IA nas empresas brasileiras: 7 passos para transformar adoção em geração de valor

A inteligência artificial já está presente em 95% das empresas brasileiras. Mas só 39% conseguiram escalar pelo menos um caso de uso. Os dois números são da Bain & Company e foram discutidos em podcast da MIT Technology Review Brasil, em conversa de Carolina Abelin com Lucas Brossi, sócio e Head de Data & AI da Bain para a América do Sul.

A leitura fácil é que falta tecnologia. Não é isso. Na minha operação, o que trava o piloto raramente é o modelo. É a ausência de dono (ninguém responde pelo número), a falta de métrica de negócio (mede-se "interações", não conversão) e a desconexão com os sistemas centrais (o agente não sabe o que tem no CRM nem no ERP). Sem isso, o piloto vira demo bonita que ninguém defende na reunião de orçamento. Abaixo, sete passos para sair do uso disperso e chegar em geração de valor, com foco no que dá retorno mais rápido em PME: atendimento e vendas no WhatsApp. É aqui que a IA nas empresas brasileiras deixa de ser experimento e vira processo.

Passo 1: Entenda o diagnóstico por trás dos 95% que usam IA e dos 39% que escalaram

O dado da Bain é claro: presença de IA quase universal, escala restrita. "Usar IA" costuma significar prova de conceito isolada, ferramenta genérica assinada por alguém do time, uso pessoal de chat. "Gerar valor" é outra coisa: processo integrado, meta de negócio definida antes, alguém responsável pelo resultado, governança mínima.

Na minha operação, o que trava o piloto raramente é o modelo. É a ausência de dono (ninguém responde pelo número), a falta de métrica de negócio (mede-se "interações", não conversão) e a desconexão com os sistemas centrais (o agente não sabe o que tem no CRM nem no ERP). Sem isso, o piloto vira demo bonita que ninguém defende na reunião de orçamento.

O que os 39% fizeram diferente, na leitura que faço do levantamento: escolheram casos de uso com impacto direto em receita e custo, atendimento e vendas entre eles, e trataram o assunto como processo, não como experimento.

Autodiagnóstico rápido, três perguntas:

• O seu caso de uso de IA tem um dono nominal e uma meta numérica?
• Ele está conectado ao CRM ou ao ERP, ou vive num sistema separado?
• Você sabe dizer quanto custa por atendimento hoje e quanto custava antes?

Se respondeu "não" a duas ou mais, você está nos 95%.

Passo 2: Escolha o caso de uso certo para começar: atendimento e vendas no WhatsApp

Atendimento e vendas são a porta de entrada natural por três motivos: volume alto (dá massa estatística rápido), dados disponíveis (histórico de conversa) e impacto mensurável (conversão, tempo de resposta, custo por atendimento).

O WhatsApp é um canal muito usado no Brasil e segue subutilizado com automação inteligente. Muita empresa ainda opera com chatbot de menu, aquele "digite 1 para vendas". A diferença para um agente de IA é grande: o menu segue script, o agente entende intenção, contexto e histórico da conversa. Vale olhar com calma o que o teste do Dots da OpenAI mostrou sobre automação que funciona de verdade, como tratei em Agentes de IA para empresas: o que o teste do Dots da OpenAI ensina sobre automação real.

Aplicações que fazem sentido no primeiro ciclo:

• Qualificação de leads antes de passar para o vendedor.
• Suporte a dúvidas frequentes (prazo, frete, garantia, segunda via).
• Agendamento e confirmação.
• Recuperação de carrinho abandonado.

A armadilha aqui é o projeto infinito. Defina escopo com uma frase: "o agente resolve X, para o público Y, com meta Z". Se não couber numa frase, está grande demais. Comece com um fluxo, meça, depois expanda.

Passo 3: Implemente follow-up automático com IA para não perder vendas no esquecimento

Follow-up manual falha por motivo previsível: o vendedor esquece, retoma na hora errada, manda mensagem genérica. O lead esfria e some.

Com IA, o follow-up deixa de depender da memória de alguém. O agente identifica o melhor momento e canal para retomar com base no comportamento: abriu a mensagem e não respondeu, clicou no link, parou de responder há três dias, comprou há seis meses e não voltou.

Fluxos típicos que funcionam:

• Carrinho abandonado: retomada em janela curta, com o item e a objeção provável.
• Proposta enviada sem resposta: lembrete com prazo e próximo passo claro.
• Cliente inativo há X dias: reativação com oferta contextual.

Métricas para acompanhar: taxa de resposta ao follow-up, conversão pós-follow-up, tempo médio de retomada, opt-out. Sem opt-out na conta, você está só incomodando.

Cuidado com o tom robótico. Personalização vem de dado contextual (o que a pessoa fez, não o primeiro nome repetido três vezes) e limite de frequência. Um bom teste: você mandaria essa mensagem para um cliente seu? Se a resposta for não, reescreva.

E governança desde já: follow-up automático precisa de modo sombra antes de soltar. Rode o fluxo sem enviar, revise as mensagens que seriam disparadas, ajuste, só então libere com aprovação humana nas primeiras semanas.

Passo 4: Integre agentes de IA aos sistemas da empresa via MCP (Model Context Protocol)

Agente que não acessa dado real é atendente sem sistema. O MCP (Model Context Protocol) resolve parte disso: é um padrão que simplifica a conexão de agentes de IA com CRM, ERP e bases internas, em vez de integração ponto a ponto para cada ferramenta.

Na prática, o MCP permite que o agente consulte dados em tempo real e execute ações: verificar estoque, emitir segunda via, atualizar cadastro, checar status de pedido. A vantagem sobre integrações artesanais é padronização, segurança (permissões definidas) e escalabilidade (novo sistema entra no mesmo padrão).

