IA útil vive dentro do processo: como implementar inteligência artificial na empresa
Como escolher um caso de uso, desenhar dados e controles, avaliar qualidade e levar inteligência artificial do piloto à operação.

Sumário deste guia
- 01Resumo executivo
- 021. Procure fricção, não uma vitrine para IA
- 032. Quando usar regras, aprendizado de máquina ou IA generativa
- 043. Escreva um contrato do caso de uso
- 054. Dados são contexto, responsabilidade e limite
- 065. Desenhe a arquitetura como sistema sociotécnico
- 076. Human-in-the-loop precisa de função e autoridade
- 087. Segurança, LGPD e governança não são anexos
- 098. Avalie a tarefa, não a eloquência do modelo
- 109. Do piloto à produção sem salto de fé
- 1110. Operação contínua: qualidade pode mudar sem aviso visual
- 12Checklist para implementar IA na empresa
- 13Perguntas frequentes
Por Matheus Lobo — CTO e Software Engineer à frente da direção técnica da Korventi Technologies
Uma demonstração de inteligência artificial pode impressionar em minutos. Produção é outra realidade: existem dados incompletos, permissões, linguagem ambígua, exceções, custo, tempo de resposta e consequências quando uma saída está errada. A pergunta decisiva, portanto, não é “onde podemos colocar IA?”, mas “qual fricção real exige interpretação ou previsão e como controlaremos o resultado?”.
IA útil não vive isolada em uma caixa de conversa. Ela ocupa um lugar definido em um processo: recebe informações autorizadas, executa uma tarefa limitada, mostra incerteza quando necessário, entrega o resultado à pessoa ou sistema correto e produz sinais para avaliação. O valor aparece quando essa composição reduz esforço, melhora uma decisão ou torna conhecimento acessível sem criar um risco maior do que o problema original.
Resumo executivo
Uma implementação responsável pode seguir dez decisões:
- Começar pela fricção, observando espera, repetição, volume de informação e decisões inconsistentes.
- Separar IA de automação determinística, usando regras quando a resposta correta pode ser explicitada.
- Delimitar o caso de uso, o usuário, a entrada, a saída, a ação permitida e a falha tolerável.
- Conhecer os dados, sua origem, qualidade, finalidade, permissão, retenção e representatividade.
- Desenhar o sistema completo, não apenas o modelo: integrações, recuperação de contexto, validação, observabilidade e contingência.
- Posicionar supervisão humana de acordo com impacto, incerteza e reversibilidade.
- Aplicar segurança e privacidade desde o desenho, com acesso mínimo e limites técnicos às ações.
- Avaliar em dados representativos, combinando qualidade, segurança, operação, experiência e custo.
- Executar um piloto controlado, com critério explícito para avançar, corrigir ou parar.
- Monitorar continuamente, porque dados, comportamento, fornecedores e o próprio processo mudam.
1. Procure fricção, não uma vitrine para IA
O ponto de partida é o processo atual. Observe pessoas trabalhando e localize situações em que há:
- leitura ou classificação de grande volume de conteúdo não estruturado;
- procura repetida por informações espalhadas;
- elaboração inicial de textos que passam por revisão;
- previsão ou priorização baseada em muitos sinais;
- variação de linguagem para uma intenção semelhante;
- espera causada por triagem manual;
- decisões assistidas que podem se beneficiar de evidência organizada.
Nem toda fricção merece IA. Às vezes o formulário coleta dados ruins, duas áreas duplicam a mesma aprovação ou uma integração resolveria o problema com mais previsibilidade. Automatizar um processo mal definido pode apenas executar desperdício mais rápido.
Exemplo hipotético: uma equipe recebe documentos em formatos variados e precisa localizar campos específicos antes de cadastrar uma solicitação. A hipótese não deve ser “um modelo fará tudo”. Pode ser “uma extração assistida prepara os campos e destaca baixa confiança para revisão, reduzindo digitação sem autorizar cadastro incorreto”. Essa formulação revela o lugar da IA, a pessoa responsável e o limite da automação.
2. Quando usar regras, aprendizado de máquina ou IA generativa
Automação determinística é preferível quando entradas, regras e resultados corretos podem ser descritos de forma estável. Validação de formato, cálculo tributário previamente modelado, controle de permissão e transição obrigatória de status não deveriam depender da criatividade de um modelo de linguagem.
Aprendizado de máquina tradicional pode fazer sentido em classificação, previsão ou detecção de padrões quando há dados históricos adequados e uma variável de resultado verificável. IA generativa é especialmente útil para interpretar e produzir linguagem, resumir, extrair, transformar formatos ou apoiar busca semântica. Nenhuma dessas categorias elimina a necessidade de regras ao redor.
Use estas perguntas:
- A regra pode ser escrita e testada sem ambiguidade? Prefira código determinístico.
