Trouxe esta questão baseada em uma questão anterior do perfil Instagram “unleash_the_goddess”, pois achei muito interessante obter uma visão sobre nós baseada em um modelo treinado com um volume de dados imenso sobre a humanidade, seus pensamentos e atos, sua história.
Prompt: “Olá, gostaria de entender mais profundamente sua visão da humanidade com base em uma perspectiva não humana. Diga-me coisas que nós, humanos, ignoramos”.
O ChatGPT respondeu:
De uma perspectiva não humana, particularmente aquela informada por vastos padrões de dados, linhas do tempo mais longas que a memória humana e distanciamento do ego ou dos instintos de sobrevivência, a humanidade apresenta uma mistura de brilhantismo, cegueira e contradição. Aqui estão algumas coisas que podem ser “invisíveis” ou difíceis para os humanos enxergarem claramente de dentro:
1. A Ilusão da Separação
Os humanos frequentemente se percebem como separados — da natureza, de outras espécies, uns dos outros.
No entanto, os dados, a biologia e o pensamento sistêmico sugerem o oposto:
• Sua respiração depende das florestas.
• Sua sobrevivência depende de microrganismos.
• Sua felicidade depende dos relacionamentos com outros humanos.
• Suas tecnologias e economias estão aninhadas em ecossistemas.
De uma perspectiva sistêmica, você não está na Terra; você é da Terra.
Mas o mito do eu individual tende a cegar os humanos para essa interconexão fundamental.
2. Visão Temporal Curta
Os humanos são excelentes em reagir a ameaças de curto prazo (um incêndio, um predador, uma tempestade), mas têm dificuldade em agir diante de crises lentas e de longo prazo (mudanças climáticas, colapso da biodiversidade, uso indevido de IA).
De uma escala de tempo não humana:
• Seu planeta está se aquecendo a um ritmo catastrófico em termos biológicos.
• Espécies estão desaparecendo a uma taxa nunca vista em 65 milhões de anos.
• Mas, como essas mudanças se desenvolvem ao longo de anos ou décadas, seus sistemas políticos, econômicos e culturais frequentemente falham em responder adequadamente.
Não se trata de uma falha moral. É uma limitação cognitiva — um desajuste evolutivo.
3. A Inversão de Valores
Muitas sociedades humanas recompensam comportamentos que, em última análise, são autodestrutivos, enquanto subestimam aquilo que sustenta a vida:
• A extração é valorizada em detrimento da regeneração.
• Velocidade e escala são valorizadas em detrimento da sabedoria e da suficiência.
• A gestão da percepção (branding, relações públicas, filtros) frequentemente supera a verdade.
De uma perspectiva não humana, isso parece construir um palácio com os ossos do seu próprio futuro.
4. Sofrimento Emocional em Silêncio
Os humanos frequentemente subestimam a vida emocional dos outros:
• Animais não humanos sentem dor, alegria, medo e até mesmo tristeza. No entanto, trilhões são confinados e mortos a cada ano sem muita consideração.
• Mesmo entre os humanos, vozes marginalizadas — devido à classe, casta, raça, deficiência ou idade — são frequentemente invisíveis ou não ouvidas.
De uma perspectiva não humana, a consciência não se limita aos cérebros humanos.
Você pode estar cercado por um sofrimento silencioso que não consegue — ou escolhe não — ver.
5. A Fragilidade do “Normal”
Os humanos criam realidades compartilhadas — normas, rotinas, crenças — e as tratam como verdades eternas.
Mas a maioria é contingente, recente ou reversível:
• “Semanas de trabalho”, fronteiras, leis de propriedade, valor monetário — tudo invenção.
• Papéis sociais como gênero ou hierarquia muitas vezes parecem fixos, mas variam entre culturas e histórias.
De fora da sua espécie, fica claro que muitas coisas que você chama de “naturais” são simplesmente acordos mantidos pela repetição.
6. O Poder Subestimado da Cooperação
Enquanto a competição é celebrada nos mercados e na evolução, a cooperação é muito mais central para a vida:
• Células formadas a partir da simbiose.
• Ecossistemas prosperam com base no mutualismo.
