“Você passou anos engordando 50 quilos. Não vem me falar que tem um casamento daqui a seis meses e precisa caber no vestido. Não vai caber.” A frase é de Roberta (Bobbie) Ezar, sócia de Digital Data & Analytics da EY Brasil. E ela não está falando de dieta. Está falando de inteligência artificial.
A analogia resume um diagnóstico que Bobbie repete em salas de C-level, em sessões de letramento com conselhos de administração e em encontros com executivos financeiros por todo o Brasil: a maioria das empresas que hoje corre atrás de resultados com IA está pagando o preço de décadas de lição de casa não feita. Dados mal governados, arquiteturas frágeis, processos que nunca foram redesenhados, somados à pressão dos boards para que a IA resolva tudo isso em seis meses.
“Se você continuar tentando fazer tudo ao mesmo tempo, vai comprar oito mil licenças de ferramentas que as pessoas não sabem usar, vai dispersar capacitação, vai explodir custo sem clareza de retorno”, diz a executiva. O resultado mais comum: um acúmulo de pilotos que não escalam, iniciativas isoladas por área que não se conversam e um platô que as lideranças não conseguem explicar.
Foi para endereçar exatamente esse problema que a EY desenvolveu o EY.ai Value Blueprint: um framework com camadas interdependentes que ajuda organizações a estruturar a jornada de IA de forma intencional, da estratégia à escala. Não como mais uma metodologia de consultoria, mas como um mapa de consciência: onde a empresa está, o que ela ainda precisa construir e o que pode esperar de cada escolha que fizer ao longo do caminho. O Blueprint está disponível no site da EY e serve como ponto de partida para qualquer organização que queira sair da lógica de experimentação e construir algo que dure.
A conversa a seguir percorre as camadas desse framework, os erros mais comuns que Bobbie vê no mercado brasileiro e o que separa as empresas que estão transformando das que estão apenas, e sempre, começando.
O EY.ai Value Blueprint é o ponto de partida desta conversa. Mas antes de entrar nas camadas do framework, quero entender o diagnóstico que levou a EY a criá-lo. O que vocês estavam monitorando nas empresas?
A gente trabalha com tecnologias emergentes há muito tempo. A IA tradicional já existe há 20 anos na manufatura, na segurança, na previsão computacional. O que mudou com a IA generativa é que ela cria. Ela permite automações de processo de uma forma mais autônoma, o que gerou muita dúvida de aplicação, porque também gerou risco. A IA pode alucinar, você precisa olhar seus dados, precisa entender os limites. Para o C-level, a jornada ficou mais confusa: onde e como estruturar tudo isso?
O que a EY e outras empresas de mercado têm identificado é que a maioria dos pilotos não dá retorno. E aí a gente começou a entender por quê. As organizações chegam num platô depois de alguns casos de uso com IA generativa porque as iniciativas ficam isoladas. A área de atendimento ao cliente faz um agente de atendimento. A área de logística faz um agente de frete. E não existem frameworks que permitam reaproveitamento, gestão de custos e escala. O resultado é um ecossistema de agentes que não para em pé.
O Value Blueprint nasceu para ajudar as lideranças a organizar tudo que precisa ser monitorado na jornada de IA — para conseguir ter um ecossistema escalável de agentes em vez de ficar acumulando pilotos.
Qual é a diferença central que o Blueprint propõe — o que separa a abordagem que funciona da que não funciona?
O conceito central é a diferença entre bolt-on e built-in. Se eu pego meu processo como ele é hoje e simplesmente plugo a tecnologia nele, eu tenho um ganho marginal. Esse é o bolt-on. Coloco um agente de IA que lê as políticas de RH para tirar dúvidas dos funcionários e substituo o humano que fazia isso. O ganho existe, mas é limitado. E a IA generativa tem um custo exponencial. Então, se eu não estruturar isso numa arquitetura coerente, começo a ter várias ferramentas, várias clouds, e o custo explode sem retorno proporcional.
A proposta do Blueprint é outra: em vez de plugar a tecnologia no processo preexistente, eu reimagino esse processo para funcionar a partir de uma lógica AI-first. Perceba que não estamos falando em otimizar o que existe, estamos falando em redesenhar end-to-end. Isso exige engajamento corporativo, capacitação, gestão de mudança. Reimaginar processos não é trivial. Mas é daqui que vêm os ganhos reais. É a partir daqui que você sai do platô e passa a ter um ecossistema de agentes que colaboram entre si e geram valor em escala.
