Arthur Frota defende que dados proprietários, histórico de decisões e aprendizado acumulado ganham importância à medida que modelos de inteligência artificial se tornam mais baratos e disseminados As empresas já descobriram que a inteligência artificial pode reduzir custos, automatizar tarefas e acelerar decisões. A próxima discussão, porém, começa a se deslocar para outro ponto: o que permanece dentro da organização depois que a tecnologia é utilizada? Para Arthur Frota, especialista em tecnologia, esse tema tende a ganhar importância à medida que companhias deixam de realizar testes isolados e passam a conectar modelos de IA a sistemas internos, documentos, dados de clientes e processos operacionais. Cada interação pode gerar novas informações sobre regras, exceções, escolhas e resultados. 'Com isso, cada interação pode produzir informações sobre regras, exceções, decisões e resultados. E esses são ativos que, se organizados e preservados, podem melhorar a próxima execução', explica Frota. Dados ainda são um gargalo para escalar IA Uma pesquisa da Accenture publicada em maio ajuda a dimensionar esse desafio. Apenas 7% das empresas analisadas foram consideradas suficientemente preparadas em dados para ampliar o uso de inteligência artificial avançada, incluindo soluções generativas e agentes. O levantamento também mostrou que 72% não possuem dados confiáveis e governança padronizada em nível suficiente para sustentar esse avanço. Mais de 80% afirmaram ainda que riscos relacionados aos dados já fizeram suas organizações adiar, limitar ou modificar iniciativas de IA. Para Frota, a questão vai além de organizar informações para que um sistema responda melhor. O objetivo deveria ser fazer com que cada utilização da tecnologia aumente também a capacidade futura da própria empresa. Sua experiência no setor inclui a fundação da TALLOS, empresa de SaaS posteriormente vendida em uma operação que, segundo ele, foi a maior negociação do Nordeste brasileiro naquele momento, e a atuação atual à frente do ecossistema de tecnologia Escale Biz. 'A empresa pode contratar a melhor IA disponível, mas, se cada correção continuar presa à ferramenta ou à cabeça de quem resolveu o problema, ela está pagando para descobrir a mesma coisa várias vezes. O ganho real acontece quando a empresa transforma cada execução em aprendizado para a próxima', reflete Arthur Frota. Vantagem competitiva pode migrar para o conhecimento acumulado Esse cenário também muda a discussão sobre diferenciação. Em análise publicada em maio, a McKinsey argumenta que, conforme os mesmos modelos de inteligência artificial passam a estar disponíveis para várias empresas, a vantagem competitiva tende a se deslocar para recursos mais difíceis de copiar. Entre eles estão dados proprietários, integração aos fluxos de trabalho e mecanismos de feedback capazes de fazer os sistemas melhorar conforme são utilizados. Essa lógica significa que duas organizações podem contratar tecnologias semelhantes e chegar a resultados muito diferentes dependendo da qualidade das informações, processos e conhecimento que já construíram. Automatizar uma tarefa não significa aprender com ela Segundo Frota, a diferença entre automação e aprendizado organizacional pode aparecer em situações aparentemente simples. Em uma operação de atendimento, por exemplo, um sistema pode consultar o histórico do cliente, sugerir uma resposta e executar determinada ação. Se um funcionário corrige aquela recomendação porque existe uma condição comercial específica, essa informação pode seguir dois caminhos. Ela pode desaparecer assim que a interação termina. Ou pode ser incorporada às regras utilizadas nas próximas decisões. No primeiro caso, a empresa automatizou uma atividade. No segundo, criou uma nova capacidade. 