Projetos de inteligência artificial aplicados a operações empresariais já registram redução de até 95% no tempo dedicado a etapas de revisão e curadoria e 99,7% de precisão em diagnósticos empresariais. Os resultados aparecem em implementações realizadas em diferentes setores pela NearX e ajudam a dimensionar uma mudança na adoção corporativa da tecnologia: a IA começa a deixar a função de apenas responder perguntas ou produzir conteúdo para executar etapas de processos diretamente nos sistemas das empresas.
Os casos incluem aplicações nos setores de serviços financeiros, educação, dispositivos médicos, telecomunicações, varejo e hotelaria, com agentes conectados a ERPs, CRMs, APIs e bases internas. Em vez de apenas orientar um funcionário ou cliente sobre determinada tarefa, esses sistemas passam a consultar informações, acionar ferramentas e executar etapas da operação.
Em uma operação de cartões e benefícios corporativos, por exemplo, atividades como consulta de saldo, bloqueio, contestação e segunda via exigiam que um analista navegasse entre quatro sistemas diferentes. A integração por meio de IA passou a concentrar essas etapas em uma única camada.
No setor de educação digital, duas plataformas de chatbot utilizadas paralelamente foram substituídas por uma estrutura capaz não apenas de conversar com o usuário, mas também de executar transações nos sistemas internos. Em dispositivos médicos, a tecnologia foi integrada ao ERP para automatizar pedidos, reconciliações e documentos.
Para Caio Mattos, fundador e CEO da NearX, os resultados mostram uma mudança no tipo de problema que as empresas começam a tentar resolver com inteligência artificial.
“Nos últimos anos, grande parte das empresas experimentou IA como uma ferramenta que responde perguntas ou ajuda alguém a produzir alguma coisa. O próximo passo é mais profundo: a IA começa a participar da operação, consultando sistemas, executando etapas e registrando o que aconteceu.”
Do chatbot para a execução
A diferença entre as duas aplicações está no nível de atuação da tecnologia. Um assistente generativo pode explicar a um cliente como solicitar uma segunda via de cartão. Um agente integrado à infraestrutura corporativa pode identificar o usuário, consultar os sistemas necessários, iniciar o protocolo e registrar a solicitação.
Essa mudança também permite que empresas avancem na automação sem necessariamente substituir ERPs, CRMs e outras estruturas tecnológicas já existentes.
Em telecomunicações, por exemplo, uma camada de IA conectada às APIs passou a permitir consultas a dados operacionais em linguagem natural, reduzindo a dependência do time técnico para acessar determinadas informações.
“Existe uma diferença enorme entre uma IA saber a resposta e conseguir resolver o problema. Se alguém ainda precisa abrir vários sistemas e executar manualmente o processo, você melhorou a interface, mas não necessariamente transformou a operação”, explica Mattos.
Mais autonomia exige mais controle
À medida que a IA deixa de apenas recomendar uma ação e passa a executá-la, surge outra discussão: quanto de um processo pode ser delegado à tecnologia? A resposta varia de acordo com o impacto e o risco da atividade. Em uma rede de supermercados, a IA passou a interpretar encartes e extrair automaticamente produtos, preços e validade, mas a publicação das informações permanece condicionada à conferência humana.
Já em uma administradora hoteleira, a implementação incluiu controles de acesso, registros das interações e acompanhamento do uso da tecnologia por diferentes áreas. “Nem todo processo deve ter o mesmo nível de autonomia. Quanto maior o impacto de uma decisão, maior precisa ser o controle e, em determinados casos, a participação humana”, afirma Mattos.
A conexão dos agentes a sistemas internos também amplia a discussão sobre segurança, governança e controle dos dados corporativos. Se a IA precisa consultar documentos, históricos, informações financeiras ou bases internas para executar uma tarefa, empresas passam a precisar definir não apenas qual modelo utilizar, mas quais informações ele pode acessar, quais ações está autorizado a executar e como essas interações serão registradas.
Uma das arquiteturas utilizadas é manter bases, históricos e regras sensíveis no ambiente controlado pela própria companhia e acionar diferentes modelos de IA conforme a necessidade de cada tarefa. “A discussão deixa de ser apenas qual é o melhor modelo de IA. As empresas precisam pensar em uma infraestrutura que permita utilizar diferentes tecnologias sem abrir mão do controle sobre seus dados e regras mais sensíveis”, explica Mattos.
Da experimentação para resultados mensuráveis
Os projetos também indicam uma mudança na forma de medir a adoção da tecnologia. Em vez de avaliar apenas o uso de ferramentas ou o número de funcionários que passaram a utilizar IA, as empresas começam a observar indicadores diretamente ligados à operação, como tempo economizado, precisão, quantidade de etapas automatizadas e redução de atividades manuais.
É justamente nesse ponto que resultados como 95% de redução no tempo de determinadas atividades e 99,7% de precisão ganham relevância: eles permitem tirar a discussão sobre agentes de IA do campo conceitual e medir seu impacto sobre processos reais.
“A pergunta está deixando de ser ‘como colocamos IA na empresa?’ e passando a ser ‘qual problema queremos resolver?’. Tecnologia só faz sentido quando existe impacto mensurável na operação”, conclui Mattos.