Seu primeiro projeto de IA: escolha um resultado mensurável

O primeiro projeto de IA de uma empresa define se haverá um segundo. Se entrar em produção em semanas e alguém puder apontar um indicador que mudou, o próximo projeto recebe financiamento. Se se arrastar por um trimestre e terminar em uma demo, o assunto fica parado por um ano.

Por isso, a pergunta não é “qual é a coisa mais ambiciosa que poderíamos fazer com IA”. É “qual é a menor coisa que poderíamos fazer e que alguém perceberia”.

Comece atrás do firewall

Os melhores primeiros projetos funcionam dentro da empresa, sem ficarem expostos aos clientes. Um agente interno que é ativado em horários programados —a cada hora, todas as noites— lê o que precisa ler, redige o que precisa redigir e deixa o resultado para uma pessoa aprovar.

Esse formato resolve a maioria dos problemas que fazem os primeiros projetos fracassarem antes de começar:

• Nada precisa ficar ativo o tempo todo. Uma tarefa agendada não precisa de infraestrutura em tempo real nem de uma GPU esperando tráfego.
• A revisão está integrada. Uma pessoa aprova cada resultado antes que qualquer ação aconteça. A governança faz parte do próprio fluxo de trabalho.
• A métrica é evidente. As horas que antes eram gastas na tarefa e que agora já não são necessárias.

Os candidatos geralmente estão à vista: o relatório semanal que alguém monta à mão, as notas de reuniões que ninguém redige, os registros do CRM que ficam desatualizados, os recibos que se acumulam antes da conciliação e os sinais de vendas enterrados em um arquivo de e-mails. Cada um exige semanas de trabalho, em vez de trimestres.

A aprovação humana é a parte importante e foi projetada para ser temporária. No início, quem revisa identifica as omissões e os casos excepcionais, e cada correção vira uma regra que o agente segue na próxima vez. Quando as correções se aproximam de zero, essa etapa de aprovação pode ser removida. A autonomia é algo que um agente conquista.

Os dados que você já tem

Antes de recorrer a um modelo de linguagem, examine as planilhas, os logs de aplicações, os registros de transações e as exportações do CRM que a empresa já produz. Dados estruturados como esses alimentam modelos preditivos que são pouco chamativos e confiáveis há uma década; isso é o que você quer em um primeiro projeto.

O que você pode prever com os dados que já existem:

• Disponibilidade de estoque, para deixar de ficar sem produtos e de pedir além do necessário
• Demanda por dia ou hora, para ajustar o quadro de pessoal e o estoque
• Carga de infraestrutura, para que a capacidade na nuvem aumente antes do pico, e não depois
• Perda de clientes, com antecedência suficiente para intervir
• Qualidade dos leads, para dedicar o tempo de vendas a quem tem mais chance de se tornar cliente

Modelos construídos com bibliotecas padrão —XGBoost, scikit-learn— rodam em milissegundos, custam muito pouco para operar e produzem resultados que uma equipe de compliance pode examinar. Raramente você precisa de um novo pipeline de dados para começar. Uma exportação bem mantida e um objetivo claramente definido costumam ser suficientes.

A ferramenta certa, não a que está na moda

Um primeiro projeto ensina algo mais valioso que o resultado: qual tipo de IA se encaixa em cada tipo de problema. Nem tudo precisa de um modelo de linguagem, e saber quando ele não é necessário é uma vantagem competitiva.

Modelos de linguagem conquistam seu lugar quando a entrada é linguagem: resumir documentos longos, responder a perguntas sobre conteúdo não estruturado, redigir comunicações que precisam de contexto e extrair estrutura de textos desorganizados.

O aprendizado de máquina clássico é a melhor opção quando a entrada é uma tabela: previsões a partir de dados estruturados, pontuações que precisam ser calculadas em milissegundos, resultados que devem ser totalmente explicáveis e cargas de trabalho que precisam escalar com baixo custo.

Os sistemas mais duradouros combinam os dois: um modelo rápido para a previsão e um modelo de linguagem para as partes que realmente envolvem ler e escrever.

O que fazem as empresas que chegam a um segundo projeto

1. Delimitam o problema. Um processo interno, uma métrica clara e um escopo pelo qual uma equipe possa se responsabilizar.
2. Usam os dados que já existem. Novas fontes de dados ficam para um segundo projeto.
3. Integram a aprovação desde o primeiro dia. A revisão humana permite que as pessoas envolvidas aprendam a confiar no sistema e que o sistema aprenda.
4. Tornam o resultado visível. Um indicador que mudou, mostrado às pessoas que financiam o próximo projeto.
5. Registram o que aprenderam. Especialmente o que não funcionou: isso poupa um mês do segundo projeto.

Se você suspeita que a IA poderia fazer mais por você, mas não sabe por onde começar, essa é a pergunta que o AI Discovery Sprint busca responder: duas semanas com os engenheiros que o construiriam, ao fim das quais você saberá qual é o primeiro projeto e por quê.