Gestão de projetos de inteligência artificial vs software tradicional

Imagine a seguinte cena: sua empresa decide implementar um sistema de Inteligência Artificial (IA) para otimizar um processo crítico. O gestor de projetos, habituado a grandes implementações de software tradicional, abre o cronograma, define um escopo fechado, amarra as entregas em um quadro Kanban linear e promete acurácia máxima em tempo recorde.

Se você está gerenciando seus projetos de dados e inteligência artificial exatamente do mesmo jeito que gerencia seus projetos de ERP ou softwares legados, trago um choque de realidade: o seu cronograma está mentindo para você.

No universo da tecnologia tradicional, o sucesso costuma ser binário: o código funciona ou não funciona, a tela sobe ou não sobe. Mas quando cruzamos a fronteira para o mundo da IA, a lógica muda drasticamente. Deixamos o terreno do determinismo e entramos no campo do probabilístico, onde nem sempre um mais um é igual a dois.

Para entender por que tantos projetos de IA falham antes mesmo de sair do papel e como as lideranças de tecnologia podem contornar esse desafio, reunimos os principais aprendizados práticos debatidos no Podcast Builders por especialistas que vivem o dia a dia dessa transição.

O choque de realidade: por que métodos tradicionais falham na IA?

Os dados de mercado são implacáveis. Pesquisas de consultorias como a McKinsey apontam que cerca de 70% a 85% dos projetos de IA falham ou não conseguem passar da primeira fase de testes (a famosa Prova de Conceito ou PoC).

A razão para esse índice alarmante não é a falta de tecnologia de ponta, mas sim um desalinhamento profundo de expectativas e metodologias. O desenvolvimento de IA assemelha-se mais a um processo científico e experimental do que a uma engenharia de software tradicional.

A mudança na “definição de pronto” (definition of done)

Em projetos de software tradicionais ou módulos de ERP, a definição de pronto é clara: o fluxo de tarefas passa do desenvolvimento para a validação e chega ao deploy de um código estruturado.

Na Inteligência Artificial, a definição de pronto é a validação de uma hipótese. O processo é intrinsecamente cíclico e iterativo: implementa-se, testa-se, analisa-se o recall (métrica que avalia o quanto o modelo está errando ou necessitando de novos testes) e volta-se ao início. Muitas vezes, no início da jornada, quem desenvolve e quem contrata simplesmente não sabem qual será o resultado final.

Os 3 perfis de clientes (e os riscos para o projeto)

Lidar com IA exige gerenciar expectativas humanas de forma cirúrgica. No ecossistema de negócios, destacam-se três perfis típicos de stakeholders que os líderes de projeto precisam aprender a conduzir:

1. O crente no milagre: é o perfil empolgado que ouviu falar do potencial da tecnologia no mercado e acredita que implementar IA será rápido, fácil e mágico. Ele não tem a menor ideia do volume de trabalho e da estruturação interna necessários do seu próprio lado para que o modelo traga resultados.
2. O cético do ROI imediato: acredita no potencial, mas exige um Retorno Sobre o Investimento (ROI) extremamente rápido, sem entender a linha do tempo evolutiva da IA. Modelos de machine learning exigem uma jornada madura: ganha-se 30% de eficiência primeiro, depois 60%, até atingir a maturidade de excelência.
3. O surfista político: quer implementar a tecnologia a qualquer custo apenas para vender internamente ou para o mercado que a empresa “tem IA”. É considerado o perfil mais perigoso, pois ele não sabe exatamente para quê quer a solução, ignorando limitações técnicas e gerando altíssima frustração futura.

A matéria-prima oculta: seus dados estão prontos?

O grande divisor de águas entre o sucesso e o fracasso de um agente ou modelo de IA é a qualidade do dado. A tecnologia lerá e aprenderá estritamente com base nas informações que lhe forem fornecidas.

O cenário mais comum nas empresas é o cliente solicitar uma solução complexa e, ao ser questionado sobre a base de dados, descobrir que ela não existe, está incompleta ou completamente desestruturada. Por exemplo: se você cria um modelo projetado para responder a dores de Recursos Humanos (RH) e o alimenta com uma base inconsistente ou tenta extrair dele respostas financeiras para as quais ele não foi treinado, a entrega falhará.

Antes de desenhar robôs ou workflows complexos, coloque a bola no chão e audite sua matéria-prima: os dados de negócio.

Como adaptar a gestão: CAPEX, OPEX e Dual-Track Agile

Para que a gestão de tempo e recursos não seja sufocada pelo modelo determinista tradicional, grandes empresas utilizam frameworks de adaptação em tempo real:

• Separação contábil (CAPEX vs. OPEX): mercados mais maduros realizam uma divisão clara. A fase de estruturação de dados, pesquisa, experimentação e treinamento inicial do modelo é tratada como CAPEX (investimento). A partir do momento em que o modelo está estabelecido, monitorado e gerando ganhos escaláveis, o projeto entra na jornada de OPEX (custo operacional).
• Framework dual-track: utilização do modelo ágil dividido simultaneamente em duas trilhas: Discovery (descoberta/experimentação) e Delivery (entrega de valor focado em software).
• Mapeamento do fluxo de valor: foco em melhoria contínua e refinamento constante do processo, em vez de encarar erros como falhas definitivas. Na era da IA, aprender com o comportamento anômalo do modelo faz parte do ciclo de evolução.

Conclusão: a IA não substitui pessoas, substitui atividades

Projetos de Inteligência Artificial bem-sucedidos não nascem para substituir o fator humano, mas sim para eliminar gargalos operacionais e atividades 100% manuais ou burocráticas. Ao liberar profissionais de tarefas repetitivas, como gastar horas na formatação manual de relatórios ou apresentações, as lideranças ganham tempo precioso para focar em estratégia, relacionamento interpessoal e novas frentes de business.

Gerenciar IA exige desapegar-se do escopo estático e abraçar a cadência probabilística. Seus cronogramas só deixarão de mentir quando passarem a refletir hipóteses, dados estruturados e experimentação real.

Quer dominar a fundo as metodologias de gestão para a nova era tecnológica?

Ouça o debate completo e confira todos os hacks, exemplos de bases de RH/Finanças e aprendizados práticos compartilhados por Bruno Marcos (Coordenador de Engenharia de Dados na Skyone) e Sidney Rocha (Diretor de Serviços na Skyone) neste episódio imperdível.

🎧 Clique aqui para ouvir o episódio completo do Builders Podcast no Spotify!

Escrito por Skyone