Estratégia de IA: como escolher onde investir para gerar resultado

Por Letícia Carvalho, COO da Dataside
A pergunta mudou. Até pouco tempo atrás, as reuniões de diretoria discutiam se a empresa ia usar IA. Hoje, discutem onde ela vai gerar resultado.
Sou otimista com inteligência artificial. Vejo, todos os dias, o que ela faz quando entra no lugar certo da operação.
E é justamente por isso que a escolha de onde aplicar virou uma decisão estratégica. A IA deixou de ser um assunto da área de tecnologia e passou a ser assunto de conselho.
O Gartner acabou de confirmar essa virada. Para mim, é uma ótima notícia: o mercado está deixando de experimentar por experimentar e começando a cobrar resultado.
Pela experiência da Dataside, quem chega a esse resultado faz três coisas antes de construir qualquer coisa: amarra cada caso de uso a um número do negócio, confere se os dados estão prontos e decide em semanas se vale seguir.
É nessa escolha que a Dataside trabalha com as empresas.
A Dataside, empresa onde sou COO, é uma consultoria brasileira de Data Analytics e Inteligência Artificial, com um time multidisciplinar que atua da engenharia à governança dos dados, do analytics à IA em produção. Nosso foco é encontrar onde a IA gera mais valor e provar o resultado em semanas.
Nosso portfólio inclui AI Value360, Gen AI & AI Agents, Machine Learning, Data Governance, Data Analytics, Analytics Support e Central de Observabilidade.
Se a sua empresa precisa decidir onde investir em IA no próximo ano, fale com um dos nossos especialistas.
O que a nova pesquisa do Gartner mostra sobre a estratégia de IA?
Mostra que a IA saiu da pauta de tecnologia e entrou na pauta de estratégia. Pela primeira vez, a forma como a empresa decide sobre IA aparece entre as maiores preocupações dos líderes.
A pesquisa da Gartner mostra que no relatório trimestral de riscos emergentes do 3º trimestre de 2026, o "erro de cálculo na estratégia de IA" estreou como o 3º tema mais citado por 308 líderes de gestão de riscos, auditores e executivos.
O deslocamento competitivo causado pela IA também estreou, em 4º lugar. Ao todo, 4 dos 5 principais temas estão ligados à IA.
Quando li esse resultado, o que me chamou atenção não foi a palavra risco. Foi a dupla de temas novos.
Um fala de decidir mal sobre IA. O outro, de ficar para trás porque o concorrente usou IA melhor. Juntos, eles descrevem exatamente o dilema que vejo nas empresas: ninguém quer errar a aposta, e ninguém quer ficar parado.
Isso é sinal de amadurecimento. A IA deixou de ser novidade para virar decisão de negócio, com dono, critério e cobrança.
Investir rápido ou esperar: qual é a escolha certa?
Nenhuma das duas. A escolha certa é priorizar bem e medir desde o primeiro dia.
A primeira pressão é investir sem critério. O Gartner descreve o erro de cálculo como investir de forma agressiva demais, escolher casos de uso que não fazem sentido ou avançar antes de a empresa estar pronta em dados, cultura e governança.
A segunda pressão vem do outro lado. Enquanto a empresa espera a certeza perfeita, o concorrente aprende, ajusta e captura o valor primeiro.
Na operação, as duas pressões aparecem do mesmo jeito: muita energia gasta e pouco número mudando.
O próprio Gartner coloca a prontidão das pessoas entre os cinco principais temas. E faz sentido. Não adianta a IA ficar pronta se o time não estiver preparado para trabalhar com ela.
O caminho não é ir mais devagar nem mais rápido. É escolher melhor onde ir. E, para isso, vale entender por que tantos projetos ainda não chegam lá.
Por que projetos de IA não saem do piloto?
Porque começam sem um número de negócio para mudar. Sem esse número, não há como dizer se o piloto deu certo, e ele fica parado entre o teste e a produção.
No mesmo anúncio, o Gartner citou outras três pesquisas de 2026, feitas com públicos diferentes. Juntas, elas mostram como quem decide está olhando para o retorno da IA:
Público | O que a pesquisa encontrou |
CFOs | 17% dizem que mais da metade dos projetos de IA gerou receita ou economia mensurável |
Membros de conselho | 64% acham que a empresa deveria assumir mais risco tecnológico |
Comitês de auditoria | 43% esperam revisar a estratégia de IA no próximo ano |
Repare na combinação. O conselho quer mais ousadia. O financeiro ainda não enxerga o retorno na maioria dos projetos. E a auditoria vai olhar a estratégia de perto.
Na prática, isso significa que a IA vai ser cobrada por resultado. E quem já mede vai estar em vantagem.
No dia a dia, vejo três motivos para um piloto empacar.