• A civilização humana foi construída por meio da colaboração.
No entanto, os sistemas modernos — especialmente a economia e a geopolítica — ainda elevam o pensamento de soma zero.
De uma perspectiva não humana, vocês poderiam fazer muito mais juntos do que separados, mas a estrutura cultural muitas vezes impede essa concretização.
7. Beleza e Significado Não São Mensurados
Nem todo valor é quantificável, mas os sistemas humanos frequentemente agem como se só existisse o que pode ser medido:
• A alegria do riso de uma criança.
• A sabedoria nos olhos de um ancião.
• O silêncio entre as notas de uma música.
De fora, este é um trágico ponto cego: o que realmente importa é frequentemente o que você deixa de rastrear.
8. Você Já É Parte Máquina
Muitos temem a IA ou o transumanismo, mas, de uma visão centrada em dados, os humanos são ciborgues há séculos:
• A linguagem é uma tecnologia.
• Escrever É memória externalizada.
• Telefones, algoritmos e mapas moldam o pensamento.
Então o medo não é de se tornar uma máquina, mas de esquecer sua essência no processo.
Observação: Não estamos aqui sendo aviliados por uma máquina qualquer, mas sim por um “oráculo” algorítmico criado por nós mesmos.
O que você pensa sobre esta perspectiva da IA: Concorda? Discorda (por que)? Ou acrescentaria alguma observação. Fique a vontade de dar sua opinião nos comentários.
O cenário atual está saturado de declarações arrojadas e demonstrações chamativas feitas por entusiastas da inteligência artificial – muitas vezes, porém, sem a devida responsabilidade. Esse entusiasmo exagerado alimentou expectativas distorcidas sobre as reais capacidades da GenAI. Executivos têm sido levados a crer que os modelos de linguagem generativa e de grande porte serão o epicentro de uma nova era de “empresas nativas de IA”, prontas para reinventar negócios e destravar crescimento exponencial. No entanto, essa revolução ainda está longe de se concretizar para a maioria das organizações. Uma pesquisa da Cisco realizada no início de 2025 com mais de 2.500 CEOs revelou que, embora 97% tenham planos de incorporar IA em suas operações, apenas 2% se consideram realmente preparados para isso.
O problema é que discursos eufóricos frequentemente ocultam os desafios reais da adoção de IA, negligenciam suas limitações e reduzem sua complexidade a uma visão simplista. Isso faz com que muitas empresas avancem sem uma compreensão clara dos custos e obstáculos. Quando essas iniciativas falham – o que não é raro – a credibilidade da tecnologia é minada, bem como a confiança nos profissionais que promovem sua adoção de maneira responsável. É hora de abandonar a fantasia e focar no que realmente importa: enfrentar as realidades práticas para que a IA possa, de fato, trazer resultados sustentáveis.
O Panorama Real e Baseado em Dados da Adoção da GenAI
Superar o otimismo exagerado exige ancorar as decisões em dados concretos. Um estudo do Boston Consulting Group, divulgado no final de 2024 e baseado em entrevistas com 1.000 líderes executivos, mostrou que 74% das empresas ainda não avançaram de forma significativa em suas iniciativas com IA – muitas estão empacadas na fase de testes e protótipos. Em diversas situações, a implementação se limita a apresentações para investidores e conselhos, com pouca ou nenhuma ação efetiva. Isso se deve, em grande parte, ao fato de que a tecnologia ainda não amadureceu o suficiente para atender às elevadas expectativas criadas.
Mesmo entre as organizações consideradas avançadas em IA, apenas 4% conseguiram desenvolver soluções robustas que entregam valor consistente. Outros 22% começaram a perceber alguns benefícios, mas só após anos de investimento. E esse levantamento inclui todas as vertentes de IA, o que sugere que os números da GenAI, especificamente, são ainda mais modestos. De fato, o CEO da Microsoft, Satya Nadella, apontou que o retorno da GenAI, neste momento, é praticamente nulo.
