IA aplicada não funciona

O mundo gastou uma fortuna em IA. Para a maioria das empresas, nada mudou. Conversei com mais de 300 CEOs, CIOs e CFOs das maiores empresas do planeta. Aprendi que a maioria das empresas aplica IA em seus processos defeituosos, e o resultado final é apenas acelerar a produção de lixo. Seja comprando milhares de licenças do Claude Code, comprometendo US$ 50 milhões em gastos anuais com tokens ou realizando treinamentos de IA pelo Zoom, vi em primeira mão como a adoção de IA tem sido ineficiente. Não precisa ser assim.

Já percorremos esse caminho antes, diversas vezes, e devemos aprender com a história quando se trata de adoção de IA. Minha esperança é que, ao final deste artigo, líderes de IA ao redor do mundo abandonem sua metodologia arcaica e ingênua de aplicação de IA e, em vez disso, sigam o processo testado e comprovado ilustrado abaixo.

Parte 1: A História e seus Paralelos

Em 1990, um ex-professor de ciência da computação do MIT chamado Michael Hammer escreveu um artigo para a Harvard Business Review. Ele já havia passado anos dentro de empresas que gastavam enormes quantias em computadores, mas obtinham retorno sobre investimento (ROI) muito baixo, e foi um dos primeiros a descobrir o porquê.

"Investimentos pesados em tecnologia da informação têm produzido resultados decepcionantes, em grande parte porque as empresas tendem a usar a tecnologia para mecanizar velhas formas de fazer negócios. Elas mantêm os processos existentes intactos e usam computadores apenas para acelerá-los."

Essa é uma citação real. É brincadeira? Se você trocasse 'tecnologia da informação' por 'IA', poderia publicar isso amanhã e estar na capa do Business Insider. No mesmo artigo, ele escreveu que é hora de parar de pavimentar os caminhos das vacas. Já se passaram 36 anos, e adivinhe o que ainda estamos fazendo?

Nota: Pavimentar os caminhos das vacas significa automatizar, formalizar ou engessar um processo ineficiente existente em vez de redesenhar para como as coisas deveriam funcionar. Poupei sua ida ao Claude, de nada.

Enquanto isso, mais de US$ 1 trilhão foi gasto em capex, construindo IA (só Alphabet, Amazon, Meta e Microsoft gastaram US$ 410 bilhões em 2025; de tirar o fôlego, eu sei), mas apenas US$ 37 bilhões foram gastos por empresas realmente usando-a. O que isso significa na prática: O Departamento de Negócios e Comércio do Reino Unido realizou um teste do Microsoft 365 Copilot e publicou os resultados. 1.000 licenças foram distribuídas ao longo de 3 meses, e houve uma média de apenas 1,14 ações do Copilot por usuário por dia. Os slides do PowerPoint saíram 7 minutos mais rápido (de 18 minutos para 11), mas com metade da pontuação de qualidade. A análise do Excel foi, na verdade, concluída mais lentamente (e também com pior qualidade). A economia de tempo em e-mails foi, e cito, "extremamente pequena". A conclusão deles, textualmente: "Não encontramos evidências robustas que sugiram que a economia de tempo esteja levando a uma melhoria na produtividade." E ainda assim, 72% dos usuários disseram estar satisfeitos ou muito satisfeitos.

Resumindo: as pessoas gostaram, mas estavam produzindo exatamente o que produziam antes. Ethan Mollick (Professor Associado da Wharton e Pesquisador de IA) resumiu bem: "O uso de IA que melhora o desempenho individual não se traduz naturalmente na melhoria do desempenho organizacional." Este artigo explicará por que isso acontece e oferecerá soluções que vimos funcionar na prática.

Para contextualizar, sou Vas, CEO da @varickagents. Trabalhamos com empresas extremamente grandes (entre US$ 500 milhões e US$ 100 bilhões em receita, de 1 mil a 100 mil funcionários), ajudando-as a adotar IA, desde estratégia geral, passando por reengenharia de processos, até a construção, implantação e gerenciamento de seus agentes. Este artigo é baseado em aprendizados que obtivemos: o que separa os pilotos de IA que falham (sem ROI mensurável) daqueles que são bem-sucedidos (80%+ do trabalho é tratado inteiramente por um agente, economizando tempo e dinheiro).

