IA e estratégia de negócios: o que o executivo precisa saber antes do próximo projeto de IA
Entenda por que projetos de IA devem começar por valor, estratégia e governança — e não pela escolha da tecnologia ou pela pressão de seguir o mercado.
O programa Strategic Thinking da State University of New York (SUNY), coordenado por Mario Trentim em parceria com a IBS Americas, inclui módulo sobre inteligência artificial como variável estratégica — não como projeto de TI. Para executivos que tomam decisões sobre investimento em IA. Acontece em janeiro, New Paltz e Albany, Nova York. Bolsas de até 60% disponíveis.
Toda grande organização está, neste momento, conduzindo alguma iniciativa de inteligência artificial. A maioria está fazendo isso como projeto de tecnologia: orçamento separado, equipe técnica dedicada, relatório para o CTO ou CIO, cronograma de implementação, entregáveis técnicos. A pergunta que essas organizações raramente fazem com a profundidade que a questão merece é: onde, exatamente, a IA cria vantagem competitiva sustentável para esta organização específica — e onde ela apenas acompanha o mercado sem criar diferenciação?
A diferença entre as duas perguntas não é semântica. É a diferença entre investimento estratégico — que cria posição competitiva que concorrentes não conseguem replicar facilmente — e investimento de commodidade — que é necessário para permanecer competitivo mas que não cria vantagem, porque os concorrentes fazem o mesmo com as mesmas ferramentas disponíveis no mercado.
Estratégia sem execução é desejo. E no caso de IA, a maioria das estratégias permanece no desejo — porque a questão de onde investir nunca foi respondida com a clareza necessária para guiar a execução.
O erro de categoria: tratar IA como projeto de TI
Quando IA é tratada como projeto de TI, as decisões sobre onde investir são tomadas por critérios técnicos: viabilidade de implementação, qualidade dos dados disponíveis, maturidade da tecnologia, custo de infraestrutura. Esses são critérios válidos para a execução — mas não são os critérios certos para a decisão estratégica de onde investir.
O critério estratégico é diferente: onde a IA muda a equação competitiva de maneira que favorece esta organização especificamente? Essa pergunta requer análise de posicionamento — o que Porter chamaria de análise de vantagem competitiva — aplicada ao contexto específico de cada organização. Não é análise técnica. É análise estratégica que usa IA como variável, não como subject.
A confusão entre os dois tipos de análise produz organizações que implementam IA em todas as áreas onde é tecnicamente viável — e que descobrem, ao calcular o ROI dois anos depois, que o retorno agregado não justifica o investimento. Não porque a tecnologia não funciona — porque a alocação de investimento não foi estratégica. Foi oportunista.
O que o BCG documenta sobre IA estratégica versus IA técnica
O Boston Consulting Group publicou em 2025 análise sobre padrões de criação de valor com IA em 1.700 empresas em múltiplos setores. O resultado central: empresas com abordagem estratégica de IA — que definiram explicitamente onde IA cria vantagem competitiva antes de investir — têm retornos três vezes maiores do que empresas que adotam IA de maneira ampla, como iniciativa de modernização tecnológica.
A diferença entre as duas abordagens não está na qualidade técnica das implementações — está em quão precisamente as empresas com abordagem estratégica identificaram os pontos onde IA amplifica vantagens que já tinham, em vez de construir capacidade de IA em áreas onde não tinham vantagem competitiva a amplificar.
O padrão documentado pelo BCG: empresas com IA estratégica começam pela pergunta “onde nossa vantagem competitiva atual é limitada pela velocidade de processamento de informação ou pela capacidade de personalização?” — e investem IA especificamente nessas áreas. Empresas com adoção ampla de IA começam pela pergunta “onde podemos implementar IA?” — e investem onde a tecnologia se encaixa melhor, independente de onde a vantagem competitiva seria mais amplificada.
