Diagnóstico de IA na empresa: as perguntas que eu faço antes

Resposta rápida

Antes de propor qualquer projeto de IA pra uma empresa, eu passo por um roteiro fixo de perguntas dividido em seis blocos: repetição do processo, onde mora o dado, se a tarefa é decisão ou execução mecânica, o que acontece se a IA errar, quem de fato vai usar a ferramenta e qual é o prazo e orçamento reais. Não é burocracia, é o que separa um projeto que sai do papel de um que vira mais uma ferramenta abandonada depois de três meses. O Gartner estima que, até 2026, 60% dos projetos de IA nas empresas serão abandonados por falta de dado pronto pra IA, e 63% das organizações não têm ou não sabem se têm a prática de gestão de dado necessária. Isso não é falha de modelo, é falha de diagnóstico feito antes do projeto começar.

Este artigo é o questionário inteiro, pergunta por pergunta, com o que cada resposta revela sobre o que dá pra implementar de verdade. O método APURA, que eu já publiquei aqui na CPDF (Comunidade Profissionais do Futuro - por Danilo Gato), cobre o processo em cinco etapas; o que falta é o instrumento, e é isso que este texto entrega.

Por que pular esse diagnóstico é a causa mais comum de projeto abandonado

A maioria dos projetos de IA que eu vejo travar não trava por causa do modelo, trava por causa de uma pergunta que ninguém fez antes de começar a construir. A empresa compra a ferramenta, contrata a consultoria, ou pede pro time técnico montar um agente, e só depois de semanas de trabalho descobre que o dado que a IA precisaria ler está espalhado em três sistemas que não conversam entre si, ou que a decisão que a IA ia automatizar na verdade dependia de um julgamento que ninguém conseguiu explicar em regra.

O número do Gartner (60% de abandono até 2026, por falta de dado pronto pra IA) bate exatamente com o que eu vejo na prática: o problema quase nunca é a capacidade do modelo, é a lacuna entre o que a empresa imagina que tem organizado e o que ela realmente tem. Um diagnóstico de meia hora antes do projeto começar custa muito menos do que descobrir isso no meio da implementação.

As perguntas, bloco por bloco, e o que cada resposta revela

Bloco 1: Repetição do processo

Quantas vezes essa tarefa se repete por semana? Menos de uma vez por semana raramente compensa o esforço de automatizar, o custo de manter supera o tempo economizado. Dezenas de vezes por semana já paga a implementação rápido.
Quem faz isso hoje, e há quanto tempo o processo funciona desse jeito? Processo que nasceu há poucas semanas ainda está mudando de formato. Automatizar cedo demais significa refazer a automação toda vez que o processo muda. Processo estável há meses é candidato melhor.
O processo é sempre igual, ou cada caso é diferente? Alta variação de caso pra caso exige um agente com mais contexto e mais capacidade de julgamento, não uma automação simples de regra fixa. Isso muda completamente o escopo e o custo do projeto.

Bloco 2: Onde mora o dado

Onde essa informação existe hoje? Sistema, planilha, papel, ou só na cabeça de alguém? Se a resposta é “na cabeça de alguém”, o projeto de IA não começa pela IA, começa por documentar o processo. Sem isso pra alimentar o modelo, não existe automação possível, só promessa.
Quem tem acesso a esse dado, e em que formato ele está? Dado espalhado em sistemas que não se conversam (a causa mais comum do número do Gartner) vira o primeiro projeto de verdade: integrar antes de automatizar. Isso custa tempo e dinheiro que a proposta original raramente prevê.
Esse dado está atualizado, ou é uma foto de um momento que já passou? Dado desatualizado alimentando IA gera decisão errada com aparência de certeza, que é pior do que não ter automação nenhuma.

Bloco 3: Decisão ou execução mecânica

Essa tarefa é seguir um passo a passo fixo, ou é julgar um caso específico? Execução mecânica (preencher campo, mover informação de um lugar pro outro, responder pergunta com resposta já conhecida) é o alvo mais seguro pra começar. Julgamento (decidir se aprova um crédito, avaliar se um caso é exceção) exige mais camada de revisão humana antes de confiar no resultado.
Se eu perguntasse pra três pessoas diferentes da equipe, elas dariam a mesma resposta pra esse caso? Se a resposta varia de pessoa pra pessoa, o processo não está claro nem pra quem já faz, então não tem como estar claro pra uma IA. Esse é sinal de que falta padronizar antes de automatizar, não de que a IA vai falhar.

