# Primeiro projeto de IA na empresa: como escolher o caso certo

> Primeiro projeto de inteligência artificial na empresa: quatro critérios para escolher o caso certo e um piloto que vira operação, não só demonstração.

Fonte: https://pervian.tech/blog/primeiro-projeto-de-ia-na-empresa · Pervian Tech · publicado em 2026-10-01

A diretoria decide que a empresa precisa "fazer alguma coisa com IA". Alguém monta uma demonstração: um chat que responde perguntas sobre os produtos, ou um resumo automático de contratos. A apresentação impressiona. Três meses depois, ninguém usa, e a conclusão informal é que "IA ainda não serve para o nosso negócio".

Quase sempre o problema não foi a tecnologia. Foi a escolha do caso. O projeto começou pela ferramenta ("vamos usar um modelo de linguagem") e não por uma tarefa concreta, com volume, dono e um número que pudesse melhorar. Sem isso, não há como dizer se o piloto deu certo, e projeto sem critério de sucesso morre por falta de defensor.

Em resumo: o primeiro projeto de IA deve ser uma tarefa repetitiva, em que um erro seja barato de corrigir, com dados já acessíveis e um resultado que dê para medir. Este texto detalha esse critério: o que procurar, o que evitar e como desenhar um piloto pequeno que, se funcionar, já nasce com caminho para virar operação.

## A resposta curta: quatro critérios

Um bom primeiro projeto de inteligência artificial atende, ao mesmo tempo, a quatro condições:

1. **Volume.** A tarefa se repete muitas vezes por semana, feita por pessoas que poderiam estar fazendo outra coisa. Tarefa rara não paga o esforço de montar, avaliar e manter.
2. **Tolerância a erro.** Um erro da IA é barato de detectar e de corrigir, porque existe revisão humana ou uma conferência automática no caminho. Nada de decisões irreversíveis no primeiro projeto.
3. **Dados disponíveis.** Os documentos, mensagens ou registros que a IA precisa já existem, são acessíveis e há exemplos suficientes para testar.
4. **Retorno mensurável.** Dá para medir hoje quanto tempo, quantos erros ou quanto retrabalho a tarefa consome, e comparar depois.

Se um candidato falha em qualquer um dos quatro, ele pode até ser um bom segundo ou terceiro projeto. Como primeiro, tende a virar demonstração.

## Por que tantos projetos de IA não saem do piloto

Antes de olhar os bons candidatos, vale entender os padrões que levam um piloto a morrer. São quase sempre os mesmos:

- **Começar pela ferramenta.** "Temos acesso a um modelo, vamos ver o que dá para fazer" produz soluções procurando problema. O resultado é bonito e inútil.
- **Caso amplo demais.** "Um assistente que sabe tudo da empresa" não tem fronteira, não tem base de teste e não tem dono. Cada pergunta errada vira motivo para desconfiar do resto.
- **Nenhuma linha de base.** Se ninguém mediu quanto tempo a equipe gasta hoje, não há como provar que o piloto ajudou. A discussão vira opinião.
- **Demonstração feita com exemplos escolhidos.** Funciona com os dez documentos limpos que alguém separou e falha com o PDF torto que chega toda segunda-feira.
- **Piloto isolado do sistema.** A IA gera uma resposta numa tela à parte, e alguém precisa copiar e colar no ERP. A economia some no copia e cola, e a equipe abandona.
- **Sem dono na operação.** O projeto pertence à TI ou à inovação, não à área que faz a tarefa. Quando o patrocinador muda de prioridade, o piloto fica órfão.

Repare que nenhum desses motivos é técnico. Todos são de escolha e de desenho, e todos podem ser evitados antes de escrever a primeira linha de código.

