O CTO da 2people IT explicou onde o uso de AI nos negócios realmente se paga e onde as empresas perdem dinheiro

As empresas pedem cada vez mais para «implantar AI», mas o efeito econômico está longe de aparecer em todos os casos. O CTO da 2people IT, Ilya Trokhin, explica quais tarefas realmente geram retorno e onde as redes neurais ainda são um experimento caro, sem retorno claro.

Por que as demandas fracassam

Pelas observações do autor, a maior parte das demandas de implantação começa não por um problema, mas pelo desejo de «fazer como todo mundo». Já na primeira análise, fica claro que a empresa não tem processo formalizado, métricas claras, uma estrutura de dados decente e nem mesmo uma forma única de executar a tarefa dentro da equipe. Nessa situação, AI não vira uma camada mágica por cima: ela não corrige a desordem operacional, apenas acelera sua reprodução e aumenta o custo dos erros.

AI não corrige o caos. Ela o escala.

Daí vem o principal filtro antes de qualquer piloto: primeiro é preciso calcular onde exatamente o negócio perde dinheiro, tempo ou qualidade. Se os funcionários agem de forma diferente a cada vez, o fluxo de tarefas é pequeno e o resultado não pode ser medido, quase não há nada para automatizar ali. Nesse cenário, o projeto vira ou uma iniciativa de imagem, ou um teste caro de hipótese, sem chances de chegar rapidamente ao retorno. O autor leva diretamente à ideia de que primeiro vem a ordem nos processos, e só depois uma camada de redes neurais por cima.

Onde o efeito aparece rápido

Os casos mais previsíveis são aqueles em que existe um grande volume de operações do mesmo tipo, uma entrada clara e uma parcela relevante de trabalho manual. É exatamente nessas áreas que AI entrega resultado mensurável mais rápido: reduz o tempo de processamento, diminui o número de erros e tira da equipe a carga rotineira. Não se trata de substituir totalmente especialistas, mas de cenários em que o modelo assume o trabalho inicial ou de rascunho, enquanto a pessoa entra nas exceções e no controle de qualidade.

• triagem de solicitações e e-mails recebidos
• extração de dados de contratos, formulários e outros documentos
• respostas a perguntas padrão no suporte e encaminhamento de solicitações
• processamento inicial de candidaturas e solicitações de HR
• preparação de documentação preliminar, casos de teste e protótipos em IT

A matéria analisa separadamente um caso com documentos: antes, um operador conferia manualmente a imagem do passaporte e transferia os campos para o sistema, o que tomava tempo e gerava erros de digitação. Depois da implantação de OCR e da extração automática de dados, o sistema passou a ler sozinho o nome completo, o número do documento e a data de nascimento, enquanto a pessoa passou a entrar apenas nos casos duvidosos.

Uma lógica parecida também funciona no suporte: o assistente resolve atendimentos padrão, acelera a primeira resposta e encaminha adiante apenas os casos fora do padrão, em que um funcionário realmente é necessário.

Outra área que funciona bem é a rotina interna de IT. O autor escreve que a equipe usa AI como acelerador para preparar documentação preliminar, gerar casos de teste, ajudar no code review e fazer prototipagem rápida. Essas ferramentas ainda não conseguem substituir totalmente um desenvolvedor, mas reduzem as horas gastas em tarefas repetitivas e ajudam a lançar MVPs mais rápido. Para projetos comerciais, isso significa prazos menores e menos pressão sobre o orçamento, especialmente nas etapas iniciais.

Como calcular o retorno

O autor propõe não começar pela escolha do modelo ou do fornecedor, mas passar por uma auditoria operacional curta e avaliar se o processo está pronto para a implantação. Primeiro, é preciso entender o custo do processo atual; depois, o volume de operações por mês; em seguida, encontrar o gargalo e verificar se a empresa tem dados suficientes para a automação. Só quando esses quatro pontos estão confirmados AI deixa de ser um adorno da moda e passa a ser uma ferramenta com lógica de negócio clara e efeito previsível.

Quando o volume é pequeno, o processo é instável ou a empresa tenta substituir totalmente a pessoa, a implantação costuma emperrar. O efeito econômico aparece apenas nos casos em que a solução ou reduz custos concretos, ou acelera o ciclo, ou diminui a quantidade de erros. Se isso não puder ser expresso em dinheiro, prazos ou SLA, o projeto provavelmente foi lançado cedo demais. Nessas condições, a automação convencional sem redes neurais às vezes traz mais valor, porque custa menos, é implantada mais rápido e não exige preparação complexa de dados.

O que isso significa

Para as empresas, este é mais um lembrete de que AI funciona melhor não como vitrine de inovação, mas como ferramenta aplicada para processos massivos, repetíveis e caros. As vitórias mais rápidas hoje estão em documentos, suporte, assistentes internos e tarefas rotineiras de equipes de IT, e não em tentativas de «automatizar tudo de uma vez».