Por: Fabiano Nagamatsu
Quando processos ficam lentos, as decisões não usam dados, os custos sobem e falta visão estratégica, a reação padrão é “comprar ferramentas”. Mas tecnologia sem estratégia é só gasto e, no caso de IA, isso vale em dobro. O salto competitivo vem de ir além da automação, ou seja, redesenhar processos fim a fim, integrar legados, e colocar decisão inteligente (data + modelos + governança) dentro do fluxo operacional, não apenas em pilotos isolados.
Empresas no mundo inteiro avançaram em IA. Em 2024, 65% relatavam uso regular de IA generativa; em 2025, o índice chegou a 71%, indicando normalização da tecnologia em funções de negócio. (McKinsey & Company)
Automação avança, mas maturidade ainda é desigual
Nos cortes por porte, 42% das organizações “enterprise” já implantaram IA, com outros 40% explorando ativamente — um retrato de escala e de projetos saindo do laboratório. (IBM Newsroom, Mediaroom)
No investimento, a IDC projeta US$ 227 bilhões em gastos com IA em 2025, sendo 67% embutidos em produtos e processos centrais; para GenAI, o gasto deve atingir US$ 202 bilhões até 2028. (my.idc.com).
Na América Latina e, em particular, no Brasil, a adoção acelera: 37% das empresas declaram estar implementando GenAI e 45% explorando; pesquisas locais indicam intenção de aumentar investimentos em IA em 2025 e crescente preferência por código aberto. (IBM Brasil Newsroom, IT Forum).
Por outro lado, diagnósticos nacionais (TIC Empresas 2024) mostram um gap de maturidade: a maioria ainda compra “soluções de prateleira” e terceiriza a gestão de IA, com barreiras de dados, talento e integração. (cgi.br, cetic.br).
Por que tanta empresa investe… e pouco muda?
Duas travas explicam boa parte do “vai-não-vai”:
A primeira é a fragmentação, ou “AI sprawl”, quando departamentos adotam ferramentas isoladas que acabam criando sobreposição, aumento de custos e lacunas de governança. Sem interoperabilidade e um plano único, o valor se dilui, como aponta o TechRadar.
A segunda é a combinação de legados e dados: arquiteturas antigas e informações dispersas travam a escala, o que impulsiona a pressão por modernização. O mercado de “legacy modernization” cresce justamente para destravar a integração, aumentar a segurança e permitir que a IA escale, segundo a Mordor Intelligence.
O resultado é que muitos pilotos promissores não chegam a “aterrissar” no processo real. Diversas pesquisas executivas, como a da Deloitte, convergem para a mesma conclusão: o valor sustentável aparece quando a IA está costurada ao processo e à decisão, e não tratada como um simples acessório.
Desse modo, fica claro que Ir além da automação significa combinar automação, dados, modelos e governança em um ciclo fechado, no qual o processo capta sinais, recomenda ou toma decisões, executa, aprende com o resultado e melhora continuamente o modelo.
Automação inteligente exige estratégia e decisão clara
Nesse contexto, a inteligência de processos, conhecida como process mining ou process intelligence, desempenha papel fundamental ao mapear gargalos, medir a situação atual e priorizar casos de uso com alto retorno sobre o investimento. Esse mercado, que cresceu mais de 30% em 2024, já figura entre os quadrantes avaliados por instituições como Gartner e Forrester.
Outro elemento essencial é o Decision Intelligence, que “engenheirar” a tomada de decisão, unindo dados, regras, modelos e feedback para padronizar a forma como a empresa decide. De acordo com pesquisa da Gartner com CDOs, um terço das organizações já implementa essa abordagem. Por fim, a automação inteligente, ou IPA, quando conectada diretamente ao negócio, potencializa ganhos operacionais e estratégicos.
Além disso, a IDC projeta que o mercado de software de automação inteligente atinja US$ 102,4 bilhões até 2028, com uma taxa média de crescimento anual de 24,3%.
“Tecnologia sem estratégia é só gasto”: um roteiro pragmático
Quando se fala em adoção de tecnologias emergentes, como a inteligência artificial e a automação avançada, é preciso cautela. Afinal, um dos erros mais comuns é investir pesado em ferramentas sem um direcionamento estratégico claro.
O primeiro passo é estabelecer uma tese de valor antes de escolher a ferramenta. Isso significa definir de três a cinco hipóteses de impacto traduzidas em métricas operacionais, como lead time, NPS, DSO, acurácia de previsão ou custo por contato.
Automação com dados e legado para escalar valor
Experiências de mercado mostram que líderes que focam poucos casos de alto impacto conseguem escalar valor mais rapidamente. Na sequência, é fundamental realizar a descoberta e priorização com base em dados reais do processo.
Técnicas como process mining, aplicadas a duas ou três jornadas críticas, por exemplo, do pedido ao caixa, gestão de sinistros ou suporte, ajudam a medir variações, identificar retrabalho e causas raiz, além de simular ganhos para priorizar áreas com maior potencial e energia organizacional.
Em seguida, os dados e a integração precisam vir primeiro, mesmo quando há sistemas legados. Construir um data backbone simples e incremental, com camadas de confiabilidade, catálogo, linhagem e APIs ou eventos, é essencial.
A modernização de legados pode ser feita por meio do “estrangulamento”, encapsulando-os via API e migrando por domínio, reduzindo riscos e interrupções. Essa prática acompanha uma tendência de mercado que reforça a urgência da modernização para escalar a IA.
Outro ponto decisivo é a operacionalização e a governança. Isso envolve padronizar práticas de MLOps ou LLMOps, incluindo versionamento, avaliação e monitoramento de viés e performance. Além disso, é essencial estabelecer uma governança clara, com papéis definidos, gestão de riscos e auditoria.
Nesse contexto, a regulamentação europeia — com o AI Act — já impõe exigências específicas para sistemas de alto risco e modelos de base. Como resultado, esse cenário influencia diretamente multinacionais que atuam no Brasil.
Automação com ROI real depende de decisão e arquitetura
Por fim, medir o ROI exige indicadores corretos. Nem sempre o retorno em IA se resume a cortes de custos. Por outro lado, os primeiros sinais de sucesso vêm de indicadores antecedentes, como acurácia, tempo de ciclo, taxa de automação e qualidade da decisão. Monitorar esses indicadores permite orientar o caminho para o payback e evita encerrar iniciativas promissoras antes de atingirem seu potencial.
Portanto, ir além da automação não é empilhar ferramentas. Em vez disso, é orquestrar decisão inteligente sobre processos que importam — com IA que aprende com seus dados, integra com seus legados e toma decisões mais rápidas e melhores.
É estratégia antes de software, arquitetura antes de modinha, valor de negócio antes de “features”. Quem fizer isso agora entra no ciclo virtuoso de eficiência e escala; quem não fizer, corre o risco de ver a concorrência transformar pilotos em vantagem competitiva.
(*) Fabiano Nagamatsu, CEO da Osten Moove e conselheiro em investimentos e games, investidor anjo em 12 startups e advisor em 3. Autor, colunista e mentor premiado pela Startup Awards. Especialista em inovação, RH, marketing digital e finanças, com atuação em aceleradoras, Shark Tank, web3 e games. Professor de MBAs desde 2007 e pesquisador em simuladores. Melhor Mentor do Ano 2022 e finalista por 4 anos