A razão pela qual isso continua acontecendo não é pura estupidez. Parte é isso, claro, mas a maior parte é inércia e design. Quem assina um contrato de IA hoje pode ser dono das ferramentas e da seleção de fornecedores, mas certamente não é dono do processo. Ninguém nessa cadeia tem poder para entrar no financeiro, por exemplo, e dizer que o processo de 14 etapas deveria ter apenas 5 etapas. Então ninguém faz isso. Em vez disso, você 'aplica IA' no que já tem e acaba com merda mais rápida.

IA não deveria ser 'aplicada'. Isso não funciona. Você 'aplica' uma demão de tinta. Muitas pessoas estão pensando na IA como uma nova demão de tinta, e a tinta não conserta o que está por baixo. Ninguém nunca disse 'nuvem aplicada' ou 'digital aplicado'. Não, em vez disso, disseram Transformação Digital, Modernização da Nuvem, porque todos entendiam que eram transformações e que a tecnologia era apenas uma parte delas. A IA assume a mesma forma.

De volta ao Hammer: o melhor número dele é de uma seguradora que ele estudou. Uma solicitação levava 22 dias para tramitar na empresa. Desses 22 dias, o tempo total que alguém passou trabalhando nela foi de 17 minutos. Suponha que, hoje, seu cara de IA coloque o melhor modelo do mundo nesse processo e torne cada etapa individual duas vezes mais rápida. Ele economizou 8 minutos e meio. Ele considera isso uma economia de tempo de 50%, ganha sua promoção e bônus, e vai embora feliz. São 8 minutos.

A economia não estava em trabalhar na solicitação. Estava nas filas e transferências, nos períodos de espera por outras equipes e na segunda rodada de revisões. Gastar sua energia acelerando os 17 minutos é pior do que não fazer nada; você acabou de gastar seu orçamento e provou ao seu conselho que 'IA não funciona'. Você pode pensar que isso é uma relíquia dos anos 90, mas não é. Trabalhamos com uma empresa que passou exatamente por esse problema, a partir de seus próprios logs de sistema. Abrir um novo caso de cliente levava 25 minutos de trabalho real. O tempo decorrido, desde a entrada do caso até sua ativação, variava de 2 dias a 2 semanas. O trabalho pode ser de minutos enquanto o processo ainda pode ser de semanas.

Quando digo que a maioria dos programas de IA está acelerando a merda, quero dizer literalmente isso. O processo é uma merda. A IA está tornando-o mais rápido. Ao que já ouvi: "bem, somos uma empresa enorme, então claramente estamos fazendo algo certo e não precisamos mudar." Adapte-se ou morra está vivo e forte hoje, mais do que nunca, e este é o único aspecto em que a IA difere do digital e da nuvem. Usada corretamente, a IA dá a um concorrente uma vantagem sobre você que aqueles nunca deram. Seja para te prejudicar no custo, escalar infinitamente sem aumentar o quadro de funcionários ou alcançar o mundo inteiro antes que você possa montar uma lista de leads, eles vão te esmagar. No melhor dos casos, você continua crescendo e agora seu quadro de funcionários escala exponencialmente. 3 analistas se tornam 6, mas os 6 agora precisam de um gerente e, como são 2 equipes, eles precisam de uma transferência que não existia antes, e agora essa transferência precisa de uma reunião de status e um gerente de projetos, etc., etc. É por isso que os gráficos de headcount sobem, enquanto a receita por funcionário não. Adapte-se ou morra, mas não finja que a IA não está acontecendo. Seus concorrentes não vão parar por nada para descobrir isso.

Parte 2: O que Fazer Hoje

Seus dados são uma bagunça e seus sistemas não conversam entre si, então talvez seu primeiro instinto seja consertar isso antes de tocar em qualquer outra coisa. Você só precisa de um ERP, um CRM, uma plataforma de dados e, então, a IA por cima. Isso parece ótimo na teoria, mas os especialistas em TI entendem que nunca é tão simples. Dê uma olhada no que isso realmente custa, tanto em dinheiro quanto em tempo.

O TSB gastou £ 318 milhões em uma migração bancária central, absorveu cerca de £ 200 milhões a mais em custos de incidentes, foi multado em £ 48,65 milhões pela FCA e PRA em dezembro de 2022 e interrompeu os serviços bancários para 5,2 milhões de clientes. A Zimmer Biomet, uma fabricante de US$ 8 bilhões, entrou com uma ação de US$ 172 milhões contra a Deloitte em setembro de 2025, após uma 'migração e consolidação' malfeita que a deixou incapaz de realizar funções básicas, como enviar seus produtos, faturar seus clientes ou produzir relatórios de vendas funcionais. E esses são apenas os dois exemplos que saíram no noticiário; incidentes como esses são muito mais comuns do que você imagina.