Passo a passo para conectar um agente de atendimento ao CRM:

1. Mapeie as APIs e os dados que o agente realmente precisa. Menos é mais.
2. Defina permissões por ação: leitura, escrita, o que é proibido.
3. Configure o servidor MCP com essas permissões.
4. Teste em ambiente separado, com dados de teste, antes de produção.
5. Rode em modo sombra: o agente sugere a ação, humano confirma.
6. Libere por ação, não tudo de uma vez.

Exemplo prático: agente que consulta status de pedido no ERP e responde no WhatsApp sem intervenção humana, com log de cada consulta. Quando o pedido está atrasado, escala para humano com o histórico pronto.

Passo 5: Estabeleça governança de IA com supervisão humana desde o primeiro dia

Governança não é burocracia. É o que permite escalar sem risco regulatório e de reputação. Quem pula essa etapa escala até o primeiro incidente e depois recua seis meses. Um guia prático de limites de risco, que detalhei em Agentes de IA com pouca supervisão: guia prático de governança e limites de risco para PMEs e middle market, ajuda a calibrar isso.

O modelo que uso: definir em que momentos o agente decide sozinho e quando precisa de aprovação ou escalonamento. Resposta a dúvida frequente: sozinho. Desconto, cancelamento, dado sensível: aprovação humana.

Políticas de uso precisam estar escritas: o que a IA pode falar, quais dados pode acessar, como tratar informação sensível conforme a LGPD. Registro e auditoria também: logs de conversa, decisões tomadas e justificativa, para rastreabilidade.

E um responsável formal. Comitê de IA ou dono nominal que aprova novos casos de uso e monitora métricas de risco. Em PME, pode ser uma pessoa com apoio de fora, mas tem que ser alguém.

Passo 6: Meça o ROI de IA na PME com métricas que o dono entende

ROI de IA em PME não é só redução de custo. Inclui aumento de receita, retenção e eficiência. Métricas essenciais:

• Custo por atendimento (antes e depois).
• Taxa de conversão de leads.
• Tempo de resposta.
• Satisfação do cliente (NPS).
• Horas economizadas por mês.

O cálculo é simples: some os ganhos mensuráveis (receita adicional, custo evitado, horas liberadas com valor/hora) e compare com o custo total da solução no mesmo período. Se o payback passar de alguns meses sem justificativa estratégica, reveja o escopo.

Armadilha comum: medir vaidade. Número de interações não paga conta. O que paga é conversão, retenção e custo por atendimento. Se quiser aprofundar o método, escrevi sobre ROI de IA em empresas: como medir produtividade real e parar de gastar com tecnologia.

Sobre resultado: não há dado público na fonte que confirme percentuais de ganho por tipo de projeto. O que posso dizer é o que vejo na operação, e trato como observação, não benchmark. Quem mede antes de implantar consegue atribuir ganho com honestidade. Quem não mede fica com narrativa.

Passo 7: Use o checklist de maturidade para decidir onde investir o próximo real

Dez perguntas objetivas, responda sim ou não:

1. Existe um dono nominal para IA na empresa?
2. Há uma meta de negócio ligada ao caso de uso?
3. O agente está integrado ao CRM ou ERP?
4. Você mede custo por atendimento antes e depois?
5. Existe modo sombra ou aprovação humana definida?
6. Há política escrita de uso e tratamento de dados (LGPD)?
7. Os logs de conversa e decisão são auditáveis?
8. Existe follow-up automático rodando com limite de frequência?
9. Alguém revisa métricas de risco periodicamente?
10. O próximo caso de uso já está priorizado por impacto, não por moda?

Dimensões: estratégia e liderança (1, 2), casos de uso (8, 10), dados e integrações (3), pessoas e cultura (5), governança e métricas (4, 6, 7, 9).

Como agir conforme o estágio:

• Início (0 a 3 "sim"): foque em um caso de uso, atendimento ou vendas, com meta e dono.
• Piloto rodando (4 a 6): invista em integração via MCP e governança com supervisão humana.
• Já escalou (7 a 10): otimização contínua, novos casos priorizados por impacto.

Dica final: o próximo real vai para o gargalo que impede a geração de valor, não para a ferramenta da moda.

Perguntas frequentes

O que significa o dado de 95% das empresas brasileiras usarem IA? Significa presença, não maturidade. A Bain & Company mostra que a tecnologia está difundida, mas só 39% escalaram pelo menos um caso de uso.

Por que só 39% escalaram? O levantamento aponta comprometimento da liderança, qualidade dos dados, governança e colaboração entre profissionais e agentes de IA como pontos fundamentais. Na prática, o que trava é falta de dono, métrica e integração com sistemas centrais.

Por onde começar em uma PME com pouco orçamento? Por atendimento ou vendas no WhatsApp, com escopo de uma frase, meta numérica e modo sombra antes de liberar. É o caso de uso com impacto mais direto em receita e custo.

O que é MCP e por que importa? Model Context Protocol é um padrão que simplifica a conexão de agentes de IA com CRM, ERP e bases internas, com permissões definidas. Reduz integração artesanal e facilita escalar.

Como medir ROI de IA em PME? Compare custo por atendimento, conversão, tempo de resposta, NPS e horas economizadas antes e depois. Se o payback não fecha, reveja escopo.

Governança de IA é obrigatória para PME? Não existe exigência específica citada na fonte, mas supervisão humana, política de dados e auditoria são o que permitem escalar sem risco de reputação e de LGPD. Na minha operação, entra desde o primeiro dia.