A inteligência artificial deixou de ser um experimento isolado dentro das empresas. Hoje, agentes autônomos já analisam contratos, respondem clientes, executam compras, fazem previsões financeiras e tomam decisões operacionais em tempo real.
O problema é que muitas empresas ainda tentam construir IA corporativa em cima de bases desorganizadas, dados fragmentados e estruturas sem governança.
O resultado é inevitável: decisões ruins em escala.
Esse foi o tema central do episódio 6 do podcast Roda B2B, da Econodata, com participação de IBM Brasil e Tempo. Fabrício Lyra, Diretor de Dados e IA da IBM, e Wilian Luiz Domingues, CIO e COO da Tempo, discutiram os desafios reais da IA corporativa, os riscos da automação sem governança e os bastidores de projetos que já estão mudando operações inteiras dentro das empresas.
Sumário
- O problema invisível da IA corporativa
- Os três maiores gargalos da IA nas empresas
- O fim do retrovisor nas decisões empresariais
- Quando agentes passam a executar tarefas sozinhos
- Governança precisa começar na origem
- O case do Ícaro: a IA treinada do zero pela Tempo
- Quando a IA começa a tomar decisões sozinha
- Curadoria é mais importante que tecnologia
- O maior erro das empresas ao implementar IA
- Os quatro pilares da transformação da IBM
- Cultura ainda é um dos maiores obstáculos
- IA vai substituir o relacionamento humano?
- O protagonismo humano nunca foi tão importante
- Conclusão
- Perguntas frequentes sobre IA corporativa
O problema invisível da IA corporativa
A maioria das empresas acredita que o maior desafio da IA corporativa é escolher a ferramenta certa. Mas, na prática, o problema começa muito antes.
Segundo Fabrício Lyra, da IBM, a grande barreira dos projetos de IA continua sendo a mesma: os dados. Não a tecnologia em si. Não o modelo. Não a infraestrutura.
Os dados corporativos continuam espalhados em silos, desconectados entre áreas e sem contexto compartilhado. O financeiro possui uma visão. O comercial possui outra. O atendimento possui outra completamente diferente. A IA, porém, não trabalha em departamentos. Ela trabalha olhando a operação inteira.
Esse cenário cria um problema extremamente perigoso dentro da IA corporativa moderna. Antes, relatórios errados geravam análises ruins. Agora, agentes autônomos tomam decisões diretamente sobre operações reais.
Fabrício resume isso em uma frase simples:
“Antes era dado ruim, algoritmo ruim. Agora é dado ruim, ação ruim.”
E o impacto disso é exponencial quando falamos de decisões em tempo real.
Para empresas B2B, esse alerta é ainda mais importante. Estratégias de vendas, marketing, expansão e prospecção dependem diretamente da qualidade das informações disponíveis. Por isso, antes de automatizar processos comerciais, é essencial contar com uma base confiável para prospecção B2B e tomada de decisão.
Os três maiores gargalos da IA nas empresas
Durante o episódio, Fabrício Lyra detalhou os três principais fatores que ainda travam projetos de IA corporativa nas empresas brasileiras.
O primeiro problema são os silos de dados. Mesmo empresas avançadas digitalmente ainda mantêm informações separadas entre áreas. A IA precisa de transversalidade. Ela depende de contexto compartilhado para entender jornadas completas.
O segundo gargalo é a ausência de contexto empresarial. Os grandes modelos de linguagem já possuem praticamente todo o conhecimento público disponível na internet. O diferencial competitivo está nos dados internos da empresa: comportamento de clientes, processos, históricos operacionais, atendimento, vendas e padrões específicos do negócio.
Sem isso, a IA vira apenas uma ferramenta genérica.
O terceiro problema envolve governança e segurança. Quanto mais agentes autônomos entram em operação, maior se torna o risco de vazamento de dados, decisões incorretas e ações fora das regras corporativas.
Esse é um dos motivos pelos quais a IBM vem posicionando sua estratégia de IA corporativa em torno de governança, ética e observabilidade.
