A IA chegou às empresas. O resultado ainda não.

Desde o lançamento do ChatGPT, em novembro de 2022, a inteligência artificial generativa deixou de ser um assunto restrito a laboratórios e empresas de tecnologia. Hoje, qualquer profissional consegue testar modelos avançados em poucos minutos, enquanto empresas distribuem licenças, criam assistentes internos e desenvolvem pilotos com ChatGPT, Claude, Gemini, Copilot e outras ferramentas.

O acesso à tecnologia ficou simples. Transformar esse acesso em ganho operacional mensurável continua sendo um problema mais complexo, porque depende de processos, dados, sistemas, pessoas e critérios claros de resultado. Foi a partir dessa lacuna que criamos a CatechLabs.

A distância entre adoção e resultado

A adoção avançou rapidamente, embora o retorno financeiro ainda esteja concentrado em uma parcela pequena das organizações. A McKinsey aponta que 71% das empresas já utilizam inteligência artificial generativa regularmente em pelo menos uma função. Ao mesmo tempo, levantamentos da BCG e do projeto NANDA, vinculado ao MIT Media Lab, indicam que apenas cerca de 5% conseguem gerar valor em escala ou converter seus pilotos em impacto operacional e financeiro mensurável.

Número	O que mede	Fonte
71%	das organizações já usam IA generativa regularmente em pelo menos uma função	McKinsey, The State of AI (2025)
5%	das empresas declaram gerar valor com IA em escala, em levantamento com mais de 1.250 companhias	BCG, The Widening AI Value Gap (2025)
~5%	das organizações converteram pilotos de IA generativa em impacto operacional ou financeiro mensurável	Projeto NANDA / MIT Media Lab, The GenAI Divide (2025)

As pesquisas usam metodologias diferentes, porém descrevem o mesmo cenário: experimentar ferramentas se tornou comum; incorporá-las à operação ainda é exceção.

Entre contratar uma licença e melhorar um indicador de negócio existe um trabalho considerável. A empresa precisa escolher um processo relevante, entender como ele funciona, organizar as informações utilizadas, definir permissões, integrar sistemas, preparar os usuários e estabelecer uma forma confiável de comparar o antes e o depois.

Muitos projetos param antes dessa etapa:

• O piloto funciona durante uma demonstração, mas depende do envio manual de arquivos.
• O assistente responde perguntas, porém não acessa as fontes mais importantes.
• A automação economiza tempo em uma atividade e cria trabalho adicional em outra.
• Como ninguém registrou o desempenho anterior, torna-se difícil demonstrar o ganho obtido.

Nesses casos, a tecnologia entrou na empresa, enquanto a operação permaneceu praticamente igual.

Onde os projetos costumam travar

Nas conversas e nos diagnósticos que fazemos, o pedido inicial costuma ser amplo: a empresa quer "usar IA". Quando o processo é analisado com mais cuidado, aparecem problemas muito mais específicos.

• Documentos espalhados entre pastas, e-mails e sistemas diferentes.
• Atividades que dependem de planilhas e do conhecimento acumulado por poucas pessoas.
• Regras que existem, mas nunca foram formalizadas.
• Tarefas repetidas porque os sistemas não se comunicam.
• Pouca visibilidade da gestão sobre tempo, capacidade, qualidade e risco.

Nesse ambiente, a escolha do modelo representa apenas uma parte do projeto. Mesmo uma tecnologia avançada terá dificuldade para gerar resultados consistentes quando os dados estão fragmentados, as responsabilidades são ambíguas ou o processo não foi compreendido com clareza.

Um modelo pode produzir uma demonstração convincente e ainda assim falhar no uso diário. A diferença aparece quando surgem documentos incompletos, formatos inesperados, informações conflitantes, exceções de processo e decisões que exigem revisão humana. É nesse momento que uma prova de conceito precisa se transformar em sistema.

O MIT Sloan recomenda decompor os fluxos de trabalho em tarefas antes de definir a tecnologia. Essa análise ajuda a identificar onde a automação gera valor, quais informações são necessárias, quanto custará manter a solução e qual indicador deverá mudar.

O trabalho começa com perguntas práticas:

• Qual atividade consome mais tempo?
• Onde acontecem os atrasos?
• Quais erros se repetem?
• Que informações sustentam a decisão?
• Quais etapas continuam exigindo supervisão humana?

A partir dessas respostas, torna-se possível decidir onde a inteligência artificial realmente contribui.

Em alguns casos, um modelo menor, mais rápido e econômico é suficiente. Em outros, o principal ganho vem da organização dos dados, da integração entre sistemas ou da reconstrução de uma etapa do software. O valor surge da combinação dessas decisões, e não apenas da capacidade isolada do modelo.

O sistema construído ao redor da IA

Uma aplicação empresarial precisa funcionar no mesmo ambiente em que o trabalho acontece. Isso envolve autenticação, documentos, bancos de dados, permissões, histórico, filas de processamento, aprovações, registros e integrações.

Também exige decisões que raramente aparecem nas demonstrações: o que acontece quando uma informação está ausente, quando o modelo apresenta baixa confiança, quando duas fontes entram em conflito ou quando uma ação precisa ser aprovada antes de produzir efeito.

Esse conjunto transforma uma experiência pontual em software utilizável.

Na CatechLabs, tratamos software, dados e inteligência artificial como partes do mesmo sistema. O software conecta a solução ao fluxo de trabalho, às tarefas, aos documentos e às regras da organização. Quando o usuário precisa copiar informações de um sistema, conversar com um chatbot e depois registrar tudo novamente, uma parte importante do ganho desaparece.

