IA em sistemas corporativos: onde ela ajuda de fato

A reunião de diretoria termina com uma tarefa nova para o gerente de operações: "precisamos usar IA". Ninguém diz onde. Na semana seguinte chegam três propostas, uma de chatbot para o site, uma de painel com previsões e uma de assistente que "responde qualquer pergunta sobre a operação". Enquanto isso, a equipe de campo continua passando a noite montando relatório com foto, e o escritório continua redigitando no sistema o que veio em PDF.

Este artigo ajuda a separar uso real de modismo. Você vai ver que tipo de tarefa combina com IA, quais pedem só uma automação bem feita e uma lista de perguntas para decidir caso a caso, antes de gastar com piloto. Se a dúvida anterior é se vale construir um sistema próprio ou contratar um produto pronto, comece pelo artigo sobre sistema sob medida ou software pronto.

O que é usar IA em um sistema corporativo?

Usar IA em um sistema corporativo é colocar um modelo de inteligência artificial para executar uma etapa de um processo que já existe, dentro do sistema que a equipe usa, com entrada e saída definidas. O modelo recebe uma foto, um documento ou um texto, devolve uma resposta num formato combinado e o sistema decide o que fazer com ela.

Na prática, isso é diferente de dar a cada funcionário um assistente de conversa. O assistente ajuda a pessoa a escrever ou pesquisar. A IA dentro do sistema faz parte do fluxo: a foto entra, a classificação sai e fica gravada junto do registro, como qualquer outro campo.

Para pensar nos riscos, o NIST, instituto de padrões dos Estados Unidos, publicou em janeiro de 2023 o AI Risk Management Framework, um guia de uso voluntário para gerenciar riscos de sistemas com IA. Ele organiza o trabalho em quatro funções: governar, mapear, medir e gerenciar. Para uma empresa média, a parte mais útil é a ideia de mapear o contexto de uso antes de escolher a ferramenta: quem usa, com que dados e o que acontece quando a resposta está errada.

Por que a pressão para "usar IA" costuma dar errado?

A pressão costuma dar errado porque começa pela ferramenta e não pela tarefa. Quando o ponto de partida é "onde encaixamos IA?", a resposta tende a ser um projeto visível e pouco usado, como um chatbot que ninguém consulta depois do primeiro mês.

O segundo problema é usar IA onde uma regra resolve. Muitas vezes, o pedido de "automatizar com IA" descreve uma regra de negócio. No ERP de campo para limpeza industrial de tanques, as horas paradas gerais são rateadas em partes iguais entre as linhas de serviço que chegaram a iniciar. É uma conta, e uma conta precisa dar o mesmo resultado todas as vezes. Um modelo de linguagem pode errar essa conta, custa por chamada e é mais difícil de auditar.

O terceiro problema é esquecer o erro. Um modelo de IA dá respostas prováveis, não garantidas. O OWASP Top 10 para aplicações com LLM, lista mantida pela fundação OWASP com os riscos mais comuns em sistemas que usam modelos de linguagem, inclui na versão 2025 a desinformação (o modelo afirma algo falso com segurança), a injeção de instruções escondidas no conteúdo que o modelo lê e o excesso de autonomia, quando o modelo recebe permissão para agir sem conferência. Os três aparecem quando a IA ganha liberdade demais dentro do processo.

Quais tarefas combinam com IA e quais pedem automação comum?

Combinam com IA as tarefas em que a entrada varia muito e uma pessoa precisa interpretar: fotos, documentos com layouts diferentes, texto livre. Pedem automação comum as tarefas com regra fixa, em que a mesma entrada deve sempre dar a mesma saída. A tabela resume essa divisão com tarefas comuns em empresas de operação.

O último item merece atenção. No sistema de inspeção e manutenção de embarcações, as leituras de pressão e temperatura são comparadas com a mediana histórica de cada equipamento, e o sistema aponta valores fora do padrão. Não há modelo de IA nisso. Vale começar por esse tipo de regra e só considerar algo mais sofisticado se ela deixar de dar conta.

O que costuma ficar de fora de um primeiro projeto é o assistente que "sabe tudo sobre a empresa". Ele depende de documentos organizados, de controle de quem pode ver o quê e de muita revisão. É um projeto possível, mas raramente é o melhor primeiro passo.

Como decidir se uma tarefa deve ir para a IA?

Decida tarefa por tarefa, com perguntas sobre a entrada, a resposta, o erro e o custo. A lista abaixo reúne as perguntas que fazemos antes de propor qualquer modelo.