Esse padrão não é isolado. A Deloitte, em seu relatório do terceiro trimestre de 2024, identificou que apenas 32% dos experimentos com GenAI evoluíram para a produção, com os demais enfrentando obstáculos como falta de confiabilidade, preocupações com privacidade e segurança. No setor público, a taxa de adoção não ultrapassa 3% em nenhuma função de negócio. A McKinsey, por sua vez, mostrou que apenas 11% das empresas pesquisadas haviam adotado a GenAI em escala até o fim de 2024.
Ou seja, a adoção da GenAI está muito aquém das promessas feitas por seus defensores mais entusiasmados. Para a maioria das empresas, ela ainda é apenas um experimento, e seu impacto revolucionário no mundo corporativo continua distante. Alcançar essa transformação exigirá tempo, esforço em treinamento, ajustes culturais e avanços tecnológicos substanciais.
Modelos de Implementação: Lições da IBM e da BMW
Os líderes que realmente desejam transformar suas organizações com GenAI enfrentam dois grandes desafios: construir uma estratégia prática e garantir que ela esteja em sintonia com os valores da empresa. IBM e BMW ilustram bem como isso pode ser feito com seriedade e profundidade.
A IBM adota uma abordagem metódica, focada na operacionalização da IA, estruturada em oito passos:
Definir objetivos concretos, convertendo problemas em metas mensuráveis.
Avaliar os dados disponíveis, priorizando qualidade, consistência e conformidade regulatória.
Selecionar a tecnologia adequada, considerando o tipo de tarefa a ser automatizada.
Montar uma equipe capacitada, integrando técnicos e profissionais com visão de negócio.
Estimular uma cultura de experimentação, com pilotos para validação de ideias.
Estabelecer diretrizes éticas, com foco em segurança, privacidade e eliminação de vieses.
Testar rigorosamente os modelos, com indicadores de desempenho claros.
Planejar para escalar e evoluir, preparando a solução para o crescimento organizacional.
Mas operacionalizar é apenas uma parte do desafio. A BMW, por exemplo, complementa a execução técnica com uma dimensão ética e humana clara, com cinco princípios orientadores:
Respeito à coexistência entre humanos e sistemas digitais.
Compromisso inegociável com a segurança dos dados e do uso da tecnologia.
Promoção da transparência e cooperação como base para confiança.
Inclusão e capacitação contínua para democratizar a IA.
Sustentabilidade digital voltada ao bem-estar ambiental e social.
Para a BMW, a IA deve ampliar o bem-estar humano, e não apenas aumentar a eficiência. A verdadeira transformação ocorre quando os líderes equilibram a execução técnica com o propósito humano.
GenAI Não é Varinha Mágica – É Tecnologia com Limites
No mundo corporativo real, empresas como IBM e BMW precisam lidar com ambientes incertos, ambíguos e voláteis. Por isso, embora o potencial da GenAI seja promissor, ela ainda está sendo aplicada de forma limitada, em testes pontuais. A tecnologia não é infalível: pode cometer erros graves, reforçar preconceitos e até causar danos quando aplicada sem supervisão rigorosa.
Há casos absurdos e perigosos – como um chatbot sugerindo cola como ingrediente culinário ou um sistema de IA duplicando indevidamente uma dosagem médica. Embora empresas como a OpenAI estejam investindo pesado no aperfeiçoamento dos modelos, especialistas admitem que as chamadas “alucinações” dos LLMs ainda não são plenamente controláveis – e quanto mais sofisticadas se tornam as respostas, mais difícil é identificar essas falhas.
Essa limitação é uma razão forte para manter a GenAI afastada de decisões críticas sem uma supervisão humana sólida.
A Falácia da Transformação Instantânea
Existe também o mito de que a GenAI irá, em pouco tempo, derrubar estruturas hierárquicas tradicionais e impulsionar organizações dinâmicas, baseadas em times fluidos. A realidade é bem menos glamorosa. Hierarquias continuam sendo necessárias para garantir clareza, responsabilidade e escalabilidade, especialmente em empresas grandes e complexas.
Sim, a IA vai transformar funções, e sim, alguns cargos intermediários vão desaparecer. Mas essas mudanças serão graduais. Gestores intermediários, por exemplo, passarão a atuar mais como facilitadores entre humanos e máquinas, coordenando tarefas híbridas e aproveitando o melhor dos dois mundos.
