A jornada

Como a adoção de IA normalmente começa

Seis etapas iniciais. Duas delas concentram o que mais trava na vida real: a escolha do problema prioritário e o levantamento dos dados.

O que fazer

  • Liste 3 a 5 problemas operacionais reais — não “oportunidades de IA”.
  • Converse com quem opera o processo, não só com a liderança.
  • Descreva o problema em uma frase com número (tempo, custo, retrabalho).

Perguntas-chave

  • Qual processo gera mais retrabalho hoje?
  • Onde o conhecimento depende de uma pessoa específica?
  • Que decisão recorrente é demorada e baseada apenas em percepção?

Nos casos reais

Suzano: consultas a manuais do digestor. Hitachi: inspeção visual manual.

O que fazer

  • Cruze impacto (no negócio) com viabilidade (dados + acesso).
  • Escolha um problema delimitado, não uma solução ampla para a fábrica toda.
  • Defina como você vai saber que funcionou (uma métrica clara).

Perguntas-chave

  • Qual problema, se resolvido, gera ganho mensurável em 3 a 6 meses?
  • Existe alguém na liderança disposto a bancar a decisão? (Em PMI, normalmente é o próprio dono.)
  • É possível começar em uma única linha ou planta?

Nos casos reais

AB InBev: makeathon com 12 casos, escolheu o K Filter como prioridade.

O que fazer

  • Mapeie restrições: segurança, regulatório, propriedade do dado.
  • Identifique se o problema cabe em IA ou pede automação tradicional.
  • Estime esforço e quem precisa estar envolvido.

Perguntas-chave

  • Existe risco de expor informação sensível?
  • O processo já é estável o bastante para medir ganho?
  • O time tem alguém que entende o negócio + alguém de TI?

Nos casos reais

Suzano: exigência de não expor dados a bases públicas guiou a escolha de Azure OpenAI.

O que fazer

  • Liste fontes: ERP, planilhas, ordens de serviço, papel, sensores.
  • Marque organização: estruturado, semi, disperso.
  • Identifique donos do dado e nível de qualidade.

Perguntas-chave

  • Existem dados sobre esse processo nos últimos 6–12 meses?
  • Eles estão em um sistema único ou espalhados?
  • Quem hoje conhece melhor esse dado?

Nos casos reais

AB InBev: 6 meses de dados históricos da cervejaria de Newark. BMW: dados sintéticos quando os reais não bastam.

O que fazer

  • Compare dado disponível × dado necessário.
  • Decida: coletar novo, gerar sintético ou começar mais simples.
  • Defina o mínimo viável de dado para o piloto.

Perguntas-chave

  • Quais variáveis críticas não estão sendo registradas?
  • É possível começar com um subconjunto?
  • Vale instrumentar (sensor, formulário) antes do piloto?

Nos casos reais

Hitachi: começou com apenas 100 amostras de verificação. BMW: gerou 800 mil imagens sintéticas.

O que fazer

  • Defina escopo, métrica e prazo do piloto.
  • Combine quem usa, quem opera e quem decide.
  • Planeje uma fase de acompanhamento próximo do uso após o go-live (operação assistida).

Perguntas-chave

  • Quando vamos avaliar e como vamos medir?
  • O usuário final vai operar com acompanhamento?
  • Qual é o critério de “parar” ou “escalar”?

Nos casos reais

Suzano: o acompanhamento próximo do uso (operação assistida) coletou feedback após o lançamento da Ana Maria.

Pronto para aplicar à sua empresa?

Fazer a avaliação estruturada Autorreflexão rápida