Um retalhista quer saber quantas unidades deve encomendar para a próxima semana. Quer também decidir se deve reposicionar a marca para clientes dispostos a pagar mais por produtos saudáveis. Pode enviar ambas as perguntas ao ChatGPT e receber duas respostas convincentes, mas isso não significa que tenha resolvido qualquer um dos problemas.
Na encomenda, é possível fixar um objetivo, como reduzir as ruturas sem acumular stock, e confrontar a recomendação com as vendas. Essa decisão permite calcular uma resposta de acordo com critérios acordados – uma decisão restrita. No reposicionamento, é preciso decidir quais clientes servir, quais receitas arriscar e quem aceita mudar a operação. Neste cenário, os critérios fazem parte da discussão, ou seja, as decisões são abrangentes. A questão é que há uma diferença entre elas e essa distinção tem consequências financeiras.
No inquérito da McKinsey publicado em agosto de 2026, 80% dos participantes dizem que a IA melhorou a sua produtividade individual. Contudo, apenas 6% reportam um contributo significativo e positivo para os resultados da organização.
Estes números não explicam, por si só, a distância entre utilização e resultados. Mas obrigam a questionar que caminho estamos a seguir. Um gestor pode preparar uma apresentação mais depressa e continuar sem saber que decisão tomar, porque escolhe a ferramenta antes de compreender o problema. E como parte de compreender o problema, é necessário começar pela decisão: O que precisa ser decidido? Com que objetivo? Por quem? De que forma?
Nas decisões restritas, a IA de cariz mais analítico permite prever, comparar alternativas e otimizar recursos. «Restrita» descreve um problema suficientemente delimitado para ser modelizado, contudo, não significa que seja simples ou pouco importante. A gestão define o objetivo, os dados e os limites. O modelo procura a melhor solução dentro dessas condições, sujeito a testes e supervisão.
Um dos casos que analisámos num artigo recente na MIT Sloan Management Review ilustra esta divisão de trabalho. Um banco europeu usou um modelo preditivo para estimar quais os clientes que poderiam sair nos 90 dias seguintes e orientar ações de retenção. A IA generativa ajudou a transformar reclamações e contactos com clientes em informação utilizável pelo modelo, além de preparar guiões para as equipas. Para calcular o risco de saída, o banco recorreu à IA analítica. A IA generativa ajudou a interpretar os contactos e a preparar a comunicação.
Nas decisões abrangentes, é preciso conciliar objetivos diferentes. Por exemplo, uma seguradora pode organizar as equipas por tipo de seguro ou por tipo de cliente, como particulares e empresas. Passar de uma estrutura para a outra, muda quem decide, quem responde pelos resultados e como se distribuem os recursos. Melhorar o serviço ao cliente pode justificar a mudança, mas é preciso pesar esse benefício face aos custos e à perturbação da operação. Cabe à gestão escolher o que está disposta a sacrificar e acordar com as equipas como executar a mudança.
Aqui, a IA generativa pode reunir argumentos a favor e contra a reorganização, comparar experiências de outras empresas e ajudar a antecipar dificuldades. Os modelos analíticos podem estimar os custos de cada alternativa. Estas ferramentas dão à gestão mais informação para discutir a escolha. Mas uma recomendação bem escrita pode apoiar-se em dados frágeis ou ignorar o funcionamento da empresa. Os gestores têm de verificar os argumentos e assumir a decisão, incluindo as consequências para as equipas.
Antes de aprovar mais um projeto, a administração deve pedir que se identifique a decisão que vai mudar. O objetivo é mensurável? Existem dados fiáveis? É possível testar a recomendação e corrigir o rumo? Quando as respostas a estas perguntas são afirmativas, faz sentido investir em IA com um forte cariz analítico. No caso contrário, é preciso perceber se há um problema de informação ou uma divergência sobre prioridades que cabe à gestão resolver.
Também é preciso avaliar o retorno de usar IA numa decisão. No mesmo inquérito da McKinsey, cerca de 20% dos participantes referem que os custos de operação já limitaram o uso de IA nas suas organizações. Cada projeto deve, por isso, explicitar o benefício esperado, o custo total e como será avaliado. Numa decisão de stock, podem medir-se as ruturas e o capital imobilizado. Numa reorganização, devem acompanhar-se os custos e a qualidade do serviço, além de verificar se as equipas conseguem executar a mudança.
Antes de aprovar mais investimento em IA, a administração deve conseguir responder a uma pergunta: que decisão passará a tomar melhor? Para encomendar, precisa de previsões e de cálculo. Para mudar de estratégia, precisa de escolher prioridades e mobilizar a empresa. Pedir a um chatbot que resolva ambos os problemas da mesma forma é um erro de gestão. A sofisticação da tecnologia não o corrige (pelo menos para já!).
Pedro Amorim,
partner LTPlabs