O que você deve focar em resolver é o processo. Digamos que você comprou 9 empresas nos últimos 20 anos, o que significa que agora você tem o mesmo processo executado de 9 maneiras diferentes em suas 9 subsidiárias. Se você quiser 'aplicar' IA em toda a sua empresa, terá que construir o mesmo agente de 9 maneiras diferentes e, em seguida, ser forçado a manter todos os 9 conjuntos de agentes, perpetuamente. Para evitar esse purgatório, você precisa primeiro definir o processo único que é executado globalmente, que você implementa em toda a sua entidade, antes mesmo de pensar em aplicar IA sobre ele.

Por outro lado, você NÃO precisa de um ERP único. Integrações determinísticas costumavam quebrar no momento em que 2 sistemas discordavam sobre o que era um registro de fornecedor. No entanto, os agentes toleram essa inconsistência, então uma camada de orquestração que fica sobre os sistemas que você já tem É a solução para sistemas díspares. Seus sistemas não precisam apenas conversar entre si, eles precisam estar felizes no casamento, tolerando as falhas um do outro.

Comece a mapear

Para redesenhar seu negócio, você precisa primeiro entendê-lo. Você não chega a esse nível de compreensão escolhendo um único fluxo de trabalho, onde gasta 8 semanas aperfeiçoando algo que acaba sendo bloqueado por um processo irmão upstream, e termina com ROI líquido zero.

Ao mesmo tempo, no entanto, você não pode simplesmente ingerir todo o negócio de uma vez; você simplesmente precisa começar por algum lugar. Comece no nível do departamento. Não será perfeito - o financeiro toca o comercial toda vez que o reconhecimento de receita depende de como algo foi vendido. O RH toca o TI e as Operações em cada nova contratação. Mas pelo menos assim, você identifica 'pacotes' de fluxos de trabalho que alimentam o mesmo departamento (por exemplo, Financeiro contém Contas a Pagar, Contas a Receber, FP&A, Faturamento, Bancário, Reconciliações, etc.), e você pode começar a mapear os seguintes 7 detalhes:

1. O 'caminho feliz': pelo que esse fluxo de trabalho é responsável e o que acontece no cenário mais ideal. Para a maioria das empresas, isso é praticamente a única coisa que está verdadeiramente documentada nos mínimos detalhes.
2. As exceções. É aqui que você passa a maior parte do tempo. Não descreva apenas o que acontece, vá e calcule qual parcela do volume sai do caminho feliz, para onde vai, quem é envolvido, qual é o tempo de ciclo para essas exceções serem tratadas e qual é o custo de um erro aqui.
3. O que está upstream e downstream deste fluxo de trabalho? Como esse processo interage com esses, quando as coisas estão atrasadas ou dão errado em cada um?
4. Quais são todos os sistemas de registro envolvidos e qual deles vence quando 2 discordam?
5. Como isso difere por região, por entidade, por subsidiária, por qual aquisição veio?
6. Qual é o tempo de toque versus o tempo decorrido, e como a lacuna varia em cada etapa?
7. Qual é a capacidade de IA de cada pessoa na função e qual grau de propriedade elas devem ter sobre um sistema de IA de estado futuro? (Calcular isso é subjetivo e varia muito).

Existem dois procedimentos necessários para extrair as informações acima:

• Mineração de processos nos sistemas de registro para extrair ações, carimbos de data/hora, throughput, edições e a realidade que não corresponde à documentação.
• Entrevistas, porque o acima fornecerá dados, mas conversas com operadores dirão exatamente onde está a dor. A realidade da sua organização vive na cabeça de 10 a 20 pessoas que fazem esse trabalho exato para sua empresa exata há anos e, no final das contas, sua IA precisa ser adotada por essas pessoas para funcionar de forma eficaz.

Fazer apenas uma dessas etapas deixa você com um quadro incompleto e é a maior razão pela qual a descoberta de IA falha. Já vi empresas de IA Aplicada tentarem atalhos com 'Entrevistas de IA' ou enviando engenheiros para fazer as entrevistas. Isso não funciona. Metade do trabalho é desenvolver um forte relacionamento com os operadores e saber quais perguntas fazer a eles, para que você saia com uma boa compreensão do que construir e como implantar.