'Uma correção feita hoje deveria reduzir a chance do mesmo erro amanhã. Se outra pessoa precisar descobrir novamente a mesma regra, a empresa automatizou uma tarefa, mas não construiu conhecimento', reforça Frota. Para ele, essa distinção deveria mudar também os indicadores utilizados para avaliar projetos de IA. Quantidade de usuários, número de agentes implementados ou consumo de modelos dizem pouco sobre a evolução real da operação se os mesmos erros e decisões continuarem sendo reaprendidos a cada uso. Modelos ficam mais acessíveis e reduzem diferenciação pela tecnologia Outro fator que reforça essa discussão é a redução do custo de acesso à inteligência artificial e a maior diversidade de modelos disponíveis. Dados divulgados pela Vercel sobre seu AI Gateway mostram que modelos open-weight responderam por 29% do volume de tokens em junho, contra 11% em abril. Apesar desse avanço, representaram menos de 4% dos gastos. A empresa também registrou que aproximadamente um em cada oito clientes corporativos já utilizava algum modelo open-weight em produção. 'A maior disponibilidade de modelos tende a reduzir a dependência de uma tecnologia específica. Ao mesmo tempo, aumenta a importância do que não é facilmente substituível: os dados, processos, regras e conhecimento acumulados pela empresa', afirma o executivo. Quanto mais intercambiáveis se tornam as ferramentas, maior tende a ser o peso daquilo que pertence exclusivamente à organização. O valor da IA depende da transformação da operação A McKinsey também vem relacionando os resultados mais relevantes de IA à capacidade de redesenhar processos. Outra análise da consultoria, publicada em julho, aponta que empresas que atribuem pelo menos 5% do EBIT à inteligência artificial são três vezes mais propensas a realizar reformulações amplas do modelo operacional e duas vezes mais propensas a redesenhar fluxos de trabalho antes de escolher as ferramentas. Esse dado reforça a ideia de que a tecnologia, isoladamente, dificilmente cria uma vantagem duradoura. 'Não faz sentido, na maioria dos casos, uma empresa desenvolver seu próprio modelo. Ela pode contratar infraestrutura, modelos e aplicações, inclusive de múltiplos fornecedores. O que não deveria terceirizar é o conhecimento sobre como seu negócio funciona. Ou seja, partimos da discussão de 'qual IA contratar?' para 'o que a empresa aprende ao utilizá-la?', diz Arthur Frota. Empresas brasileiras ainda têm conhecimento espalhado No Brasil, esse desafio ganha uma característica particular. Pesquisa da ManageEngine mostra que muitas organizações ainda convivem com sistemas legados, planilhas paralelas e informações concentradas em poucos profissionais. Nesse ambiente, a IA pode ajudar a localizar conteúdos, conectar sistemas e executar rotinas com menos esforço. Ao mesmo tempo, existe o risco de acelerar processos ruins ou replicar regras desatualizadas caso a base de conhecimento não seja bem estruturada. 'O Brasil ainda tem muito conhecimento operacional espalhado em pessoas, planilhas, documentos e sistemas que não conversam entre si. A IA pode ajudar a conectar tudo isso. Mas conectar informação não é suficiente: é preciso saber qual regra vale, de onde ela veio, quando mudou e como uma decisão anterior deve influenciar a próxima', comenta Frota. Essa mudança pode afetar inclusive a forma como empresas de tecnologia são avaliadas. Se modelos básicos estiverem disponíveis para todos, ativos como dados exclusivos, conhecimento operacional e integrações profundas aos processos passam a ter maior peso na diferenciação. O indicador principal pode deixar de ser consumo de IA Para Frota, a tendência é que inteligência artificial continue ficando mais acessível, barata e substituível. Nesse cenário, empresas precisarão medir menos quanto utilizam a tecnologia e mais quanto melhoram com ela. Isso significa observar se erros se repetem menos, se decisões ficam mais rápidas, se processos acumulam conhecimento e se informações antes dispersas passam a orientar melhor a operação. 'A fatura do fornecedor mostra quanto de IA a empresa consumiu. O que importa para o negócio é quanto desse uso ficou dentro da empresa na forma de dados melhores, regras mais claras, processos mais eficientes e decisões melhores', conclui Arthur Frota.