A IA generativa deixou de ser apenas uma frente de experimentação tecnológica e passou a ocupar uma parcela relevante dos investimentos corporativos. Segundo o AI Index Report 2025, publicado pelo Stanford Institute for Human-Centered Artificial Intelligence, o investimento privado global em IA generativa chegou a US$ 33,9 bilhões em 2024, crescimento de 18,7% em relação ao ano anterior. O relatório também aponta que 78% das organizações pesquisadas declararam utilizar IA em 2024, ante 55% em 2023. 

O estudo divulgado no AI Index Report 2025 é considerado o mais abrangente e rigoroso sobre o estado global da Inteligência Artificial no mundo. Os dados do estudo nos mostram que a tecnologia avança simultaneamente em duas dimensões: disponibilidade de capital e adoção empresarial. Ainda assim, presença crescente nas organizações não significa geração automática de valor. Quanto mais fácil se torna experimentar, maior também é o risco de multiplicar iniciativas sem hipóteses de negócio, critérios de continuidade ou métricas que permitam avaliar seus resultados. 

Esse contraste ajuda a explicar o desafio enfrentado por CIOs, CTOs, CDOs e lideranças de Inovação e Operações. Não faltam ideias para aplicar IA generativa. O que falta, muitas vezes, é um método para distinguir oportunidades promissoras de experimentos interessantes, mas desconectados das prioridades da organização. 

Por isso, a pergunta mais relevante não é “onde podemos usar IA generativa?”, mas “quais casos de uso justificam investimento, atenção executiva e mudança organizacional?”.

 

Por que a escolha dos primeiros casos de uso é tão importante

As primeiras iniciativas costumam influenciar a percepção que a organização terá sobre IA generativa nos anos seguintes. Projetos que entregam benefícios verificáveis fortalecem o apoio executivo, aumentam a confiança das áreas de negócio e ajudam a justificar novos investimentos. Iniciativas mal selecionadas podem gerar custos recorrentes sem retorno claro, consumir a capacidade de equipes escassas e criar a impressão de que a tecnologia não entrega o que promete. 

O ponto não é limitar a experimentação. Explorar possibilidades continua sendo importante em um mercado que evolui rapidamente. O risco surge quando a organização mantém diversos pilotos sem critérios comuns de seleção, métricas previamente definidas ou uma decisão clara sobre continuidade, reformulação ou encerramento. 

Os dados do AI Index 2025 ajudam a dimensionar essa tensão. A adoção empresarial aumentou de forma expressiva em apenas um ano, ao mesmo tempo em que o desenvolvimento dos modelos se tornou mais competitivo e o custo de uso de determinadas capacidades caiu. Esse cenário reduz as barreiras para testar a tecnologia, mas também facilita a multiplicação de iniciativas sem uma hipótese consistente de valor. 

Os primeiros projetos devem, portanto, funcionar como ambientes de aprendizado. Além dos resultados específicos de cada aplicação, eles ajudam a desenvolver competências em governança de IA, gestão de riscos, curadoria de dados, integração de sistemas, adaptação de processos e monitoramento. Escolher bem significa buscar valor no curto prazo sem perder de vista as capacidades necessárias para escalar no futuro.

 

Cinco critérios para avaliar oportunidades de IA generativa 

Embora não exista uma fórmula universal, as lideranças podem comparar oportunidades utilizando cinco critérios complementares: impacto para o negócio, viabilidade de implementação, disponibilidade de dados, nível de risco e potencial de adoção. 

 

1. Impacto para o negócio 

O primeiro critério é compreender qual problema será resolvido e como o resultado aparecerá nos indicadores da organização. A iniciativa poderá reduzir o tempo de ciclo de um processo, aumentar a capacidade de atendimento, evitar retrabalho, melhorar conversão, reduzir perdas ou elevar a qualidade de uma decisão? 

Nem toda tarefa que pode ser acelerada representa uma oportunidade relevante. Economizar alguns minutos em uma atividade pouco frequente pode gerar menos valor do que reduzir atrasos em um processo que afeta milhares de solicitações, clientes ou transações. 

Uma pergunta ajuda a tornar a análise mais objetiva: se esse caso de uso funcionar como esperado, qual indicador de negócio deverá mudar? 

A resposta precisa ser específica o suficiente para orientar a medição. “Aumentar a produtividade” é uma intenção. “Reduzir o tempo médio de elaboração de uma proposta, mantendo os critérios de qualidade e conformidade” é uma hipótese que pode ser testada. 

Também é importante não confundir produtividade com redução automática de pessoas. Em muitas situações, o valor aparece como aumento de capacidade, menor tempo de resposta, redução de sobrecarga, melhoria da experiência ou liberação dos profissionais para atividades de maior complexidade. 