Agentes que funcionam não são apenas chamadas de LLM

O redesign de processos é um exercício de classificação que requer experiência em software e IA. Cada etapa se enquadra em um de 3 baldes:

Determinístico. Se X então Y, sem julgamento envolvido. Por exemplo, se a fatura estiver abaixo de um determinado limite de valor e corresponder ao PO e ao recebimento de mercadorias, então você a paga. Se a divulgação nomear um concorrente, encaminhe-a para a equipe de conflitos. Essas ações são melhores como software puro e simples. Você não precisa de uma chamada de LLM sofisticada se puder fazer isso com código normal, que é barato, auditável, determinístico (nunca alucina) e rápido.

Agentivo. Se você tem milhares de exemplos passados de humanos tomando uma decisão com o resultado registrado, e esta etapa é de risco baixo o suficiente (por exemplo, aprovações de deal desk ou codificação GL), você deve absolutamente usar um LLM para julgamento. Especialmente se a saída for sim/não, um encaminhe-para-esta-equipe, um sinalize/não sinalize ou um corresponde/não corresponde, envie isso com um agente e meça cada saída. Por outro lado, se a saída necessária for 5 páginas de um documento que um humano tem que ler na íntegra para verificar de qualquer maneira, então é melhor hibridizar a abordagem. Aqui, você precisa julgar a dificuldade da ação, não a dificuldade do pensamento.

Humano no Loop. Para etapas que são muito arriscadas ou não têm contexto histórico suficiente, é melhor manter o humano no loop, porque o custo de um agente errar uma ação é muito alto. Em vez disso, coloque todas as evidências relevantes na frente desse humano no momento em que ele decide. Por exemplo, um agente detectará uma incompatibilidade entre uma fatura e um pedido de compra e, em seguida, apresentará ao humano 3 opções: aprovar mesmo assim, rejeitar simplesmente ou fornecer feedback e encaminhar para outra pessoa. O agente acabou de economizar 40 minutos do seu humano caçando e-mails, registros de faturas e muito mais, para que, em vez disso, ele possa tomar uma decisão em 30 segundos. Mas a ação final ainda é bloqueada por esse humano.

Depois de classificar cada etapa em um dos 3 baldes acima, você pode transformar algo como um processo de 25 etapas em um cluster de 3 agentes, com etapas determinísticas antes e depois, e finalmente 2 pontos de ação humana no loop para desbloquear. Este trabalho de reengenharia de processos, em conjunto com os próprios agentes, é onde todo o ROI reside.

Depois disso, você estabelece os KPIs de base antes de construir qualquer coisa. Seu objetivo é calcular os números por trás do processo que você está resolvendo, incluindo onde e como esses números são medidos hoje. Se você não puder fazer isso, este projeto está destinado ao fracasso. Você precisa ser capaz de olhar para trás daqui a 12 meses e dizer: costumávamos estar em X, e agora estamos em 3X, ou 10X, ou 100X, graças aos agentes que construímos. Só então você pode dizer que este projeto foi verdadeiramente um sucesso.

Finalmente, você prioriza e sequencia sua construção. Primeiro, ataque o fluxo de trabalho com mais transferências, pois este é provavelmente o fruto mais baixo onde você pode ver os resultados mais claros. A distinção chave é que este não é necessariamente o mesmo fluxo de trabalho com o maior volume.

Como isso se parece na prática?

Reengenheiramos um negócio global que reconciliava mais de 300 contas bancárias todos os meses. 2/3 delas eram tratadas por uma equipe offshore, e o restante dividido entre outras 2 regiões em 3 formatos diferentes, mas inteiramente em Excel. Havia mais de 12.000 itens de reconciliação em aberto, e 4 dias no início de cada mês eram gastos obtendo extratos. O processo de reconciliação deles levava quase o mês inteiro, todos os meses.

