Segundo o relatório State of AI da McKinsey, 88% das empresas já utilizam IA em alguma função, mas a maioria permanece em fase experimental, sem escala.
O cenário evidencia um desafio comum no mercado: a distância entre experimentar IA e implementá-la de forma estratégica, escalável e operacionalmente sustentável.
“O que vemos com frequência é a organização ter o objetivo de implementar IA de forma bem estruturada no papel e descobrir, já no meio do caminho, que as informações não estão organizadas, ou que os sistemas não se comunicam, e além: que o processo que a IA deveria automatizar nunca foi documentado. Não é um problema de tecnologia, e sim de preparo”, comenta André Junges, CRO do Grupo Supero, ecossistema de tecnologia especializado em operações complexas.
Segundo o executivo, existem três conceitos que CIOs, líderes de operação e empresas precisam dominar antes de avançar em qualquer implementação de LLM (Large Language Model ou Grande Modelo de Linguagem) para implementar IA além do hype.
1 – Modelos de linguagem não identificam dados inconsistentes — apenas processam as informações disponíveis
LLMs operam com base em padrões estatísticos e contexto já existente. Isso significa que, quando recebem informações desatualizadas ou incompletas, podem gerar respostas plausíveis, mas incorretas. Em operações industriais e logísticas, em que informações circulam entre ERPs, sensores e sistemas legados com diferentes padrões, garantir integração e qualidade dos dados deixa de ser uma etapa preparatória e passa a ser condição fundamental para resultados confiáveis.
2 – Processos não documentados dificultam automações consistentes
Quando um fluxo operacional existe apenas na execução cotidiana das equipes, sem critérios definidos ou tratamento estruturado de exceções, a automação se torna mais suscetível a falhas e retrabalho. Esse costuma ser um dos principais gargalos identificados após o início dos projetos.
3 – O modelo é apenas parte da infraestrutura necessária para a IA funcionar em produção
Em ambientes corporativos, LLMs não operam isoladamente. O funcionamento adequado depende de uma camada de integração, contexto, validação, governança e conexão com sistemas externos. De acordo com André, em muitos projetos, essa infraestrutura representa a maior parte do esforço técnico da implementação. Quando essa camada é subdimensionada, aplicações que funcionam bem em testes tendem a enfrentar dificuldades no ambiente operacional. Não existe atalho entre a decisão de implementar IA e a operação funcionando com IA. O que existe é um conjunto de decisões técnicas e de negócio que precisam ser entendidas antes. Empresas e líderes de operação que tratam isso como etapa, e não como condição, chegam à implementação com as bases certas e com muito menos retrabalho.