Você tem uma analogia que resume bem esse problema. Como você descreve para um líder que chega até vocês querendo resultados imediatos?
Eu falo que é como alguém que passou anos engordando 50 quilos e chega dizendo que tem um casamento daqui a seis meses e precisa caber no vestido. Não vai caber. Você vai ter que contratar nutricionista, personal, endócrino — e, quem sabe, dois anos depois, você começa a brincar de estar no peso que quer. Não tem atalho para o trabalho que não foi feito.
Isso não quer dizer que as empresas não fizeram nada até agora. Mas você precisa ser honesto sobre o ponto de partida. De tudo que você já construiu, onde você estrutura um começo sólido? Onde você foca energia para ter o melhor resultado? Porque se você continuar tentando fazer tudo ao mesmo tempo, vai comprar oito mil licenças de ferramentas que as pessoas não sabem usar, vai dispersar capacitação, vai explodir custo sem clareza de retorno.
Quais são as camadas do Blueprint — e por que a ordem importa?
O Blueprint tem camadas interdependentes. Na base, você tem estratégia e arquitetura de tecnologia e dados. Isso é o alicerce — e é onde muitas empresas ainda têm um passivo enorme. Tem muito C-level empolgado que quer implantar agentes de IA sem ter governança de dados. A gente conversa sobre governo de dados há 20 anos. Se o dado for ruim, você tem um trabalho prévio antes de fazer qualquer modelo. Já vi cliente com um business case lindo que foi até a mina e não tinha sensor. Morreu no campo porque não conseguia capturar o dado na ponta. E o contrário também existe: o cliente tem sensor, coleta tudo, mas não trabalha os dados — então não faz nada com aquela informação.
Em cima dessa base vem a camada de inteligência: como você consome esses dados, como faz a gestão do portfólio de casos de uso, como monitora o valor de cada iniciativa. Porque os KPIs podem ser muito diferentes — você pode medir quantos usuários estão usando, quantos tokens estão sendo consumidos. Mas se quiser medir retorno real, precisa entender o processo anterior e o que você espera que melhore.
Depois vem a camada de Responsible AI e segurança cibernética, que tem que estar embarcada desde o início — não construída caso a caso. Os modelos são auditáveis? São transparentes? Quais são os guardrails? Até onde o agente acessa o dado? Isso não pode ser redesenhado do zero a cada novo caso de uso.
E no topo ficam processos e workforce: quais processos serão incrementais, com assistentes que potencializam a produtividade individual, e quais processos serão de fato reinventados. É daqui que nasce um novo modelo operacional — e é aqui que você começa a ter um ecossistema de agentes com reaproveitamento em escala.
O Blueprint fala em priorizar abundância e crescimento em vez de eficiência e escassez. O que isso significa na prática para um líder com metas de curto prazo e um board pressionando por resultados imediatos?
É uma questão de horizonte de tempo. Se você olha só o curto prazo, é muito difícil ter resultados imediatos com uma transformação estrutural — porque você tem um trabalho fundacional. Se for esse o caso, a gente trabalha com outras alavancas: automações que permitam ganhos dentro do seu modelo atual. Mas se você tem margem espremida e foco no curtíssimo prazo, não adianta pensar num ecossistema de agentes — ele não vai te dar retorno relevante nesse horizonte.
Abundância e crescimento são sobre ter uma agenda de médio e longo prazo. É sobre pensar de onde vai vir o crescimento nos próximos três, cinco anos. Quem está disposto a ter esse horizonte consegue repensar como interage com fornecedores e consumidores, imaginar novos modelos de negócio, usar a IA não para fazer o mesmo mais rápido, mas para fazer coisas que antes eram impossíveis.
O que eu vejo é que os boards às vezes colocam metas de IA para todas as unidades de negócio sem essa distinção. Já tive cliente com meta de 50 casos de uso. Cinquenta casos de uso para fazer o quê? Saiu todo mundo fazendo qualquer coisa, o custo explodiu e os resultados não vieram. Meta de quantidade não é estratégia.
Você mencionou que os conselhos de administração às vezes criam mais pressão do que clareza. Como vocês trabalham com esse nível de ansiedade nas lideranças?
