Arthur Guttilla Head of Product Marketing, Strattum Com passagens na Amazon Web Services e no Google, Guttilla trabalhou diretamente com fundadores de startups e empresas de capital de risco, compreendendo as necessidades de empresas tecnológicas em estágio inicial na interseção entre tecnologia e negócios.
Em resumo
Uma indústria de embalagens recebe todos os dias e-mails de clientes pedindo para mudar uma encomenda já confirmada: antecipar a entrega, reduzir a quantidade, trocar o endereço. Um modelo de linguagem atual redige a resposta a qualquer um desses pedidos em segundos, e a demonstração convence a diretoria na primeira reunião. Meses depois, o processo continua sendo feito à mão. O que falta entre as duas cenas é a implementação de IA: conectar as fontes, resolver o que cada dado significa, aplicar permissão, encaixar a resposta no fluxo de trabalho, definir quem decide, medir e manter. Várias dessas etapas dependem do Company Brain, a camada que conhece a empresa: quais dados existem, onde vivem, como se relacionam e quem pode ver o quê.
A cada versão, os modelos redigem melhor e seguem instruções mais longas. Essa evolução melhora a parte do sistema que transforma contexto em texto, e a demonstração mostra justamente essa parte. Ela roda sobre um e-mail escolhido, com o dado do pedido colado no prompt. Em produção, ninguém cola o dado. O sistema precisa encontrar o pedido certo e saber em que etapa da fábrica ele está.
Em 2017, um estudo do NBER sobre IA e produtividade apontou a demora de implementação como a principal explicação para o ganho que ainda não aparece: o ganho depende de investimentos complementares em processo e pessoas. A lógica vale para modelos de linguagem. O modelo é a peça menor, e a implementação de IA é todo o resto.
No caso da alteração de pedido, a implementação de IA tem sete etapas:
Quando o piloto decepciona, a reação comum é testar um modelo mais recente ou maior. A troca melhora a redação do rascunho. Ela não conecta o sistema de planejamento, não define qual data de entrega vale e não impede que o atendente veja a margem.
Um modelo mais fluente pode até piorar uma das etapas. Sem o status real da ordem de produção, ele completa a lacuna com a continuação mais provável, e a resposta errada sobre o prazo soa mais convincente.
O piloto costuma ser orçado como compra de tecnologia: licença, horas de desenvolvimento e um prazo curto. As etapas de execução da implementação de IA aparecem depois, distribuídas entre áreas que não estavam na reunião de aprovação.
A conexão com o planejamento depende da TI. A definição de pedido confirmado exige uma conversa entre comercial e fábrica que nunca aconteceu. A permissão passa pela segurança, e o novo fluxo pede treinamento. Cada etapa é pequena, e a soma delas define o prazo real.
A regra de que pedidos dentro da janela de programação não podem ser antecipados costuma existir apenas na memória do supervisor de planejamento. A demonstração nunca precisou dela.
Quatro das sete etapas se repetem em quase todo projeto: conectar fontes, resolver significado, aplicar permissão e manter. Quando cada projeto resolve essas etapas por conta própria, a segunda implementação de IA leva quase o mesmo prazo que a primeira.
O Company Brain trata essas quatro etapas como infraestrutura compartilhada. A conexão com ERP, helpdesk, planejamento e contratos é feita uma vez. O grafo de conhecimento liga o e-mail do cliente ao pedido, à ordem de produção e à carga. A ontologia do negócio registra o que pedido confirmado e data de entrega significam nesta empresa, e a camada semântica traduz a pergunta do agente para a consulta correta.
O contexto é servido ao modelo via MCP, o protocolo aberto que conecta modelos a fontes de dados, com a permissão herdada do sistema de origem. O atendente recebe pelo agente o que já vê no ERP. Cada resposta aponta o pedido e a ordem de onde veio o status, e a revisão humana confere a fonte em vez de refazer a busca.
O próximo projeto, como um briefing de conta para o comercial, parte desse contexto. Sobram as etapas específicas do novo caso: fluxo, decisor e métrica.
O Company Brain reduz o trabalho repetido entre projetos. As etapas de fluxo, decisão e medição continuam exigindo gente da operação. Alguém precisa dizer quando uma antecipação é aceitável e qual erro é tolerável. Uma implementação de IA sem essa pessoa por perto automatiza o fluxo que está no papel, que raramente é o que a fábrica pratica.
Há também pré-requisitos técnicos. As fontes precisam ser acessíveis por API ou banco de dados, os cadastros precisam de um mínimo de consistência e cada definição de termo precisa de um dono. Sem dono, a ontologia guarda uma definição que ninguém defende quando ela é questionada.
O ponto de partida é um processo recorrente, com volume que justifique o trabalho e uma pessoa responsável pelo resultado. A alteração de pedido atende aos dois critérios: chega todos os dias e tem um decisor claro no planejamento.
Antes de escolher o modelo, o trabalho útil é mapear as sete etapas para esse processo e registrar quais fontes, definições e permissões ele exige. Esse levantamento mostra o prazo real da implementação de IA e indica quais partes do contexto serão reaproveitadas no processo seguinte.