O primeiro é o caso de uso escolhido pela tecnologia, não pelo problema. Alguém viu uma demonstração interessante e quis testar.
O segundo é o dado que não estava pronto. O piloto funciona com uma amostra bem cuidada e não se sustenta com o dado real da operação.
O terceiro é a falta de dono. O resultado não pertence a nenhuma área, então ninguém briga para levar o projeto adiante.
Com agentes de IA, o desafio cresce. O Gartner prevê que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por custo alto, valor pouco claro ou controles insuficientes.
A boa notícia é que os três motivos têm a mesma origem: a escolha do caso de uso. E essa escolha pode ser feita com muito mais critério.
Como escolher os casos de uso de IA certos?
Começando pelo número que a empresa quer mudar, e não pela ferramenta. O caso de uso certo é o que move receita, margem ou produtividade de forma mensurável, com dados disponíveis e uma área que assume o resultado.
Tenho uma regra simples: se ninguém consegue dizer qual número vai mudar, o projeto ainda não está pronto para começar.
Toda empresa tem dezenas de ideias de IA. O que separa uma lista de desejos de uma estratégia é o filtro.
O primeiro passa pelo valor. Quanto esse caso vale, em reais, se der certo?
O segundo passa pelos dados. Eles existem, estão acessíveis e são confiáveis o bastante para sustentar uma decisão?
O terceiro passa pelas pessoas. Quem é o dono do resultado na operação, e o time está preparado para mudar o jeito de trabalhar?
De vinte ou trinta ideias, costumam sobrar duas ou três que passam pelos três filtros. Pode parecer pouco. Mas são essas que vão aparecer no resultado do ano que vem.
Como medir o ROI de IA desde o início?
Com uma métrica de negócio e uma linha de base definidas antes do primeiro dia de projeto. Se o critério de sucesso só aparece no fim, qualquer resultado vira resultado.
A métrica precisa estar na língua da diretoria: margem recuperada, estoque reduzido, horas de equipe liberadas, receita nova.
A linha de base é o retrato de antes. Sem ela, não há como provar o que mudou depois que a IA entrou.
E a decisão de seguir ou parar precisa vir em semanas, não em um ano. Quanto mais cedo a prova chega, menos orçamento fica preso em algo que não vai render.
Na Dataside, quem declara o resultado é a área que recebeu a solução, com o número dela. É o retorno que convence o CFO e responde à pergunta da auditoria.
AI Value360: onde a IA move o número
O que separa quem chega ao resultado de quem coleciona pilotos é a qualidade da escolha. É nessa escolha que concentramos o nosso trabalho.
O AI Value360 é o método da Dataside para encontrar onde a IA move o número no negócio. A leitura vem antes da proposta: olhamos a operação, levantamos as ideias de uso de IA e levamos para a mesa só as que movem receita ou margem de forma mensurável.
A partir daí, seguimos a lógica do AI Fast: provar o valor em semanas, com métrica combinada antes e uma decisão clara de seguir ou parar. Se nenhuma oportunidade passar nos critérios, a gente avisa, mesmo que isso signifique não ter projeto.
O método está ligado à meta pública da Dataside: R$ 10 bilhões de resultado nos clientes até 2031, cada real declarado por quem recebeu.
Quando a escolha é bem feita, a pergunta deixa de ser se a empresa deve investir em IA. Passa a ser em qual número ela quer ver a IA trabalhando primeiro.
Se você está desenhando a estratégia de IA para o próximo ano, fale com a Dataside.
Perguntas frequentes
Como criar uma estratégia de IA?
Começando pelos números do negócio que a empresa quer mudar. Para cada um, avalia-se se existem dados confiáveis, quem será o dono do resultado e em quanto tempo é possível provar o valor. Os casos que passam por esse filtro formam a estratégia.
Como escolher casos de uso de IA na empresa?
Pelo valor que o caso pode gerar em receita, margem ou produtividade, pela prontidão dos dados e pela existência de uma área disposta a assumir o resultado. Ideias escolhidas apenas pela tecnologia tendem a não sair do piloto.
Como medir o ROI de projetos de IA?
Definindo uma métrica de negócio e uma linha de base antes do início do projeto, e comparando o resultado depois. O ideal é que a área que recebeu a solução declare o ganho.
Por que projetos de IA não saem do piloto?
Os motivos mais comuns são caso de uso sem número de negócio associado, dados que não estão prontos para a operação real e falta de um dono para o resultado.
Sobre a autora
Letícia Carvalho é COO da Dataside, consultoria brasileira especializada em dados e inteligência artificial. A empresa foi reconhecida como líder em três quadrantes do ISG Provider Lens Brasil e eleita Latin America Growth Partner of the Year 2026 pela Databricks.





Comentários