IA aplicada na prática: comece pelo problema, não pelo modelo

A maior parte das iniciativas de IA que falham começa pelo lugar errado. Pelo modelo, pela ferramenta da moda, pelo fornecedor que apareceu numa demo. O ponto de partida correto é mais antigo e bem menos glamouroso: o problema de negócio.

IA não é um objetivo. É uma forma de melhorar uma decisão que já existe na sua operação. Quando o ponto de partida é a tecnologia, você acaba procurando um problema que justifique a compra. Quando o ponto de partida é a decisão, a tecnologia vira consequência.

Três perguntas antes de qualquer piloto

Antes de comprar GPU, contratar fornecedor ou abrir um projeto, responda três perguntas. Cada uma em uma frase.

1. Qual decisão essa IA vai melhorar?
2. Qual é o custo de errar essa decisão hoje?
3. Quem é o dono do processo depois que a IA entrar?

Se você não consegue responder as três de forma curta e específica, não é hora de tecnologia. É hora de voltar para a mesa e entender melhor o processo. Essa volta custa uma conversa. Pular essa etapa custa um projeto inteiro.

"Usar IA no atendimento" não é um objetivo

Veja a diferença entre duas frases que ouço o tempo todo:

"Queremos usar IA no atendimento."

"Queremos reduzir o tempo médio de primeira resposta sem cair a satisfação do cliente."

A segunda é mensurável. Ela diz qual decisão muda (como e quando responder), qual é a métrica (tempo de resposta) e qual é a restrição (satisfação). A primeira é um post de LinkedIn. Quase todo projeto bom nasce quando alguém reescreve a primeira frase na forma da segunda.

Reversível, repetitivo, com dado e mensurável

Um filtro simples para escolher onde aplicar IA primeiro. Priorize processos que são:

• Repetitivos, porque o ganho se multiplica pelo volume.
• Reversíveis, porque o custo de um erro é baixo e você aprende rápido.
• Com histórico de dados, porque o modelo precisa de algo concreto para se apoiar.
• Mensuráveis, porque sem métrica você não sabe se funcionou.

Atendimento, triagem de documentos, marketing, backoffice e análise interna costumam marcar os quatro. Decisões irreversíveis, de alto risco regulatório ou que afetam pessoas diretamente vão para o outro balde: cautela, supervisão humana, sem pressa.

A intuição por trás dos modelos

Você não precisa saber treinar uma rede neural para decidir bem sobre IA. Mas entender a intuição ajuda a separar promessa de realidade. Para quem quer a explicação visual de como uma rede aprende, o 3Blue1Brown faz isso melhor do que qualquer slide:

O resumo

Tecnologia boa aplicada a um problema mal definido continua sendo desperdício. Comece pela decisão, escreva a métrica antes de ligar o modelo e escolha um primeiro caso pequeno e reversível. O resto fica mais fácil.

Comento esses bastidores no dia a dia no Instagram e no YouTube.