## Bons candidatos: tarefas repetitivas com texto e documentos

Os modelos de linguagem atuais são especialmente bons em uma coisa: **ler texto não estruturado e transformá-lo em algo estruturado, ou o contrário**. É aí que o primeiro projeto costuma render mais. Qual modelo usar comparamos em [ChatGPT, Gemini ou Claude](https://pervian.tech/blog/chatgpt-gemini-ou-claude). Exemplos do dia a dia de empresas brasileiras:

- **Extrair dados de documentos** que chegam por e-mail: contratos, laudos, comprovantes de fornecedores pequenos, pedidos em PDF. A IA lê, preenche os campos e o sistema confere contra o cadastro. O desenho completo desse fluxo está no texto sobre [extração de dados de documentos com IA](https://pervian.tech/blog/extracao-de-dados-de-documentos-com-ia).
- **[Classificar e encaminhar mensagens](https://pervian.tech/blog/triagem-de-chamados-com-ia).** E-mails do SAC, chamados internos, solicitações de clientes: a IA identifica o assunto, a urgência e a fila certa, e a pessoa recebe já triado.
- **Responder com base em documentos internos.** Manuais, políticas, procedimentos, tabelas técnicas. Um assistente que consulta essa base e cita a fonte reduz a pergunta repetida ao colega mais experiente. Os cuidados de arquitetura estão em [assistente de IA que responde com os documentos da empresa](https://pervian.tech/blog/assistente-de-ia-com-documentos-da-empresa).
- **Resumir e padronizar registros.** Relatórios de visita técnica, anotações de atendimento, atas: a IA transforma texto livre num formato padrão que alimenta o sistema.
- **Rascunhar respostas** para e-mails ou propostas recorrentes, sempre revisadas por uma pessoa antes do envio.

O que esses casos têm em comum: a tarefa já existe, alguém já faz à mão, o resultado pode ser conferido e o volume costuma ser alto.

### O que deixar para depois

Alguns casos são legítimos, mas não são bons como primeiro projeto:

- **Decisões com impacto direto e irreversível**, como aprovar crédito, demitir, negar um sinistro ou definir preço sem revisão.
- **Previsões que dependem de histórico longo e limpo**, como demanda ou cancelamento de clientes, quando os dados ainda estão espalhados em planilhas. O aprendizado de máquina tradicional (machine learning) funciona bem nesses casos, mas exige preparar os dados primeiro; veja o que esperar em [previsão de demanda com machine learning](https://pervian.tech/blog/previsao-de-demanda-com-machine-learning).
- **Atendimento direto ao cliente final sem nenhuma retaguarda humana**, quando a empresa ainda não tem base de conhecimento organizada.
- **Projetos que dependem de integrar cinco sistemas** antes de entregar qualquer valor.

## Tolerância a erro e revisão humana

Todo modelo de IA erra. A pergunta certa não é "qual a taxa de erro", mas **"quanto custa um erro, e quem percebe antes que ele cause dano"**.

Uma forma prática de pensar é cruzar o custo do erro com a facilidade de detectá-lo:

| Situação | Custo do erro | Detecção | Primeiro projeto? |
|---|---|---|---|
| Triagem de e-mails do SAC | Baixo: o atendente reencaminha | Imediata | Sim |
| Extração de dados de contrato com conferência | Médio | Validação automática e revisão | Sim |
| Rascunho de resposta revisado antes do envio | Baixo | Na revisão | Sim |
| Resposta automática ao cliente sobre prazo de entrega | Médio a alto | Só quando o cliente reclama | Com cautela |
| Aprovação automática de pagamento | Alto | Tardia | Não |

O desenho que funciona no primeiro projeto é **IA propõe, pessoa confirma**, com dois refinamentos:

- **Validação automática antes da pessoa.** Se a IA extraiu um CNPJ, o sistema confere o dígito verificador e o cadastro. Se extraiu um valor, confere com o pedido. A pessoa só olha o que não bateu.
- **Revisão proporcional à confiança.** Casos em que tudo bate passam direto ou com amostragem; casos duvidosos vão para uma fila com o motivo visível.

Com o tempo, medindo os acertos, a empresa decide com dado onde a revisão pode ser reduzida. No primeiro projeto, ela é o que dá segurança para a operação aceitar a mudança.

## Dados disponíveis e qualidade

Na maioria dos projetos com IA generativa, a empresa não precisa treinar um modelo do zero, porque ele já vem treinado. Mas o projeto precisa de três coisas que muita empresa não tem organizadas:

- **Acesso.** Os documentos estão num servidor de arquivos, no e-mail de uma pessoa, num sistema sem API? Se buscar o insumo exige alguém baixando arquivos à mão, o projeto começa pela integração.
- **Exemplos reais para avaliar.** Uma amostra representativa, com os casos feios incluídos, e a resposta certa conhecida para cada um. Sem essa base, não há como medir a qualidade do piloto.
- **Conteúdo atualizado.** Um assistente que responde com base em políticas desatualizadas erra com confiança. Alguém precisa ser dono da base.