O fluxo de trabalho deles antes de reengenheirarmos era o seguinte (e antes de você tirar sarro deles, reconheça que você definitivamente tem processos como este, se não piores, em sua própria empresa):

1. Correr atrás e coletar extratos de cada banco, no formato que eles fornecerem
2. Normalizá-los na pasta de trabalho regional
3. Extrair o razão contábil
4. Conciliar linha por linha
5. Sinalizar o que não corresponde
6. Enviar e-mail para um controlador local para obter contexto sobre os itens sinalizados
7. Aguardar a resposta deles
8. Cobrar a resposta se não for respondida
9. Finalmente obter a resposta e, em seguida, lançar o ajuste
10. Consolidar a região no arquivo consolidado
11. Fazer todo o processo de etapas 1 a 10 novamente para cada uma das outras 2 regiões, cada uma em seu próprio formato.
12. Fechar.

Se você tornar cada uma dessas etapas mais rápida, a conciliação fica mais rápida. O problema é que a conciliação nunca foi o problema. Os 4 dias de espera por extratos, e o e-mail para o controlador em outro fuso horário, e a resposta ainda levando 3 dias, são. Ao tornar a conciliação mais rápida, você economizaria horas de um processo que é medido em semanas.

Em vez disso, redesenhamos o processo deles para 3 etapas.

1. Os extratos chegam em um feed, estilo esteira rolante, em vez de serem perseguidos. Isso não tem absolutamente nada a ver com IA.
2. Tudo o que pode ser conciliado com base em regras será conciliado automaticamente e, se não, um agente montará o caso de ponta a ponta: com o item em si, categorizações históricas, evidências coletadas de vários sistemas de registro e uma próxima etapa proposta.
3. Finalmente, um humano trabalha em sua fila de exceções, com as evidências preparadas para sua revisão, em vez de ter que vasculhar manualmente dados espalhados por ERPs e planilhas.

Correr atrás, enviar e-mails, esperar, redigitar e consolidações regionais foram eliminados inteiramente. Esta é a diferença entre um sistema de agente que economiza minutos e horas e um sistema de agente que economiza semanas.

Parte 3: Por que isso não é mais comum?

Você foi enganado

O discurso de IA que você recebeu foi enganoso desde o início. A IA adotada como uma solução pontual não é algo de onde você obtém valor. Você não pode fazer isso apenas com TI, e você não pode fazer isso a partir de uma 'função de inovação' com um orçamento de US$ 1 milhão e 0 autoridade. Redesenhar um processo que abrange 4 departamentos requer alguém que possa dizer a todos os 4 departamentos que o processo está mudando. Há apenas um punhado de pessoas em uma empresa que podem realmente fazer isso; tem que vir de cima.

Mas outro grau de complexidade: as pessoas que realmente fazem o trabalho hoje, por exemplo, o chefe de contas a pagar, e os operadores e analistas de finanças, também precisam ser incluídos. Eles têm que querer o novo sistema de IA, porque eles têm que adotá-lo e impulsioná-lo amanhã. Eles têm que querer divulgar informações que acham que podem potencialmente substituí-los, mesmo que esse não seja o caso na maioria das vezes.

E o mais importante, adotar IA é visto como arriscado. O status quo é 'seguro' para a maioria das pessoas, que não recebem promoção se a IA funcionar, mas são demitidas se não funcionar, mesmo que manter o status quo signifique deixar a empresa morrer lentamente ao longo do tempo.

Reengenharia é bastante difícil

A própria estimativa de Hammer e Champy em 1993 foi que até 50% a 70% das organizações que tentaram a reengenharia de processos não alcançaram os resultados pretendidos. (Claramente, não mudou muito desde os anos 90). O próprio Hammer disse mais tarde que havia sido "insuficientemente apreciativo da dimensão humana". O que ele quis dizer foi que 'remover uma transferência', naquela época, significava demitir a pessoa responsável por essa transferência (esse era o trabalho inteiro dela) e, em seguida, pedir a todos os outros que mudassem seu trabalho, enquanto o 'software' da época não suportava tal mudança. O que significa que, depois que os consultores iam e vinham, a estrutura organizacional e o processo rapidamente voltavam ao seu estado original: um repleto de ineficiências e erros.

Hoje, no entanto, duas coisas são fundamentalmente diferentes. Primeiro, as ferramentas nativas de IA oferecem um estado de software fluidamente sem precedentes: um que pode se adaptar às mudanças ao seu redor. Um agente sentado em seu sistema de registro pode executar transferências que costumavam depender de pessoas, lidando simultaneamente com discrepâncias ao seu redor a partir de software determinístico, e também é imune à variação comum em humanos. Segundo, o trabalho que você está eliminando primeiro é quase inteiramente coordenação, ou seja: correr atrás, esperar, escalar, triar, etc. Após essas melhorias de processo e uma verdadeira transformação de IA, tudo o que resta é trabalho de alto julgamento e alta alavancagem, que suas melhores pessoas deveriam estar fazendo o tempo todo de qualquer maneira.

