A empresa paga pela IA, mas quem fica com o aprendizado?

Em junho, os modelos abertos de inteligência artificial responderam por 29% do volume de uso na plataforma de IA da Vercel e por menos de 4% do gasto. No mesmo período, quatro grandes fornecedores americanos concentraram 95% das despesas.

O dado vem de uma plataforma só e não descreve o mercado inteiro. Mas mostra algo que já acontece dentro das empresas: tecnologias diferentes estão sendo usadas para trabalhos diferentes.

Tarefas repetitivas e de grande volume migram para opções mais econômicas. Processos delicados, nos quais um erro custa caro, continuam justificando sistemas mais avançados. Aos poucos, a pergunta "qual é a melhor IA?" perde espaço para outra, mais útil: qual combinação entrega o melhor resultado para cada processo?

Há uma consequência importante nessa mudança. Se as opções ficam mais baratas, mais numerosas e mais fáceis de trocar, a vantagem competitiva deixa de estar apenas na tecnologia contratada.

Ela passa a depender do que a empresa consegue acumular a partir do uso: conhecimento sobre clientes, regras, exceções, decisões e resultados. A tecnologia entrega uma resposta; a empresa precisa aprender com o que aconteceu.

Pense no atendimento ao cliente. O sistema consulta o histórico, sugere uma resposta e, em alguns casos, executa uma ação. Um funcionário corrige a recomendação porque aquele cliente tem uma condição comercial específica.

O que acontece com essa correção? Ela reduz a chance de o mesmo erro ocorrer no atendimento seguinte? Fica registrada com origem, validade e responsável? O sistema sabe distinguir uma exceção individual de uma nova regra para todos os clientes? Se a empresa trocar de ferramenta, esse aprendizado continua disponível?

Se a resposta for não, houve automação, mas não houve acúmulo de capacidade. A empresa pagou por uma resposta melhor naquele momento e, na decisão seguinte, talvez tenha de começar quase do mesmo ponto.

Boa parte do conhecimento que torna a IA útil não está na tecnologia. Está espalhada pelo negócio: nos sistemas de vendas, gestão e finanças, nos contratos, em documentos, planilhas e mensagens.

Também está na cabeça de quem conhece os atalhos, as exceções e as contradições da operação. O trabalho difícil não é conectar tudo isso a um assistente. É transformar informação fragmentada em contexto confiável, atualizado e acessível apenas a quem pode consultá-lo. É saber qual regra vale, de onde ela veio, quando entrou em vigor e em que situações se aplica.

Um movimento recente da Tata Consultancy Services ajuda a dimensionar o desafio. A companhia divulgou que pretende formar uma equipe de até 8.900 engenheiros de implantação de IA para atuar dentro do ambiente dos clientes.

Um time desse tamanho diz muito sobre onde está o trabalho: fazer a inteligência artificial funcionar no dia a dia exige conhecer sistemas, permissões, processos e particularidades de cada empresa. Tecnologia genérica só começa a produzir valor quando encontra o contexto específico do negócio.

Em pesquisa da HCLTech com 467 executivos responsáveis por investimentos em IA em grandes empresas, a conclusão foi que quase 43% das grandes iniciativas podem fracassar.

O obstáculo apontado não é falta de ferramenta nem de teste, e sim a distância entre ambição, organização e resultado consistente. É possível gastar mais, testar mais e contratar mais fornecedores sem tornar a empresa mais capaz.

Mudar o canal sem abandonar a visão

Vivi uma versão pequena disso na Tallos. Nosso canal principal era o WhatsApp, e por um tempo a Meta não tinha API oficial. Havia clientes, havia adesão, havia retorno positivo. Faltava base técnica embaixo.

Não adiantava insistir na ferramenta certa sem a infraestrutura que a sustentava, então mudamos para o Messenger, que tinha API, e nichamos em clínicas e consultórios.

Mudei o canal sem abandonar a visão. Aprendi ali que muitas empresas não quebram por falta de solução ou de recurso, mas por não saberem ler o tempo certo das coisas. Com IA, tenho a impressão de que o erro é o mesmo, invertido: agora a ferramenta chega antes de a operação estar pronta para aprender com ela.

Para dirigentes de negócios analisarem como a IA deve se conectar à operação proponho três testes:

1) Um erro corrigido hoje reduz as falhas de amanhã?

2) É possível trocar a tecnologia sem perder regras, informações acumuladas e critérios de qualidade?

