Inteligência artificial por área da empresa

Perguntar se “a IA serve para a minha empresa” não leva a lugar nenhum. A pergunta que tem resposta é outra: em qual área, em qual etapa do fluxo, tocando qual documento e com qual custo se ela errar. Uma consultoria em inteligência artificial útil devolve esse mapa antes de devolver qualquer ferramenta, porque a mesma tecnologia que corta tempo de triagem no comercial pode ser irrelevante no jurídico e francamente arriscada no RH. O modelo é o mesmo em todas as mesas; o que muda é o que acontece quando ele erra.

O percurso desse trabalho — diagnóstico, dado, processo, governança e medição — está descrito em consultoria de inteligência artificial. A pergunta deste texto é mais direta: em que ponto de cada função a IA encosta de fato, o que costuma dar certo ali e o que costuma dar errado. Adianto a tese, para quem lê só estes dois parágrafos: a fila em que as empresas adotam IA é quase o inverso da fila em que a IA rende. Começa-se pelo marketing, que é visível, barato e sem dono de risco, e deixa-se para depois o back-office, que é sem graça e mensurável.

Comercial: o ganho está em decidir mais cedo, não em escrever mais rápido

A área comercial é onde a IA parece mais óbvia e onde a expectativa é pior calibrada. Funciona bem a camada de leitura: resumir a reunião, extrair do que foi dito os campos que o vendedor nunca preenche, sugerir o próximo passo pelo histórico da conta, montar a primeira versão de uma proposta a partir do acervo que ninguém consulta. Nada disso impressiona em demonstração e tudo isso devolve horas a um time caro.

O ganho maior, porém, não está na redação, e sim na triagem. Um time comercial gasta boa parte do mês em oportunidade que nunca ia fechar, e uma qualificação assistida que compara o que o lead escreveu com o perfil dos negócios já fechados muda o custo de aquisição mais do que qualquer acelerador de escrita — é semelhança de significado, não de palavra, o que permite reconhecer o mesmo tipo de conta descrito com outras palavras. Decidir cedo o que não atender é o item de maior retorno da função.

Onde costuma dar errado: CRM sujo. O que a IA vai ler é o campo de observação que cada vendedor preenche à sua maneira, o negócio marcado como perdido sem motivo registrado, a conta duplicada com dois donos e duas histórias. Quando o histórico é ruído, a recomendação sai ruído — só que formatada com confiança. O segundo erro é o scoring que aprende com o passado sem que ninguém pergunte de onde vem esse passado: se o time só atendeu um tipo de conta, o modelo recomenda esse tipo de conta e chama isso de padrão. O terceiro é banal — a proposta gerada parece pronta e o vendedor manda sem ler. Sempre que a saída da máquina deixa a empresa sem olho humano, o ganho de tempo vira exposição.

Atendimento: automatize a resposta repetida, nunca a exceção

Suporte é a área em que a aplicação é mais direta e em que um desenho ruim aparece mais rápido, porque tudo o que sai dali sai falando com o cliente. Funciona bem responder a pergunta repetida ancorada em base própria — segunda via, prazo, política, status — no padrão em que o sistema busca no acervo da empresa antes de responder. Funciona bem classificar e rotear o ticket que hoje um humano lê só para descobrir de quem é. E funciona muito bem o desenho de copiloto: a máquina redige, o agente aprova. Perde-se economia, ganha-se um filtro que segura quase todo o erro caro.

A parte que jamais deveria ser automatizada é a exceção. Cancelamento, cobrança contestada, dano, atraso com prejuízo, qualquer caso com efeito jurídico ou financeiro irreversível, e todo cliente que já demonstrou irritação. Abrir exceção à regra é a competência que a empresa desenvolveu e a máquina não tem, porque envolve decidir quanto se está disposto a perder para manter uma relação. É decisão de dono, não de sistema.