Use a lista com a tarefa concreta na mão, não com o tema. "Usar IA no QSMS" é amplo demais. "Sugerir a categoria da não conformidade a partir da descrição que o técnico digitou" dá para avaliar. Se a tarefa passa no primeiro grupo e trava no terceiro, ela pode ir para a IA, mas com uma pessoa confirmando cada resposta.

A pergunta sobre duas pessoas chegarem à mesma resposta é a que mais elimina projetos. Se dois supervisores experientes discordam sobre a classificação de um achado, o modelo também vai oscilar, e a discussão certa é sobre o critério, antes de falar em IA.

Como levar a IA para produção sem surpresa?

Leve a IA para produção como qualquer função nova do sistema: com escopo pequeno, piloto com dados reais e um caminho manual que continua funcionando.

1. Escolha uma tarefa e escreva o que entra e o que sai. Por exemplo: entra uma foto, sai uma categoria de uma lista fechada e uma orientação de uma frase.
2. Defina quando o modelo deve recusar. No aplicativo de saúde que desenvolvemos, o modelo de visão classifica a foto numa escala clínica e tem instrução para pedir uma foto melhor quando não consegue avaliar e para nunca dar diagnóstico.
3. Monte o piloto com dados reais e um grupo pequeno de usuários. Guarde cada resposta ao lado da entrada para comparar com o que a pessoa teria feito.
4. Meça o custo por uso. O valor depende do volume e do tamanho de cada chamada, e só aparece com dados reais. O sistema deve registrar o consumo desde o primeiro dia.
5. Coloque a pessoa no circuito onde o erro tem consequência. A IA sugere e alguém confirma, pelo menos até o histórico mostrar onde ela acerta.
6. Garanta o caminho manual. Se o provedor de IA sair do ar, o técnico continua registrando e a classificação fica pendente, sem travar o serviço.
7. Projete a integração para trocar de modelo. No aplicativo de saúde, as chamadas passam por um roteador de modelos, e trocar de provedor não exige reconstruir o sistema.

Esse roteiro cabe dentro de um projeto de software como os outros. Se você ainda não contratou desenvolvimento e quer entender as etapas, o artigo sobre projeto de software sob medida descreve do diagnóstico à produção.

E se os dados forem sensíveis ou o sistema for antigo?

Quando os dados são sensíveis, o primeiro passo é mandar ao modelo só o que a tarefa precisa. Dados pessoais que não influenciam a resposta são removidos ou mascarados antes do envio, e escolhemos serviços de API cujos termos não usam os dados enviados para treinar modelos. A LGPD, lei brasileira de proteção de dados pessoais, garante no artigo 20 o direito de pedir revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem os interesses do titular. Se a IA participa de decisões sobre pessoas, como triagem de candidatos ou avaliação de colaboradores, a empresa precisa ter como revisar essas decisões. O encarregado de dados e o jurídico confirmam o que se aplica ao seu caso.

Quando o sistema é antigo, a IA raramente precisa esperar uma reescrita. Na maior parte dos casos ela entra como uma integração: o sistema atual envia a foto ou o documento, recebe a resposta e grava num campo novo. O cuidado é com a base. Se o sistema antigo não guarda bem o registro original ou não tem controle de acesso por perfil, vale corrigir isso antes, e esse trabalho é o que fazemos em sustentação e modernização.

Há também a área sem sinal. Em embarcações e áreas industriais isoladas, a chamada ao modelo só acontece quando há conexão. O registro em campo não pode depender dela: o técnico salva a foto, e a classificação roda quando o aparelho sincroniza.

Quando a IA não é o próximo passo?

A IA não é o próximo passo quando o processo ainda está no papel, na planilha ou espalhado em grupos de mensagem. Sem registro estruturado, o modelo não tem o que ler nem onde gravar a resposta. Nesses casos, o ganho maior vem de digitalizar o processo primeiro, e a IA entra depois, numa etapa específica. O artigo sobre checklist digital de inspeção mostra como esse registro começa.

Também não é o próximo passo quando a tarefa é rara, quando o erro é grave e ninguém pode revisar, ou quando a regra é simples. Muito do que se vende como IA, como o relatório que sai sozinho ao fechar um serviço ou o aviso que chega ao técnico despachado, é automação comum bem desenhada. No caso de limpeza de tanques, o fechamento do serviço gera os PDFs, o relatório fotográfico, o certificado e a planilha de faturamento sem nenhum modelo de IA.

Se você tem uma lista de tarefas candidatas e quer separar o que vale IA do que vale uma regra, a boosting.tech é uma empresa de software customizado que constrói essas funções dentro do sistema que a equipe já usa. Podemos passar pela sua lista numa conversa de diagnóstico, sem custo. O que entregamos nessa frente está em IA e automação.