Análise Pragmatica: Quando Sua Empresa Realmente Precisa de Inteligência Artificial?

A inteligência artificial entrou na pauta de praticamente todo conselho executivo, e com ela chegou uma pressão difusa: adotar agora, sob risco de ficar para trás. A pergunta útil para quem decide orçamento não é se a IA importa, e sim em que problema específico ela resolve algo que métodos mais simples não resolveriam pelo mesmo custo.

A pergunta que antecede o investimento

Antes de contratar plataforma, time e infraestrutura, vale responder a algo direto: qual problema de negócio não é atendido por análise estatística convencional, automação de regras ou um bom relatório? Boa parte do que chega rotulado como “projeto de IA” é, na prática, problema de integração de sistemas ou de qualidade de dado. A mídia costuma apresentar a IA como condição de sobrevivência competitiva, o que é simplificação. Sem problema bem definido, dado disponível e equipe capaz de manter o modelo em produção, a iniciativa vira centro de custo.

O trabalho real está nos dados

Quem já entregou um projeto de aprendizado de máquina sabe que a maior parte do esforço não está em treinar o modelo, e sim em coletar, limpar, rotular e integrar dados. As pesquisas anuais State of Data Science, da Anaconda, mediram preparação de dados consumindo perto de 45% do tempo na edição de 2020 e algo em torno de 39% na seguinte. A ordem de grandeza se mantém mesmo com o método repetido em anos diferentes: a preparação domina o cronograma, não a modelagem.

Dado enviesado ou incompleto produz modelo enviesado. Existe contraponto legítimo, e ele vem ganhando força: modelos de fundação acessados via API e dados sintéticos permitem que algumas empresas extraiam valor sem manter grandes bases proprietárias. Isso não elimina o problema, apenas o desloca para governança, vazamento de dado sensível e dependência de fornecedor, terreno que pesa especialmente para quem responde por segurança.

Quando a IA falha por motivos que não são a IA

Em 2021, a Zillow encerrou o Zillow Offers, sua operação de compra e revenda de imóveis guiada por um modelo de precificação. O algoritmo não acompanhou a velocidade de mudança do mercado imobiliário e passou a pagar acima do preço de revenda viável. A empresa registrou baixa contábil na casa das centenas de milhões de dólares e cortou cerca de um quarto do quadro. O modelo não estava quebrado no sentido técnico. Ele degradou porque a relação entre as variáveis mudou mais rápido do que o retreinamento previa, fenômeno conhecido como drift.

O segundo caso mostra o problema na origem. A Amazon desenvolveu uma ferramenta interna de triagem de currículos baseada em aprendizado de máquina e a abandonou em 2017, segundo apuração da Reuters. Treinado em currículos recebidos ao longo de uma década, período em que a maioria dos candidatos a vagas técnicas era de homens, o modelo aprendeu a penalizar sinais associados a mulheres, como termos ligados a clubes ou faculdades femininas. O algoritmo não foi programado para discriminar. Ele replicou o viés do dado histórico. Quando o dado de treino carrega uma distorção, o modelo a herda e a aplica em escala maior do que qualquer triagem manual aplicaria.

Caixa preta, regulação e o custo de manter o modelo vivo

Modelos complexos, como redes neurais profundas, são difíceis de auditar, o que cria atrito em setores regulados. Nos Estados Unidos, a concessão de crédito ilustra bem o ponto: o Equal Credit Opportunity Act, regulamentado pela Regulation B, obriga o credor a informar as razões específicas de uma negativa, e os circulares 2022-03 e 2023-03 do CFPB deixaram claro que usar um modelo difícil de explicar não isenta dessa obrigação. Na União Europeia, o chamado direito à explicação do GDPR é mais debatido do que se costuma afirmar, já que deriva de um recital sem força vinculante, e não de um artigo fechado.

Para organizar esse tipo de risco, o NIST publicou em janeiro de 2023 o AI Risk Management Framework, estruturado em quatro funções: Govern, Map, Measure e Manage. O documento trata governança e transparência como parte do que descreve como IA confiável.

Há ainda um custo recorrente que o discurso de adoção tende a omitir. Modelo em produção não é entregue, é mantido. Sem monitoramento contínuo, retreinamento e validação, o desempenho cai conforme os dados mudam. Em detecção de anomalias de rede o efeito aparece cedo: sem semanas de tráfego normal para estabelecer uma linha de base, a ferramenta gera falso positivo em volume que esgota a equipe de segurança. O relatório State of Threat Detection 2023, do fornecedor Vectra AI, registrou que analistas tratam a maior parte dos alertas recebidos como ruído sem valor de investigação. Ferramenta que satura o analista acaba ignorada ou desligada, e aí o investimento vira prejuízo silencioso.

Conclusão

A decisão de adotar IA é menos sobre tecnologia e mais sobre maturidade de dado, clareza de objetivo e disposição de manter o modelo operando ao longo do tempo. Empresa que responde bem a essas três frentes costuma já saber onde a IA entra. As demais ganham mais resolvendo a base antes de comprar o modelo. Para outras leituras sobre tecnologia e decisão de negócio, vale explorar os demais posts do t3chtech.com.br.