Deixe de pavimentar caminhos de vacas — porque a análise e optimização de processos devem preceder a implementação de IA

Poucas salas de administração escapam hoje à pergunta «qual é a nossa estratégia de IA?». A pressão para agir é real e o receio de ficar para trás é grande: os concorrentes anunciam projectos-piloto e são notícia com IA, os fornecedores prometem transformação e ninguém quer ser a empresa que perdeu a oportunidade. Sob essa pressão, surge um padrão conhecido: as organizações tratam a implementação de IA como o próprio projecto — começam por escolher uma ferramenta e só depois procuram onde a aplicar.

As evidências — da economia, da investigação em sistemas de informação e de um conjunto crescente de análises posteriores a iniciativas de IA falhadas — apontam na direcção oposta. As organizações que retiram valor da inteligência artificial não são as que a adoptam mais depressa, mas as que preparam o terreno: repensam a actividade, mapeiam, analisam e optimizam os processos empresariais antes de pôr um único modelo em produção. Uma máxima frequentemente atribuída a Bill Gates resume a lógica subjacente: «(...) a automatização aplicada a uma operação eficiente amplifica a eficiência, enquanto a automatização aplicada a uma operação ineficiente amplifica a ineficiência.» A atribuição pode ser lendária; o mecanismo, como veremos, está bem documentado.

Este artigo apresenta — com provas — os argumentos a favor de uma sequência que os gestores disciplinados sempre seguiram: primeiro analisar, depois optimizar e, por fim, automatizar.

 

A desconfortável aritmética da IA nas empresas

Comecemos pelos resultados. Um estudo da RAND Corporation de 2024, baseado em entrevistas com cientistas de dados e engenheiros experientes, estimou que mais de 80% dos projectos de IA falham — aproximadamente o dobro da taxa de insucesso dos projectos de TI que não envolvem IA [1]. Um ano depois, o Project NANDA do MIT apresentou um número ainda mais preocupante para a era da IA generativa: apesar de dezenas de milhares de milhões de dólares investidos pelas empresas, cerca de 95% dos projectos-piloto de IA generativa não produziam qualquer impacto mensurável nos resultados financeiros, e apenas cerca de 5% das ferramentas empresariais personalizadas chegavam alguma vez à produção em grande escala [2].

Os dados dos inquéritos contam a mesma história de outro ângulo. A S&P Global Market Intelligence concluiu que a percentagem de empresas que abandonaram a maioria das suas iniciativas de IA subiu para 42% em 2025, face a 17% no ano anterior, tendo sido, em média, descartados 46% dos projectos de prova de conceito antes de chegarem à produção [3]. A Gartner tinha previsto precisamente este ajuste, antecipando que pelo menos 30% dos projectos de IA generativa seriam abandonados após a prova de conceito até ao final de 2025 [4]. E nada disto é exclusivo da IA generativa: em 2019, antes de existir o ChatGPT, um inquérito global da MIT Sloan Management Review e do Boston Consulting Group concluiu que sete em cada dez empresas reportavam um impacto mínimo ou nulo dos seus investimentos em IA até então [5].

O mais importante, porém, não é a taxa de insucesso — são as causas do insucesso. Ao classificarem as causas de raiz, os investigadores da RAND concluíram que as principais tinham muito pouco que ver com algoritmos: falta de alinhamento entre dirigentes empresariais e equipas técnicas quanto ao problema que a IA deveria resolver; falta dos dados necessários para treinar modelos adequados; prioridade dada à utilização da tecnologia mais recente, em vez da resolução de problemas reais dos utilizadores; e infra-estruturas e governação de dados inadequadas [1]. O relatório do MIT chegou a uma conclusão complementar: os projectos-piloto falham porque as ferramentas não se integram nos fluxos de trabalho reais nem aprendem com o contexto do trabalho — uma «lacuna de aprendizagem» enraizada nas operações, não na qualidade dos modelos [2].