Há ainda a questão de privacidade. Documentos de clientes, funcionários e fornecedores carregam dados pessoais, e a LGPD se aplica ao projeto de IA como a qualquer outro sistema: finalidade definida, acesso restrito, cuidado com o que é enviado a serviços externos e com o que fica em log. Os pontos que o sistema precisa suportar estão em [LGPD no desenvolvimento de sistemas](https://pervian.tech/blog/lgpd-no-desenvolvimento-de-sistemas); para a base legal de cada tratamento, valide com o jurídico.

## Como medir o retorno antes de começar

O retorno do primeiro projeto precisa ser medido **antes** de construir qualquer coisa, porque é a linha de base que permite provar resultado depois. Para a tarefa candidata, levante:

- **Volume:** quantas vezes a tarefa acontece por dia ou por semana.
- **Tempo por unidade:** quanto a pessoa leva para fazer cada uma, cronometrado numa amostra, não estimado de memória.
- **Taxa de erro ou retrabalho:** quantas voltam, quantas precisam de correção, quantas geram reclamação.
- **Tempo de ciclo:** quanto tempo o item espera entre chegar e ser tratado.
- **Custo de oportunidade:** o que essas pessoas fariam se a tarefa encolhesse.

Com esses números, o critério de sucesso deixa de ser "a IA funciona" e vira algo como "reduzir o tempo de triagem por item e manter a taxa de erro igual ou menor que a atual". Repare que o critério inclui qualidade, não só velocidade: um sistema rápido que erra mais não é ganho.

Se ninguém consegue levantar esses números, isso já é um diagnóstico útil. Talvez o primeiro passo seja [mapear o processo](https://pervian.tech/blog/mapear-processos-antes-de-automatizar), e não aplicar IA nele.

## Piloto pequeno com critério de sucesso

Com o caso escolhido, o piloto deve ser pequeno de propósito. Um roteiro que funciona:

1. **Escolha um recorte estreito.** Um tipo de documento, uma fila de atendimento, uma área. "Contratos de prestação de serviço recebidos pelo jurídico", não "todos os documentos".
2. **Monte a base de avaliação** com casos reais, incluindo os difíceis, e a resposta esperada para cada um.
3. **Defina o critério de sucesso por escrito**, com a linha de base ao lado, antes de testar qualquer modelo.
4. **Construa o fluxo mínimo integrado**: a entrada vem do lugar onde a tarefa já acontece e a saída cai no sistema onde ela é usada. Nada de tela isolada.
5. **Rode em paralelo** com o processo atual por um período, comparando os resultados da IA com os da equipe.
6. **Meça contra o critério** e decida: escalar, ajustar ou encerrar.

Encerrar é um resultado legítimo. Um piloto que mostra, com dados, que o caso não compensa custou pouco e ensinou muito. O que não pode acontecer é o piloto ficar indefinidamente "quase pronto".

Essa etapa de entender o problema antes de construir é o que chamamos de descoberta; o método está descrito em [discovery de software](https://pervian.tech/blog/discovery-de-software).

### Checklist para decidir entre candidatos

Antes de escolher, passe cada candidato por estas perguntas:

- A tarefa acontece com frequência suficiente para justificar o esforço?
- Existe um dono na área de negócio que quer a mudança?
- Um erro é detectável e corrigível antes de causar dano?
- Os dados de entrada estão acessíveis sem trabalho manual?
- Dá para montar uma amostra real com a resposta certa conhecida?
- Existe uma medida atual de tempo, erro ou retrabalho?
- O resultado pode cair direto no sistema que a equipe já usa?
- O recorte cabe num piloto de algumas semanas, sem depender de outros projetos?

O candidato com mais respostas "sim" é o seu primeiro projeto. Empates se resolvem pelo dono mais engajado.