 

2. Viabilidade de implementação e custo total 

Uma oportunidade pode ser atraente no papel e, ainda assim, exigir um esforço desproporcional para chegar à produção. A análise de viabilidade deve considerar integração com sistemas existentes, segurança, escolha de modelos, adaptação de processos, disponibilidade de especialistas e dependência de fornecedores. 

O custo também não se resume ao valor de uma licença ou ao consumo do modelo. Uma avaliação executiva deve considerar o custo total de propriedade, incluindo: 

1. preparação, classificação e recuperação de dados; 
2. integração com sistemas corporativos; 
3. infraestrutura e consumo dos modelos; 
4. testes e avaliação das respostas; 
5. segurança e gestão de acessos; 
6. observabilidade e monitoramento; 
7. supervisão humana; 
8. gestão da mudança; 
9. operação e evolução contínuas. 

O AI Index Report 2025 aponta que o custo de inferência para um sistema com desempenho equivalente ao GPT-3.5 caiu mais de 280 vezes entre novembro de 2022 e outubro de 2024. Essa redução torna muitos experimentos mais acessíveis, mas não elimina os demais componentes do custo total. Em aplicações corporativas, dados, integração, segurança, avaliação, governança e operação podem representar uma parcela decisiva do investimento. 

Por isso, uma solução customizada deve ser comparada com alternativas já incorporadas ao ecossistema tecnológico da organização. A construção própria pode oferecer maior controle, diferenciação ou aderência a processos específicos. Em contrapartida, pode ampliar custos de engenharia, integração, avaliação e manutenção. 

A decisão não deve ser reduzida a “construir ou comprar”. O ponto central é determinar qual nível de customização o caso exige e se essa diferenciação justifica o investimento adicional. 

Entre dois casos com impacto potencial semelhante, tende a ser mais interessante começar por aquele que permite testar a hipótese de valor com menor complexidade, menor exposição e prazo mais curto para aprendizado. 

 

3. Disponibilidade e qualidade dos dados 

Modelos generativos possuem conhecimento amplo, mas aplicações corporativas normalmente dependem de contexto específico. Políticas internas, históricos de atendimento, contratos, manuais, dados de produtos e registros operacionais determinam se uma resposta será apenas plausível ou realmente útil. 

Antes de priorizar um caso de uso, é necessário avaliar se as informações existem, estão atualizadas, podem ser acessadas com segurança e possuem qualidade suficiente. Também é preciso verificar permissões, confidencialidade, direitos de uso e eventuais restrições regulatórias. 

Esse diagnóstico pode mudar completamente a ordem das prioridades. Um assistente de conhecimento pode parecer uma implementação relativamente simples, mas terá pouco valor se a documentação estiver desatualizada, duplicada ou sem responsáveis definidos. Nesse contexto, organizar e governar a base de conhecimento se torna uma dependência anterior à implantação da IA. 

A avaliação dos dados também evita custos ocultos. Quando as informações estão fragmentadas, uma parte significativa do investimento pode ser consumida pela preparação, classificação, integração e manutenção do contexto necessário para a solução funcionar. 

A pergunta executiva, portanto, não deve ser apenas “temos dados?”, mas “temos dados utilizáveis, autorizados e sustentáveis para esse caso de uso?”. 

 

4. Nível de risco 

Os casos de uso não apresentam o mesmo nível de exposição. Um assistente que ajuda uma equipe interna a localizar procedimentos, com validação humana, possui perfil de risco diferente de uma solução que envia recomendações diretamente a clientes ou influencia decisões financeiras, jurídicas ou regulatórias. 

A priorização deve considerar o impacto de respostas incorretas, o uso de informações confidenciais, a necessidade de explicabilidade, a possibilidade de vieses, a rastreabilidade das interações e a existência de supervisão humana. Quanto maior a consequência de um erro, maiores deverão ser os investimentos em controles, testes e monitoramento. 

Isso não significa que aplicações de maior risco devam ser descartadas. Significa que seu business case precisa incorporar os controles necessários. Uma iniciativa pode prometer alto retorno e, ainda assim, não ser a melhor escolha inicial se exigir uma estrutura de governança que a organização ainda não possui. 

Duas perguntas são especialmente relevantes: qual é o custo de uma resposta incorreta? E quem será responsável por identificá-la antes que produza impacto? 

Esse raciocínio ajuda a diferenciar casos em que a IA oferece apoio daqueles em que ela passa a executar ou determinar uma decisão. Quanto maior a autonomia da solução, maior será a necessidade de evidências, limites operacionais, rastreabilidade e mecanismos de intervenção. 

5. Potencial de adoção 

Uma solução tecnicamente bem-sucedida não gera valor se não for incorporada ao trabalho. O potencial de adoção depende da relevância da dor, da facilidade de uso, da confiança nos resultados, da integração com ferramentas existentes e do envolvimento dos profissionais que executarão o processo. 