Por outras palavras: a IA nas empresas falha sobretudo na escolha dos problemas, nos dados e na integração dos processos. E é precisamente para acertar nestes três aspectos que existe a análise de processos.

 

Já vimos este filme

Não devia surpreender quem se lembra da última vez que uma tecnologia de uso geral se espalhou pelas empresas. Em 1990, após uma década de forte investimento empresarial em TI ter produzido resultados decepcionantes em termos de produtividade, Michael Hammer diagnosticou a causa num dos artigos de gestão mais influentes alguma vez publicados: as empresas estavam a usar a tecnologia para mecanizar as suas antigas formas de trabalhar, mantendo intactos os processos ineficientes e deixando os computadores acelerá-los. «Está na altura de deixar de pavimentar os caminhos das vacas», escreveu. Em vez de incorporar processos obsoletos em silício e software, as organizações deveriam primeiro redesenhar o próprio trabalho [6].

Os economistas quantificaram depois aquilo que Hammer intuía. Ao estudarem dados de empresas ao longo da década de 1990, Erik Brynjolfsson e Lorin Hitt demonstraram que os retornos do investimento em TI eram muito desiguais e que essa diferença se explicava pelos investimentos organizacionais complementares: as empresas que redesenhavam processos, descentralizavam decisões e investiam em competências obtinham grandes ganhos de produtividade com a mesma tecnologia que pouco fazia pelas empresas que simplesmente a instalavam [7]. Duas décadas mais tarde, a mesma tradição de investigação formalizou esta ideia como a «curva J da produtividade»: as tecnologias de uso geral — electricidade, informática e, agora, IA — só produzem benefícios após algum tempo, porque as empresas têm primeiro de criar activos intangíveis complementares, como novos processos e competências, e reorganizar os fluxos de trabalho. Se estes complementos forem ignorados, a tecnologia continuará a ter um desempenho inferior ao esperado [8].

A IA é a sequela deste filme, com orçamentos maiores e ciclos de entusiasmo mais rápidos. A tecnologia mudou; a economia da complementaridade, não.

É por isso que a Mourinho Solutions é o parceiro certo para o orientar no caminho para desbloquear a eficiência na sua organização e maximizar o retorno do seu investimento em IA. Defendemos que o negócio vem primeiro — a tecnologia (e a IA) deve vir depois. E há 5 boas razões para isso.

 

Razão 1: a automatização amplifica tudo aquilo em que toca

Um algoritmo implementado num processo herda a lógica desse processo — incluindo as suas disfunções. Este foi o alerta original de Hammer sobre as TI [6], e a comunidade científica fez exactamente o mesmo aviso quando a automatização robótica de processos (RPA) ganhou força no final da década de 2010. Como os robots de RPA reproduzem a forma como o trabalho é feito actualmente — percorrendo os mesmos ecrãs e seguindo as mesmas regras —, automatizar sem analisar primeiro o processo pode significar cobrir a ineficiência com uma camada de betão digital, tornando um processo mau mais rápido, mais rígido e mais difícil de alterar [9]. Uma revisão sistemática da literatura sobre RPA identificou igualmente a selecção e a adequação dos processos — baseados em regras, padronizados e maduros — como factores determinantes do sucesso, e a má selecção de processos como causa recorrente do fracasso de iniciativas [10].

A lição aplica-se directamente à IA e, possivelmente, com riscos ainda maiores. Um modelo de linguagem que redige respostas dentro de uma cadeia de aprovação disfuncional limita-se a encher mais depressa a fila do estrangulamento. Um modelo de aprendizagem automática que prevê a procura para um processo de planeamento que ninguém segue produz previsões que ninguém utiliza. A amplificação é o objectivo da automatização — e é por isso que aquilo que se pretende amplificar merece ser analisado primeiro.