Dois erros de desenho aparecem com regularidade. O primeiro é o chatbot sem rota de saída: o cliente pede humano três vezes, o sistema insiste em resolver, e esse custo não aparece na planilha de deflexão — aparece na reputação. O segundo é a base de respostas sem dono. Se a política revogada continua no acervo ao lado da vigente, sem data e sem responsável, o atendimento passa a distribuir a versão errada com fluência impecável, por escrito e em nome da empresa. Antes de ligar o assistente, alguém precisa dizer quem aprova cada resposta dessa base e o que acontece com ela no dia em que a regra muda.

Back-office é onde o retorno é mais chato e mais real

Documento, conferência e exceção. É esse o tripé de operações, e os dois primeiros são o terreno em que menos vejo projeto frustrado. Ler nota fiscal, boleto, ordem de compra, laudo; extrair os campos; conferir contra o sistema; apontar divergência. O volume é alto, o critério é objetivo e — o ponto decisivo — o indicador já existe antes do projeto: tempo de fechamento, taxa de retrabalho, lançamentos corrigidos, divergências pegas por lote. Medir retorno aqui não exige inventar métrica nova, o que encerra a discussão mais desgastante desse tipo de projeto.

A regra de ouro do back-office é separar detecção de decisão. A máquina lê, confere e sinaliza; o humano decide o que fazer com a divergência. Quando alguém empurra a exceção para o sistema — aprovar pagamento com diferença de centavos, liberar entrega com peso divergente — o desenho acumula risco silencioso, porque o erro só aparece no fechamento. Vale a mesma atenção com cadeias longas: quanto mais etapas aceitam a saída da anterior sem ponto de conferência, mais longe o engano viaja antes de alguém enxergá-lo.

O que trava aqui quase nunca é o modelo. É o PDF escaneado de lado, o fornecedor que manda foto da nota pelo WhatsApp, o layout que muda sem aviso e o ERP em que não há por onde entregar o campo extraído. Antes de estimar economia, vale medir que percentual dos documentos chega em formato tratável. Costuma ser esse número, não a acurácia do reconhecimento, que define se o projeto se paga.

Marketing é a área que mais produz sensação de resultado

Aqui está a parte incômoda. Marketing costuma ser o primeiro lugar em que a empresa aplica IA, e é também onde eu menos consigo defender o retorno diante de uma diretoria cética. O motivo é estrutural: é a área com a métrica mais frouxa da casa. Volume publicado, velocidade de produção e percepção de produtividade sobem no primeiro mês, e nenhum dos três é resultado comercial. A organização acaba com uma narrativa robusta de transformação apoiada em indicadores de produção.

O que de fato funciona é o trabalho de bastidor: pesquisa e estruturação, briefing, variação de anúncio para teste, adaptação de um material para formatos diferentes, revisão de consistência. O que não funciona é escalar conteúdo genérico: texto saído do mesmo modelo, com o mesmo briefing raso que qualquer concorrente escreveria, é indistinguível do resto — e material indistinguível não é escolhido nem por leitor, nem por comprador, nem por sistema de recomendação.

A vantagem migra para o que o modelo não tem: dado próprio, cliente real, número da sua operação, opinião assinada por alguém que responde por ela. Isso vale duplamente agora que parte da descoberta acontece dentro de assistentes, que citam poucas fontes por resposta e precisam de algo específico para citar — a lógica está em o que é GEO. O erro em marketing raramente é técnico: é confundir produzir mais com ser escolhido.

Jurídico: a IA lê bem e afirma mal

Contratos são um caso de uso forte com uma armadilha específica. Funciona muito bem comparar a minuta recebida contra o padrão da casa e apontar diferenças; extrair obrigações, prazos, multas e condições de rescisão para uma planilha revisável; localizar cláusula ausente; triar o volume de contratos de baixo valor que hoje espera semanas na fila. O ganho aqui é de fila, não de parecer.

A armadilha é que o erro em cláusula é o mais caro de todos, porque vem fluente e específico: o sistema resume “responsabilidade limitada ao valor do contrato” num texto que diz o contrário, ou cita dispositivo legal com número plausível e inexistente. As práticas que reduzem alucinação ajudam sem eliminar o problema — e no jurídico é entre reduzir e eliminar que mora o passivo.

