- Executivos destacam que apenas 7% do mercado consegue extrair valor real da IA, devido a desafios de qualificação, métricas e mensuração.
- Gartner projeta que até 2027 cerca de 60% das organizações não gerarão o valor esperado com IA por falhas na governança de dados.
- Modelo de “bolo de cinco camadas” da IA divide em AI Factory, modelos e aplicações; o foco está em casos de uso e retorno para orientar investimentos.
- 90% do esforço de IA em escala envolve engenharia de dados, e 70% dos custos operacionais de um data center estão relacionados à preparação de dados.
- Defende-se governança não invasiva, com camadas de mitigação (RAG, guardrails, RLHF) e foco humano para acelerar adoção sem paralisar operações.
Cristiano Nobrega, Chief Data & AI Officer da TOTVS, apresentou, durante o AI Summit EXAME, que a estratégia de IA nas empresas precisa partir de problemas, métricas, dados, governança e pessoas. O evento ocorreu em São Paulo no dia 2 de junho e reuniu especialistas para debater IA na economia brasileira.
A palestra destacou a distância entre expectativa e resultado. Nobrega citou que apenas 7% do mercado consegue extrair valor real da IA. O diagnóstico aponta falhas em qualificação, mensuração e governança de dados como entraves à adoção efetiva.
Cinco camadas
O executivo mostrou o conceito do bolo de cinco camadas da IA, inspirado em Jensen Huang. As primeiras três formam a AI Factory, com energia, chips e infraestrutura. A quarta é a camada de modelos e a quinta sustenta o caso de negócio com aplicações que justificam o investimento.
Foram apresentados indicadores de sucesso: receita, custo, ROI; métricas operacionais como tempo de execução e grau de automação; critérios de qualidade como precisão e satisfação; além de adoção, conformidade e risco. Um AI FinOps Office foi citado como possibilidade de escalar a mensuração.
Casos antes da IA
Nobrega enfatizou a importância do caso de uso antes do lema AI First. Primeiro, a dor a resolver deve ser definida; depois, entender quais dados são necessários; só então escolher o modelo ou a categoria de IA mais adequada. A apresentação dividiu tecnologias entre algoritmos tradicionais, chatbots, modelos de recomendação e de predição, incluindo IA generativa em três níveis: assistentes, copilotos e agentes.
Ele descreveu quatro características de agentes de IA: ter meta, entender o contexto, saber decidir e agir automaticamente. Tais sistemas podem executar tarefas de ponta a ponta com autonomia variável, conforme risco e controle estabelecidos pela empresa.
Dados definem custos
O tema custo ganhou centralidade ao falar de eficiência. Em escala empresarial, cada chamada, token e etapa de preparação de informações impacta o orçamento. Nobrega aponta que 90% da energia de um projeto recai sobre engenharia de dados. Em data centers, cerca de 70% das despesas operacionais referem-se ao processamento e à preparação de dados.
A preparação prévia das bases corporativas reduz desperdícios e aumenta a viabilidade econômica. Dados devem estar prontos, acessíveis, íntegros e seguros, com escolha de ambiente alinhada ao caso de uso, equilibrando custo e necessidade de tempo real.
Governança que não trava
A governança foi apresentada como requisito para escalar IA sem paralisar operações. O modelo sugerido busca segurança e controle de riscos sem frear as áreas. Entre as técnicas citadas estão RAG, guardrails no MCP, RLHF e prompts constitucionais. Também mencionados frameworks como NIST, ISO e AI TRISM para mitigação de riscos.
A hora da execução
A integração entre IA e capacidade humana foi destacada como decisiva. Treinamento, comunidades internas e indicadores de maturidade aparecem como pontos-chave para a adoção. Nobrega alertou para resistência a mudanças, com impactos em funções, orçamentos e equipes.
Ao encerrar, o executivo ressaltou que empresas acertando o uso da IA generativa podem ampliar oportunidades de receita. A janela de adoção em escala foi indicada entre 2027 e 2029, com exemplos de uso cotidiano de novas tecnologias que aumentam produtividade. A mensagem final enfatiza a aplicação prática, com método e retorno mensurável.
Entre na conversa da comunidade