CTO Jean Pierre Lessa e Santos Ferreira analisa o que trava a inteligência artificial aplicada

Projetos corporativos param menos por limitação dos algoritmos e mais por processos mal descritos, bases desorganizadas e ausência de responsáveis definidos.

No cenário atual, Jean Pierre Lessa e Santos Ferreira, CTO, delimita o que separa os projetos de inteligência artificial aplicada que chegam à rotina da empresa daqueles que permanecem na fase de demonstração. A diferença raramente está no modelo escolhido. Ela aparece na qualidade das bases disponíveis, na clareza dos fluxos que serão alterados e na capacidade da equipe de sustentar o funcionamento depois da entrega. Companhias brasileiras vêm acumulando pilotos bem avaliados e ganhos operacionais discretos, um descompasso que já aparece nas revisões de orçamento das áreas técnicas.

Por que tantos pilotos não chegam à produção?

Boa parte das iniciativas nasce bem dimensionada no papel e perde consistência na passagem para o ambiente real. O teste roda em um recorte controlado, com base tratada manualmente e volume reduzido. Quando o mesmo fluxo encontra sistemas legados, integrações instáveis e picos de demanda, o desempenho cai de forma perceptível. A limitação deixa de ser estatística e passa a ser de infraestrutura, o que exige uma resposta diferente da que havia sido planejada.

Ao categorizar os gargalos mais recorrentes, Jean Pierre Lessa e Santos Ferreira separa falhas de dado, falhas de integração e falhas de processo, já que cada uma pede um tipo distinto de correção. Tratar todas como questão de modelo leva equipes a trocar de fornecedor sem tocar na origem do problema. A revisão tende a começar pelo caminho que a informação percorre dentro da companhia, desde a captura até o momento em que alguém decide apoiado nela.

O dado como pré-requisito da inteligência artificial aplicada

Antes de qualquer treinamento, importa saber de onde vem cada registro, com que frequência ele é atualizado e quem responde por sua correção. Bases duplicadas, campos preenchidos de maneira inconsistente e históricos incompletos produzem respostas plausíveis e erradas. O custo desse tipo de falha é elevado porque a saída do sistema costuma ser aceita sem conferência pelas áreas de negócio, que passam a operar sobre uma informação defeituosa sem perceber.

A organização dessas bases consome tempo e orçamento, e Jean Pierre Lessa e Santos Ferreira dimensiona o esforço como parte integrante do projeto, nunca como etapa anterior a ele. Quando o trabalho de dados fica em separado, costuma seguir sem prazo e sem responsável designado. Incorporá-lo ao escopo altera a conversa com as áreas de negócio, que passam a enxergar o custo real da inteligência artificial aplicada e a calibrar suas expectativas de retorno.

Quem responde pelo sistema depois da entrega?

A entrega de um modelo não encerra o projeto, apenas muda sua natureza. Padrões de uso mudam, o perfil dos dados muda, fornecedores atualizam versões e a qualidade da resposta se degrada aos poucos. Sem monitoramento contínuo, a queda só é percebida quando uma área reclama do resultado. Nesse ponto, o rastreamento retroativo para entender o que mudou costuma custar mais do que teria custado acompanhar desde o início.

A definição de limites operacionais evita boa parte desse desgaste. Jean Pierre Lessa e Santos Ferreira parametriza critérios de aceitação, faixas de custo por requisição e gatilhos de revisão antes da virada de chave, de modo que a degradação apareça como alerta e não como incidente. Ambientes que funcionam bem combinam registro detalhado de uso, amostragem periódica de respostas e um responsável nomeado para cada fluxo automatizado.

Agentes autônomos e o redesenho das equipes técnicas

A etapa seguinte já está em curso em empresas que estabilizaram seus primeiros casos de uso. Em vez de responder a perguntas isoladas, os sistemas passam a executar sequências de ações, consultar bases internas e acionar outros sistemas sem intervenção humana a cada passo. O ganho de produtividade é expressivo, mas a superfície de erro cresce na mesma proporção, porque uma decisão equivocada se propaga por vários processos antes de ser notada.

A mudança redesenha a composição dos times. Jean Pierre Lessa e Santos Ferreira qualifica o perfil que ganha espaço como uma combinação de engenharia de software, domínio de infraestrutura e entendimento do processo de negócio que está sendo automatizado. Perfis estritamente especializados perdem eficácia quando o trabalho exige transitar entre essas três camadas. A formação interna dessas pessoas tende a ser mais lenta e mais determinante que a escolha de qualquer plataforma.

A OESP não é(são) responsável(is) por erros, incorreções, atrasos ou quaisquer decisões tomadas por seus clientes com base nos Conteúdos ora disponibilizados, bem como tais Conteúdos não representam a opinião da OESP e são de inteira responsabilidade da Agência Saftec