 

Razão 2: a qualidade dos dados é um resultado dos processos — e a situação é pior do que pensa

Todos os sistemas de IA dependem de dados, e os dados dependem de processos: são criados, introduzidos, transformados e transferidos pelas operações quotidianas da empresa. A situação dos dados é preocupante. Num estudo em que os gestores avaliaram amostras dos registos das suas próprias organizações, apenas 3% dos dados das empresas cumpriam normas básicas de qualidade, e quase metade dos registos recém-criados continha pelo menos um erro crítico com impacto no trabalho [11]. Os entrevistados da RAND classificaram a falta de dados adequados e utilizáveis entre as principais causas do fracasso de projectos de IA, assinalando que as organizações subestimam sistematicamente o trabalho de preparação de dados exigido pela tecnologia [1].

As consequências de ignorar este problema estão bem documentadas ao nível dos profissionais. Um estudo com profissionais de IA em áreas de alto risco concluiu que 92% tinham passado por «cascatas de dados» — falhas a jusante que se acumulam e são desencadeadas por problemas de qualidade dos dados a montante, geralmente invisíveis até se manifestarem tardiamente em modelos deficientes e implementações abandonadas [12]. O próprio título do estudo diagnostica o problema de sequenciação do sector: «Toda a gente quer trabalhar nos modelos, não nos dados.»

Eis o ponto estratégico: não é possível corrigir a qualidade dos dados com uma iniciativa pontual de limpeza, porque os dados deficientes são continuamente reproduzidos pelos processos que os geram. A análise de processos identifica onde os dados são criados, duplicados, introduzidos novamente e corrompidos; a optimização de processos corrige o problema na origem. Ao optimizar primeiro os seus processos, uma organização constrói, discretamente e ao mesmo tempo, as bases de dados sobre as quais assentará a sua futura IA.

 

Razão 3: sem visibilidade dos processos, escolherá os casos de utilização errados

Decidir onde a IA deve ser aplicada é uma decisão de carteira de projectos e não pode ser tomada sensatamente sem saber como o trabalho decorre na prática. Davenport e Ronanki [13], ao analisarem 152 projectos de tecnologias cognitivas, concluíram que as ambiciosas implementações de «grande aposta» desiludiam regularmente, enquanto os adoptantes bem-sucedidos seguiam uma abordagem gradual: analisavam os processos tarefa a tarefa e associavam capacidades específicas de IA a estrangulamentos concretos em fluxos de trabalho específicos.

Essa visibilidade ao nível das tarefas é precisamente o que a disciplina da gestão de processos de negócio (BPM) proporciona e constitui uma das nossas principais competências. O ciclo de vida padrão da BPM passa pela identificação, descoberta, análise e reformulação dos processos antes da implementação e automatização — uma sequência consolidada ao longo de décadas de prática, que reconhece como erro de categoria automatizar um processo sem o analisar [14]. A mineração de processos moderna reforça ainda mais esta abordagem: ao reconstruir processos a partir dos registos de eventos dos sistemas de TI existentes, substitui os mapas de processos baseados em opiniões por evidências — revelando o número real de variantes dos processos, os ciclos de retrabalho, os desvios e os estrangulamentos que as entrevistas, por si só, nunca revelam [15]. É, na prática, um raio-X antes da cirurgia — e mostra frequentemente que o processo descrito pelos dirigentes não é aquele que a organização realmente executa.

Os casos clássicos de sucesso da automatização assentaram precisamente nesta disciplina de selecção. Na Telefónica O2, uma das primeiras implementações de RPA e uma das mais citadas — que acabou por gerar um retorno do investimento de várias centenas por cento —, os processos a automatizar foram escolhidos deliberadamente: processos de grande volume, padronizados e baseados em regras, estabilizados antes de lhes serem aplicados robots de software [16]. O sucesso foi concebido na selecção, não no software.

