Raft apresenta o framework «AI KOMP-AS» para adotar IA com retorno e segurança

A Raft apresentou o AI KOMP-AS, um framework que propõe enxergar a adoção de IA não como um conjunto de experimentos da moda, mas como uma transformação de negócio gerenciável, com valor mensurável, limites claros e uma rota calculada de antemão, da ideia até a escala. A abordagem se baseia na experiência prática da equipe ao longo de 14 anos desenvolvendo e implantando soluções de IA/ML para clientes na Rússia e no exterior.

A tese central é simples: a simples disponibilidade de modelos já não basta para que um projeto entregue resultado. Para executivos e donos de empresas, a alfabetização em IA vira uma competência aplicada, da qual dependem a economia da companhia, a velocidade das mudanças e a capacidade de não gastar orçamento em iniciativas sem efeito. Se a tecnologia for adotada de forma consciente, pode se tornar motor de crescimento. Se não, rapidamente vira uma despesa cara e mal controlada.

A Raft ilustra essa distância entre expectativa e retorno real com dados do relatório do MIT The GenAI Divide: State of AI in Business 2025: no horizonte de um ano, apenas uma organização em cada vinte obteve efeito econômico positivo com a adoção de IA.

As causas são conhecidas pela maioria das empresas: não está claro onde exatamente a IA trará o maior benefício, como conciliar as capacidades da tecnologia com os processos reais, que riscos estão escondidos nos dados, na infraestrutura e no modelo operacional, e em que momento faz sentido transformar um piloto em produto. Nesse contexto, a ideia do framework parece menos uma metodologia abstrata e mais um jeito de reduzir a chance de erros caros logo no início.

O AI KOMP-AS divide a transformação com IA em seis etapas sequenciais.

• A primeira, «K»: aonde a empresa quer chegar, ou seja, quais objetivos de negócio, pontos de crescimento e restrições precisam ser considerados.
• A segunda, «O»: de onde a rota parte, incluindo o estado atual de processos, tecnologia e pontos de dor.
• A terceira, «M»: se a organização consegue, afinal, percorrer esse caminho, considerando a maturidade dos processos, a cultura, a qualidade dos dados, a infraestrutura disponível e os riscos regulatórios.
• A quarta, «P»: como priorizar as iniciativas por valor e justificativa econômica, para não automatizar tudo indiscriminadamente.
• A quinta, «A»: design de arquitetura e produto, em que se validam hipóteses, formulam-se requisitos e avaliam-se riscos, custo de propriedade e o roadmap para levar a solução do protótipo a uma produção mínima necessária.
• A sexta, «S»: escala, quando a equipe prepara a estratégia de passar do MVP à automação plena de uma função com IA sem perder controle e qualidade.

Uma parte importante da abordagem é abandonar a lógica de «primeiro o modelo, depois a gente vê para que serve». No AI KOMP-AS a ordem é inversa: primeiro o contexto de negócio e os critérios de sucesso, depois a avaliação de prontidão e economia, e só então o design da solução e a implantação. Para as empresas, isso significa uma filtragem mais rígida de ideias na entrada, uma escolha mais clara de casos de uso e menos chance de cair na armadilha dos pilotos de demonstração, que impressionam, mas não sobrevivem ao encontro com processos reais, segurança, integrações e custos de manutenção.

A Raft destaca separadamente que o roadmap deve considerar não só a funcionalidade, mas também os requisitos não funcionais, as restrições e o cenário de escala; caso contrário, o sucesso local não se converte em resultado sistêmico.

O que isso significa na prática: o mercado vai deixando de falar em «implantar IA a qualquer custo» e passa a falar em disciplina de implantação. O AI KOMP-AS é interessante justamente como tentativa de empacotar essa mudança em um esquema de gestão claro: da meta e do diagnóstico às prioridades, à arquitetura e à escala. Para empresas cansadas de experimentos caóticos e em busca de um jeito de amarrar as iniciativas de IA a ROI, TCO e restrições reais de negócio, esse framework pode ser um ponto de partida útil.

Não é garantia de sucesso, mas um modo de aumentar de forma notável a chance de que o investimento em IA entregue não só uma demonstração de capacidades, mas um efeito econômico mensurável.