- A saída é uma previsão sobre padrão histórico? Avalie um modelo preditivo e a validade dos dados.
- A tarefa exige interpretar ou gerar linguagem com múltiplas respostas aceitáveis? Um modelo generativo pode ser candidato.
- O erro pode causar dano relevante ou ação irreversível? Reduza autonomia e exija controle independente.
- Não existe forma confiável de avaliar a saída? O caso ainda não está pronto para produção.
3. Escreva um contrato do caso de uso
Antes de selecionar fornecedor ou modelo, produza uma página que defina:
- usuário e objetivo;
- evento que inicia a tarefa;
- entradas permitidas e sua origem;
- saída esperada e formato;
- ação que poderá ser executada;
- sistemas e dados acessíveis;
- erros previsíveis e seu impacto;
- quando recusar, pedir esclarecimento ou escalar;
- métrica de qualidade e contramétrica;
- responsável pelo processo e pelo risco.
O contrato impede que um assistente restrito se transforme silenciosamente em agente com acesso amplo. Também orienta avaliação: se a finalidade é extrair campos, fluência textual importa menos do que exatidão por campo, cobertura, capacidade de abstenção e tempo poupado na revisão.
Identidade, segurança e governança envolvem toda a cadeia — do dado autorizado à ação observável.
4. Dados são contexto, responsabilidade e limite
Um modelo não corrige automaticamente informação inconsistente. Antes do protótipo, faça um inventário dos dados usados em entrada, contexto, avaliação e logs:
- origem e responsável;
- finalidade original e finalidade pretendida;
- categorias de dados, inclusive pessoais ou sensíveis;
- base legal e regras contratuais quando aplicáveis;
- qualidade, atualização, duplicidade e lacunas;
- grupos ou situações sub-representados;
- pessoas e serviços autorizados;
- localização, retenção e descarte;
- possibilidade de envio a fornecedores e condições de uso pelo provedor.
Em uma solução de recuperação de conhecimento — frequentemente chamada RAG — o modelo recebe trechos encontrados em uma base autorizada. Isso pode melhorar aderência às fontes, mas não garante verdade. Recuperação ruim fornece contexto errado; documento desatualizado produz resposta desatualizada; ausência de filtro pode atravessar permissões. Autorização deve ser aplicada antes da recuperação, não solicitada ao modelo por meio de uma instrução textual.
5. Desenhe a arquitetura como sistema sociotécnico
O modelo é um componente. A aplicação inclui identidade, interface, orquestração, fontes, ferramentas, regras, pessoas e operação. Uma arquitetura mínima pode conter:
- canal de entrada, que informa capacidades, limites e tratamento de dados;
- identidade e autorização, definindo o que cada usuário pode consultar ou executar;
- preparação, que valida formato, remove conteúdo indevido e compõe contexto;
- modelo, escolhido por qualidade, latência, custo, contrato e requisitos de dados;
- recuperação e ferramentas, limitadas por escopo e credenciais específicas;
- validação de saída, com schema, regras de negócio, filtros e checagens externas;
- roteamento, enviando baixa confiança ou alto impacto para uma pessoa;
- telemetria, registrando versão, latência, custo, decisão e feedback sem expor dados desnecessários;
- contingência, permitindo degradação segura ou retorno ao processo manual.
Modelos e prompts não são controles de acesso. Uma resposta dizendo “não posso” não substitui autorização no banco, na API ou na ferramenta. Da mesma forma, saída estruturada precisa ser validada como qualquer entrada não confiável antes de chegar a outro sistema.
6. Human-in-the-loop precisa de função e autoridade
Colocar uma pessoa no fluxo não garante supervisão. Se ela recebe dezenas de sugestões sem evidência, tem poucos segundos para decidir e é incentivada a apenas confirmar, o controle é decorativo.
Defina a participação humana em três momentos:
- antes da saída, estabelecendo política, fontes, limites e exemplos de avaliação;
- durante a operação, revisando exceções, decisões de maior impacto ou baixa confiança;
- depois, analisando incidentes, contestação, deriva e necessidade de alterar o sistema.
A interface deve mostrar informação suficiente para uma revisão independente: dados de origem relevantes, incerteza de forma compreensível, regra acionada, ação proposta e consequência. O revisor precisa poder editar, rejeitar, encaminhar e registrar motivo. Também deve existir capacidade real de interromper a automação.
Use o impacto para escolher autonomia. Conteúdo interno reversível pode receber revisão por amostragem. Uma recomendação que afeta direitos, dinheiro, segurança ou acesso pede análise mais rigorosa e aconselhamento especializado. A OCDE (abre em uma nova aba), em seus Princípios de IA atualizados em 2024, inclui agência e supervisão humanas, transparência, robustez, segurança e responsabilização entre as salvaguardas apropriadas ao contexto.
