A Sua Empresa Comprou a IA. Agora Vem a Parte Mais Difícil.
A CEO da NTT DATA AIVista afirma que a maioria dos projetos de IA empresarial falha não porque o modelo seja deficiente, mas porque ninguém faz o trabalho pouco glamoroso de integração em fluxos reais, com dados reais e salvaguardas adequadas.
Pontos-chave
- A maioria dos projetos de IA empresarial falha durante a implementação, não porque o modelo subjacente seja fraco, mas devido a má integração, falta de conhecimento do domínio e ausência de responsabilidades claras.
- Bratin Saha, CEO da NTT DATA AIVista, afirma que gastar dinheiro apenas na compra de um modelo de fronteira deixa a maioria do retorno financeiro por reclamar.
- O ajuste fino, processo de retreinamento de um modelo com novos dados, ficou em último lugar na pesquisa mais recente da VentureBeat sobre prioridades de seleção de modelos em empresas.
- A NTT DATA AIVista executa uma combinação de modelos de fronteira e de código aberto, reservando o raciocínio mais custoso para decisões onde um erro tem consequências graves.
- Saha afirma que as três coisas que as empresas precisam simultaneamente são tecnologia, experiência no domínio e gestão da mudança, sendo a tecnologia o menor dos três obstáculos.
Todas as semanas, outra empresa anuncia um grande orçamento em IA. E todas as semanas, uma história mais silenciosa fica por contar: o cheque foi compensado, o modelo foi implementado e quase nada mudou.
Bratin Saha, CEO da NTT DATA AIVista, a divisão de IA de uma das maiores empresas de serviços informáticos do mundo, abordou precisamente esse problema na VB Transform 2026. O seu argumento é direto. Comprar um modelo de IA capaz é a parte fácil. A parte difícil é tudo aquilo que o rodeia.
"Não é apenas um modelo", disse Saha. "Está a construir um sistema em torno do modelo."
Porque é que tantos projetos de IA empresarial estagnam?
Estagnam porque os modelos de fronteira, os sistemas de IA mais poderosos disponíveis atualmente, como o GPT-5.5 ou Claude Opus 4.8, são treinados com conhecimento geral. Os fluxos de trabalho empresariais reais são tudo menos genéricos.
Saha usou sinistros de seguros multinacionais como exemplo. Esses formulários contêm manuscritos, dezenas de caixas de seleção e regras regulatórias que variam por país. Um modelo de propósito geral lê-os mal. A precisão permanece demasiado baixa para que uma empresa regulada confie nela.
A solução não é simplesmente comprar um modelo maior. A equipa de Saha chama à solução "especialização da última milha": pegar num modelo de fundação capaz e envolvê-lo em três camadas. Primeiro, os dados e contexto proprietários da própria empresa, fornecidos para que o modelo compreenda o negócio específico. Segundo, um conjunto de modelos, ou seja, vários sistemas de IA funcionando em conjunto, de modo que os custos computacionais se mantenham gerenciáveis. Terceiro, salvaguardas especializadas, verificações automatizadas que detetam erros e forçam uma repetição antes que uma resposta incorreta chegue a um cliente ou regulador.
"A maior rentabilidade vem da especialização e depois destas salvaguardas especializadas", disse Saha.
Quanto custa isto, e quem paga pelo quê?
| Camada | O que é | Quem normalmente é responsável |
|---|---|---|
| Modelo de fundação | A IA essencial (GPT-5.5, Claude, código aberto) | Fornecedor do modelo |
| Contexto do domínio | Dados da empresa, fluxos de trabalho não documentados | Empresa + integrador |
| Conjunto de modelos | Combinação de modelos de fronteira e mais económicos de código aberto | Integrador |
| Salvaguardas | Camada de verificação de erros automatizada | Integrador + empresa |
| Gestão da mudança | Treino de pessoal, reescrita de processos | Empresa |
A taxa de licença do modelo é frequentemente a linha mais pequena desse orçamento. O "conhecimento tribal" não documentado, aquilo que os trabalhadores experientes conhecem mas nunca documentaram, é o que mais custa a capturar. Saha afirma que a equipa da NTT o faz conversando com trabalhadores humanos e perguntando, de forma simples, como eles realmente fazem o seu trabalho.
"A única razão é porque vamos falar com esses trabalhadores humanos", afirmou.
O que isto significa para empresas que ponderem um investimento em IA?
Simples: orçamentar o sistema completo, não apenas a subscrição do modelo.
Saha afirma que a sequência também importa. Comece por integrar IA em fluxos de trabalho existentes em vez de os redesenhar do zero. Trabalhadores que executam operações críticas não aceitarão um fornecedor desmontando um processo a meio voo. Uma vez que a confiança seja estabelecida e os resultados apareçam, a reformulação mais profunda torna-se possível, e é aí que residem os maiores retornos.
Há uma ressalva honesta que vale a pena mencionar. Saha estava a falar numa sessão patrocinada; a NTT DATA AIVista pagou pela plataforma. O seu conselho aponta, convenientemente, para a contratação de um integrador experiente. Muitos negócios mais pequenos não necessitarão de uma empresa dessa escala. O princípio subjacente, porém, mantém-se independentemente de quem faz o trabalho: o modelo é o essencial, e o fluxo de trabalho é o prémio.
Conclusão: Antes de assinar qualquer contrato de IA, mapeie o fluxo de trabalho que deseja alterar do início ao fim. Se não conseguir descrever o que muda em cada passo e quem é responsável pelo resultado, o orçamento de tecnologia está à frente do plano.