Um admirável mundo novo

As consultorias tradicionais são decentes no trabalho de processo, concedo isso a elas. De fato, se você quer uma ilustração elaborada de um processo de 15 etapas que abrange 10 países e 3 entidades, sua típica firma de consultoria produzirá o slide mais bonito que você já viu, por US$ 300.000. O que essa firma de consultoria não pode fazer é a segunda metade, mais importante, que é saber o que pode e o que não pode ser confiado a um modelo, quanto custa um agente que é executado 40.000 vezes em um mês, qual modelo (Fable 5.1 vs Gemini 3.8 Flash) usar para qual estilo de tarefa (Codificação GL vs Roteamento de Deal Desk), como projetar um conjunto de avaliação de forma otimizada para um processo específico e em qual dos 3 baldes acima (Determinístico, Agentivo, HITL) uma determinada etapa de um processo realmente pertence. E, portanto, se você seguir esse caminho, seu redesign é criado por consultores que estão adivinhando, em oposição a estrategistas experientes nativos de IA e FDEs, e 6 meses depois você se pergunta por que seu piloto caiu.

Os laboratórios e empresas de IA, por outro lado, têm o problema oposto. Eles podem construir um agente (na maioria das vezes, pelo menos), mas nunca se sentaram com finanças e operações para detalhar um fluxo de trabalho onde ambos os departamentos discordam sobre a propriedade e quem é upstream de quem, então, em vez disso, eles vão colocar IA em um processo quebrado e chamá-lo de automatizado, em vez de destruir e redesenhar esse processo como deveria ter sido feito meses atrás. Além disso, os maiores laboratórios de 'IA aplicada', como OpenAI (DeployCo) e Anthropic (Ode), forçarão você a se casar com seus modelos para sempre. Apostar toda a pilha de inteligência da sua empresa em um único fornecedor é suicídio. Amanhã, à medida que eles limitam a taxa, quantizam, aumentam os preços e aposentam o modelo que você está usando, você fica com a bagunça e a conta. Você pode pensar que é tão simples quanto trocar um endpoint de Claude para GLM ou Gemini ou DeepSeek, mas não é. Reexecutar avaliações e redeterminar qual nível de pensamento usar por chamada de modelo é um processo meticuloso, e os laboratórios não o ajudarão a fazer isso.

O que você precisa, em vez disso, é o melhor dos dois mundos combinado: pessoas que realmente administraram uma função de finanças, operações, vendas ou RH, combinadas com o talento de engenharia para enviar software de nível de produção para ERPs como Microsoft Dynamics ou CRMs como Salesforce, combinadas com engenheiros de IA que podem construir arreios de empresa agnósticos a modelo com governança de nível empresarial e conjuntos de avaliação integrados. Alguns se referem a essas pessoas como 'Engenheiros de Implantação Avançada (FDEs)', mas a verdade é que a maioria dos FDEs hoje são engenheiros medíocres e consultores medíocres, com absolutamente nenhuma habilidade em IA, e você acaba com basicamente nada sendo bem feito.

Como isso se parece quando você faz certo?

Existem 4 alavancas que importam quando você está transformando uma empresa com IA: custo (idealmente reduzido), receita (idealmente aumentada), tempo (idealmente mais rápido) e risco (idealmente menor). Em nossas implantações, cerca de metade delas em empresas de capital aberto, aqui estão exemplos do que realmente mudou, alavanca por alavanca:

• Tempo. Reduzimos o processo de fechamento mensal de 18-22 dias para 7-9 dias. As interrupções na cadeia de suprimentos agora são triadas em menos de 6 horas, em vez de vários dias.
• Receita. Os negócios costumavam ficar parados por uma média de 23 dias; agora a média é de 6 dias, e o tempo administrativo dos representantes caiu de 38% da semana para 14%. Esse tempo foi direcionado de volta para as vendas.
• Custo. O tratamento de exceções de contas a pagar foi de 600-800 faturas por mês para menos de 50. Em uma organização de marketing, 8-12% do orçamento de mídia foi recuperado de erros de ritmo que antes só apareciam no final do mês, economizando milhões por trimestre.
• Risco. As correções na folha de pagamento caíram 90%, porque a reconciliação entre sistemas agora era executada antes da folha de pagamento, em vez de depois. 80% das consultas de suporte dos funcionários foram respondidas a partir dos próprios documentos de políticas da empresa, enquanto os casos excepcionais ainda eram encaminhados para um humano no RH.

