Habr AI explica por que o ChatGPT não deve escrever pela empresa o termo de referência para implantar IA

A tentação de entregar à IA não só a implantação de IA, mas também a preparação do termo de referência parece lógica: é rápido, barato e dispensa entrevistas longas. Mas é justamente nessa etapa que a empresa costuma receber um documento bonito, mal conectado à tarefa real, aos processos e às restrições da equipe.

Por que o modelo pronto não funciona

Quando um gestor ou cliente pede ao ChatGPT que escreva o termo de referência para implantar IA, o modelo normalmente monta um modelo universal verossímil. Ele traz as palavras certas: análise de dados, escolha do modelo, segurança, integração, métricas de qualidade. O problema é que esse texto é construído por probabilidade, e não pelo conhecimento de uma empresa específica. Ele não sabe como funcionam as aprovações, onde ficam os dados, quem responde pelo suporte nem quais soluções já não pegaram dentro da empresa.

Por isso, o documento pode parecer maduro e continuar vazio no nível da execução. Muitas vezes faltam prioridades, limites do projeto, critérios de aceite e descrição de exceções. É ainda pior se o termo é escrito por alguém que não domina totalmente a área, e a IA apenas embala essas lacunas num estilo oficial. O resultado não é um documento de engenharia, mas uma imitação convincente. Isso é perigoso já no início do projeto.

Que problemas aparecem

O artigo argumenta que a geração por IA é especialmente perigosa justamente em projetos de implantação de IA. Há dependências demais: qualidade dos dados de origem, restrições legais, custo da infraestrutura, integrações com sistemas internos e requisitos de explicabilidade dos resultados. Um texto genérico quase inevitavelmente suaviza essas arestas e cria a ilusão de que a tarefa já está formalizada. Assim, os riscos reais do projeto aparecem tarde demais, quando parte do dinheiro já foi gasta.

• As formulações ficam genéricas demais e admitem dezenas de interpretações
• Os requisitos sobre os dados e sua qualidade são descritos de forma superficial
• As métricas de sucesso são trocadas por KPIs abstratos, sem ligação com o negócio
• Prazos e orçamento só parecem realistas no papel
• Comparar fornecedores com esse termo distorce o quadro, porque todos respondem a um pedido vago

Isso atinge mais do que a etapa de escolha do fornecedor. Se um termo fraco for enviado a várias equipes e, depois, a IA for chamada para avaliar as propostas, o erro se multiplica. O sistema vai comparar as respostas com o mesmo modelo superficial e favorecer quem acertou melhor as palavras formais, e não quem entendeu o problema com mais profundidade. No fim, é possível escolher um fornecedor com apresentação bonita e arquitetura fraca.

Onde a IA é útil

Isso não significa que a IA deva ser removida do processo de preparação do termo. Ela tem um papel útil, mas de apoio. O modelo pode estruturar informações já coletadas: transformar a entrevista com o cliente em um rascunho de seções, sugerir uma lista de perguntas de esclarecimento, ajudar a checar lacunas lógicas e padronizar a terminologia. Ou seja, a IA funciona bem como acelerador do trabalho editorial e analítico, não como substituta do levantamento do projeto.

Uma abordagem que funciona é esta: primeiro, a equipe registra manualmente o objetivo de negócio, o processo atual, as restrições, os dados disponíveis, os responsáveis pela decisão e os critérios de resultado. Depois, a IA ajuda a dar forma clara a isso, mas não substitui a expertise dos especialistas da área, dos analistas e do líder técnico. Quanto mais cara for uma falha de implantação, mais perigoso é confiar ao modelo a formulação dos requisitos iniciais sem revisão humana. E só depois disso o texto é entregue ao modelo para ajustes e edição.

O que isso significa

A conclusão principal é simples: a IA pode acelerar a preparação do termo de referência, mas não consegue determinar sozinha, com confiabilidade, o que exatamente precisa ser implantado e como isso vai funcionar dentro de uma organização específica. Se o modelo for usado como autor dos requisitos, a empresa corre o risco de comprar não uma solução, mas uma indefinição bem formatada. Principalmente em projetos em que depois será preciso mudar processos, orçamento e responsabilidades das pessoas. É isso que torna esses documentos especialmente caros.