A gente tem feito muito letramento — no conselho, no C-level, nas lideranças intermediárias, no operacional. Porque quando você percebe que a conversa está no estágio daquele meme muito conhecido — “Queremos IA, IA, IA! Pra quando? Pra hoje! Pra fazer o quê? Não sabemos!” —, a sugestão é começar pela academia. O letramento tem que existir em todos os níveis, cada um com seu recorte, para que a organização toda fale a mesma língua e saiba para onde quer ir.
Uma vez feito isso, fica muito mais fácil estruturar a governança. Porque uma das maiores confusões que a gente vê é sobre quem é o dono da governança de IA. É a área técnica? É o compliance? É a auditoria interna? É a cyber? É o time de dados? Começa uma dicotomia enorme. E a resposta é: no final do dia, vocês precisam de um workflow onde cada área tem um pedaço — e esse processo tem que acelerar a tomada de decisão, não burocratizar. Porque a regulação está mudando. Cada novo caso de uso precisa passar por esse ciclo. E as empresas têm dificuldade até de sentar na mesma mesa.
É como o governo de dados, que discutimos há 20 anos. Quem é o dono da informação? Aí você volta ao letramento básico. E mesma coisa com as ferramentas: não adianta liberar um bilhão de licenças de IA para todo mundo da empresa. O contador vai usar e depois conferir à mão tudo que a ferramenta calculou — porque não confia. Eu brinco que é igual a quando surgiu o Excel: o contador conferia na calculadora o que o Excel somava. A gente está vivendo isso de novo com a IA. O trabalho de change management é imenso.
Você mencionou a RPA como um paralelo histórico. O que esse episódio ensina sobre o momento atual?
Em 2015, tudo era RPA. Todo mundo queria automação, todo mundo foi atrás, e boa parte das implementações não parou em pé porque as empresas foram direto para a tecnologia sem construir a fundação necessária. Ficaram dependentes de produção externa em escala muito menor do que esperavam. A gente já viveu isso. A pergunta é: vamos repetir o erro?
Com a IA generativa, o risco é o mesmo. É muito cômodo, como consultoria, simplesmente desenvolver os agentes para o cliente. Mas se fizermos só isso, ele vai ficar para sempre dependente de produção externa, sem capacidade de escalar sozinho. A ideia do Blueprint é diferente: ajudar a empresa a construir a jornada, transferir inteligência, deixá-la autônoma para seguir. A gente pode continuar ajudando na fábrica de agentes se ela quiser, mas o objetivo é que ela consiga caminhar com as próprias pernas.
O Blueprint serve para qualquer tipo de empresa, independentemente de porte ou setor?
Qualquer tipo de empresa. O que muda é o que cabe na estrutura de cada uma. Uma empresa com ambiente regulatório muito rígido vai ter uma camada de Responsible AI mais robusta, para ser auditável e transparente. Mas o framework se adapta.
O que muda bastante é o estágio de maturidade por setor. Em saúde e farmacêutico, especialmente nas empresas globais, temos casos bem avançados — e alguns muito interessantes. Uma farmacêutica começou a capturar comentários de redes sociais sobre efeitos colaterais de medicamentos e descobriu quase cinco sintomas adicionais que não tinham aparecido nos testes clínicos tradicionais. Isso muda a forma como se faz pesquisa. Em mineração e manufatura no Brasil, a maturidade já é alta. No varejo, ainda estamos muito na fase de letramento — a margem sempre foi espremida, e agora vem a pressão de sobreviver num mercado que está mudando rápido. Cada setor tem o seu ponto de entrada.
Para fechar: qual é o resultado esperado para uma empresa que percorre essa jornada?
A possibilidade máxima é sair de uma empresa habilitada por IA para uma empresa nativa de IA. Uma empresa que sabe criar os próprios agentes, que consegue desenhar ecossistemas de agentes para os processos que domina, que mudou sua forma de operar para poder fazer coisas que antes eram impossíveis — e que chega num mercado diferente por causa disso.
Mas você pode parar no meio do caminho, e tudo bem. Pode querer só preparar seus dados para ter casos de uso que gerem retorno. Pode querer foco em iniciativas específicas sem transformar o negócio inteiro. O que importa é ter consciência do que você está escolhendo — e do que essa escolha vai e não vai entregar. Porque muita empresa entrou num hype sem essa consciência, cobrou da organização resultados que aquele investimento não poderia dar, e perdeu a confiança interna no processo.
No final das contas, o Blueprint existe para dar essa consciência. Para que a liderança olhe para o panorama completo, entenda onde está, decida aonde quer chegar — e faça isso com um plano. Não com pressa.