Automação com IA, sem hype: o que substitui de facto numa empresa

A automação com IA não substitui pessoas nem departamentos. Substitui tarefas específicas dentro dos processos, e a maioria das empresas continua a apontar para as erradas.

No inquérito State of AI 2026 da McKinsey, 80% dos inquiridos afirmaram que a IA melhorou a sua produtividade individual. Apenas 37% disseram que tinha contribuído de alguma forma para o EBIT da organização, uma percentagem praticamente igual à do ano anterior (McKinsey, 2026). Esse desfasamento importa mais do que qualquer taxa de adoção: as pessoas trabalham mais depressa, os orçamentos de IA são maiores e a conta de resultados quase não mexeu. A explicação habitual é que a tecnologia ainda não está pronta. A mais rigorosa é que a maioria das empresas a aponta para a unidade de trabalho errada. Perguntam se a IA pode substituir uma função ou um departamento, compram uma ferramenta com cara de solução e colocam-na num processo desenhado para que as pessoas façam tudo à mão.

O desfasamento começa a fechar-se quando o alvo passa dos empregos para as tarefas: ler, triar, voltar a escrever dados e fazer primeiros rascunhos, o trabalho que preenche o espaço entre as decisões pelas quais as pessoas são realmente pagas. As empresas que não redesenham o processo em torno dessas tarefas acabam com pessoas mais rápidas dentro de um negócio igual ao que era, que é exatamente o padrão descrito pelos números da McKinsey.

A automação com IA substitui tarefas, não empregos

Cada emprego é um conjunto de tarefas. Um agente de apoio ao cliente lê pedidos, percebe o que o cliente quer, consulta a conta, escreve uma resposta e, de vez em quando, convence alguém a não cancelar. A IA é muito boa em alguns destes passos e pouco adequada a outros, e é por isso que "a IA consegue fazer este trabalho?" é a pergunta errada. A pergunta útil é mais estreita: que tarefas dentro deste trabalho a IA consegue executar com fiabilidade, em volume, com uma pessoa a assumir quando não tem certeza?

A evidência de terreno confirma esta visão ao nível da tarefa. Num estudo com 5172 agentes de apoio ao cliente que usavam um assistente de IA generativa, a ferramenta ajudou-os a resolver, em média, cerca de 15% mais casos por hora, com os maiores ganhos entre os profissionais menos experientes (Brynjolfsson, Li e Raymond, 2025). O efeito medido foi mais produção por pessoa, não menos pessoas.

A Klarna é o exemplo público mais claro dos dois lados da questão. Em fevereiro de 2024, a empresa anunciou que o seu assistente, desenvolvido com a OpenAI, tinha tido 2,3 milhões de conversas no primeiro mês, dois terços de todos os chats de apoio ao cliente, fazendo o trabalho equivalente a 700 agentes a tempo inteiro e reduzindo o tempo de resolução de 11 minutos para menos de dois (Klarna, 2024). Quinze meses depois, o CEO Sebastian Siemiatkowski disse à Bloomberg que a aposta centrada no custo tinha resultado num serviço de menor qualidade, e a Klarna voltou a recrutar agentes humanos para que os clientes pudessem falar sempre com uma pessoa (Entrepreneur, 2025). Ainda assim, no final de 2025, a empresa afirmava que o assistente fazia o trabalho de mais de 850 agentes (Customer Experience Dive, 2025). A IA absorveu extremamente bem as tarefas de grande volume e bem documentadas; os problemas começaram quando foi tratada como substituta do trabalho inteiro, incluindo as decisões que exigem julgamento e os clientes que simplesmente precisavam de uma pessoa.

Essa distinção é a melhor defesa quando um fornecedor apresenta um "funcionário de IA". Pergunte que tarefas concretas executa, de que dados de entrada precisa, o que acontece quando a entrada é ambígua, como é validado o resultado, qual é a taxa de erro e quando é que uma pessoa assume. Se as respostas continuarem vagas, está perante uma apresentação comercial e não um sistema, e quem vai descobrir isso são os seus clientes.

O que a automação com IA faz bem

Os casos de uso mais sólidos partilham quatro características: grande volume, dados de entrada desorganizados ou não estruturados, um resultado verificável e uma pessoa que assume quando a confiança é baixa. O que mudou recentemente tem menos a ver com inteligência bruta e mais com fiabilidade enquanto componente. As APIs dos principais modelos já devolvem resultados estruturados, respostas que respeitam um esquema JSON definido por si, o que permite que o resultado do modelo entre diretamente num helpdesk, ERP ou CRM sem que ninguém o tenha de arrumar. Isso transforma um modelo de linguagem de uma janela de chat num passo de um fluxo automatizado, e é nesses fluxos que estão as poupanças operacionais.

