IA que roda vs. IA que impressiona no demo.

A demo foi perfeita. O fornecedor mostrou o chatbot respondendo perguntas complexas, o modelo classificando documentos em segundos, o dashboard com previsões que pareciam magia. O diretor de TI saiu da sala convencido. O contrato foi assinado na sexta.

Quatro meses depois, o chatbot roda em ambiente de teste. O modelo de classificação erra 38% das vezes com dados reais. O dashboard de previsões nunca saiu do PowerPoint.

Essa história se repete com uma frequência que deveria assustar mais gente. Segundo dados da Gartner, 83% dos projetos de IA não chegam à produção. Não porque a tecnologia falhou. Porque o método de implantação falhou.

O gap entre demo e produção

A demo funciona porque opera em condições controladas. Dados limpos. Volume baixo. Cenários selecionados. É como testar um carro numa pista vazia às 6h da manhã e concluir que ele funciona no trânsito de São Paulo às 18h.

O mundo real tem dados sujos, incompletos, em 4 formatos diferentes. Tem usuários que não leem instrução. Tem sistemas legados que não se integram. Tem um time de operação que precisa mudar o processo e não foi consultado.

A distância entre a demo e a produção não é técnica. É organizacional.

Por que 83% dos pilotos morrem

Trabalhando com growth e inovação nos últimos anos, identifiquei 5 razões que se repetem em quase todo piloto que não vira produto.

O problema errado foi escolhido. A empresa começa pelo que é tecnicamente interessante, não pelo que gera valor. "Vamos fazer um modelo de predição de churn" soa bem na apresentação, mas se o time comercial não tem processo para agir sobre a predição, o modelo vira enfeite.

O dono é de TI, não do negócio. Quando o projeto de IA é do time de tecnologia, ele vira projeto de tecnologia. Sem sponsor de negócio, sem métrica de resultado, sem integração com a operação. A IA roda num servidor. Ninguém usa.

Os dados não estão prontos. Todo mundo sabe disso, mas todo mundo subestima. O modelo precisa de dados estruturados, atualizados, consistentes. A empresa tem dados em 7 planilhas, 2 ERPs e um sistema legado de 2014 que ninguém sabe como funciona (mas que roda a operação inteira).

A mudança de processo não aconteceu. IA não é plug and play. Se o processo de trabalho continua o mesmo, a IA fica em paralelo, como uma ferramenta que ninguém pediu e ninguém quer aprender a usar.

O piloto não tinha prazo para virar produção. "Vamos rodar o piloto e ver." Sem data de corte, sem critério de sucesso, sem decisão programada, o piloto vira aquele projeto que está "quase pronto" há 11 meses.

A pista mostra o que o PowerPoint esconde. IA que funciona não impressiona no demo. Impressiona no resultado do mês.

O que separa IA que roda de IA que impressiona

Começa pelo problema, não pela tecnologia. Antes de escolher modelo, ferramenta ou fornecedor, a pergunta é: qual processo da operação gasta mais tempo, mais dinheiro ou mais energia do time? Esse é o candidato. Não o mais bonito. O mais caro.

Define dono de negócio desde o dia 1. O projeto precisa de um sponsor que entenda o valor comercial, que meça o resultado em reais (ou em horas devolvidas ao time), e que tenha poder para mudar o processo quando necessário.

Estabelece prazo curto para o piloto. 30 dias para rodar o piloto com dados reais, em ambiente real, com usuários reais. Se em 30 dias não gerou aprendizado suficiente para decidir, o escopo estava errado.

Mede resultado, não acurácia. Acurácia de 94% não significa nada se o time não usa a ferramenta. A métrica que importa é: quantas horas o time economizou? Quantas decisões ficaram mais rápidas? Quanto de margem foi recuperado?

IA de campo vs. IA de palco

A diferença entre as duas é simples.

IA de palco: demo bonita, tecnologia de ponta, equipe entusiasmada. Seis meses depois, ninguém sabe onde está o projeto.

IA de campo: problema claro, piloto com prazo, dono de negócio, métrica de resultado, processo ajustado. Dois meses depois, o time não quer mais trabalhar sem a ferramenta.

Não é a tecnologia que faz a diferença. É o método. É ter clareza sobre o problema antes de escolher a solução. É ter dono que cobra resultado, não acurácia. É ter prazo que força decisão.

Numa rede de conveniência, implantamos um modelo de reposição automática que economizou 6h42 por semana do time de compras. Não era o modelo mais sofisticado. Era o mais útil. O time de loja pediu para expandir para as outras 23 unidades em menos de 2 semanas.

Isso é IA que roda.

Antes de contratar IA, faça essas perguntas

Qual processo consome mais tempo do time hoje? Se não souber, não tem como escolher onde aplicar IA.

Quem vai ser o dono do resultado? Se a resposta for "o time de TI", repense.

Os dados existem e estão acessíveis? Se precisar de 4 meses para limpar dados, comece pela limpeza, não pela IA.

O time está disposto a mudar o processo? Se a resposta for não, a IA vai ser mais uma ferramenta que ninguém usa.

Qual é a métrica de sucesso em reais ou horas? Se não conseguir definir, o problema ainda não está claro o suficiente.

Diagnóstico sem gaveta, execução com dono. IA que funciona resolve problema do campo, não do slide.

A próxima vez que alguém te mostrar uma demo de IA impressionante, faça uma pergunta simples: "Onde isso está rodando em produção hoje, e qual resultado gerou no último mês?"

A resposta vai te dizer tudo.

Quantos pilotos de IA estão parados na sua empresa agora?