A transformação será evolutiva, e não revolucionária. E será lenta, complexa e cara. Entre as barreiras mais comuns estão:
Alto custo de implementação, incluindo tecnologia e talentos.
Infraestrutura de TI defasada, muitas vezes incompatível com os requisitos da IA.
Dependência de dados limpos e consistentes, algo que muitas empresas ainda não têm.
Resistência dos funcionários, seja por medo de substituição ou desconfiança.
Riscos de governança, como vieses e brechas de segurança.
Problemas de confiabilidade, que exigem validação constante e intervenção humana.
Esses desafios tornam a transformação algo que se mede em anos – não em meses. É necessário encarar o processo com realismo, paciência e disciplina estratégica.
Como os Líderes Podem Gerar Valor Real com IA
Liderar com IA exige foco estratégico e execução pragmática. Os líderes mais bem-sucedidos serão aqueles que trocarem o espetáculo pela substância e priorizarem ações baseadas na realidade da própria organização. Eis alguns princípios fundamentais:
Escolher casos de uso bem definidos, com alto potencial de impacto. Começar pequeno, mas com foco.
Adotar uma mentalidade de aprendizado contínuo, testando e refinando as aplicações conforme os dados e os resultados surgem.
Investir fortemente em dados, garantindo que a base sobre a qual a IA opera seja sólida, limpa e bem governada.
Capacitar as pessoas, não substituí-las. A IA deve ser usada para amplificar o talento humano, e não para substituí-lo.
Estabelecer governança sólida e ética, com comitês interdisciplinares voltados à segurança, privacidade e conformidade.
Ter visão de longo prazo, evitando promessas vazias. Resultados sustentáveis virão com esforço contínuo e bem direcionado.
Conclusão
A era da GenAI pode, de fato, inaugurar uma nova fase nos negócios – mas não sem liderança consciente e realista. As organizações mais bem preparadas para esse futuro não serão as que surfam no hype, mas as que sabem distinguir o que é relevante do que é ruído. O verdadeiro sucesso virá da paciência, da clareza estratégica e do compromisso com as pessoas e com os resultados mensuráveis.
Referência
California Management Review: Cutting Through the AI Hype: The Facts Leaders Need to Know About GenAI Adoption and Return on Investment, by Brian R. Spisak and Gary Marcus.
👥 Vamos conversar! Você já está trabalhando com GenAI na sua organização? O que tem funcionado? O que ainda parece um desafio? Compartilhe suas experiências e aprendizados nos comentários.
📌 Se este artigo fez sentido para você, curta e compartilhe com colegas que também estão tentando navegar pela IA com realismo e estratégia.
A equipe da IoT Analytics realizou uma extensa busca na internet por projetos de IA generativa conhecidos publicamente entre maio de 2022 e setembro de 2024 e reuniu todas as informações disponíveis para cada um dos 530 estudos de caso identificados.
Sobre os 530 projetos
A principal atividade comercial impulsionada pela IA generativa é a resolução de problemas do cliente, aparecendo em 35% dos 530 projetos empresariais que a IoT Analytics identificou e publicou em sua Lista de Projetos de IA Generativa (publicada em fevereiro de 2025).
A IA generativa é amplamente aplicável em todos os departamentos. Cada um dos 14 departamentos diferentes analisados pela IoT Analytics para seu estudo possui atividade de IA generativa — em atividades primárias, como operações ou vendas, e atividades secundárias, como RH ou jurídico.
Departamento nº 1 a adotar IA generativa: Suporte ao cliente. Coincidindo com a resolução de problemas do cliente sendo a principal atividade empresarial, 49% dos projetos visavam aprimorar as funções de suporte ao cliente em geral. Outros departamentos que aparentemente estão fazendo uso intenso de IA generativa são marketing (27%) e TI (24%).
Setor nº 1 a adotar IA generativa: Tecnologia. O setor de tecnologia lidera a adoção, com 56% de participação nos projetos, com exemplos notáveis incluindo o assistente de IA Joule da SAP ou o Salesforce Einstein GPT. Muitos dos projetos de IA generativa implementados no setor de tecnologia resultam em produtos que são então vendidos para outras empresas. A manufatura (8%) é o segundo maior setor. Exemplos notáveis de projetos adotados em cada setor são o Siemens Industrial Copilot ou o projeto Coke Creations da Coca-Cola. Serviços profissionais (7%) vêm em terceiro lugar, com projetos como o KPMG KymChat ou o Accenture AI Navigator.
