IA não corrige processos ruins, mas faz a empresa enxergá-los

Por Fernando Tassin, embaixador IA4FIN

Antes de atribuir resultados extraordinários à inteligência artificial, empresas deveriam ter uma visão mais analítica sobre o quanto desse ganho veio da tecnologia e quanto veio de finalmente olhar para um processo que já era ineficiente.

No LinkedIn e diversas matérias compradas, por exemplo, virou recorrente encontrar cases corporativos anunciando ganhos superiores a 80%, 90% ou até mais após a implantação de inteligência artificial. Processos que levavam horas passam a consumir minutos, análises que dependiam de várias pessoas são realizadas quase instantaneamente e atividades antes manuais passam a operar em escala.

Os números impressionam.

Mas foi realmente a IA que produziu todo esse ganho?

Em muitos casos, provavelmente não!

Para implementar IA em processos e sistemas, a empresa é obrigada a fazer algo que deveria ter feito independentemente da tecnologia: olhar profundamente para o próprio processo.

É necessário mapear etapas, identificar entradas e saídas, entender exceções, revisar regras, organizar dados, eliminar redundâncias, questionar controles, definir responsáveis e estabelecer indicadores. Quando esse trabalho começa, frequentemente surge uma constatação desconfortável de que o processo já era ruim antes da IA e que deveria ter sido revisto a muito tempo.

A necessidade de inovar com o uso de tecnologia apenas tornou isso visível.

O ganho DEVE começar antes do algoritmo!

Imagine um processo interno que leva cinco dias do início ao fim e que, ao iniciar um projeto de IA, a empresa descobre que 2 desses dias são consumidos esperando aprovações que raramente resultam em rejeição. Outro dia é perdido transferindo informações entre sistemas e parte das análises é duplicada por áreas diferentes e determinadas validações existem apenas porque foram incorporadas ao fluxo anos atrás e nunca mais questionadas.

Depois do redesenho, aquilo que levava cinco dias poderia levar dois, mesmo sem o uso de IA.

A inteligência artificial entra posteriormente e reduz os dois dias restantes para algumas horas.

Qual foi, então, o ganho da IA?

A resposta importa muito mais do que parece!

Quando todo o resultado é atribuído à tecnologia, a empresa perde a oportunidade de entender quais mudanças realmente produziram valor e essa confusão compromete decisões futuras de investimento, priorização, arquitetura e gestão.

Existe uma diferença relevante entre automatizar um processo e melhorar um processo.

IA pode fazer as duas coisas. Mas não necessariamente ao mesmo tempo.

O risco de digitalizar um processo ruim

Uma das armadilhas mais antigas da transformação digital está reaparecendo com uma tecnologia muito mais poderosa, que é automatizar aquilo que nunca deveria ter sido executado daquela forma.

Se um processo contém dez etapas e quatro delas não agregam valor, colocar inteligência artificial para executar as dez etapas mais rapidamente não significa necessariamente inovação, pois pode significar apenas desperdício automatizado ou pior, a IA pode dar escala ao problema.

Uma regra inadequada aplicada manualmente algumas centenas de vezes possui determinado impacto, mas quando automatizada, ela pode ser aplicada milhares ou milhões de vezes. Uma exceção operacional mal compreendida pode se transformar em comportamento sistêmico e uma decisão inconsistente pode ganhar velocidade antes que a organização perceba sua origem.

Por isso, antes de pensar em sobre qual processo da empresa pode ser “otimizado” com IA, pense como seria esta atividade se o processo tivesse que ser redesenhado hoje e se ele seria executado da mesma forma ou de modo mais eficiente.

Essa talvez seja uma das perguntas mais importantes de qualquer projeto de inteligência artificial e que, infelizmente, poucos pensam desta forma. Eficiência sem baseline é apenas um número!

Há ainda outro problema nos anúncios de ganhos extraordinários.

Para afirmar que determinada implementação aumentou a eficiência em 90%, é preciso saber com razoável precisão como o processo funcionava antes, quanto tempo consumia, quantas pessoas participavam, qual era a taxa de erro, quantos casos exigiam retrabalho, qual era o custo por operação, quais exceções existiam, qual era o nível de qualidade e, principalmente, se esses indicadores eram efetivamente acompanhados.

Sem esse baseline, o percentual pode ser excelente para uma apresentação, mas frágil para gestão e uma implementação consistente não deveria ser avaliada apenas pela fotografia do “antes e depois”, ela precisa explicar a trajetória entre os dois pontos.

Se um indicador praticamente sai de zero para perto de 100% e ninguém consegue explicar precisamente a razão deste número, existe um problema de gestão escondido dentro de um aparente caso de sucesso, pois quando esse indicador cair de 100% para 70% ou menos, provavelmente a organização também não saberá explicar o motivo.