## Do piloto à operação

Um piloto que deu certo ainda não é um sistema em produção. A passagem exige trabalho que a demonstração não mostra:

- **Monitoramento de qualidade.** A base de avaliação continua rodando, e uma amostra das saídas em produção é revisada periodicamente. Fornecedores mudam o layout dos documentos, o provedor atualiza a versão do modelo, e a qualidade pode cair sem ninguém perceber.
- **Fila de exceções com dono.** O que a IA não resolveu precisa ir para alguém, com o motivo legível e a opção de reprocessar.
- **Registro do que foi decidido.** Quem confirmou, o que a IA propôs, o que foi alterado. Isso alimenta a melhoria e responde a auditorias.
- **Controle de custo de uso.** Serviços de modelos de linguagem costumam cobrar pelo volume de texto processado. O sistema precisa registrar o consumo para que não haja surpresa quando o volume crescer.
- **Independência de fornecedor.** O desenho deve permitir trocar o modelo por outro sem reescrever o sistema, porque esse mercado muda rápido.

É aqui que o projeto de IA vira um projeto de software como qualquer outro, com integração, segurança, logs e manutenção. Por isso a decisão sobre como encaixar a IA no ecossistema da empresa é uma decisão de [arquitetura de software](https://pervian.tech/servicos/arquitetura-de-software), não só de escolha de modelo.

Depois do primeiro caso em produção, o segundo fica mais fácil: a base de documentos, a integração, a fila de revisão e o monitoramento já existem e podem ser reaproveitados. Outros casos e ideias estão reunidos na [categoria de inteligência artificial do blog](https://pervian.tech/blog/categoria/inteligencia-artificial).

## Perguntas frequentes

### Precisa treinar um modelo de IA próprio no primeiro projeto?

Na maioria dos casos, não. Em projetos com IA generativa, o modelo de linguagem já vem treinado, e o trabalho está em dar acesso aos documentos certos, montar uma base de exemplos reais para avaliar e integrar o resultado ao sistema da equipe. Treinar um modelo próprio é exceção, não ponto de partida.

### Quanto tempo dura um piloto de inteligência artificial?

Um piloto de inteligência artificial bem recortado costuma caber em algumas semanas, mas o prazo depende do acesso aos dados e das integrações necessárias. O recorte estreito, como um tipo de documento ou uma fila de atendimento, é o que mantém o piloto curto. O cronograma real só é definido depois do diagnóstico.

### A LGPD se aplica a projetos de inteligência artificial?

Sim. A LGPD se aplica a um projeto de inteligência artificial como a qualquer outro sistema que trate dados pessoais de clientes, funcionários ou fornecedores. Isso exige finalidade definida, acesso restrito e cuidado com o que é enviado a serviços externos e com o que fica registrado em log. A base legal deve ser validada com o jurídico.

### O que fazer quando o piloto de IA não dá certo?

Encerrar é um resultado legítimo. Um piloto de IA que mostra, com dados medidos contra a linha de base, que o caso não compensa custou pouco e ensinou muito. O que não pode acontecer é o piloto ficar indefinidamente quase pronto. O próximo candidato da lista pode então ser avaliado com os mesmos critérios.

## Como a Pervian Tech trabalha projetos de IA

Na Pervian Tech, começamos pelo diagnóstico, não pela ferramenta: listamos as tarefas candidatas com a equipe, levantamos volume, tempo e erro de cada uma e aplicamos os critérios deste texto para escolher o primeiro caso. Só então desenhamos o piloto, com base de avaliação, critério de sucesso escrito e integração com os sistemas que a equipe já usa. O diagnóstico inicial é gratuito.

Cada projeto é sob medida, porque depende dos documentos, dos sistemas e das regras da sua operação; detalhes de como abordamos esse tipo de solução estão na página de [inteligência artificial para empresas](https://pervian.tech/solucoes/inteligencia-artificial-para-empresas). O cronograma segue fases (diagnóstico, piloto com avaliação, primeiro caso em produção, evolução) e é definido depois do diagnóstico. O investimento é sob consulta.

Se a sua empresa quer começar com IA e ainda não sabe por onde, [conte quais tarefas mais consomem a sua equipe hoje](https://pervian.tech/#contato).