Cases reais de IA em empresas brasileiras: exemplos práticos

Resposta rápida

Empresas brasileiras de peso já estão usando IA com resultado medido, não só piloto de vitrine. No Itaú, o volume de iniciativas de IA generativa em uso cresceu 84% em 2025 e a velocidade de implantação tecnológica subiu 35%, segundo reportagem do TI Inside. No Magalu, a venda conversacional via WhatsApp (com agentes de IA guiando o cliente do produto ao Pix, sem sair do app de mensagem) converte 3 vezes mais que o aplicativo tradicional da empresa, com NPS de 90 contra 78 da operação geral — dado divulgado pelo Brazil Journal. No Nubank, o modelo de crédito proprietário Nuformer, treinado sobre 100 bilhões de transações, já decide empréstimo e limite de cartão em tempo real no Brasil e no México, e ajudou o banco a fechar o primeiro trimestre de 2026 com lucro de US$ 871,5 milhões (alta de 56,5%). E no setor de saúde e auditoria, casos apresentados no 20º Integrity Forum (Afya, Grupo Fleury e Saga) mostram IA reduzindo tempo de auditoria e identificando economia de centenas de milhares de reais por mês em operação de nuvem. A seguir, o detalhe de cada case, o padrão comum por trás de todos eles, e como aplicar a mesma lógica numa empresa muito menor que essas.

Os cases, lado a lado

Empresa	Setor	O que a IA faz	Resultado medido
Itaú	Banco	IA generativa na experiência do cliente (Inteligência Itaú, Pix no WhatsApp) e mais modelos de ML tradicional em produção	+84% iniciativas de IA generativa em uso, +35% velocidade de implantação tecnológica (2025)
Magalu	Varejo	Agentes de IA vendendo direto pelo WhatsApp, do produto ao pagamento via Pix	Conversão 3x maior que o app; NPS 90 vs 78 da operação geral
Nubank	Fintech	Modelo de crédito proprietário (Nuformer) decidindo limite e empréstimo em tempo real	Lucro US$ 871,5 milhões no 1T26, alta de 56,5% no ano
Afya	Educação/saúde	FinOps com IA analisando gasto de nuvem e tecnologia	Economia potencial de ~R$ 650 mil/mês identificada
Grupo Fleury	Saúde/diagnóstico	Autoavaliação de controles internos e risco corporativo com IA	Mais visibilidade de risco estratégico, menos perda por auditoria falha

Itaú: escala em vez de piloto isolado

O dado que mais chama atenção no case do Itaú não é um projeto específico, é o ritmo: segundo o TI Inside, o banco registrou em 2025 um crescimento de 84% no volume de iniciativas de IA generativa em uso e de 34% no número de modelos de machine learning tradicional rodando em produção, além de 35% de aumento na velocidade de implantação de novas soluções tecnológicas. Isso é o oposto do que a maioria das empresas vive — projeto de IA isolado, bonito na demonstração, que nunca escala pro resto da operação. As frentes voltadas ao cliente incluem a plataforma “Inteligência Itaú” (que inclui o Pix pelo WhatsApp, hoje disponível pra 100% da base de clientes) e o Itaú Emps, direcionado a empreendedores. O padrão: quando a infraestrutura de dado e o processo de aprovação interna de IA amadurecem, o NÚMERO de iniciativas em produção cresce mais rápido que o esforço de cada uma isoladamente — é o “efeito rede” da maturidade em IA dentro de uma empresa grande.

Magalu: o canal que converte melhor que o próprio app

O case do Magalu, coberto pelo Brazil Journal, é direto: agentes de IA vendendo pelo WhatsApp — busca de produto, comparação, fechamento de compra e pagamento via Pix, tudo sem o cliente sair do aplicativo de mensagem — convertem 3 vezes mais que o app oficial do Magalu. O NPS desse canal chegou a 90, contra 78 da operação geral da empresa (quanto mais perto de 100, melhor a experiência percebida pelo cliente). O motivo por trás do número, segundo o próprio Fred Trajano (CEO): a economia unitária do canal parece melhor que a venda por app, principalmente se a aquisição de cliente ficar mais orgânica — sem depender tanto de mídia paga pra levar gente pro aplicativo. É um lembrete simples e que vale pra empresa de qualquer tamanho: às vezes o canal que converte melhor não é o “produto principal” (o app), é o canal onde o cliente já está todo santo dia (o WhatsApp).

Nubank: modelo próprio, não ferramenta de prateleira

O Nubank não comprou uma ferramenta pronta de IA pra crédito — desenvolveu o Nuformer, um modelo de fundação próprio treinado sobre 100 bilhões de transações e mais de 600 bilhões de tokens, hoje em operação no Brasil e no México pra decidir limite de cartão e aprovação de empréstimo sem garantia em tempo real. O resultado apareceu no balanço: lucro líquido de US$ 871,5 milhões no primeiro trimestre de 2026, alta de 56,5% ano a ano, com receita acima de US$ 5 bilhões. Internamente, o banco também reporta produtividade de engenharia 50% acima do mesmo período de 2025 e volume de testes automatizados 90% maior. A lição aqui não é “toda empresa precisa treinar modelo próprio do zero” — pra maioria não faz sentido financeiro. A lição é que o Nubank tratou IA de crédito como vantagem competitiva central (não terceirizável) e investiu proporcionalmente a isso, enquanto outras frentes (atendimento, geração de conteúdo interno) seguem perfeitamente bem com ferramenta pronta de mercado.

