Segundo levantamento da ABES com dados da IDC, 40% das empresas brasileiras já investem em agentes de IA e outras 33% planejam começar nos próximos 12 meses — ou seja, 73% vão lidar com algum nível de IA agêntica até 2027. A mesma pesquisa nomeia o que trava essa conta: qualidade de dado, sistema legado e escassez de profissional especializado. Não é mais uma questão de decisão — a decisão já foi tomada pela maioria. É uma questão de sequência.
O problema é que os três obstáculos citados pela pesquisa costumam ser interpretados como motivo para esperar: “primeiro arrumo o dado”, “primeiro modernizo o sistema”, “primeiro contrato um especialista”. Na prática, nenhum dos três exige isso. Exige outra coisa: escolher o primeiro caso de uso onde o dado já é confiável, rodar na borda do sistema em vez do núcleo, e usar o time de negócio que já conhece o processo em vez de esperar uma contratação técnica. A diferença entre travar e escalar está em por onde se começa — não em quanto se investe antes de começar.
Principais aprendizados
- 73% das empresas brasileiras (40% já investem + 33% planejam nos próximos 12 meses) vão lidar com agente de IA até 2027, segundo ABES/IDC — o gargalo deixou de ser decisão e passou a ser execução.
- Dado desorganizado não justifica adiar o piloto: justifica escolher o primeiro caso de uso onde o dado já é confiável, não onde o problema é mais visível.
- Sistema legado raramente impede um primeiro agente de IA — a maioria dos casos de uso iniciais roda na borda do processo (documento, triagem, atendimento), não no núcleo do sistema.
- Escassez de especialista em IA é um obstáculo de contratação, não de capacidade: time de negócio sem formação técnica constrói agente funcional quando a TI já definiu o perímetro de governança.
- Sem resultado medido (tempo economizado, erro evitado) desde o piloto, “prioridade estratégica para 2026” não vira orçamento recorrente em 2027.
Dado desorganizado trava o agente de IA — por onde começar?
Começa pelo processo onde o dado já é minimamente confiável, não pelo processo mais visível ou mais caro. A pergunta que resolve isso na prática é simples: frequência × tempo × retrabalho — qual processo se repete todos os dias, consome mais horas e gera mais correção manual, e ao mesmo tempo já tem um registro razoavelmente estruturado para alimentar o agente? Esse cruzamento, não o tamanho do problema, é o que decide o primeiro caso de uso.
Arrumar a qualidade do dado da empresa inteira antes de qualquer piloto é um projeto de meses que trava a adoção exatamente no momento em que a pressão por mostrar resultado é maior. A alternativa que funciona na prática é inverter a ordem: diagnosticar o ecossistema e a governança primeiro (quais ferramentas já são aprovadas pela TI, quais dados podem circular, quais não podem), e só depois mapear o gargalo específico pelo critério acima — não o contrário. O piloto nasce pequeno e com dado controlado; a qualidade do dado em escala vem depois, financiada pelo resultado do primeiro caso de uso, não antes dele.
Sistema legado é motivo para esperar antes de testar agentes de IA?
Não, na maioria dos primeiros casos de uso. O sistema legado trava a escala quando o agente precisa escrever de volta no núcleo — alterar cadastro, mover estoque, liquidar uma transação. Mas a maior parte dos primeiros pilotos de agente de IA roda na borda: ler um documento, triar uma solicitação, responder uma pergunta recorrente, organizar uma validação que hoje é manual. Nessa camada, o sistema legado é, no máximo, uma fonte de leitura — não um bloqueio de arquitetura.
Em um projeto recente com o time de desenvolvimento de uma empresa de tecnologia de médio porte (equipe de 7 pessoas), um ciclo de 60 dias de mapeamento de lacunas de qualidade e segurança de produto produziu mais avanço mensurável do que nove meses de um plano formal de 18 meses que já estava em andamento — sem substituir nenhum sistema existente, apenas organizando onde o time já trabalhava. Resultados variam conforme o contexto, a maturidade e os processos de cada organização; o padrão replicável não é o número, é a sequência: diagnosticar o gargalo real antes de desenhar a solução técnica. É a mesma lógica discutida em que tipo de investimento em IA prioriza a empresa de médio porte: agente aplicado ao processo primeiro, infraestrutura depois — não o inverso.
Preciso contratar especialista em IA para escalar agentes além do piloto?
Não como primeiro passo. A escassez de profissional especializado é real no mercado brasileiro, mas o gargalo prático de muitas empresas de médio porte não é falta de cientista de dados — é a crença de que só ele pode construir um agente. Quando a TI define o perímetro de governança (quais ferramentas, quais dados, quais permissões), o time de negócio que já conhece o processo consegue construir dentro desse perímetro, sem esperar uma contratação.
Em um programa recente de capacitação aplicada numa operação de educação ligada a licitações (equipe de cerca de 20 pessoas), um executivo da área de negócio — sem formação técnica e sem equipe de desenvolvimento — construiu uma ferramenta sem código capaz de extrair cerca de 25 campos de editais em PDF; o protótipo ficou funcional em 35 minutos, e a análise posterior identificou que até 7 das 20 pessoas da equipe tinham atividades automatizáveis pela mesma lógica. Resultados variam conforme o contexto, a maturidade e os processos de cada organização — mas o aprendizado transferível é direto: a barreira de “preciso de especialista” costuma ser menor do que parece quando a governança já está definida antes de construir.
Perguntas frequentes
Preciso resolver a qualidade dos meus dados antes de testar um agente de IA?
Não necessariamente para o primeiro piloto. O critério mais eficaz é escolher um processo frequente, demorado e com retrabalho alto que já tenha um registro razoavelmente estruturado — não esperar a qualidade do dado da empresa inteira melhorar. Arrumar o dado em escala é um projeto contínuo, financiado pelo resultado do primeiro caso de uso, não um pré-requisito para começar.
Sistema legado impede usar agente de IA numa empresa de médio porte?
Na maioria dos casos, não. O sistema legado só é um bloqueio real quando o agente precisa escrever de volta no núcleo do sistema. Os primeiros pilotos costumam rodar na borda — leitura de documento, triagem, resposta a pergunta recorrente — onde o legado funciona apenas como fonte de consulta, sem exigir substituição.
Preciso contratar cientista de dados para ter um agente de IA funcionando?
Não como primeiro passo. O que decide se o time de negócio consegue construir é a TI definir antes o perímetro de governança — ferramentas aprovadas, dados permitidos, limites de permissão. Dentro desse perímetro, profissionais sem formação técnica já constroem agentes funcionais para o próprio processo, sem depender de uma contratação especializada.
Quanto tempo leva para um agente de IA sair do piloto e entrar em produção?
Varia com a complexidade do processo e a qualidade do dado disponível, mas casos reais mostram protótipos funcionais em semanas, não meses, quando o escopo do piloto é um processo bem delimitado. O tempo até a produção plena depende menos da tecnologia e mais da clareza sobre qual problema o agente resolve primeiro.