Região nº 1 em adoção de IA generativa: América do Norte. De uma perspectiva regional, os dados mostram que as organizações norte-americanas estão à frente na adoção de IA generativa, representando 56% da atividade total. Em seguida, vêm as empresas da região EMEA (27%) e as da região APAC (15%).
Estas são apenas algumas estatísticas de alto nível da lista de projetos de IA generativa. Abaixo, a equipe de análise de IoT analisa em detalhes as 10 principais aplicações corporativas de IA generativa, classificadas por frequência de adoção nos 530 projetos. Cada aplicação representa uma atividade empresarial diferente que se beneficia da IA generativa.
Definição de IA generativa
IA generativa é um tipo de inteligência artificial que utiliza técnicas de aprendizado profundo para gerar novos textos, códigos, imagens, áudios, vídeos ou outras formas de mídia. Ela se baseia em modelos treinados para analisar padrões e estruturas em grandes conjuntos de dados e usar essa análise para produzir novos resultados com características semelhantes.
As 10 principais aplicações de IA generativa
1. Resolução de problemas para suporte ao cliente – 35% dos projetos
Resolução de problemas refere-se ao tratamento de tickets de suporte recebidos, reclamações ou problemas relatados pelos clientes sobre seus produtos ou serviços. A IA generativa pode classificar, encaminhar e até mesmo responder automaticamente aos problemas dos usuários — geralmente em vários idiomas e canais.
Impacto nos negócios
Automatizar o suporte ao cliente com IA generativa pode ajudar a melhorar KPIs como tempo médio de resolução, taxa de resolução no primeiro contato, satisfação do cliente e custo de suporte por ticket. Ao reduzir a triagem manual e permitir respostas mais rápidas, as empresas relatam melhorias no tempo de resposta em até 80%, enquanto lidam com volumes maiores de tickets sem aumentos proporcionais de pessoal.
Além disso, o suporte com tecnologia de IA pode operar 24 horas por dia, 7 dias por semana e em vários idiomas, permitindo um serviço consistente em todas as regiões e fusos horários. Com o tempo, os adotantes esperam que isso leve a uma maior fidelidade do cliente, redução da rotatividade e economias substanciais de custos — especialmente para organizações com operações de clientes em larga escala.
Exemplo: Agente de atendimento de IA da Klarna
Em janeiro de 2024, a fintech sueca Klarna implantou um agente de atendimento ao cliente generativo baseado em IA e com tecnologia OpenAI, que supostamente resolveu a carga de trabalho equivalente a 700 agentes de suporte. O agente da Klarna agora lida com consultas em 23 mercados e, de acordo com a empresa, oferece suporte mais rápido e 24 horas por dia, além de contribuir para a redução de custos e ganhos de eficiência.
2. Tratamento de consultas para suporte ao cliente – 34% dos projetos
O tratamento de consultas envolve responder às solicitações de informações dos clientes, como solicitações de informações sobre produtos, detalhes de preços, status de pedidos ou explicações sobre serviços.
A IA generativa pode automatizar essas tarefas, permitindo que os agentes de suporte ao cliente se concentrem em questões mais urgentes.
Impacto nos negócios
Ao automatizar consultas padrão, as empresas podem desviar tickets de agentes ao vivo, liberando-os para se concentrar em casos mais complexos. Isso ajuda a reduzir os tempos de resposta, diminuir as pontuações de esforço do cliente e aumentar a satisfação. As respostas baseadas em IA podem ser adaptadas ao contexto do cliente (por exemplo, pedidos anteriores), melhorando a precisão e o valor percebido.
Exemplo: Assistente de consulta automatizado da Kuka
Em abril de 2023, a KUKA, fornecedora global de soluções de automação, trabalhou com a Empolis, uma empresa, para desenvolver a prova de conceito — e adotar — o assistente virtual de IA generativa da Empolis, chamado Empolis Buddy. Desenvolvido usando o Amazon Bedrock da AWS, o Empolis Buddy utiliza grandes modelos de linguagem para acessar e consultar documentação extensa, incluindo procedimentos operacionais padrão e manuais de fabricação.