Os dados fornecem o contexto necessário para que a aplicação funcione com consistência. Documentos, históricos, políticas, cadastros e regras precisam estar disponíveis com as permissões corretas. Sem essa base, uma resposta pode parecer convincente e ainda assim estar incompleta, desatualizada ou apoiada na fonte errada.

Os modelos entram para interpretar documentos, localizar informações, classificar dados, apoiar análises, produzir relatórios e executar tarefas. A escolha depende do problema, do custo, da velocidade, do volume e do nível de precisão exigido. Como cada caso apresenta restrições diferentes, não existe um único modelo adequado para todas as situações.

Como começamos um projeto

A CatechLabs desenvolve software para operações que dependem de grande volume de documentos, informações fragmentadas e trabalho especializado.

O primeiro passo é compreender o processo atual. Conversamos com as pessoas que executam as atividades, observamos as ferramentas utilizadas, identificamos os pontos de espera e verificamos como o resultado é acompanhado. Esse diagnóstico permite delimitar um caso de uso relevante, tecnicamente viável e possível de medir.

Projetos muito amplos tendem a consumir tempo antes de produzir qualquer mudança concreta. Por isso, buscamos uma parte da operação em que seja possível implementar a solução, colocá-la em uso e avaliar seu efeito sobre tempo, capacidade, qualidade ou risco.

Hoje, esse trabalho acontece principalmente por meio do Solon e do Forward.

Solon

O Solon é nossa plataforma para operações jurídicas complexas, começando por recuperação judicial e insolvência.

Esses processos reúnem milhares de documentos, credores, planilhas, manifestações, prazos e relatórios. As informações importantes costumam ficar distribuídas entre diferentes arquivos e sistemas, o que aumenta o esforço manual e dificulta a rastreabilidade.

O Solon organiza esse fluxo e ajuda profissionais jurídicos a localizar informações, analisar documentos, estruturar dados e produzir relatórios com mais rapidez. A plataforma assume atividades repetitivas e facilita o acesso ao contexto necessário, deixando mais tempo para análise, estratégia e decisão.

Na prática, isso pode representar a localização, em segundos, de uma informação antes dispersa em centenas de páginas. Também pode permitir que uma equipe revise um volume maior de documentos ou conclua em dias uma atividade que anteriormente ocupava semanas.

Esses resultados dependem do contexto de cada operação e precisam ser medidos. A tecnologia cria capacidade, mas o ganho efetivo varia conforme o processo, a qualidade dos dados e a forma como a solução é incorporada ao trabalho da equipe.

Forward

O Forward é nossa frente de diagnóstico e implementação para empresas que possuem um problema operacional relevante, mas ainda não sabem como transformá-lo em software.

O trabalho começa com o Design Study, no qual mapeamos o processo, os dados disponíveis, os sistemas envolvidos, os gargalos e os resultados esperados. A partir desse levantamento, estruturamos os casos de uso, a arquitetura, os riscos, a viabilidade, o plano de implementação e os critérios de sucesso.

Essa etapa reduz o risco de investir em tecnologia antes de compreender o problema. Também evita diagnósticos longos que produzem apresentações, mas nunca chegam à execução. Quando encontramos viabilidade técnica e econômica, avançamos para o desenvolvimento e a implantação da solução.

Cada projeto precisa gerar resultado para o cliente e, ao mesmo tempo, produzir conhecimento reutilizável para a CatechLabs. Esse aprendizado pode aparecer em novos componentes, integrações, métodos de implementação ou funcionalidades incorporadas aos nossos produtos.

O que estamos construindo

A CatechLabs ainda está no início. Estamos desenvolvendo produtos, trabalhando com clientes, revendo hipóteses e descobrindo quais partes da nossa visão funcionam na prática. Algumas ideias avançam rapidamente; outras precisam ser reformuladas ou abandonadas.

Nossa direção, porém, está definida. A próxima etapa da inteligência artificial nas empresas dependerá da qualidade dos sistemas criados ao redor dos modelos. As organizações capazes de organizar seus dados, integrar processos, estabelecer controles e medir resultados terão uma vantagem maior do que aquelas que apenas acumularem ferramentas.

Este espaço servirá para registrar o que aprendemos durante essa construção. Vamos escrever sobre agentes de IA, dados, integrações, governança, Legal Tech, arquitetura de software e implementação, sempre com atenção ao que muda na prática, onde a tecnologia pode ser aplicada e como verificar se ela produziu resultado.

Para receber os próximos ensaios, assine a newsletter IA em Operação.

Se sua empresa já enfrenta esse tipo de problema, conheça o trabalho da CatechLabs.

Referências

MIT / Projeto NANDA, The GenAI Divide: State of AI in Business

Pesquisa sobre a diferença entre adoção de IA generativa e impacto empresarial mensurável.

MIT Sloan, How to Find the Right Business Use Cases for Generative AI

Abordagem para decompor processos, avaliar custos e selecionar casos de uso.

MIT Executive Education, Beyond the Algorithm: Bridging the Last Mile of AI Adoption

Discussão sobre a influência do contexto, dos processos e da maturidade organizacional na geração de valor.

BCG, The Widening AI Value Gap

Levantamento sobre a diferença entre empresas que experimentam IA e aquelas que geram valor em escala.

McKinsey, The State of AI: Global Survey

Pesquisa global sobre adoção, expansão e captura de valor com inteligência artificial.

Deloitte, State of Generative AI in the Enterprise

Análise de iniciativas empresariais maduras e dos fatores associados à geração de retorno.