A inteligência artificial generativa produz textos, imagens e códigos novos a partir de padrões aprendidos em grandes volumes de dados. Para Jean Pierre Lessa e Santos Ferreira, formado em Ciência da Computação, a tecnologia só gera valor quando a empresa sabe qual problema quer resolver e onde estão os limites da ferramenta. As perguntas abaixo reúnem as dúvidas mais comuns de quem avalia o uso dela no dia a dia de uma organização.
O que a IA generativa faz bem dentro de uma empresa?
Ela costuma funcionar melhor em tarefas de linguagem que consomem tempo e têm um padrão reconhecível: resumir documentos longos, redigir uma primeira versão de textos, classificar mensagens, apoiar o atendimento e sugerir trechos de código. Em todas, o resultado chega como rascunho que uma pessoa revisa antes de seguir adiante.
De acordo com Jean Pierre Lessa e Santos Ferreira, diretor de tecnologia, o ganho aparece com mais nitidez quando a tarefa é frequente e o custo de um pequeno erro é baixo. Um resumo de reunião ou uma minuta de resposta a um e-mail são exemplos de uso em que a revisão humana é rápida e o tempo economizado é real. Já uma tarefa rara, que exige precisão total, tende a render pouco.
Quais usos práticos já são comuns nas áreas de negócio?
No atendimento, a ferramenta sugere respostas a partir da base de conhecimento da empresa. No jurídico e no financeiro, ajuda a localizar cláusulas e a comparar versões de contratos. Em marketing, apoia a produção de variações de texto. Na área de tecnologia, acelera a escrita e a revisão de código, além de ajudar na documentação de sistemas.
Existe um ponto de partida que reduz frustrações: escolher um processo que já esteja bem mapeado. Em operações com etapas claras, a IA entra como auxiliar de uma etapa específica, e não como substituta do processo inteiro. Quando o fluxo de trabalho é confuso, a ferramenta apenas reproduz a confusão com mais velocidade, e a empresa passa a gastar energia corrigindo o que antes passava despercebido.
Quais são os limites que toda empresa precisa conhecer?
O primeiro limite é a chamada alucinação: o modelo pode produzir uma resposta bem escrita, convincente e errada, porque ele prevê a sequência de palavras mais provável, e não consulta uma fonte de verdade. O segundo é a dependência da qualidade dos dados oferecidos a ele. O terceiro é a falta de contexto sobre regras internas, a menos que a empresa o forneça de forma organizada.
Pense em um estagiário muito rápido, que lê tudo e responde a tudo, mas que nunca admite não saber. A comparação ajuda a entender por que a supervisão é indispensável. Ele rende bastante quando recebe instruções claras e tem o trabalho conferido, e causa estragos quando age sozinho em assuntos delicados.
Como Jean Pierre Lessa e Santos Ferreira analisa a escolha dos casos de uso?
Na leitura de Jean Pierre Lessa e Santos Ferreira, que acumula mais de 25 anos de experiência em tecnologia, a escolha do caso de uso deve partir de uma pergunta de negócio, com a novidade tecnológica em segundo plano. Um projeto que começa pela ferramenta costuma terminar em uma demonstração bonita, sem efeito sobre custo, prazo ou qualidade do serviço.
Um critério prático é listar os processos candidatos e avaliá-los por três ângulos: volume de repetição, risco de erro e disponibilidade de dados confiáveis. O que combina volume alto, risco baixo e dados organizados vai para o início da fila. O que envolve decisões sensíveis, como crédito, saúde ou demissão, exige cuidado redobrado, supervisão humana e, em muitos casos, vale esperar.
Que cuidados a empresa deve ter com dados e segurança?
Tudo o que é enviado a uma ferramenta externa precisa ser tratado como informação que sai da empresa. Por isso, convém definir regras claras sobre o que pode e o que não pode ser colocado em um assistente de IA: dados pessoais de consumidores, segredos comerciais, contratos e códigos proprietários merecem atenção especial. Em empresas de médio e grande porte, essa decisão costuma passar pelas áreas de tecnologia, jurídico e segurança da informação, e não por cada funcionário isoladamente.
Como reforça Jean Pierre Lessa e Santos Ferreira, a governança vem antes da escala. Quando cada área adota a sua ferramenta por conta própria, a empresa perde o controle sobre onde estão os dados e sobre quem responde por eventuais falhas. Uma política simples, conhecida por todos e revisada com regularidade, evita a maior parte dos problemas.
Como saber se o investimento está valendo a pena?
Sem um ponto de comparação, ninguém sabe se a IA melhorou alguma coisa. Antes de implantar, vale registrar como o processo funciona hoje: tempo gasto, taxa de retrabalho, satisfação de quem usa. Depois da implantação, os mesmos indicadores mostram se houve ganho. Também entram na conta os custos de uso, da integração com os sistemas existentes e do tempo de revisão humana.
Segundo Jean Pierre Lessa e Santos Ferreira, o erro mais comum é medir apenas a velocidade de produção. Se a ferramenta entrega o texto em segundos, mas a equipe gasta uma hora corrigindo, o saldo é negativo. A medição honesta olha o processo de ponta a ponta e aceita que alguns usos simplesmente não compensam.
Por onde começar sem correr riscos desnecessários?
O caminho mais seguro é um projeto pequeno, com um responsável definido, um objetivo mensurável e prazo curto para avaliação. Uma analista de atendimento, por exemplo, pode testar a sugestão automática de respostas em um tipo único de pedido, com a revisão de uma colega, durante algumas semanas. Se o resultado for bom, o uso se amplia aos poucos. Se não for, a empresa aprende barato.
Tal formato também ajuda a formar a equipe. As pessoas aprendem a escrever boas instruções, a desconfiar de respostas muito seguras e a reconhecer quando a ferramenta ajuda e quando atrapalha. Com o tempo, a organização cria um repertório próprio de usos e limites, que vale mais do que qualquer lista genérica de casos de sucesso.