Numa sala de reunião, o assistente de texto responde em segundos e arranca aplausos da diretoria. Na análise de Rolando Bonaccorsi, diretor de operações da Vert Analytics, esse tipo de cena explica por que a distância entre a expectativa e a realidade operacional da IA generativa costuma aparecer só depois do entusiasmo inicial, quando a ferramenta sai da demonstração e encontra processos, dados e pessoas reais.
Para ilustrar, vale um caso hipotético: Marcela, coordenadora administrativa de 52 anos numa distribuidora de materiais de construção de Londrina, ouviu falar de IA generativa numa palestra de fim de ano. Na semana seguinte, pediu à equipe que testasse uma ferramenta para redigir respostas a pedidos de orçamento e a dúvidas sobre prazos de entrega. Os primeiros textos saíram fluentes e rápidos, e a empresa sentiu que tinha encontrado um atalho. Três semanas depois, o atalho tinha virado um problema: a ferramenta respondia com segurança a perguntas cujas respostas dependiam de informações que ela não possuía, como condições comerciais vigentes e disponibilidade de estoque.
Onde nasce a distância entre a demonstração e o dia a dia?
A distância nasce porque a demonstração é um ambiente controlado, e a operação não é. Na demonstração, a pergunta é escolhida, o contexto está completo e ninguém precisa responder pelo resultado. Na rotina de uma empresa, as perguntas chegam fora de ordem, os dados estão espalhados em planilhas, sistemas antigos e e-mails, e cada resposta errada gera retrabalho ou desgaste com quem compra.
No caso de Marcela, a equipe percebeu o problema quando um comprador recebeu uma resposta com prazo de entrega que a distribuidora não conseguia cumprir. A ferramenta não errou na escrita; errou por falta de acesso ao que era preciso saber. O padrão se repete em muitas organizações: o texto sai bonito, mas o conteúdo depende de informação que ninguém organizou para que a máquina pudesse usá-la.
O que muda quando a ferramenta entra na rotina de trabalho?
Quando a ferramenta entra na rotina, ela deixa de ser um experimento e passa a fazer parte de um fluxo, com responsáveis, prazos e consequências. Em operações de tecnologia, como as que Rolando Bonaccorsi dirige, é comum que um sistema só seja considerado pronto depois de ter dono, monitoramento e plano de correção. Com a IA generativa, esse critério costuma ser esquecido, porque a facilidade de uso passa a sensação de que não há nada a administrar.
Como observa Rolando Bonaccorsi, a pergunta que separa um piloto simpático de uma adoção sustentável é quem responde pelo resultado quando a ferramenta erra. Sem essa definição, o erro circula pela empresa sem dono, e cada pessoa passa a conferir o trabalho da máquina por conta própria, o que anula boa parte do ganho de tempo prometido no início.
A equipe de Marcela viveu isso na prática. Uns revisavam todas as respostas, outros confiavam em tudo, e ninguém sabia dizer quais mensagens tinham sido escritas pela ferramenta. Faltava o básico de qualquer operação: registro do que foi feito, critério de revisão e alguém com autoridade para pausar o uso.
Os limites da IA generativa: dados e pessoas resolvem?
A IA generativa não resolve a organização da informação nem a divisão de responsabilidades. Ela produz texto a partir do que recebe, e a qualidade do que recebe depende de cadastros atualizados, regras comerciais escritas e documentos acessíveis. Uma empresa que não consegue responder com clareza, internamente, qual é o prazo de entrega de cada produto dificilmente terá uma ferramenta que responda melhor do que ela.
Daí a importância do papel das pessoas. Sob a perspectiva de Rolando Bonaccorsi, líder em IA e ciência de dados aplicadas a negócios e operações, a adoção madura trata a ferramenta como um novo integrante da operação, que precisa de instruções claras, limites de atuação e supervisão, e não como um recurso mágico que dispensa gestão. Quem já coordenou equipes sabe que treinar alguém novo dá trabalho antes de render, e com a máquina a lógica é parecida.
No caso da distribuidora, Marcela reuniu o time comercial e o de logística para listar as perguntas que mais chegavam e as respostas oficiais para cada uma. O exercício, em si, já melhorou o atendimento humano, porque revelou divergências que ninguém havia notado entre o que um setor dizia e o que o outro cumpria.
Vale delegar tudo de uma vez ou começar pelo que é seguro?
Começar pelo que é seguro costuma funcionar melhor do que delegar tudo de uma vez. Tarefas de baixo risco, como rascunhar um texto interno, resumir uma reunião ou organizar um material de apoio, permitem aprender como a ferramenta se comporta sem expor a empresa a erros diante de quem compra. Só depois, com critérios claros, faz sentido avançar para atividades em que a resposta chega ao público.
Na avaliação de Rolando Bonaccorsi, o avanço por etapas ajuda a empresa a medir o que mudou de fato, em vez de confiar na impressão de que tudo ficou mais rápido. Medir exige definir, antes do início, o que será observado: tempo de resposta, número de correções, reclamações e esforço de revisão. Sem esses pontos de comparação, qualquer resultado vira opinião.
Marcela adotou esse caminho. Passou a usar a ferramenta apenas para preparar rascunhos que um funcionário revisava antes do envio, com um campo obrigatório para conferir prazos e condições. As respostas ficaram mais lentas do que na primeira semana, mas os erros que chegavam ao comprador praticamente desapareceram, e a equipe voltou a confiar no processo.
O que o caso da distribuidora ensina sobre expectativa e realidade?
Segundo Rolando Bonaccorsi, essa leitura ajuda a separar tendência de modismo, porque obriga a perguntar o que a empresa vai fazer diferente depois da compra. Quem consegue responder a isso com objetividade tende a colher resultado; quem responde apenas com entusiasmo costuma descobrir os limites da ferramenta diante do comprador.
Ao final do trimestre, a distribuidora de Marcela não tinha um robô que resolvia tudo, mas tinha um fluxo documentado, responsáveis definidos e respostas oficiais que serviam tanto à máquina quanto às pessoas. A ferramenta passou a ser tratada como qualquer outro recurso da operação, com dono, rotina de revisão e critério claro para decidir quando um assunto sai da automação e vai para uma pessoa.