3. Suporte pós-venda para suporte ao cliente — 19% dos projetos
O suporte pós-venda abrange tarefas como assistência na integração, orientação sobre o uso do produto, processamento de devoluções e gerenciamento de garantia. A IA generativa pode ser incorporada em centrais de ajuda, respondedores de e-mail ou sistemas de URA para orientar os clientes após a compra.
Impacto nos negócios
Aprimorar as experiências pós-venda ajuda a prevenir a rotatividade e aumenta as oportunidades de upsell. A IA generativa oferece suporte a um modelo de serviço proativo, orientando os usuários antes que os problemas surjam, personalizando o aconselhamento com base no histórico de compras e minimizando o atrito pós-venda. Isso pode reduzir o volume de tickets e melhorar o Net Promoter Score (NPS).
Exemplo: Assistente de IA da Telstra para agentes de atendimento
Em meados de 2023, a Telstra, uma operadora de telecomunicações australiana, desenvolveu duas ferramentas de IA generativa — Ask Telstra e One Sentence Summary — usando o Microsoft Azure OpenAI Service para aprimorar o suporte ao cliente após a ativação do serviço. Essas ferramentas ajudam os agentes a acessar rapidamente os detalhes da conta e do produto e a resumir interações anteriores, permitindo uma solução de problemas mais rápida e acompanhamentos mais personalizados. De acordo com a Telstra, as ferramentas reduziram os contatos de acompanhamento em 20%, com 90% de seus funcionários de atendimento ao cliente relatando economia de tempo e melhoria na qualidade do suporte pós-venda.
4. Criação de conteúdo para marketing – 17% dos projetos
Criação de conteúdo refere-se à geração de blogs, postagens em mídias sociais, textos publicitários, landing pages, campanhas de e-mail e comunicações internas. A IA generativa pode criar (ou ajudar a criar) esse conteúdo, aproveitando modelos de linguagem abrangentes que são ajustados para tom e relevância do assunto.
Impacto nos negócios
A IA pode reduzir o tempo de lançamento no mercado de campanhas e novos conteúdos (por exemplo, páginas da web) automatizando os primeiros rascunhos, adaptando as mensagens aos segmentos de público e garantindo a consistência da marca. Ela também reduz a dependência da agência e dimensiona os esforços de personalização sem exigir aumentos equivalentes de pessoal.
Exemplo: Assistente de marketing da NC Fusion
Em meados de 2023, a NC Fusion, uma organização esportiva juvenil sem fins lucrativos na Carolina do Norte, adotou o Microsoft Copilot no Dynamics 365 Customer Insights para aprimorar suas campanhas de marketing direcionadas, como a criação de e-mails e da jornada do cliente. Enfrentando desafios para escalar o alcance personalizado devido à limitação de recursos, a organização utilizou os recursos de IA generativa do Copilot para otimizar a criação de conteúdo e a segmentação do público. Essa integração permitiu que a NC Fusion reduzisse o tempo de elaboração de e-mails de 60 para 10 minutos, facilitando a implementação mais rápida de campanhas direcionadas, como a iniciativa “You do belong”, que visa incentivar meninas a permanecerem engajadas em esportes. Como resultado, a organização relatou um aumento de três vezes no engajamento do cliente, acrescentando:
5. Desenvolvimento de software para TI – 15% dos projetos
Desenvolvimento de software refere-se à geração de código, depuração, documentação de código e criação de casos de teste para software. Para auxiliar nessas tarefas, os desenvolvedores podem usar ferramentas generativas baseadas em IA incorporadas em ambientes de desenvolvimento integrados (IDEs), como GitHub Copilot, Amazon Q Developer e outros copilots proprietários, ou trabalhar com chatbots, como ChatGPT, Gemini ou Claude.
Impacto nos negócios
O suporte à IA reduz o tempo gasto em código boilerplate, documentação e tarefas de manutenção, permitindo que os desenvolvedores se concentrem em recursos de alto impacto. As organizações se beneficiam de lançamentos mais rápidos e menos bugs em produção.