3) A companhia mede o custo do processo concluído corretamente ou acompanha apenas quanto de IA foi consumido?

Muitas empresas começaram pelo que era mais fácil comprar: assistentes, ferramentas de atendimento e sistemas capazes de executar tarefas. Isso gera produtividade rápida e serve como porta de entrada.

O risco aparece quando essas soluções se espalham antes que alguém decida onde o conhecimento produzido por elas será preservado. Depois de um ano, a companhia pode ter mais usuários, mais contratos e uma fatura maior, e continuar dependente das mesmas pessoas para explicar como o trabalho realmente funciona.

Existe uma diferença entre depender de um fornecedor e deixar o aprendizado preso nele. A primeira dependência se administra com contrato, preço e nível de serviço. A segunda é mais difícil de perceber. Ela aparece quando regras, correções e histórico não podem ser levados para outra solução sem que o processo seja reconstruído.

Fazer a IA guardar informações, por sinal, não significa que a empresa esteja aprendendo. Uma pesquisa publicada pela Writer, empresa que vende tecnologia de IA generativa e portanto tem interesse no assunto, indica que todos os modelos avaliados ao menos triplicaram a taxa de bajulação, isto é, de concordar com uma crença equivocada do usuário, quando acoplados a sistemas de memória corporativa de uso comum.

A explicação oferecida é que esses sistemas extraem e salvam a afirmação incorreta como fato isolado, descartando o histórico de correções anteriores. O achado ainda pede confirmação independente, mas o mecanismo é reconhecível para quem já viu uma planilha errada virar fonte oficial dentro de uma empresa.

Informação guardada sem critério dá permanência ao erro e o faz parecer conhecimento.

O gasto para o processo correto

Nada disso significa que as empresas devam desenvolver as próprias tecnologias ou manter toda a estrutura dentro de casa. Na maior parte dos casos, seria caro e desnecessário. Modelos, serviços em nuvem e aplicações especializadas podem ser contratados.

O que precisa permanecer sob controle da organização é a definição dos seus processos, das suas permissões e das suas regras, o histórico das decisões, os critérios de qualidade e os resultados que mostram o que funcionou.

Para o CEO, o custo relevante não é o preço da licença nem o de cada uso. É quanto a empresa gasta para concluir um processo corretamente. Uma opção mais barata sai cara quando produz retrabalho, exige revisão constante ou decide mal. Uma tecnologia mais avançada também vira desperdício quando aplicada a uma tarefa simples. O ganho aparece quando a empresa escolhe a ferramenta adequada para cada situação e mede o resultado final, não o consumo.

A qualidade da tecnologia continua importando, e a diferença entre modelos pode ser decisiva em crédito, saúde, finanças, jurídico ou em qualquer processo no qual o erro tenha consequência material. O problema está em tratar a escolha do fornecedor como se ela fosse toda a estratégia.

A discussão que deveria chegar ao conselho é outra: depois de cada ciclo de uso, o que permanece dentro da empresa? Dados mais organizados, regras mais claras, processos mais rápidos, decisões mais fáceis de explicar, menos exceções dependentes de uma única pessoa, uma medida melhor de custo e resultado? Ou apenas a renovação de mais uma licença?

No Brasil, a pergunta pesa mais. Muitas empresas convivem com sistemas antigos, planilhas paralelas e conhecimento concentrado em poucas pessoas. É justamente nesse ambiente que a IA pode gerar muito valor, reduzindo o esforço para localizar informação e executar rotinas.

Também é onde uma implantação apressada espalha a desorganização em maior velocidade. Antes de automatizar, a empresa precisa saber qual informação é confiável, qual regra está valendo e quem pode decidir. A inteligência artificial não elimina essas questões; ela aumenta a velocidade com que respostas boas e ruins circulam pela operação.

O NIST, instituto americano de padrões e tecnologia, recomenda em seu AI Risk Management Framework que a confiabilidade seja acompanhada da concepção do sistema ao uso e à avaliação. Para a liderança, a implicação é prática: os controles não terminam quando o projeto é aprovado. Eles continuam depois que a IA começa a recomendar, decidir e agir.

Nos próximos anos, as ferramentas serão melhores e o custo de muitas tarefas continuará caindo. A tecnologia vai ficar comum. A vantagem, não necessariamente. A fatura do fornecedor mostra quanto de IA a empresa consumiu; o aprendizado precisa aparecer em outro lugar, nos dados, nas regras, nos processos e na capacidade de tomar a próxima decisão sem começar tudo de novo.