 

Razão 4: por vezes, o melhor «projecto de IA» consiste em eliminar uma etapa

A análise de processos tem o hábito inconveniente de encontrar problemas que não precisam de IA. Uma aprovação duplicada, um relatório que ninguém lê, uma transferência de trabalho que existe por causa de um organograma de 2014, dados introduzidos manualmente em dois sistemas que poderiam simplesmente ser integrados — os princípios clássicos da engenharia industrial dizem para eliminar, combinar e simplificar antes de automatizar, porque automatizar desperdício só produz desperdício mais depressa. Este era o cerne do argumento de Hammer «não automatize, elimine»: grande parte daquilo que se pedia à tecnologia que acelerasse nem sequer deveria existir [6].

A título pessoal, gosto bastante da máxima frequentemente atribuída a Leonardo da Vinci: «a simplicidade é a sofisticação máxima». Simplificar um processo é um trabalho exigente: requer fortes competências analíticas, capacidade para relacionar contributos de diferentes áreas da organização e integração de conhecimentos de vários domínios. É precisamente neste trabalho que a Mourinho Solutions se especializou.

Para uma organização prestes a financiar um programa de IA, isto não é um desvio; é dinheiro poupado e redução de risco. As etapas eliminadas não custam nada a automatizar, não exigem manutenção de modelos, não criam novos modos de falha e começam imediatamente a gerar benefícios. E o trabalho sobre os processos traz um segundo dividendo: uma referência de base mensurada. Uma das principais conclusões do relatório do MIT NANDA foi que a maioria dos projectos-piloto de IA generativa não conseguia demonstrar um impacto mensurável nos resultados financeiros [2] — mas só é possível medir o impacto comparando-o com um ponto de partida conhecido. Um processo optimizado tem tempos de ciclo, taxas de erro e custos por transacção documentados; a implementação de IA que se segue beneficia, sem custos adicionais, da capacidade de demonstrar o seu próprio retorno do investimento.

 

Razão 5: o valor da IA concretiza-se através da mudança organizacional, não se instala com o software

Por fim, a investigação sobre a origem efectiva do valor da IA converge numa verdade desconfortável para as estratégias que começam pelas ferramentas: o valor materializa-se ao nível dos processos empresariais, e só quando a organização muda em torno da tecnologia. Uma revisão sistemática da literatura sobre IA e valor empresarial concluiu que os efeitos de primeira ordem se manifestam na eficiência dos processos e na melhoria das decisões tomadas no seu âmbito — e que a sua concretização depende de factores organizacionais facilitadores e de uma transformação deliberada dos processos empresariais, não da sofisticação do modelo [17]. Estudos baseados em entrevistas com organizações que adoptaram IA identificam igualmente a prontidão organizacional — alinhamento estratégico, qualidade e governação dos dados, conhecimento dos processos e cultura — como condição prévia a avaliar antes das decisões de adopção, e não a descobrir depois [18].

A investigação junto de profissionais confirma-o. Dirigentes da McKinsey que escreveram na Harvard Business Review referiram que os maiores obstáculos à expansão da IA não são técnicos, mas culturais e organizacionais, e que o sucesso exige redesenhar os fluxos de trabalho e conduzir as iniciativas de IA como uma mudança de processos liderada pelo negócio, com equipas interdisciplinares — não como instalações de TI [19]. E, no estudo global da MIT Sloan/BCG, as empresas que conseguiram efectivamente criar valor com IA distinguiam-se pela forma como combinavam estratégia, mudança organizacional e tecnologia, em vez de tratarem a tecnologia como se fosse a estratégia [5].

A análise e optimização de processos são precisamente este trabalho organizacional, executado pela ordem certa. Alinham a liderança quanto aos problemas prioritários (respondendo à principal causa de insucesso identificada pela RAND [1]), criam o conhecimento dos processos necessário para redesenhar os fluxos de trabalho e estabelecem operações estáveis e padronizadas, nas quais a IA pode ser implementada com confiança.

 

A Mourinho Solutions põe os «processos primeiro»

Nenhuma das razões anteriores defende anos de análise antes de alguém poder sequer tocar num modelo. Defende uma sequência breve e disciplinada — essencialmente a primeira metade do ciclo de vida da BPM [14] —, executada em semanas, não em trimestres, e ajustada à ambição do programa de IA que a precede.