Afya, Fleury e Saga: onde a IA aparece fora do produto principal

Nem todo case de IA é sobre o produto que o cliente vê. No 20º Integrity Forum (Amcham Brasil, junho de 2026), três empresas mostraram IA aplicada em processo interno — o tipo de projeto que raramente vira notícia, mas que paga a conta mais rápido:

Afya usou IA num projeto de FinOps (otimização financeira de infraestrutura de nuvem) e identificou um potencial de economia de aproximadamente R$ 650 mil por mês em gasto de tecnologia mal dimensionado.
Grupo Fleury implementou uma solução de autoavaliação de controles internos com IA, ampliando a visibilidade sobre risco estratégico e reduzindo perda por falha de auditoria e negativa de sinistro.
Saga, do setor de venda de veículos, usou IA pra monitorar o ciclo de venda e indicadores de rentabilidade em varejo e atacado — uma melhora de apenas 0,6 ponto percentual na margem operacional já representa, na escala da empresa, recuperação financeira na casa dos bilhões de reais.

O ponto comum: nenhum desses três projetos precisou de um “produto de IA” chamativo pra virar case — precisou de um problema bem definido (gasto de nuvem, risco de auditoria, margem de venda) e de dado organizado o suficiente pra IA processar.

O padrão comum por trás de todo case que dá certo

Depois de olhar esses cinco cases lado a lado, dá pra tirar um padrão que se repete em praticamente todo projeto de IA que sai do papel e vira resultado medido — e é esse padrão, mais do que a ferramenta específica, que qualquer empresa (do tamanho que for) pode copiar:

O problema veio primeiro, a IA depois. Nenhum desses cases começou com “vamos usar IA”. Começou com um problema específico e caro (gasto de nuvem, conversão de venda, risco de auditoria) que já tinha dado disponível pra medir antes e depois.
O canal ou processo já existia. Magalu não criou um canal novo do zero — usou o WhatsApp, onde o cliente já estava. Itaú ampliou uma plataforma que já existia. Menos “projeto greenfield”, mais “IA em cima do que já funciona”.
O resultado foi medido em número de negócio, não em métrica técnica. Nenhum desses cases se vende com “acurácia do modelo foi de X%” — se vende com conversão, lucro, economia em reais, tempo de auditoria. É a métrica que convence quem aprova orçamento.
A escala veio depois do primeiro resultado provado, não antes. O Itaú não chegou a 84% de crescimento em iniciativas de IA generativa da noite pro dia — chegou depois de anos de maturação de processo interno de aprovação e dado.

Detalhei essa lógica de “prova pequena primeiro, escala depois” com mais profundidade, incluindo os erros mais comuns de quem tenta pular direto pra escala, em como implementar IA na empresa: passo a passo com o método APURA.

Perguntas frequentes

Quais empresas brasileiras já usam IA e como?

Itaú (IA generativa na experiência do cliente e mais modelos de ML em produção), Magalu (venda por agente de IA no WhatsApp), Nubank (modelo próprio de crédito), Afya (otimização de gasto de nuvem) e Grupo Fleury (gestão de risco e auditoria) são cinco exemplos com resultado divulgado publicamente em 2025-2026, cobrindo banco, varejo, fintech, educação/saúde e diagnóstico.

Esses cases servem só pra empresa grande, ou dá pra aplicar em negócio pequeno?

O padrão por trás deles serve pra qualquer tamanho — problema bem definido + dado organizado + canal que já existe. O que muda é a escala do investimento: uma empresa pequena não vai treinar um modelo próprio como o Nuformer do Nubank, mas pode perfeitamente aplicar IA num canal que já usa (como o WhatsApp do case Magalu) com ferramenta pronta de mercado.

Por que empresas como o Nubank treinam modelo próprio em vez de usar ferramenta pronta?

Porque, pra elas, aquele modelo específico É a vantagem competitiva central do negócio (decisão de crédito), não um processo de apoio. Modelo próprio faz sentido quando o caso de uso é o coração do produto e a empresa tem escala e dado suficientes pra justificar o investimento — pra tudo que é processo de apoio (atendimento, conteúdo interno, relatório), ferramenta pronta resolve melhor e mais rápido.

Como medir se um projeto de IA está funcionando de verdade, como esses cases?

Todos os cases citados aqui usam métrica de negócio, não métrica técnica: conversão de venda, lucro, economia em reais, redução de tempo de processo. Detalho a lógica completa de ROI de projeto de IA em quanto custa implementar IA numa empresa? Investimento e ROI na prática.

Esses resultados vêm de agentes de IA ou de “IA tradicional” (machine learning)?

Os dois aparecem misturados nos cases reais — e é assim que costuma ser na prática. O Nubank usa um modelo de fundação (mais próximo de machine learning aplicado), o Magalu usa agentes de IA conversacionais no WhatsApp, e o Itaú relata crescimento nos dois: iniciativas de IA generativa E de machine learning tradicional. Expliquei a diferença entre os dois conceitos em agentes de IA para empresas: o que são e como começar a usar.

Cases reais de IA em empresas brasileiras: exemplos práticos em 2026