A J-curve de McKinsey: por que o ROI de IA demora
O McKinsey Global Institute documentou um padrão consistente no ROI de adoção de IA: a J-curve. Nos primeiros 12 a 18 meses de adoção, o retorno é negativo — o investimento em infraestrutura, treinamento, redesenho de processos e gestão de mudança supera os benefícios iniciais. A curva começa a subir entre 18 e 36 meses, quando os processos estão redesenhados, os comportamentos mudaram, e os sistemas estão gerando outputs que as equipes efetivamente usam para tomar melhores decisões.
A implicação para executivos é que decisões de IA precisam de horizonte de cinco anos, não de um. Um programa de IA aprovado com expectativa de ROI positivo em 12 meses quase sempre vai parecer fracasso no mês 14 — porque a curva ainda está na parte descendente da J. A pressão para cancelar ou redirecionar o investimento nesse ponto é a causa mais frequente de programas de IA que “não funcionaram” — quando na verdade foram interrompidos antes de chegar ao ponto onde funcionariam.
Isso tem implicação direta para como o executivo deve estruturar o caso de negócio para aprovação de programa de IA. Um caso de negócio honesto mostra a J-curve: investimento alto nos primeiros 18 meses, retorno negativo a zero nos meses 12 a 24, e retorno positivo crescente a partir do mês 30. Esse caso de negócio é mais difícil de aprovar — e mais honesto. E é o que evita que iniciativas sejam canceladas prematuramente quando chegam ao ponto mais difícil da curva.
Christensen e a pergunta que a maioria dos executivos não faz
Clayton Christensen desenvolveu o framework de Jobs to be Done — a ideia de que clientes não compram produtos ou serviços, mas “contratam” soluções para completar trabalhos que precisam ser feitos. Aplicado à decisão estratégica sobre IA, o framework produz uma pergunta mais útil do que “onde podemos aplicar IA?”:
Qual job to be done a IA completa melhor do que as alternativas disponíveis? Essa pergunta força análise do que o cliente ou do que a operação interna está tentando fazer — qual é o trabalho real que precisa ser feito — e avalia se IA é de fato a melhor solução para esse trabalho específico, ou se há alternativas mais simples, mais rápidas e mais baratas.
O resultado dessa análise frequentemente surpreende: há processos onde IA é claramente a melhor solução — onde o volume de dados, a velocidade necessária ou a complexidade da personalização tornam IA irreplaceable. E há processos onde IA é tecnicamente possível mas onde uma solução mais simples — um processo redesenhado, um formulário diferente, uma ferramenta de automação básica — resolve o problema com 80% da eficácia e 20% do custo.
A disciplina de fazer essa análise antes de investir — em vez de depois, quando o investimento já foi feito e a racionalização do custo precisa acontecer — é o que distingue alocação estratégica de adoção oportunista.
Estratégia sem execução é desejo — estratégias de IA que ficam no PowerPoint são a norma. O diferencial é a disciplina de implementação: dados limpos, processos redesenhados, comportamentos novos.
O que distingue empresas com IA estratégica
As empresas que o BCG e a McKinsey classificam como tendo abordagem estratégica de IA têm um padrão em comum que vai além da qualidade do investimento. Elas definiram onde não vão usar IA tanto quanto onde vão. Essa escolha de não usar — explícita, documentada, revisada periodicamente — é o que garante que o investimento esteja concentrado onde cria mais valor, em vez de disperso onde cria algum valor.
Essa escolha requer liderança com disposição para fazer trade-offs estratégicos reais — não apenas adicionar IA a tudo que parece possível, mas escolher onde concentrar com base em análise de onde a vantagem competitiva é mais amplificável. É a mesma lógica de Porter aplicada ao portfólio de IA: não eficiência em tudo, mas excelência onde o posicionamento estratégico é mais claro.
O segundo padrão das empresas com IA estratégica: elas investem em dados antes de investir em modelos. A qualidade dos dados que alimentam os modelos de IA é mais determinante para a qualidade do output do que a sofisticação do modelo. Organizações que implementam modelos sofisticados em dados de baixa qualidade produzem outputs de baixa qualidade com alta confiança aparente — que é mais perigoso do que não ter o modelo.
