Empresas brasileiras enfrentam desafios na implementação de Inteligência Artificial
As empresas brasileiras têm avançado rapidamente na adoção da Inteligência Artificial (IA), mas enfrentam desafios significativos na implementação dessas tecnologias em suas operações industriais. De acordo com a PINTEC Semestral do IBGE, divulgada em setembro de 2025, a parcela de indústrias com 100 ou mais pessoas que usam IA passou de 16, 9% em 2022 para 41, 9% em 2024.
Desafios na implementação da IA
Entre as indústrias que adotaram IA, 87, 9% a aplicam em atividades administrativas e 75, 2% na área comercial. Na produção, o percentual é de 52%, e caiu 4, 4 pontos em relação a 2022. E 45, 1% das empresas que adotaram tecnologias digitais avançadas relatam dificuldade para integrar as áreas do negócio.
Por que a IA não chega às outras áreas?
Um caso relatado na Supply Chain Management Review, publicação americana especializada em cadeia de suprimentos, aponta três motivos para a dificuldade de implementação da IA em outras áreas da empresa. Nenhum deles é a qualidade do modelo. O dado do piloto foi preparado à mão, e o modelo encontra outros sistemas, códigos de produto que não conversam entre si e hierarquias montadas de formas diferentes em cada planta.
Resistência às mudanças
As equipes de operação são avaliadas por indicadores que premiam reagir bem a um problema, mas um modelo preditivo pede o contrário: agir antes, com base numa previsão, para que o problema não aconteça. Se o indicador não reconhece a prevenção, o comportamento não muda.
Acurácia não é resultado
Acurácia é um meio, e uma previsão melhor só tem valor quando muda uma decisão: quanto produzir na próxima semana, em qual centro de distribuição posicionar o estoque, quanto comprar de matéria-prima. Se nenhuma dessas decisões muda, a empresa pagou por uma previsão mais precisa e continua decidindo como antes.
Desafios de implementação
Um modelo pode ganhar 10 pontos de acurácia na média e não mudar nada nos poucos produtos em que o erro realmente pesa. Quem só olha a média não percebe. Além disso, o erro de previsão não custa o mesmo em todos os produtos. Errar para mais num item caro e de baixo giro deixa capital parado por meses.
Mudar a régua do piloto
A saída não é desistir dos pilotos, nem trocar o modelo por outro mais sofisticado. É mudar o que o piloto precisa provar. Hoje, a maioria dos pilotos responde à pergunta “o modelo acerta?”. Em boa parte dos casos, essa pergunta já tem resposta: acerta, e às vezes acerta muito. A pergunta que decide se a iniciativa vai escalar é outra: alguém decidiu diferente por causa do modelo, e o resultado melhorou?
Definições necessárias
Para responder a essa pergunta, três definições precisam vir antes da primeira linha de código, e não depois da apresentação final. Qual decisão o modelo vai alterar. Quem tem autoridade para tomá-la com base nele, e o que acontece quando essa pessoa discorda. E qual indicador vai registrar o ganho, de modo que a equipe seja reconhecida por agir antes, e não apenas por reagir bem.
Assim, as empresas brasileiras podem superar os desafios na implementação da IA e aproveitar as vantagens dessas tecnologias em suas operações industriais.