A Mourinho Solutions tem uma abordagem de consultoria à medida, assente em conhecimento de ponta e anos de experiência, que acompanha metodicamente a sua organização ao longo de todo o ciclo de vida da BPM, para maximizar o retorno do seu investimento.

Há também um efeito cumulativo que importa referir. As organizações da minoria bem-sucedida — os 5% do MIT e os «pioneiros» dos estudos da MIT Sloan/BCG — não se limitaram a evitar o fracasso; desenvolveram a capacidade organizacional que torna cada implementação de IA subsequente mais barata e rápida do que a anterior [5], [2]. A clareza dos processos, os fluxos de dados limpos e a disciplina de medição são infra-estruturas. Valorizam-se com o tempo.

 

Conclusão: preparado para a IA é estar preparado nos processos

A pressa em implementar IA trata a análise de processos como um atraso. A evidência mostra o contrário: é a medida de redução de risco com maior impacto, que aborda as causas profundas documentadas das falhas da IA — problema errado, dados de fraca qualidade, fluxos de trabalho não integrados — antes que se acumulem e conduzam ao abandono de um projeto-piloto. Pavimentar caminhos de vacas praticamente não cria valor — e pode até reduzi-lo. Trinta e cinco anos de investigação, desde a reengenharia de processos de negócio [6], passando pela economia da complementaridade [7], [8], até à atual geração de análises posteriores às falhas da IA [1], [2], contam uma história consistente: a tecnologia multiplica aquilo que encontra na organização. Otimize primeiro a organização e a IA multiplicará algo que vale a pena multiplicar.

A questão para as equipas de liderança, portanto, não é «com que rapidez podemos implementar IA?», mas sim «quais dos nossos processos, depois de compreendidos e otimizados, seriam verdadeiramente transformados pela IA?». Responder por esta ordem é o que distingue os 5% dos 95%.

A Mourinho Solutions garante que a sua organização pertence aos 5%.

---

Na Mourinho Solutions, trabalhamos segundo esta sequência. Ajudamos as organizações a mapear e analisar os seus processos, a otimizá-los para obter ganhos mensuráveis e só depois a conceber e implementar IA onde esta comprovadamente compense. Se a sua empresa está a planear uma iniciativa de IA, comece por conversar connosco sobre os seus processos — contacte-nos para uma avaliação dos processos.

 

 

Referências

[1] J. Ryseff, B. F. De Bruhl, and S. J. Newberry, As causas profundas do insucesso dos projetos de Inteligência Artificial e como podem ter sucesso: evitar os anti-padrões da IA. Santa Monica, CA, USA: RAND Corporation, 2024. [Online]. Disponível em: https://www.rand.org/pubs/research_reports/RRA2680-1.html

[2] A. Challapally, C. Pease, R. Raskar, and P. Chari, «A divisão da IA generativa: o estado da IA nas empresas em 2025», MIT NANDA, Cambridge, MA, USA, 2025. [Online]. Disponível em: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

[3] S&P Global Market Intelligence, inquérito «A voz das empresas: IA e aprendizagem automática», 2025; conclusões divulgadas em «As taxas de insucesso dos projetos de IA estão a aumentar: relatório», CIO Dive, mar. 2025. [Online]. Disponível em: https://www.ciodive.com/news/AI-project-fail-data-SPGlobal/742590/

[4] Gartner, «Gartner prevê que 30% dos projetos de IA generativa serão abandonados após a prova de conceito até ao final de 2025», comunicado de imprensa, 29 jul. 2024. [Online]. Disponível em: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

[5] S. Ransbotham, S. Khodabandeh, R. Fehling, B. LaFountain, and D. Kiron, «Vencer com IA», MIT Sloan Management Review and Boston Consulting Group, Cambridge, MA, USA, relatório de investigação, 2019. [Online]. Disponível em: https://sloanreview.mit.edu/projects/winning-with-ai/

[6] M. Hammer, «Reengenharia do trabalho: não automatize, elimine», Harvard Business Review, vol. 68, n.º 4, pp. 104–112, jul.–ago. 1990. [Online]. Disponível em: https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate

[7] E. Brynjolfsson and L. M. Hitt, «Para além da computação: tecnologias da informação, transformação organizacional e desempenho empresarial», Journal of Economic Perspectives, vol. 14, n.º 4, pp. 23–48, 2000, doi: 10.1257/jep.14.4.23.