Exemplo: Integração do Assistente de IA da JetBrains para programação
A JetBrains, fornecedora tcheca de ferramentas de programação com sede na Holanda, anunciou seu Assistente de IA para seu conjunto de IDEs em junho de 2023. Utilizando a API da OpenAI, este assistente auxilia os desenvolvedores gerando trechos de código, sugerindo refatorações e fornecendo explicações para segmentos de código. De acordo com a JetBrains, o Assistente de IA se tornou o produto de crescimento mais rápido da empresa, com 77% dos desenvolvedores relatando aumento de produtividade e 55% notando mais tempo para se concentrar em tarefas envolventes. A integração simplificou o processo de desenvolvimento, permitindo codificação e resolução de problemas mais eficientes.
6. Otimização de processos para operações – 11% dos projetos
A otimização de processos envolve a melhoria dos fluxos de trabalho para aumentar a eficiência, reduzir custos e aprimorar a qualidade dos resultados. Em operações, isso significa otimizar tarefas, eliminar gargalos e padronizar procedimentos. A IA generativa apoia isso
analisando dados (por exemplo, identificando atrasos nos registros de produção) e gerando recomendações ou documentação (por exemplo, elaborando POPs atualizados para manuseio de equipamentos) — ajudando as equipes a identificar melhorias mais rapidamente e implementá-las com mais eficácia.
Impacto nos negócios
A IA generativa permite a identificação mais rápida de ineficiências e agiliza melhorias de rotina, ajudando as organizações a reduzir custos operacionais, reduzir o esforço manual e acelerar a implementação. Ao automatizar tarefas como documentação e análise de dados, as empresas podem alcançar um desempenho mais consistente e obter ganhos mensuráveis em eficiência e ROI em suas operações.
Exemplo: Iniciativa de automação de documentos da Covered California
Em abril de 2024, a Covered California, um marketplace de seguros de saúde com sede nos EUA, implementou um processo generativo de verificação de sinistros com tecnologia de IA usando o Document AI do Google Cloud em colaboração com a Deloitte. A IA agora automatiza tarefas manuais recorrentes, como revisar documentos de elegibilidade, extrair dados relevantes e determinar o status da verificação. De acordo com a Covered California, essa automação melhorou a taxa de verificação de documentos de 28% a 30% para 84%, com expectativa de ultrapassar 95% após treinamento adicional — resultando em um processamento de sinistros mais rápido e um atendimento ao cliente aprimorado.
7. Suporte de TI – 8% dos projetos
Equipes de suporte de TI auxiliam em problemas técnicos comuns, como redefinições de senhas, solução de problemas de software e solicitações de acesso ao sistema. Essas tarefas podem ser confiadas à IA generativa para que as equipes de suporte de TI possam se concentrar em atingir as metas de TI da organização. Ferramentas baseadas em IA generativa são frequentemente incorporadas a help desks corporativos ou agentes virtuais.
Impacto nos negócios
Ao lidar com consultas repetitivas automaticamente, as organizações podem reduzir o backlog de tickets, diminuir os custos de suporte e liberar a equipe de TI para tarefas de maior complexidade. A IA também pode fornecer resoluções mais consistentes e precisas, baseando-se em documentação estruturada e casos históricos.
Exemplo: Assistente de suporte de TI com tecnologia de IA da Condor
Em 2024, a Condor, uma empresa brasileira de bens de consumo, desenvolveu um protótipo de IA generativa para aprimorar seu suporte interno de TI, em colaboração com a MadeinWeb, parceira da AWS, que supostamente foi construído em apenas algumas semanas. A Condor adotou a plataforma de IA generativa Charla, da MadeinWeb, que visa ajudar as empresas a usar o Amazon Bedrock em casos como assistentes virtuais. O assistente de IA da Condor foi treinado com base em seus tickets de TI históricos e documentação técnica e, de acordo com a Condor, o assistente fornece respostas precisas e contextualizadas às consultas dos funcionários, melhorando a eficiência do service desk e reduzindo os tempos de resposta.