Bloco 4: Risco e reversibilidade do erro

Se a IA errar aqui, alguém percebe rápido, ou o erro só aparece depois de causar dano? Erro visível na hora (a IA sugere algo e a pessoa aprova ou rejeita antes de executar) é seguro pra automatizar cedo. Erro que só aparece depois (a IA já enviou, já cobrou, já decidiu sozinha) exige mais teste antes de soltar sem supervisão. É o mesmo raciocínio que vale pra banco oferecendo Pix por comando de voz: perguntar errado se corrige, transferir errado não.
Qual é o pior caso realista se a automação falhar nesse processo específico? Descrever o pior caso em voz alta, com número ou consequência concreta, tira o medo abstrato e coloca o risco no tamanho real. Às vezes o pior caso é pequeno e a empresa está com medo à toa. Às vezes é grande, e isso muda a prioridade do projeto.

Bloco 5: Quem vai usar e quanto

Quantas pessoas usariam isso todo dia? Uso baixo (duas ou três pessoas, esporádico) raramente justifica ferramenta cara ou projeto longo, geralmente resolve com um prompt bem feito e treinamento rápido. Uso alto (dezenas de pessoas, todo dia) justifica investimento maior.
A equipe que vai usar confia em IA, ou já teve experiência ruim antes? Resistência da equipe mata projeto tecnicamente perfeito. Se já houve experiência ruim, o projeto certo começa menor, com prova rápida de valor, não com a implementação completa de uma vez.

Bloco 6: Prazo e orçamento reais

Existe uma data que força esse projeto a funcionar até lá, ou o prazo é flexível? Prazo apertado empurra pra soluções prontas de mercado. Prazo flexível abre espaço pra construir algo sob medida, que custa mais tempo mas se encaixa melhor no processo real.
Quanto essa tarefa custa hoje (tempo de gente, erro que ela gera, oportunidade perdida), pra comparar com o custo de automatizar? Sem esse número, não dá pra saber se o projeto compensa, e a decisão vira aposta em vez de conta.

Como interpretar o resultado

Nenhuma resposta sozinha decide se o projeto anda ou não. O padrão que decide é o cruzamento: processo repetitivo, dado acessível e atualizado, execução mais mecânica que decisão de julgamento, erro fácil de perceber, uso frequente e prazo que permite fazer direito, isso é sinal verde pra começar já. Quando duas ou três respostas caem no lado difícil (dado espalhado, decisão variável de pessoa pra pessoa, erro que só aparece tarde), o projeto ainda é possível, só que o primeiro passo não é a IA em si, é resolver a lacuna que apareceu no diagnóstico. Ignorar essas respostas e seguir direto pra construção é exatamente o padrão que gera os 60% de abandono que o Gartner mediu.

Perguntas frequentes

Como implementar IA na minha empresa? Por onde começo?

Comece por este diagnóstico, não pela ferramenta. Depois de mapear as respostas dos seis blocos, o artigo sobre como implementar IA na empresa com o método APURA mostra o processo completo, das cinco etapas até a manutenção contínua.

Como saber se a minha empresa está pronta pra usar IA?

Não existe um “pronta” único pra empresa inteira, existe processo por processo. Uma empresa pode estar pronta pra automatizar o atendimento e longe de estar pronta pra automatizar uma decisão de crédito, por exemplo. Aplique o questionário processo a processo, não na empresa como um todo.

O que levantar antes de contratar um projeto de IA?

As respostas dos seis blocos deste artigo, principalmente onde o dado mora e se a tarefa é execução ou julgamento. Quem vai propor ou executar o projeto precisa dessas respostas antes de estimar prazo e preço, porque são elas que definem se o projeto é simples ou exige integração de sistemas primeiro.

Vale a pena contratar consultoria pra fazer esse diagnóstico?

Depende do tamanho do processo. Pra decisão pequena e isolada, o próprio time consegue rodar este questionário sozinho. Pra decisão que envolve vários setores ou sistemas integrados, uma consultoria externa acelera porque já viu o padrão de resposta várias vezes. Se decidir contratar treinamento pra equipe aplicar isso internamente, o artigo sobre briefing de treinamento de IA lista o que pedir na proposta.

Quanto custa implementar IA depois desse diagnóstico?

O diagnóstico não define o preço sozinho, mas define se o projeto é simples (dado pronto, execução mecânica) ou complexo (dado espalhado, decisão variável). O artigo sobre quanto custa implementar IA numa empresa detalha as faixas de investimento pra cada cenário.

Nota de transparência: eu, Danilo Gato, fundei a CPDF (Comunidade Profissionais do Futuro), e este é o roteiro de perguntas que uso de verdade antes de propor qualquer projeto de IA pra uma empresa.

Diagnóstico de IA na empresa: as perguntas que eu faço antes de propor qualquer projeto