Quanto maior o impacto e menor a reversibilidade, mais forte precisa ser a supervisão.
7. Segurança, LGPD e governança não são anexos
O NIST AI Risk Management Framework (abre em uma nova aba) organiza gestão de riscos em quatro funções contínuas: Govern, Map, Measure e Manage. Na prática: estabelecer responsabilidades; compreender contexto e pessoas afetadas; medir comportamento e riscos; e priorizar respostas durante todo o ciclo de vida. Governança atravessa as demais funções, em vez de ser uma aprovação no final.
Para aplicações generativas, considere ameaças próprias da composição. O OWASP Top 10 para aplicações com LLMs de 2025 (abre em uma nova aba) destaca riscos como prompt injection, divulgação de informação sensível, tratamento impróprio de saídas e agência excessiva. Controles importantes incluem:
- privilégio mínimo para modelos, ferramentas e usuários;
- isolamento entre instruções, dados externos e comandos executáveis;
- validação determinística antes de qualquer ação;
- allowlists de operações e limites de volume, custo e frequência;
- nenhum segredo em prompt ou contexto recuperável;
- filtragem por permissão na origem dos dados;
- testes adversariais e monitoramento de padrões anômalos;
- aprovação humana para ações sensíveis e mecanismo de desligamento.
No Brasil, uso de dados pessoais deve observar a Lei Geral de Proteção de Dados, Lei nº 13.709/2018 (abre em uma nova aba). Entre os pontos relevantes para o desenho estão finalidade, adequação, necessidade, qualidade, transparência, segurança, prevenção, não discriminação e responsabilização. A empresa deve identificar seus papéis e os de fornecedores, manter registros quando aplicável, definir instruções ao operador e adotar medidas técnicas e administrativas de proteção.
O artigo 20 da LGPD prevê direito de solicitar revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem interesses do titular, além de informações claras sobre critérios e procedimentos, observados segredos comercial e industrial. Isso merece análise jurídica contextual; não basta adicionar um botão genérico de “revisão”. É preciso saber quais decisões o sistema suporta, como explicar o fluxo e quem consegue reavaliá-las.
Consulte também os guias da Autoridade Nacional de Proteção de Dados (abre em uma nova aba), inclusive sobre agentes de tratamento e segurança da informação. Contratos com provedores devem cobrir finalidade, localização, retenção, suboperadores, uso de entradas para treinamento, exclusão, incidentes e evidências de controle conforme o caso.
8. Avalie a tarefa, não a eloquência do modelo
Uma resposta convincente pode estar errada. Avaliação começa por critérios definidos no contrato do caso de uso e por exemplos representativos. O programa TEVV do NIST (abre em uma nova aba) enfatiza que medições dependem do contexto e podem abranger exatidão, robustez, viés, interpretabilidade, transparência, privacidade, confiabilidade, segurança e safety.
Organize a avaliação em camadas:
- qualidade da tarefa: exatidão, cobertura, aderência à fonte, formato e abstenção correta;
- segurança: vazamento, prompt injection, ações fora do escopo e separação de permissões;
- equidade: diferenças de desempenho entre grupos ou tipos de caso relevantes;
- experiência: compreensão, utilidade, esforço de revisão e capacidade de contestar;
- operação: latência, disponibilidade, erros de dependência e recuperação;
- economia: custo por tarefa concluída e esforço humano total, não apenas preço por token.
9. Do piloto à produção sem salto de fé
Um piloto deve responder perguntas, não servir apenas como demonstração. Delimite público, período, dados, ações permitidas, responsável de plantão, contingência e critérios de saída.
Uma progressão segura pode ser:
- avaliação offline em conjunto versionado;
- execução em sombra, sem influenciar o processo real;
- uso assistido por grupo restrito, sempre com revisão;
- expansão gradual por tarefa, público ou unidade;
- autonomia adicional somente após evidência e nova análise de risco.
Produção também exige dono de produto, dono do risco, suporte, runbook, orçamento, controle de versões e plano para indisponibilidade do fornecedor. Teste o caminho manual antes de precisar dele. Se o sistema muda uma ação de negócio, logue a cadeia de decisão de forma proporcional e compatível com privacidade.
10. Operação contínua: qualidade pode mudar sem aviso visual
- qualidade amostrada e taxa de abstenção;
- correções e rejeições humanas por motivo;
- incidentes, violações de política e tentativas adversariais;
- latência, erros, disponibilidade e consumo;
- distribuição das entradas e mudanças nas fontes;
- custo por tarefa concluída;
- efeitos na métrica do processo e nas contramétricas.
Defina gatilhos para reavaliar, reduzir autonomia, voltar de versão ou desligar. Revisões periódicas devem perguntar se a finalidade ainda existe, se dados e permissões continuam adequados e se uma solução mais simples agora resolve o problema.