Ler e triar

A classificação de pedidos de suporte, a categorização de faturas e o encaminhamento de pedidos são os exemplos clássicos. Um modelo de linguagem lê cada item que chega, escolhe uma etiqueta de uma lista predefinida, como pedido comercial, questão de faturação ou pedido de cancelamento, e devolve-a num formato estruturado com que o sistema seguinte pode trabalhar diretamente. Cada etiqueta traz um sinal de confiança, obtido a partir das probabilidades dos tokens ou de uma verificação de validação, e tudo o que fica abaixo do limiar vai para uma fila tratada por pessoas, em vez de ser adivinhado. O valor está em triar grandes volumes de texto com consistência suficiente para que o passo seguinte avance sem que alguém tenha de ler cada item primeiro, o que encurta os tempos de primeira resposta e impede que pedidos urgentes, como um cancelamento, fiquem parados numa caixa de entrada geral.

Extração de dados de documentos

Faturas, notas de encomenda e contratos estão cheios de informação que tradicionalmente é copiada à mão para os sistemas da empresa. A IA consegue extrair campos como fornecedor, número da fatura, data, imposto, total e linhas de detalhe para um esquema predefinido. Em seguida, uma validação determinística, código simples que dá sempre a mesma resposta para os mesmos dados, verifica o resultado: as linhas somam o total, o fornecedor existe, a nota de encomenda corresponde? Os registos corretos seguem automaticamente e as exceções vão para uma pessoa, com o campo problemático assinalado. A IA trata da interpretação e as regras tratam da exatidão, por isso as equipas financeiras deixam de copiar PDFs e dedicam a atenção às exceções que realmente representam risco.

Primeiros rascunhos de textos repetitivos

Relatórios semanais, respostas-padrão de suporte e descrições de produtos seguem sempre a mesma estrutura, o que faz deles bons candidatos a rascunhos automáticos. A parte importante acontece antes de o modelo escrever: o fluxo começa por ir buscar material relevante às suas próprias fontes, como um centro de ajuda, um CRM ou um sistema de BI, e entrega-o ao modelo juntamente com a tarefa. Este padrão chama-se geração aumentada por recuperação, ou RAG (retrieval-augmented generation). Não garante que o resultado esteja correto, mas torna muito mais provável um rascunho assente nos seus dados do que um que apenas pareça plausível. As pessoas continuam a rever e a enviar, mas editam um rascunho preparado em vez de partirem de uma página em branco, e é aí que as equipas de marketing e de suporte recuperam horas todas as semanas.

Pesquisa de conhecimento interno

O conhecimento de uma empresa está espalhado pelo SharePoint, Notion, Google Drive e Slack, e a pesquisa por palavras-chave só funciona se adivinhar as palavras que o autor usou. A pesquisa semântica procura o significado. Na prática, converte documentos e perguntas em embeddings vetoriais, representações numéricas do significado, e devolve os excertos cujos embeddings estão mais próximos dos da pergunta. É por isso que "quantos dias de férias tenho depois do primeiro ano?" pode encontrar uma política intitulada "direito a férias anuais". Os bons sistemas indicam a fonte de cada resposta para que as pessoas a possam confirmar, e é isso que gera confiança suficiente para que deixem de enviar as mesmas perguntas aos recursos humanos, à equipa de IT e às finanças.

O que a automação com IA não deve substituir

A IA não elimina a responsabilidade. Continua a haver alguém responsável pela decisão de um reembolso, pela aprovação de um contrato e pela conversa com um cliente importante insatisfeito, e colocar um modelo à frente desses momentos transfere risco para a sua marca sem retirar responsabilidade à sua equipa. A IA também não deve substituir regras que já funcionam. Se a regra é "encomendas acima de 10 000 € exigem aprovação das finanças", escreva-a em código ou no seu motor de workflow. Um modelo de linguagem só acrescentaria custo, latência e variabilidade a uma decisão que deve ser determinística.

A Gartner fez uma observação semelhante em 2025, notando que muitos casos de uso apresentados como "agênticos" não precisam de uma implementação agêntica, e previu que mais de 40% dos projetos de IA agêntica serão cancelados até ao final de 2027 devido ao aumento dos custos, a um valor de negócio pouco claro ou a controlos de risco insuficientes (Gartner, 2025). Mais IA não significa automaticamente mais valor: cada chamada desnecessária a um modelo é uma linha de custo com uma taxa de erro associada. Use IA onde um passo exige ler, interpretar, classificar ou escrever, e software convencional sempre que a regra possa ser escrita.

