IA?
Sim, sempre que houver tratamento de dados pessoais. Vale revisar bases legais, contratos com fornecedores e a possibilidade de revisão de decisões automatizadas, e consultar o responsável de privacidade.
O marco legal da IA já está em vigor no Brasil?
Não. O PL 2338/2023 tramita na Câmara dos Deputados, e o texto pode mudar. Acompanhe a tramitação, sem deixar de cumprir a LGPD.