Três perguntas antes de aprovar qualquer projeto de IA
Primeira: qual comportamento ou operação vai mudar? Não “qual sistema vai ser implementado” — qual comportamento humano ou qual processo operacional vai ser fundamentalmente diferente depois da implementação? Se a resposta não é específica — se o executivo não consegue descrever em concreto o que vai mudar — o projeto não tem clareza suficiente para ser aprovado.
Segunda: como vamos medir que mudou? A métrica de sucesso precisa ser definida antes da implementação, não depois. E precisa medir mudança real — comportamento diferente, decisão melhor, resultado mensurável — não apenas adoção técnica. “Número de usuários que usam a ferramenta” não é métrica de sucesso. “Tempo de resposta a clientes reduzido em 40% em situações de prioridade alta” é métrica de sucesso.
Terceira: o que fazemos se não mudar em 18 meses? Essa pergunta força que a organização defina, antes de começar, qual é o gatilho para redirecionar ou cancelar o projeto — e o que aprenderia com o redirecionamento ou cancelamento. Projetos aprovados sem gate de revisão explícito tendem a continuar por inércia mesmo quando os dados mostram que não estão produzindo o resultado esperado.
O SUNY e a disciplina de decisão sobre IA
O módulo de IA no programa Strategic Thinking da SUNY trabalha exatamente esse território: não como funciona a tecnologia, mas como tomar decisões sobre onde e como investir em IA com a mesma disciplina estratégica que se aplicaria a qualquer outra decisão de alocação de recursos de longo prazo.
Os participantes trabalham casos reais das suas organizações — projetos de IA em andamento ou em consideração — e aplicam as três perguntas acima em ambiente com perspectivas de profissionais de outros setores e países. O resultado consistente: clareza sobre quais projetos em andamento têm fundamento estratégico sólido, quais estão sendo conduzidos por entusiasmo tecnológico, e o que mudar em cada caso para aumentar a probabilidade de criar valor real.
Limitações
1. O que constitui vantagem competitiva sustentável via IA está em constante evolução. A análise de onde IA cria diferenciação hoje pode ser obsoleta em 24 meses, quando a mesma tecnologia se torna disponível para todos os competidores a custo significativamente menor. Vantagem competitiva via IA requer reinvestimento contínuo em capacidade — não é posição que se estabelece uma vez e se mantém.
2. A J-curve descrita pelo McKinsey é uma média — variação individual é alta. Algumas implementações de IA produzem retorno positivo em 12 meses. Outras demoram mais de 5 anos. O horizonte de 5 anos é uma diretriz de planejamento, não uma garantia. O que o executivo precisa fazer é revisar as premissas periodicamente com base em dados reais de progresso — não usar o horizonte de 5 anos como justificativa para continuar sem revisão.
3. A análise de Jobs to be Done de Christensen foi desenvolvida para contexto de marketing e inovação de produto. Sua aplicação à decisão estratégica sobre IA é extensão do framework original que requer adaptação cuidadosa. O valor da pergunta — “qual work to be done a IA completa melhor?” — é real. A metodologia completa de JTBD tem nuances que nem sempre se transferem diretamente para análise de portfólio de IA.
Leia também neste hub: O que a inteligência artificial exige de líderes que nenhum treinamento está ensinando · Pensamento estratégico não é planejar · O gerente de projetos da era da IA
Strategic Thinking — State University of New York (SUNY) · Janeiro
O programa SUNY inclui módulo específico sobre IA como variável estratégica — para executivos que precisam tomar decisões de investimento em IA com a mesma disciplina que aplicam a qualquer outra decisão estratégica de longo prazo. Realizado em New Paltz e Albany, Nova York. Bolsas de até 60% disponíveis.
Mario H. Trentim é keynote speaker e membro do Board of Directors do PMI Global (2025–2027). Doutorando em Engenharia Aeronáutica e Mecânica no ITA, autor de 13 livros e Academic Leader dos programas de gestão na CSUN e SUNY. mario.trentim