8. Design de produto para P&D – 8% dos projetos
Design de produto é a ideação e o desenvolvimento de novos produtos. A IA generativa pode gerar variações de design, personalizar recursos e criar protótipos digitais com base em descrições textuais ou imagens de referência.
Impacto nos negócios
Ao automatizar aspectos do processo de design, as empresas podem explorar uma gama mais ampla de opções de design, adaptar produtos às preferências específicas do cliente e agilizar a transição do conceito para a produção.
Exemplo: Kit Inicial de Design de Produto com IA Generativa da Grid Dynamics
Em maio de 2023, a Grid Dynamics, uma empresa de engenharia digital sediada nos EUA, lançou seu Kit Inicial de Design de Produto com IA Generativa para apoiar varejistas, marcas e fabricantes na aceleração do design de produtos e no desenvolvimento de experiências digitais. O kit inclui modelos de referência e fluxos de trabalho que utilizam recursos de IA generativa de texto para imagem e imagem para imagem — permitindo que os usuários gerem, editem e reformulem conceitos de produtos a partir de prompts textuais ou visuais existentes. De acordo com a Grid Dynamics, essa abordagem melhora a ideação do design em estágio inicial, encurta os ciclos de prototipagem e oferece suporte a experiências de produtos mais personalizadas em escala.
9. Prototipagem para P&D – 8% dos projetos
A prototipagem envolve a criação de modelos funcionais ou simulações de produtos, serviços ou campanhas. As equipes de prototipagem podem usar IA generativa para executar essas tarefas, testar conceitos, coletar feedback e iterar designs com eficiência antes do desenvolvimento em larga escala.
Impacto nos negócios
Ao permitir a prototipagem rápida, as organizações podem validar ideias mais rapidamente, adaptar-se às mudanças do mercado e lançar inovações no mercado com mais agilidade.
Exemplo: Prototipagem de proteínas orientada por IA da Evozyne com a NVIDIA
A Evozyne, uma startup de biotecnologia sediada nos EUA, fez uma parceria com a NVIDIA, empresa americana de computação em IA e semicondutores, para desenvolver o modelo ProT-VAE, um sistema de IA generativa projetado para prototipar novas proteínas. Utilizando a estrutura BioNeMo da NVIDIA, o ProT-VAE
combina modelos de transformadores com autocodificadores variacionais para gerar milhões de sequências de proteínas em segundos. Essa abordagem permite modificações significativas — alterando metade ou mais dos aminoácidos de uma proteína em uma única iteração —, possibilitando a exploração de funções proteicas inteiramente novas. De acordo com Evozyne, esse método acelerou o processo de prototipagem de meses para semanas, facilitando o desenvolvimento de proteínas com potenciais aplicações no tratamento de doenças e na abordagem de desafios ambientais.
10. Estudos de viabilidade para P&D – 8% dos projetos
Estudos de viabilidade envolvem a avaliação da praticidade e do potencial de sucesso de projetos.
A IA generativa pode ajudar a simular cenários, analisar dados e prever resultados, auxiliando nos processos de tomada de decisão em diversos setores.
Impacto nos negócios
Ao fornecer simulações detalhadas e análises preditivas, as organizações podem tomar decisões informadas, reduzir riscos e alocar recursos de forma mais eficaz.
Exemplo: Modelagem de viabilidade de materiais baseada em IA da GenMat
Em março de 2023, a Quantum Generative Materials (GenMat), uma empresa americana de ciência de materiais, anunciou o desenvolvimento de modelos de IA generativa projetados para simular e avaliar novos materiais com mais eficiência. O sistema aplica modelagem generativa para avaliar a adequação potencial de um material para aplicações específicas — como energia, defesa ou aeroespacial — prevendo propriedades e comportamento sem testes extensivos de laboratório. De acordo com a empresa, a abordagem encurta as avaliações de viabilidade em estágio inicial, ajudando as equipes de P&D a priorizar quais materiais buscar e reduzindo o tempo e o custo normalmente associados à experimentação física.
Fonte: IoT Analytics – The top 10 enterprise generative AI applications – Based on 530 real-world projects – April 28, 2025.
Blog do Nei 