O fim do retrovisor nas decisões empresariais
Wilian Luiz trouxe uma mudança importante que está acontecendo dentro das empresas orientadas por IA.
Historicamente, as empresas usavam dados olhando para trás. O BI tradicional sempre respondeu perguntas como: quanto vendemos ontem, qual foi a inadimplência ou qual cliente cancelou.
A IA muda completamente essa lógica.
Agora, as empresas começam a usar algoritmos para prever comportamentos futuros. A decisão deixa de ser reativa e passa a ser preditiva.
Isso cria um enorme desafio cultural dentro da IA corporativa.
Executivos precisam aprender a confiar em decisões baseadas em cenários futuros que ainda não aconteceram. É uma mudança radical de mentalidade.
Wilian explica que o aprendizado atual da Tempo está justamente nisso: fazer gestores se sentirem confortáveis tomando decisões com base em previsões algorítmicas, e não apenas em relatórios históricos.
No contexto comercial, essa mudança também impacta diretamente a forma como empresas definem mercados prioritários, segmentos-alvo e listas de prospecção. Uma base qualificada de empresas no Brasil ajuda a transformar dados em decisões comerciais mais precisas.
Quando agentes passam a executar tarefas sozinhos
Um dos momentos mais relevantes do episódio aconteceu quando Fabrício explicou a evolução da IA dentro das empresas.
Primeiro vieram os algoritmos de previsão.
Depois os chatbots tradicionais.
Em seguida, a IA generativa.
Agora, o mercado entra definitivamente na era dos agentes autônomos.
A diferença é brutal.
Antes, a IA ajudava pessoas a tomar decisões. Agora, ela executa tarefas sozinha. Isso aumenta drasticamente a necessidade de governança.
Fabrício deu um exemplo prático da própria IBM. Parte significativa do processo de compras da empresa já funciona sem supervisão humana. O sistema recebe demandas, transforma em RFP, envia para fornecedores, analisa respostas, compara contratos e toma decisões automaticamente.
Nesse contexto, dados incorretos deixam de gerar apenas análises erradas. Eles passam a gerar ações operacionais equivocadas.
Governança precisa começar na origem
Um dos principais aprendizados da IBM foi entender que governança não pode acontecer apenas no final do processo.
Ela precisa nascer junto com o projeto.
Segundo Fabrício, muitas empresas ainda implementam IA sem pensar como aquilo será operado, quem será responsável, como será monitorado, quais limites o agente terá e como os dados serão auditados.
Esse erro faz muitos projetos morrerem antes de escalar.
Na prática, a preparação dos dados representa cerca de 80% do trabalho em uma esteira de AIOps dentro da IBM.
Além disso, agentes em tempo real exigem monitoramento contínuo, detecção de drift e observabilidade permanente.
O case do Ícaro: a IA treinada do zero pela Tempo
Um dos momentos mais interessantes do episódio foi quando Wilian apresentou o projeto Ícaro, desenvolvido pela Tempo.
O problema operacional era simples, mas extremamente caro.
Prestadores de serviço precisavam ligar para a central da seguradora para validar coberturas durante atendimentos. O processo levava cerca de 30 a 35 minutos.
Muitas vezes, o cliente esperava meia hora apenas para receber uma negativa.
A solução criada pela Tempo foi ousada: treinar uma LLM própria do zero usando seus próprios dados corporativos.
Inicialmente, o atendimento era por voz. Mas surgiu um problema curioso. Os prestadores estavam tão acostumados a esperar em URAs tradicionais que deixavam o telefone no viva-voz e não percebiam que estavam falando com a IA.
O projeto então migrou para um bot dentro do portal dos prestadores.
O resultado foi impressionante.
O tempo médio caiu de 35 minutos para aproximadamente 3 minutos.
Quando a IA começa a tomar decisões sozinha
O diferencial do projeto Ícaro não está apenas na velocidade.
O agente realmente toma decisões operacionais complexas.