O aumento da adoção empresarial registrado pelo AI Index mostra que a IA está se tornando mais presente nas organizações. Esse dado, porém, não deve ser interpretado como evidência de que qualquer ferramenta será naturalmente utilizada. A adoção de IA no nível organizacional não garante que um caso de uso específico será incorporado à rotina das equipes. 

Em nosso artigo sobre o Claude Meetup, evento patrocinado pela Anthropic em São Paulo em 2026, fizemos uma perspectiva complementar sobre a velocidade de evolução dos modelos e o amadurecimento do ecossistema de IA. Para lideranças, acompanhar esse avanço é importante, mas a evolução tecnológica precisa ser traduzida em aplicações aderentes à realidade das pessoas, dos processos e dos dados de cada organização.

Leia o artigo completo aqui: Claude Meetup: aprendizados e reflexões do evento patrocinado pela Anthropic em São Paulo. 

Casos que removem atritos claros, apoiam tarefas frequentes e mantêm o profissional no controle tendem a apresentar uma trajetória de adoção mais simples. Ainda assim, essa hipótese precisa ser validada com usuários reais, e não apenas presumida pela equipe responsável pelo projeto. 

 

Uma matriz simples para definir prioridades 

Uma abordagem prática consiste em posicionar cada oportunidade em dois eixos: valor potencial e esforço para implementação. Os cinco critérios apresentados qualificam essa matriz e evitam que a decisão seja baseada apenas em percepção. 

Uma iniciativa tende a receber prioridade quando combina: 

1. impacto mensurável em um indicador relevante; 
2. esforço técnico e operacional administrável; 
3. dados disponíveis e confiáveis; 
4. riscos conhecidos e passíveis de controle; 
5. boa probabilidade de adoção. 

A matriz não precisa gerar uma pontuação matematicamente perfeita. Sua principal função é tornar as premissas explícitas e permitir que oportunidades diferentes sejam comparadas de maneira consistente. 

A organização pode atribuir notas de 1 a 5 para cada critério e definir pesos de acordo com sua estratégia. Em um setor regulado, risco e governança podem receber peso maior. Em uma operação intensiva em atendimento, impacto sobre tempo de resposta e adoção podem ser mais relevantes. 

O custo pode ser tratado inicialmente dentro do critério de viabilidade, considerando investimento inicial e operação recorrente. Para os casos que superarem essa primeira avaliação, a organização pode aprofundar a relação entre benefício esperado e custo total. Assim, não é necessário exigir projeções financeiras excessivamente detalhadas para ideias ainda imaturas, mas há rigor antes da decisão de investimento. 

Além da pontuação, cada caso deveria ter quatro elementos antes de receber recursos: 

1. um responsável de negócio; 
2. uma hipótese de valor; 
3. uma métrica de sucesso; 
4. um critério para avançar, ajustar ou interromper. 

Sem esses elementos, a matriz pode apenas organizar uma lista de ideias, sem criar uma verdadeira disciplina de portfólio. 

 

Exemplos de casos de uso frequentemente priorizados

Aplicações voltadas à produtividade e ao acesso ao conhecimento costumam ser consideradas nas primeiras ondas porque permitem manter supervisão humana e medir tempo, qualidade e volume com relativa facilidade. 

Um assistente para conhecimento interno pode reduzir o esforço necessário para localizar políticas, normas e documentos técnicos. O valor, porém, deve ser medido por indicadores como tempo de busca, taxa de resolução, qualidade das respostas e redução de dúvidas recorrentes, e não pelo número de perguntas enviadas à ferramenta. 

No desenvolvimento de software, assistentes podem apoiar geração de código, documentação, testes e compreensão de sistemas existentes. O resultado deve ser avaliado considerando não apenas velocidade, mas também qualidade, segurança, manutenibilidade e retrabalho. 

Em atendimento, a IA generativa pode ajudar agentes a recuperar informações e elaborar respostas. Um caso bem delimitado mantém o profissional responsável pela interação, restringe as fontes consultadas e mede tempo de atendimento, resolução no primeiro contato, satisfação e taxa de correções. 

Na elaboração de conteúdos, propostas ou documentos, a tecnologia pode acelerar a primeira versão, mas normalmente exige revisão humana e critérios claros de qualidade, consistência e conformidade. 

 

Um exemplo no ambiente industrial

O case desenvolvido pela DB com a Suspensys ajuda a mostrar como a adoção de IA pode partir de um problema operacional concreto. A iniciativa envolveu a LLIA, solução aplicada ao chão de fábrica para facilitar a interação dos profissionais com informações técnicas e apoiar atividades no ambiente industrial. 

