IA estratégica: o verdadeiro desafio não é técnico, mas sim organizacional. Por, Alejandro Raffaele*

A inteligência artificial (IA) não apenas oferece soluções para as empresas, mas também impõe desafios significativos. As organizações precisam lidar com obstáculos estruturais que vão desde a complexidade de normalizar dados heterogêneos até a falta de profissionais especializados; sem falar nas chamadas “alucinações” dos modelos de IA, que produzem informações incorretas com aparente segurança. Esse cenário torna mais difícil alcançar o retorno esperado sobre o investimento.

Um relatório do MIT mostra que 95% dos projetos-piloto de IA generativa nas empresas não conseguem avançar além da fase experimental. Já estudo da McKinsey aponta que, embora 80% das organizações já tenham adotado tecnologias de IA de ponta, a maioria não experimentou melhorias significativas em seu desempenho operacional.

O que explica essa discrepância entre expectativa e realidade? A resposta está no fato de que cada empresa enfrenta desafios específicos e busca resultados distintos, não soluções genéricas. Por isso, até 2026, a tendência é que as organizações priorizem modelos de IA menores, voltados para casos de uso concretos e mensuráveis.

Diante desse cenário, o primeiro passo deve ser a automação de processos, o que também permite treinar colaboradores para alocá-los em projetos de IA mais inovadores. Paralelamente, é fundamental avançar na normalização de dados, com etapas de revisão, limpeza e otimização. Concluída essa fase, as empresas devem definir casos de uso prioritários e estabelecer indicadores de desempenho claros e mensuráveis.

Entre as aplicações de IA que mais ganham força estão os agentes conversacionais com reconhecimento de voz para aprimorar o atendimento ao cliente; as plataformas de treinamento corporativo que otimizam o fluxo de informações internas; e a aplicação da IA na implementação e melhoria de processos operacionais. Também se destacam o gerenciamento preditivo de projetos, baseado na análise de iniciativas anteriores, e os sistemas de detecção e prevenção de fraudes em transações financeiras.

Ao longo do próximo ano, os agentes de IA (também conhecidos como “IA agêntica”) devem se tornar protagonistas. Capazes de executar processos complexos com compreensão contextual, esses sistemas representam um avanço significativo em relação à automação tradicional. Segundo o Gartner, até o fim de 2026, 40% dos aplicativos empresariais deverão integrar agentes de IA especializados em tarefas, ante menos de 5% em 2025.

Esses agentes dependem de dados rigorosamente gerenciados e em conformidade com as estruturas regulatórias e regulamentações regionais. Por isso, a padronização de dados é um pré-requisito essencial para qualquer empresa que busque resultados consistentes e sustentáveis.

Para apoiar essa jornada, soluções voltadas à automação inteligente e com uma estrutura aberta, flexível e escalável são fundamentais para as empresas definirem os aceleradores de software (hyperscalers) de sua escolha e seguirem com suas jornadas de tecnologia para cada caso de uso.

Seguindo esses passos e adotando plataformas abertas, padronizadas e híbridas (combinando modelos locais e em nuvem), as iniciativas corporativas de IA têm uma chance muito maior de alcançar resultados reais e duradouros.

*Alejandro Raffaele é diretor sênior de vendas enterprise para a América Latina na Red Hat