Wilian contou um caso emblemático.
Um prestador perguntou se determinado segurado possuía cobertura para limpeza de caixa d’água.
A IA analisou a apólice e autorizou o serviço.
Mas, logo depois, perguntou:
“Você vai precisar de andaime para acessar essa caixa d’água?”
Ao receber a confirmação, o próprio agente negou o procedimento por questões de segurança previstas na cláusula contratual.
Segundo Wiliam, dificilmente um operador humano faria essa pergunta espontaneamente.
Esse é um exemplo extremamente claro de IA corporativa aplicada com profundidade operacional.
Curadoria é mais importante que tecnologia
Quando questionado sobre como construir bons agentes conversacionais, Fabrício foi direto:
“A palavra-chave é curadoria.”
As empresas possuem dados ruins dentro das próprias bases. Isso é natural.
Por isso, não basta apenas conectar um modelo generativo ao banco de dados corporativo.
É necessário inspecionar conteúdos, validar qualidade, atualizar contextos, monitorar respostas, detectar desvios e controlar permissões.
Segundo Fabrício, o desafio principal da IA corporativa em tempo real é manter dados atualizados continuamente.
O modelo já nasce desatualizado poucos minutos após o treinamento.
Por isso, empresas começam a adotar arquiteturas híbridas usando RAG, modelos menores especializados, recuperação contextual, observabilidade centralizada e painéis únicos de governança.
Em vendas B2B, essa lógica também se aplica. A qualidade do dado comercial influencia diretamente a segmentação, a priorização de contas e a abordagem dos vendedores.
Veja também nosso conteúdo sobre inteligência comercial.
O maior erro das empresas ao implementar IA
Willian trouxe uma reflexão extremamente importante sobre maturidade empresarial.
Muitas empresas dizem querer implementar IA, mas sequer possuem clareza sobre seus próprios objetivos estratégicos.
Segundo ele, antes da IA, a empresa precisa responder: o que exatamente queremos acelerar? Crescimento? Receita? Retenção? Atendimento? Conversão? NPS? Eficiência operacional?
Sem isso, a IA vira apenas hype.
Willian afirmou que muitas organizações entram em ciclos infinitos de experimentação justamente porque não possuem drivers estratégicos claros.
Fabrício complementou dizendo que projetos sem direção acabam virando POCs eternas completamente desconectadas do negócio.
A mesma lógica vale para projetos de expansão comercial. Antes de automatizar, a empresa precisa saber quem quer atingir, em quais segmentos deseja crescer e quais contas têm maior potencial. Para isso, ferramentas de inteligência de mercado ajudam a orientar decisões com base em dados confiáveis.
Os quatro pilares da transformação da IBM
Ao explicar a transformação interna da IBM, Fabrício apresentou quatro pilares fundamentais para implementar IA corporativa em larga escala.
O primeiro foi o comprometimento total do C-Level.
O segundo foi a criação de um comitê focado em identificar áreas de maior impacto operacional.
O terceiro foi um escritório de mudança dedicado à transformação cultural.
O quarto foi a criação de grupos promotores internos responsáveis por disseminar a mudança.
A IBM ainda criou o Watson X Challenge, permitindo que colaboradores propusessem melhorias usando IA.
O resultado foi extremamente acima do esperado.
A empresa projetava US$ 2 bilhões em eficiência operacional em três anos. O ganho chegou a US$ 4,5 bilhões no mesmo período.
Cultura ainda é um dos maiores obstáculos
A adoção de IA corporativa inevitavelmente gera receios internos.
Wilian foi bastante transparente ao afirmar que a IA realmente impacta headcount em algumas funções.
Mas ele também reforçou algo importante: surgem novos papéis profissionais.
Na Tempo, o movimento foi aproximar tecnologia e operações.
O objetivo era transformar operadores em profissionais capazes de pilotar, supervisionar e melhorar ferramentas baseadas em IA.
Segundo ele, esconder o impacto da IA nas equipes é um erro.
