TL;DR:
- Não decidir também custa: tempo, orçamento e oportunidades.
- Sem priorização, mais iniciativas significam mais dispersão.
- Clareza é saber onde investir e onde não investir.
- Velocidade em IA começa pela decisão
Existe um paradoxo interessante acontecendo nas empresas. Nunca se falou tanto sobre Inteligência Artificial. Nunca tivemos tantas possibilidades de aplicação, tecnologias e casos de uso de IA para explorar. Ainda assim, em muitas organizações, uma pergunta continua sem resposta: por onde começar?
Na prática, frequentemente encontro empresas que não têm falta de iniciativas em IA. Os que os líderes de dados me falam é justamente o problema contrário:
“há diferentes projetos possíveis como saber onde colocar meus reais?”;
“cada área vem falar comigo defendendo suas prioridades, mas como priorizar?”;
“tenho múltiplos pilotos acontecendo mas não saem do piloto”;
“tenho pressão crescente para mostras que o meu investimento em IA se traduz em resultados concretos”.
O problema surge quando essas possibilidades não são acompanhadas da clareza para decidir o que deve avançar primeiro. É nesse momento que a incerteza em IA deixa de representar apenas uma dificuldade de planejamento e começa a gerar um impacto muito mais concreto para o negócio: custo.
E esse custo nem sempre aparece claramente no orçamento.
Quando pensamos no custo de IA, normalmente olhamos para fatores bastante visíveis: tecnologia, infraestrutura, dados, parceiros, licenças e pessoas. São elementos importantes, mas representam apenas uma parte da equação.
Existe também o custo produzido pela indecisão:
dinheiro investido em iniciativas que permanecem indefinidamente em estágio experimental;
tempo dos especialistas distribuído entre projetos que concorrem entre si;
equipes que discutem prioridades sem critérios comuns;
pilotos tecnicamente interessantes que nunca encontram um caminho claro para a implantação em ambiente real;
custo de infraestrutura esperando um caso de uso suficientemente bem definido;
oportunidades já que poderiam estar gerando valor enquanto a empresa continua discutindo onde investir.
Separadamente, esses elementos podem parecer pequenos. Juntos, representam um problema importante de alocação de capital e capacidade.
Por isso, ao discutir investimento em IA, precisamos ampliar a pergunta. Não basta avaliar quanto custa desenvolver uma iniciativa. É preciso entender também quanto custa não decidir quais iniciativas realmente merecem avançar.
Existe uma tendência natural de associar desperdício a um projeto que falhou. Mas uma parte relevante do desperdício em projetos de Dados e IA pode acontecer muito antes de uma iniciativa chegar à implementação.
Ele começa quando uma empresa dedica meses de discussão, especialistas e orçamento a algo que nunca recebeu uma hipótese de valor suficientemente clara.
Ou quando um projeto avança porque existe uma tecnologia disponível, e não porque existe um problema de negócio relevante para resolver.
O mesmo acontece quando um piloto demonstra que determinada tecnologia funciona, mas ninguém consegue justificar por que ela deveria ser escalada. A iniciativa não necessariamente fracassou, mas também não criou valor proporcional ao esforço empregado.
Esse cenário é particularmente comum quando existem muitas oportunidades simultâneas.
Diante de dez casos de uso de IA possíveis e nenhuma forma estruturada de compará-los, é comum tentar avançar em vários ao mesmo tempo. À primeira vista, isso pode parecer uma forma prudente de distribuir risco. Na prática, pode gerar justamente o efeito contrário.
Os mesmos especialistas passam a atender diferentes projetos. As áreas de negócio competem por atenção. Equipes de dados e tecnologia lidam simultaneamente com diferentes necessidades, dependências e expectativas.
O resultado é muito movimento, mas pouca evolução.
No mercado de Dados e IA, já presenciamos esse cenário muitas vezes: novas iniciativas surgem continuamente, enquanto múltiplas áreas disputam atenção, os roadmaps mudam e o backlog cresce. Sem critérios claros de priorização, os projetos consomem tempo, orçamento e energia sem retorno proporcional.
É justamente aí que a incerteza em IA se transforma em um problema de execução e, consequentemente, custo.
Priorizar não significa simplesmente escolher o projeto que parece mais interessante. Significa conseguir comparar oportunidades a partir do seu potencial de valor e das condições reais da organização para executá-las.
Antes de comprometer mais investimento em IA, algumas perguntas precisam estar suficientemente claras:
Qual problema de negócio queremos resolver?
Qual impacto esperamos gerar?
Os dados necessários estão disponíveis e são confiáveis?
Existe capacidade tecnológica e organizacional?
O esforço é proporcional ao valor potencial?
Essas questões aproximam a estratégia de IA da gestão de dados e da realidade operacional da organização. Afinal, um bom caso de uso pode não ser a melhor prioridade se depende de dados indisponíveis, baixa qualidade de dados, grandes transformações de arquitetura ou condições que ainda não existem.
Por isso, definir prioridades em Dados e IA exige olhar conjuntamente para negócio, dados e tecnologia.