O aspecto relevante para a priorização não é apenas o uso de inteligência artificial. É a conexão entre tecnologia, contexto operacional e necessidade dos usuários. Em vez de começar por uma aplicação genérica, o caso foi delimitado a partir de uma realidade específica. Essa abordagem contribui para tornar mais claros os dados necessários, a forma de interação, os riscos envolvidos e os critérios pelos quais a solução deve ser avaliada. 

O exemplo também evidencia que a adoção precisa fazer parte da análise desde o início. Em ambientes operacionais, a solução deve considerar a linguagem utilizada pelas pessoas, a rotina de trabalho, a acessibilidade, a confiabilidade das informações e as condições em que a interação acontece. Uma tecnologia sofisticada, mas distante da realidade dos profissionais, dificilmente produzirá valor consistente.

Leia o case completo aqui: DB e Suspensys: a revolução da IA no chão de fábrica com LLIA. 

Esses exemplos não são automaticamente prioritários para todas as organizações. Eles demonstram, no entanto, características desejáveis em iniciativas iniciais: problema reconhecido, escopo controlável, ganho observável, contexto disponível, participação dos usuários e oportunidade de aprendizado.

 

Priorizar pelo hype: o erro mais comum 

A popularidade da IA generativa pode fazer com que a tecnologia se torne o ponto de partida da discussão. Surgem perguntas como “qual chatbot podemos lançar?” ou “como aplicar IA em todos os processos?”. Essas perguntas estimulam ideias, mas não garantem relevância. 

Uma abordagem mais madura começa pela dor de negócio. Onde existem atrasos recorrentes? Quais decisões dependem de informações dispersas? Em que etapas o retrabalho reduz a capacidade operacional? Quais atividades exigem grande esforço cognitivo, mas seguem padrões que podem ser apoiados pela tecnologia? 

Partir do problema não significa ignorar a inovação. Significa criar uma conexão verificável entre inovação e resultado. A IA generativa passa a ser avaliada como uma alternativa entre diferentes possibilidades de solução, e não como uma obrigação estratégica desvinculada do contexto. 

A redução das barreiras tecnológicas torna esse cuidado ainda mais importante. Quando testar se torna mais fácil e barato, aumenta também a possibilidade de acumular provas de conceito que nunca chegam à produção. O critério de sucesso não deve ser a quantidade de experimentos iniciados, mas a capacidade de transformar aprendizados em decisões sobre quais iniciativas escalar, modificar ou encerrar. 

 

O melhor caso de uso combina valor e capacidade de execução 

Priorizar casos de uso de IA generativa exige equilíbrio entre ambição e pragmatismo. O crescimento dos investimentos e da adoção mostra que a tecnologia já ocupa espaço relevante nas decisões corporativas. Ao mesmo tempo, essa expansão aumenta a necessidade de avaliar com mais rigor onde a IA realmente contribui para o negócio. 

Os melhores primeiros casos de uso não são necessariamente os mais sofisticados ou visíveis. São aqueles que possuem impacto claro, viabilidade de execução, dados adequados, riscos controláveis e uma trajetória crível de adoção. 

A principal decisão executiva, portanto, não é escolher uma ferramenta ou um modelo. É estabelecer um processo consistente para selecionar oportunidades, testar hipóteses, medir resultados e interromper iniciativas que não justificam sua continuidade. 

Para organizações que já possuem diversos experimentos em andamento, o próximo passo pode ser menos tecnológico do que parece: reunir o portfólio, aplicar critérios comuns e identificar quais iniciativas realmente merecem avançar. 

 

Principais takeaways 

1. O crescimento dos investimentos em IA generativa amplia a necessidade de disciplina na escolha dos casos de uso. 
2. Impacto deve ser expresso em um indicador de negócio, e não apenas em uma expectativa genérica de produtividade. 
3. O custo total inclui dados, integração, segurança, supervisão, monitoramento, mudança organizacional e operação. 
4. A queda do custo dos modelos pode facilitar experimentos, mas não elimina os custos de implementação e sustentação. 
5. Qualidade e disponibilidade dos dados podem alterar a ordem das prioridades. 
6. O custo de possíveis erros precisa fazer parte do business case. 
7. Disponibilizar tecnologia não garante adoção. Fluxos de trabalho, confiança e participação dos usuários são determinantes. 
8. Casos como a aplicação desenvolvida com a Suspensys demonstram a importância de começar por um problema operacional e pelo contexto das pessoas que utilizarão a solução. 
9. Cada iniciativa deve ter responsável de negócio, hipótese de valor, métrica de sucesso e critério de continuidade. 
10. A prioridade deve ser resolver problemas relevantes com IA, e não encontrar problemas que justifiquem o uso da tecnologia.