Transparência foi uma das bases culturais da transformação dentro da companhia.
IA vai substituir o relacionamento humano?
Ao responder uma pergunta da audiência sobre automação e relacionamento humano, Fabrício trouxe uma visão bastante equilibrada.
Segundo ele, a IA já consegue criar conversas extremamente humanizadas.
Modelos modernos possuem capacidade de gerar empatia, contexto e interação sofisticada.
Mas a decisão sobre substituir ou não interações humanas depende muito mais do posicionamento da empresa do que da limitação tecnológica.
Negócios altamente relacionais provavelmente continuarão usando atendimento humano em várias etapas.
Já operações massivas podem se beneficiar enormemente da hiperautomação.
O protagonismo humano nunca foi tão importante
O encerramento do episódio trouxe talvez a reflexão mais importante sobre IA corporativa.
Fabrício alertou sobre um risco crescente: a perda da capacidade humana de questionar.
A IA responde de forma extremamente convincente. Mas ela também inventa respostas quando não sabe.
Por isso, profissionais precisam desenvolver senso crítico.
Segundo ele:
“Quem cria conhecimento somos nós.”
Wilian complementou reforçando a importância do letramento em IA.
Não basta saber escrever prompts.
Profissionais precisam entender dados, contexto, curadoria, governança, limitações, modelos e riscos.
A IA corporativa não elimina o protagonismo humano.
Ela aumenta a necessidade dele.
IA é transformação operacional
A IA corporativa não falha por falta de tecnologia.
Ela falha por dados ruins, ausência de estratégia, falta de governança, cultura desalinhada e experimentação sem direção.
As empresas que estão avançando mais rápido entenderam algo fundamental:
IA não é apenas automação.
IA é transformação operacional.
E toda transformação operacional começa pela qualidade dos dados.
Para empresas que vendem para outras empresas, esse aprendizado é decisivo. Dados ruins não afetam apenas a IA. Eles afetam segmentação, prospecção, priorização de contas, produtividade comercial e crescimento.
Por isso, antes de escalar qualquer operação com inteligência artificial, vale revisar a base da casa: os dados que sustentam cada decisão.
Perguntas frequentes sobre IA corporativa
O que é IA corporativa?
IA corporativa é a aplicação de inteligência artificial dentro das operações empresariais para automatizar processos, apoiar decisões e gerar eficiência operacional.
Por que dados ruins comprometem projetos de IA?
Porque a IA depende diretamente da qualidade das informações utilizadas no treinamento e execução dos modelos. Dados incorretos geram previsões, análises e decisões erradas.
O que é governança em IA corporativa?
É o conjunto de práticas responsáveis por controlar segurança, qualidade, permissões, auditoria e monitoramento dos modelos e agentes de IA.
O que significa AIOps?
AIOps é o uso de inteligência artificial para automatizar e monitorar operações tecnológicas e processos corporativos em larga escala.
Como começar um projeto de IA corporativa?
O primeiro passo é identificar um problema estratégico claro da empresa. Depois disso, é necessário validar qualidade dos dados e construir um caso de uso específico.
IA vai substituir profissionais?
Segundo os especialistas do episódio, a IA tende muito mais a transformar funções do que eliminar completamente profissionais. O diferencial estará em quem souber usar a tecnologia de forma estratégica.
Tem mais de 20 anos de experiência em comunicação digital. Sua trajetória é marcada pela aplicação estratégica de Inbound Marketing, IA, Conteúdo e SEO.
Inclusive, isso rendeu o convite para se tornar um dos embaixadores da RD Station no Brasil. Já teve artigo publicado no blog da empresa e case de sucesso em conversões de landing pages.
Ao longo da carreira, suas campanhas de e-mail marketing ajudaram empresas do setor SaaS a faturarem mais de R$10 milhões.
Também colaborou com agências digitais de pequeno e médio porte na conquista de grandes contas, vencendo concorrências em projetos avaliados em mais de R$2 milhões.