E essa é a diferença entre obter um resultado e governar um resultado.

O verdadeiro KPI não é chegar a 95%. É saber por que chegou!

Projetos maduros deveriam conseguir decompor seus resultados em forma de perguntas e respostas estratégicas, como:

• Quanto do ganho veio da eliminação de etapas?

• Quanto veio da revisão das regras?

• Quanto veio da melhoria dos dados?

• Quanto veio da integração entre sistemas?

• Quanto veio da redução de retrabalho?

• E quanto veio efetivamente da IA?

Essa decomposição pode diminuir o número atribuído à tecnologia, mas aumenta enormemente a qualidade da decisão empresarial de forma sustentável.

Talvez o projeto anunciado como “90% de ganho com IA” revele que 35% vieram do redesenho do processo, 20% da integração de sistemas, 10% da eliminação de controles redundantes e o restante da automação inteligente.

Isso não diminui o mérito da IA, pelo contrário, ele mostra que a empresa sabe por que melhorou e uma organização que conhece as causas do próprio desempenho está em posição muito melhor para reproduzi-lo, sustentá-lo e corrigir desvios.

IA também deveria funcionar como instrumento de diagnóstico

Existe aqui uma oportunidade pouco explorada e talvez um dos maiores benefícios dos projetos de inteligência artificial não seja apenas automatizar processos, mas obrigar organizações a conhecê-los novamente, pois processos corporativos acumulam história.

Controles são adicionados após incidentes e aprovações surgem por exigências pontuais, assim como planilhas aparecem para contornar limitações de sistemas e conferências manuais são criadas temporariamente e se tornam permanentes. Pessoas mudam, sistemas são substituídos, normas evoluem e o fluxo continua carregando decisões cuja razão original ninguém mais sabe explicar e quando chega um projeto de IA, alguém finalmente precisa abrir essa caixa, pois é justamente nesse momento que a empresa deveria resistir à tentação de simplesmente reproduzir digitalmente o fluxo existente.

Ao invés de “como a IA executará esta etapa?”, pensar sobre “a razão pela qual esta etapa ainda existe?”

Do ROI da tecnologia para a governança do resultado

Essa mudança de perspectiva também altera a responsabilidade de executivos, áreas de negócio, tecnologia, riscos e governança, pois um business case de IA não deveria começar pela escolha do modelo, mas pela compreensão do problema.

Isso significa estabelecer baseline antes da implantação, identificar desperdícios, revisar o processo, separar ganhos provenientes do redesenho daqueles efetivamente produzidos pela IA e definir indicadores capazes de acompanhar o comportamento após a entrada em produção.

A lógica é especialmente importante no mercado financeiro.

Em crédito, fraude, onboarding, atendimento, cobrança, compliance ou pagamentos, eficiência não pode ser medida apenas por velocidade ou redução de esforço humano. É necessário observar simultaneamente qualidade, erros, exceções, perdas, reclamações, falsos positivos, riscos regulatórios e impacto sobre clientes. Um processo pode ficar 90% mais rápido e, ainda assim, ficar pior, dado que velocidade isolada não é eficiência.

O melhor projeto talvez seja aquele que descubra que não precisa de IA

Essa conclusão pode parecer contraditória em plena corrida pela inteligência artificial, mas é justamente o contrário, pois maturidade tecnológica também significa saber quando não usar tecnologia.

Se a análise prévia revelar que grande parte da ineficiência pode ser eliminada simplificando regras, integrando sistemas, retirando aprovações desnecessárias ou corrigindo a qualidade dos dados, talvez a decisão mais inteligente seja fazer isso primeiro.

Depois, aplica-se IA onde ela possa realmente produzir ganho incremental ao processo e ao negócio, gerando resultados operacionais e financeiros.

Esse caminho pode gerar um case menos espetacular para apresentações corporativas ou postagens no LinkedIn e matérias compradas, mas em compensação, tende a produzir algo muito mais valioso, o resultado explicável, repetível e sustentável.

Em resumo, a discussão madura sobre inteligência artificial deve ser sobre quanto a organização passou a compreender melhor a própria operação, porque colocar IA sobre um processo ruim não transforma automaticamente esse processo em inteligente e às vezes, apenas faz com que ele erre, desperdice ou execute etapas desnecessárias muito mais rápido e talvez de modo muito mais caro, com o uso incoerente de tokens da IA.

Talvez, uma das métricas mais importantes de um projeto de IA não seja conseguir dizer que a eficiência aumentou 90%, mas conseguir explicar, com precisão, de onde vieram os 90% e saber exatamente o que fazer quando eles deixarem de existir.