[8] E. Brynjolfsson, D. Rock, and C. Syverson, «A curva J da produtividade: como os ativos intangíveis complementam as tecnologias de uso geral», American Economic Journal: Macroeconomics, vol. 13, n.º 1, pp. 333–372, jan. 2021, doi: 10.1257/mac.20180386.

[9] W. M. P. van der Aalst, M. Bichler, and A. Heinzl, «Automatização robótica de processos», Business & Information Systems Engineering, vol. 60, n.º 4, pp. 269–272, 2018, doi: 10.1007/s12599-018-0542-4.

[10] R. Syed et al., «Automatização robótica de processos: temas e desafios contemporâneos», Computers in Industry, vol. 115, art. n.º 103162, fev. 2020, doi: 10.1016/j.compind.2019.103162.

[11] T. Nagle, T. C. Redman, and D. Sammon, «Apenas 3% dos dados das empresas cumprem normas básicas de qualidade», Harvard Business Review, 11 set. 2017. [Online]. Disponível em: https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards

[12] N. Sambasivan, S. Kapania, H. Highfill, D. Akrong, P. Paritosh, and L. Aroyo, «“Toda a gente quer trabalhar no modelo, não nos dados”: cascatas de dados em sistemas de IA de alto risco», in Proc. 2021 CHI Conference on Human Factors in Computing Systems (CHI ’21), Yokohama, Japan, 2021, art. n.º 39, doi: 10.1145/3411764.3445518.

[13] T. H. Davenport and R. Ronanki, «Inteligência Artificial para o mundo real», Harvard Business Review, vol. 96, n.º 1, pp. 108–116, jan.–fev. 2018. [Online]. Disponível em: https://hbr.org/2018/01/artificial-intelligence-for-the-real-world

[14] M. Dumas, M. La Rosa, J. Mendling, and H. A. Reijers, Fundamentos da gestão de processos de negócio, 2.ª ed. Berlin, Germany: Springer, 2018, doi: 10.1007/978-3-662-56509-4.

[15] W. M. P. van der Aalst, Process Mining: Data Science in Action, 2.ª ed. Berlin, Germany: Springer, 2016, doi: 10.1007/978-3-662-49851-4.

[16] M. C. Lacity and L. P. Willcocks, «Automatização robótica de processos na Telefónica O2», MIS Quarterly Executive, vol. 15, n.º 1, pp. 21–35, mar. 2016. [Online]. Disponível em: https://aisel.aisnet.org/misqe/vol15/iss1/4/

[17] I. M. Enholm, E. Papagiannidis, P. Mikalef, and J. Krogstie, «Inteligência Artificial e valor empresarial: uma revisão da literatura», Information Systems Frontiers, vol. 24, n.º 5, pp. 1709–1734, 2022, doi: 10.1007/s10796-021-10186-w.

[18] J. Jöhnk, M. Weißert, and K. Wyrtki, «Preparadas ou não, a IA está a chegar — um estudo por entrevistas sobre os fatores de preparação organizacional para a IA», Business & Information Systems Engineering, vol. 63, n.º 1, pp. 5–20, 2021, doi: 10.1007/s12599-020-00676-7.

[19] T. Fountaine, B. McCarthy, and T. Saleh, «Construir a organização impulsionada pela IA», Harvard Business Review, vol. 97, n.º 4, pp. 62–73, jul.–ago. 2019. [Online]. Disponível em: https://hbr.org/2019/07/building-the-ai-powered-organization