A regra prática que uso é simples: no jurídico, a IA é obrigada a apontar o trecho. Toda afirmação sobre o contrato vem com a citação literal e a localização da cláusula, para que a revisão humana seja de conferência e não de reconstrução. Resposta sem trecho é opinião de máquina sobre um documento lido por cima. Parecer, avaliação de risco e negociação de cláusula seguem sendo trabalho de advogado, não porque a máquina escreva mal, mas porque alguém precisa assinar.

RH: o viés não vem do modelo, vem do rótulo

RH tem aplicações tranquilas e uma perigosa. As tranquilas: padronizar descrição de vaga, resumir entrevistas preservando o registro do que foi dito, responder dúvida de política interna pelo manual vigente, organizar documentação de admissão. São ganhos administrativos, com erro barato e reversível.

A perigosa é a triagem por ranqueamento. Quando se pede que o sistema ordene candidatos por semelhança com quem “deu certo” na empresa, ele aprende o histórico de contratação da casa, inclusive as preferências que ninguém escreveria numa política. O viés não nasce no modelo, nasce no rótulo: quem sobreviveu na empresa sobreviveu à mesma cultura e aos mesmos critérios informais. O sistema devolve esse padrão com aparência de objetividade estatística, que é a forma mais difícil de contestar um preconceito.

O desenho defensável é o oposto do ranqueamento: verificar requisito objetivo declarado pelo próprio candidato, sinalizar ausência de documento, organizar a fila. Decisão sobre pessoa exige humano no meio, registro do motivo e capacidade de explicar a recusa a quem a recebeu — “o sistema classificou” não é explicação em nenhuma conversa séria. Há ainda o lado do dado: currículo, entrevista e avaliação de desempenho são informação pessoal de gente que muitas vezes nem é funcionário, e ela circula por e-mail, planilha e ferramenta pessoal muito antes de qualquer projeto começar. Que ferramenta pode receber esse material é assunto de política de uso de IA generativa, e não uma decisão que o RH toma sozinho.

O padrão: a IA rende onde lê e queima onde decide

Olhando as seis áreas juntas, aparece uma linha só, e ela não separa tecnologias — separa verbos. A IA rende quando o verbo é ler, extrair, classificar, comparar, rascunhar para alguém revisar. Ela queima dinheiro e credibilidade quando o verbo é decidir, abrir exceção, recusar, assinar. É a mesma máquina nos dois casos; o que muda é se existe alguém entre a saída dela e a consequência.

Isso reordena a fila. Comece onde o erro volta para dentro antes de chegar a alguém de fora: a divergência que o próprio time corrige no fechamento, o ticket mal roteado que alguém rerroteia, o resumo de reunião que o vendedor conserta. Deixe para depois, e com desenho diferente, as áreas em que a saída errada chega a um cliente irritado, a uma cláusula assinada ou a um candidato recusado.

E cada mesa entra no projeto com um problema próprio, que vale nomear antes de assinar qualquer coisa: comercial entra com dado de entrada sujo, atendimento com base de respostas sem dono, marketing com métrica que não distingue produção de resultado, jurídico e RH com custo de erro alto e revisão obrigatória, back-office com quase nada contra e o indicador já rodando. Não é uma lista de quem merece IA — é a lista do que precisa estar resolvido em cada função para que o projeto ali continue de pé sem depender da boa vontade de quem o defendeu.

---

Se você está tentando descobrir qual dessas áreas é a sua primeira, o caminho costuma ser escolher um processo concreto, olhar qual verbo a máquina assumiria nele e quem fica entre a saída e a consequência. É esse recorte que conduzo no Grupo WYS com o BrainPilot, e dá para começar pelo contato. O que não recomendo é escolher a área pela facilidade de mostrar resultado em apresentação — costuma ser a que menos aguenta a pergunta seguinte.