Onde as empresas erram na automação com IA

O erro mais comum é acrescentar IA a um processo que já não funciona. Uma equipa adiciona um chatbot, mas mantém o mesmo formulário de entrada, as mesmas passagens de mão em mão e as mesmas aprovações, e acaba com uma funcionalidade de IA dentro de um processo lento. A investigação da McKinsey de março de 2025 concluiu que, dos 25 atributos organizacionais analisados, o redesenho dos processos era o que tinha a relação mais forte com o impacto da IA generativa no EBIT, e no entanto apenas 21% das organizações que a utilizavam tinham redesenhado de forma profunda pelo menos alguns processos (McKinsey, 2025). Isso ajuda muito a explicar o desfasamento descrito na introdução. As tarefas individuais ficam mais rápidas, mas se o passo seguinte continua dois dias à espera na caixa de entrada de alguém, nem o cliente nem a conta de resultados dão por isso.

O segundo erro é construir antes de medir. Se não sabe quanto tempo uma tarefa demora hoje, com que frequência acontece ou quantas vezes corre mal, não consegue provar que a automação criou valor. O terceiro é escolher o caso de uso mais impressionante em vez do mais frequente. Uma tarefa feita 400 vezes por semana, a quatro minutos cada, soma mais de 26 horas de trabalho por semana, a maior parte de um posto a tempo inteiro gasta num único passo repetitivo. Não precisa de impressionar numa demonstração; precisa de acontecer muitas vezes e de ter um antes e um depois mensuráveis.

Como escolher a primeira automação com IA

Comece pelas tarefas, não pelos processos. "Contas a pagar" é um processo; "introduzir os totais das faturas no ERP" é uma tarefa, e só a segunda pode ser delimitada, medida e automatizada em semanas em vez de trimestres. Quando tiver a lista de tarefas, avalie cada uma com base em cinco perguntas:

Antes de construir o que quer que seja, registe uma base de referência: volume, tempo por tarefa, taxa de erro e número de passagens de mão em mão. Sem ela, "a IA poupou-nos tempo" é uma opinião e não um resultado. Depois, construa de forma focada: automatize uma tarefa, acrescente um passo de revisão, registe todas as entradas e saídas e elimine as passagens que só existiam porque a tarefa era manual. Esse último passo é o redesenho de processos que a McKinsey associa ao impacto no EBIT, e é o que distingue a automação de processos com IA de simplesmente encaixar um modelo num processo antigo.

A resposta real

As empresas que estão a captar valor com a automação com IA não são as que têm os modelos mais sofisticados nem os roadmaps de agentes mais ambiciosos. São as que escolheram tarefas específicas e repetitivas, as mediram e reconstruíram o processo à volta delas, para que os minutos poupados chegassem ao cliente e à conta de resultados em vez de se evaporarem na reunião seguinte. Se a sua estratégia de IA é, neste momento, uma lista de ferramentas, pergunte quantas delas eliminam uma tarefa concreta com uma base de referência conhecida.

Por isso, comece esta semana com uma equipa. Peça-lhe que registe todas as tarefas que repete mais de cinco vezes por dia, anotando a frequência, o tempo por tarefa, o que entra, o que sai e o que acontece quando corre mal. Ordene a lista por horas semanais, fique com as tarefas que têm resultados verificáveis e custos de erro controláveis, e automatize a primeira com um passo de revisão e uma base de referência registada. Dentro de um trimestre, terá aquilo que a maioria dos programas de IA ainda não tem: um resultado medido que pode escalar. Se não consegue dizer que tarefa uma ferramenta de IA substitui e quanto tempo essa tarefa demora hoje, não está a comprar automação. Está a comprar uma demonstração.

Perguntas frequentes

A automação com IA vai reduzir o nosso número de colaboradores?

Não necessariamente. No inquérito da McKinsey de novembro de 2025, 32% dos inquiridos esperavam que a sua força de trabalho diminuísse no ano seguinte, 43% não esperavam alterações e 13% esperavam crescimento. São expectativas, não resultados medidos. Em muitos processos, o primeiro efeito mensurável é a capacidade: a mesma equipa a dar resposta a mais trabalho.

Em que é que a automação com IA difere da RPA?

A automação robótica de processos (RPA) segue regras predefinidas e funciona bem quando os processos e os dados de entrada são previsíveis. A IA é útil quando os dados de entrada não são estruturados, como e-mails, PDFs ou pedidos em texto livre. As duas funcionam bem em conjunto: a IA interpreta a entrada desorganizada e a RPA ou o software convencional executam os passos determinísticos.

O que impede a IA de inventar coisas?

Nada elimina o risco por completo, por isso o objetivo é reduzi-lo e contê-lo. Baseie as respostas nos seus próprios dados, imponha resultados estruturados, acrescente regras de validação e citação de fontes, defina limiares de confiança, encaminhe as exceções para uma pessoa e registe tudo. Quanto maior o custo de um erro, mais destes controlos são necessários.