No total, o valor gerado nesse conjunto de implantações foi superior a US$ 100 milhões. A melhor parte é que esse número foi cocriado com nossos clientes; não somos apenas nós dizendo isso, foi medido.

Como é uma empresa de Transformação de IA de verdade?

Tudo o que foi descrito acima é como fazemos as coisas na Varick, e é a única abordagem que funcionou para as empresas para as quais implementamos IA. São empresas incrivelmente grandes, com milhares de pessoas, dezenas de sistemas de registro e complexidades infinitas, mas o manual é o mesmo e funciona sempre.

Nosso grupo de Estrategistas e Engenheiros chega no nível do departamento para primeiro mapear como o trabalho realmente acontece, não apenas aceitar como está documentado, por meio de uma combinação de mineração de processos e entrevistas, cálculo do tempo decorrido versus tempo de contato, mapeamento das exceções, efeitos upstream e downstream, e entendimento de quem é responsável pelo quê. Em vez de meses, concluímos esse processo em apenas algumas semanas, momento em que você recebe seu processo reprojetado, o valor a ser capturado, KPIs personalizados de linha de base e a ordem de prioridade na qual os agentes serão construídos. Em seguida, começamos a construir os agentes, que vêm equipados com governança de nível empresarial, auditabilidade, suítes de avaliação e monitoramento prontos para uso.

Trabalhamos com empresas que faturam mais de US$ 500 milhões em receita, enfrentando seus fluxos de trabalho mais difíceis, em produto, finanças, vendas, compras, operações, RH e muito mais. Se você quiser ver como isso se aplica a um de seus próprios processos, agende uma chamada em nosso site e venha preparado para falar sobre seus fluxos de trabalho menos favoritos e o que os torna tão complexos. E se você achou este conteúdo útil, inscreva-se em nossa newsletter, onde publicamos artigos semanais sobre as últimas novidades em IA 'Aplicada' e tudo o que aprendemos fazendo.

TLDR

• A maior parte dos gastos com IA nas empresas hoje está sendo aplicada sobre os mesmos processos que já existiam, o que significa que tudo o que você está realmente fazendo é fazer um processo ruim funcionar mais rápido. Michael Hammer disse isso sobre TI em 1990, e o governo do Reino Unido basicamente provou isso novamente em 2025 com 1.000 licenças do Copilot: 1,14 ações por usuário por dia, nenhum ganho de produtividade que pudessem encontrar, e 72% dos usuários estavam satisfeitos de qualquer maneira.
• O tempo nunca esteve no trabalho em si, estava nas filas e nas transferências. O pedido de seguro de Hammer ficou parado por 22 dias no processo, com 17 minutos de trabalho real. Mesmo que você torne o trabalho duas vezes mais rápido, economizou 8 minutos.
• Consolidar seus sistemas primeiro (um ERP, um CRM, uma plataforma de dados) é uma maneira bem documentada de perder 2 anos e 9 dígitos antes de ver um único dólar de valor. O que você realmente precisa é de uma definição do processo e um proprietário, porque os agentes podem tolerar sistemas que discordam entre si, e as integrações determinísticas nunca conseguiram.
• Comece no nível do departamento, extraia os sistemas de registro e entreviste os operadores, e então classifique cada etapa em um dos 3 baldes: software determinístico, um agente ou um humano no circuito com as evidências preparadas para ele. Feito corretamente, um processo de 25 etapas se torna 3 agentes com 2 pontos de verificação humanos.
• Quando fizemos dessa forma, o fechamento mensal foi de 18-22 dias para 7-9, as exceções de contas a pagar foram de 600-800 por mês para menos de 50, as correções na folha de pagamento caíram 90%, e o total em nossas implantações chegou a mais de US$ 100 milhões, medido em conjunto com os clientes.
• Nada disso funciona a menos que venha de cima, os operadores realmente queiram, e quem você contratar tenha pessoas de processo, engenheiros de software e engenheiros de IA na mesma sala, e quase ninguém tem os três.