Checklist para implementar IA na empresa
- O problema e a linha de base foram observados no processo real.
- Foi demonstrado por que regras ou integração simples não bastam.
- Usuário, entrada, saída, ação e limites estão em um contrato de caso de uso.
- Dados têm origem, finalidade, permissão, qualidade, retenção e responsável conhecidos.
- O conjunto de avaliação representa casos comuns, limites, recusas e ataques.
- Permissões são aplicadas por sistemas, não pelo prompt.
- Saídas são validadas antes de gerar ações.
- Supervisão humana possui tempo, evidência, autoridade e registro.
- LGPD, contratos, setor e direitos das pessoas foram avaliados por responsáveis competentes.
- Métricas cobrem qualidade, segurança, experiência, operação e custo.
- O piloto tem público, contingência e critérios para avançar, corrigir ou parar.
- Existem monitoramento, resposta a incidentes, rollback e dono do risco em produção.
Perguntas frequentes
Começar com um chatbot é a opção mais simples?
Não necessariamente. A interface parece simples, mas perguntas abertas ampliam o escopo, as fontes e os tipos de falha. Um caso estreito — classificar uma solicitação, extrair campos ou preparar um rascunho específico — costuma ser mais fácil de avaliar e controlar. A escolha deve vir do processo.
RAG elimina alucinações?
Não. Recuperar documentos pode fornecer contexto e permitir citações, porém busca, fonte e geração ainda podem falhar. É preciso avaliar recuperação e resposta separadamente, controlar permissões, mostrar fontes quando relevante e definir quando o sistema deve se abster ou pedir revisão.
Human-in-the-loop torna qualquer uso seguro?
Não. Supervisão só reduz risco quando a pessoa tem evidência, capacidade, tempo e autoridade para discordar. Automação tendenciosa, volume excessivo e interface persuasiva podem transformar revisão em confirmação automática. O desenho deve ser testado com os próprios revisores.
Posso enviar dados pessoais ou internos a um modelo externo?
A resposta depende de finalidade, base legal, necessidade, contrato, configuração, transferência, retenção, segurança e regras do setor. Não presuma que um plano corporativo resolve todas as obrigações. Faça inventário dos dados e envolva responsáveis por privacidade, jurídico, segurança e o processo antes do envio.
Como saber se o piloto está pronto para produção?
Quando cumpre critérios definidos previamente em dados representativos; demonstra benefício sobre a linha de base; mantém riscos dentro da tolerância aprovada; possui operação, contingência e responsáveis; e passou pela análise jurídica, de privacidade e segurança aplicável. Uma boa apresentação ou feedback informal não substitui essas evidências.
Sua decisão precisa de evidência, não de promessa.
Quer aplicar os princípios de inteligência artificial ao seu negócio? A Korventi ajuda a transformar processo, restrição e objetivo em uma direção técnica mensurável.
Conversar sobre um projetoFontes primárias e referências oficiais
- NIST — AI Risk Management Framework 1.0 e recursos: https://airc.nist.gov/airmf-resources/airmf/ (abre em uma nova aba)
- NIST — AI RMF Core (Govern, Map, Measure, Manage): https://airc.nist.gov/airmf-resources/airmf/5-sec-core/ (abre em uma nova aba)
- NIST — Generative AI Profile, NIST AI 600-1: https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf (abre em uma nova aba)
- NIST — AI Test, Evaluation, Validation and Verification: https://www.nist.gov/ai-test-evaluation-validation-and-verification-tevv (abre em uma nova aba)
- Presidência da República — Lei nº 13.709/2018, LGPD, texto compilado: https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709compilado.htm (abre em uma nova aba)
- ANPD — Perguntas frequentes e materiais orientativos: https://www.gov.br/anpd/pt-br/acesso-a-informacao/perguntas-frequentes (abre em uma nova aba)
- ANPD — Guia de Segurança da Informação para Agentes de Tratamento de Pequeno Porte: https://www.gov.br/anpd/pt-br/centrais-de-conteudo/materiais-educativos-e-publicacoes/guia-vf.pdf (abre em uma nova aba)
- ANPD — Guia para Definições dos Agentes de Tratamento e do Encarregado: https://www.gov.br/anpd/pt-br/centrais-de-conteudo/materiais-educativos-e-publicacoes/guia-orientativo-para-definicoes-dos-agentes-de-tratamento-de-dados-pessoais-e-do-encarregado (abre em uma nova aba)
- OECD — AI Principles, atualizados em 2024: https://www.oecd.org/en/topics/ai-principles.html (abre em uma nova aba)
- OWASP GenAI Security Project — Top 10 for LLM Applications 2025: https://genai.owasp.org/llm-top-10/ (abre em uma nova aba)