Essa talvez seja uma das decisões mais difíceis para organizações com muitas iniciativas em IA.
Quanto mais casos de uso surgem, maior pode ser a tentação de mantê-los todos vivos. Mas priorização exige escolha.
Algumas iniciativas merecem investimento imediato; outras precisam amadurecer; algumas dependem de ajustes em gestão de dados ou tecnologia; e outras simplesmente não justificam o esforço neste momento.
Por isso, acredito que velocidade em IA não significa executar tudo rapidamente. Velocidade é conseguir decidir rapidamente o que realmente merece ser executado.
Diante da incerteza em IA, é natural procurar mais informação. Mais uma ferramenta, um assessment, um piloto, uma plataforma ou um novo caso de uso.
O problema é que, quando o gargalo está na priorização, adicionar possibilidades pode aumentar a incerteza em vez de reduzi-la.
A organização não precisa necessariamente de mais ideias. Precisa de clareza para conseguir eliminar opções.
Isso significa transformar muitas oportunidades em poucas prioridades e, então, transformar prioridades em decisões concretas. O objetivo não é encontrar a iniciativa perfeita, é identificar onde existe a combinação mais consistente entre impacto de negócio, viabilidade e capacidade de execução.
Existe ainda outra razão pela qual algumas organizações permanecem imobilizadas: a tentativa de eliminar toda a incerteza antes de agir.
Mas projetos de inovação dificilmente começam com todas as respostas. Em vez de tentar remover qualquer risco antecipadamente, uma abordagem mais pragmática é reduzir a incerteza necessária para tomar a próxima decisão.
Na prática, isso pode significar:
selecionar uma oportunidade relevante;
entender suas dependências de negócio, tecnologia e gestão de dados;
definir um primeiro movimento capaz de colocar a hipótese à prova.
É aqui que o conceito de Quick Win ganha importância.
Na lógica de iniciativas de Dados e IA, Quick Win funciona como um ponto de partida para a execução, e uma forma de gerar valor no curto prazo, reduzir risco antes da escala, validar a direção escolhida e criar tração para a execução.
Isso muda o papel do primeiro projeto.
Em vez de tentar justificar antecipadamente uma grande transformação ou implantação de IA, a organização consegue estabelecer uma prioridade, construir um caminho acionável e começar por uma iniciativa que ajude a produzir evidências para as próximas decisões.
Assim, a empresa deixa de alternar entre dois extremos igualmente problemáticos: grandes projetos que exigem alto compromisso antes de demonstrar valor e uma coleção de pilotos desconectados que nunca chegam à escala.
Foi diante desse tipo de cenário que estruturamos a metodologia PathFinder Fast Track, aqui na Apgar
A abordagem parte de uma situação que vemos com frequência: empresas sabem que precisam avançar em Dados e IA, já possuem ideias ou iniciativas em andamento, mas ainda precisam transformar essas possibilidades em uma direção clara.
A abordagem foi pensada justamente para organizações com múltiplos projetos que precisam definir prioridades e conectar negócio, dados e tecnologia.
Em um ciclo estruturado de seis semanas, o PathFinder Fast Track trabalha:
a priorização das iniciativas;
a avaliação das fundações de dados e das capacidades tecnológicas e;
a construção de um roadmap acionável com um Quick Win definido como ponto de partida.
O resultado esperado é concreto:
clareza sobre onde investir;
prioridades definidas;
roadmap estruturado e;
um primeiro ponto de partida para execução.
Isso porque o maior risco em projetos de Dados e IA talvez não seja testar uma hipótese e descobrir rapidamente que ela estava errada. Pode ser passar meses discutindo dezenas de hipóteses sem conseguir transformar nenhuma delas em decisão.
Enquanto a organização permanece na incerteza em IA, pessoas continuam dedicando tempo, oportunidades continuam esperando e diferentes iniciativas continuam competindo por investimento e prioridade.
Em um momento em que praticamente todas as empresas buscam acelerar suas iniciativas em IA, saber onde não investir agora pode ser tão importante quanto definir onde investir.
A velocidade começa pela decisão.
E talvez exista uma pergunta importante para qualquer líder responsável por Dados e IA fazer hoje:
quanto está custando para a minha empresa ainda não ter decidido por onde começar?
Algum desses cenários faz sentido para você?
Falta clareza sobre onde a IA pode gerar valor?
Existem diferentes casos de uso de IA, mas ainda é difícil definir prioridades?
As prioridades existem, mas negócio, tecnologia e gestão de dados ainda não avançam na mesma direção?
Pensando nesse desafio de entendimento, desenvolvemos um diagnóstico online: a Calculadora PathFinder.
A ferramenta vem justamente ajudar a identificar o principal desafio para transformar oportunidades de Dados e IA em prioridades, decisões de investimento e um caminho orientado a valor.
Calculadora PathFinder: responda perguntas estratégias, em 3 minutos, e descubra qual é hoje o principal obstáculo para destravar suas iniciativas de IA, e qual deve ser o seu primeiro passo para superá-lo.