AI First: O que é esse conceito e como implementá-lo na sua empresa?

AI first é a estratégia de redesenhar produtos, operações e decisões de negócio com a inteligência artificial (IA) como ponto de partida, em vez de encaixá-la depois em processos que já existem. O termo nasceu na Carta aos Fundadores do Google de 2016, e em 11 de setembro de 2026 ele descreve o estágio que a maioria das empresas ainda não alcançou. Neste guia você encontra a definição, o critério para saber em que estágio a sua empresa está, quatro passos de implementação com métricas, o custo em seis frentes e o que a regulação brasileira já exige de quem desenha IA hoje.

• 88% das organizações usavam IA em pelo menos uma função de negócio em 2025, segundo o AI Index 2026 do Stanford HAI, mas a fase dominante ainda era a de ferramentas acopladas a processos que não mudaram.
• 17% das empresas brasileiras usavam IA em 2025, ante 13% em 2024, segundo a TIC Empresas do Cetic.br. Entre as grandes, o salto foi de 38% para 50%.
• 74% dos respondentes apontaram imprecisão e qualidade dos dados como o principal risco da IA em 2025, 14 pontos acima do ano anterior, segundo o Stanford HAI.
• O PL 2338/2023, o Marco Legal da IA, prevê sanções de até R$ 50 milhões por infração e tramitava na Câmara dos Deputados para votação final em 2026.

O que é AI First e por que empresas estão adotando esse conceito

AI First é a estratégia de redesenhar produtos, operações e decisões de negócio tendo a inteligência artificial (IA) como ponto de partida, em vez de acrescentá-la depois a processos que já existem. O termo tem data de nascimento. Sundar Pichai o usou na Carta aos Fundadores do Google de 2016, ao escrever que o mundo passaria de “mobile first” para “AI first”, e a analogia era proposital: uma década antes, o mobile-first tinha obrigado as empresas a desenhar produto para a tela do celular primeiro, com a versão desktop virando consequência. Pichai propunha a mesma inversão com IA.

A diferença entre usar IA e ser AI first está no desenho. Quem usa IA pega um fluxo existente e encaixa uma ferramenta numa etapa: resumir tickets, rascunhar e-mail, classificar documentos. Quem é AI first pergunta primeiro o que o sistema de IA consegue fazer com os dados da empresa e só depois desenha o fluxo, a base de dados e o time ao redor disso. O processo que sai do outro lado costuma ter etapas a menos e outra divisão de trabalho entre pessoas e modelos.

Por que isso virou pauta de diretoria em 2026? Porque a adoção deixou de ser exceção.

• 88% das organizações usavam IA em pelo menos uma função de negócio em 2025, segundo o AI Index 2026 do Stanford HAI, e a IA generativa estava presente em 70% delas.
• 20,2% das firmas dos países pesquisados pela OCDE reportaram uso de IA em 2025, ante 14,2% em 2024 e 8,7% em 2023: mais que o dobro em dois anos.
• No Brasil, o uso de IA por empresas subiu de 13% em 2024 para 17% em 2025, segundo a TIC Empresas do Cetic.br, e entre as grandes empresas (250 ou mais funcionários) o salto foi de 38% para 50%.

A distância entre os 88% de Stanford e os 20,2% da OCDE não é contradição. A OCDE mede firmas de todos os portes, e o porte muda tudo: 52,0% das grandes empresas usavam IA em 2025, contra 17,4% das pequenas. O dado brasileiro tem o mesmo desenho, com as pequenas (10 a 49 funcionários, 87% da população da pesquisa) indo de 10% para 15%.

O que me chamou atenção no dado do Cetic.br foi outra coisa: a série estava parada desde 2021. Quatro anos de estagnação e, de repente, quatro pontos percentuais num ano, com as grandes puxando. Isso explica a urgência. A concorrente de porte parecido provavelmente já tem IA em alguma função, e a pergunta deixou de ser “se”. Passou a ser se a IA está encaixada num processo velho ou se o processo foi refeito ao redor dela.

Como funciona uma empresa AI First no dia a dia

Uma empresa AI first funciona com fluxos de trabalho, arquitetura de dados, estrutura de times e decisões organizados em torno de sistemas de IA: o processo nasce já contando com o modelo, e as pessoas ficam nas etapas em que o modelo erra ou não alcança. O contraponto é o que o AI Index 2026 do Stanford HAI chama de “augmentation within existing operating models”: IA aplicada a tarefas discretas, como documentar, resumir incidentes e escrever testes, mas ainda “layered onto existing processes”. Segundo o mesmo relatório, agentes autônomos de IA estavam implantados em dígitos únicos na maioria das funções de negócio em 2025. A maior parte das empresas, portanto, ainda está na primeira situação.

O que muda na rotina quando a IA vira ponto de partida:

• Produto: a funcionalidade nasce do que o modelo consegue fazer com os dados que a empresa já tem, e a interface é desenhada em torno da resposta gerada, com a revisão humana posicionada exatamente na etapa em que o modelo mais erra.
• Atendimento: o agente responde primeiro, ordena a fila e entrega ao atendente humano só os casos que escaparam, já com contexto e rascunho. Na versão “camada sobre o legado”, o modelo é um botão na tela do atendente, e a fila continua igual.
• Operações: o plano do dia (rotas, alocação, reposição) sai do modelo, e o operador trata exceções em vez de montar o plano à mão.
• Planejamento: a reunião discute cenários gerados a partir de dados atualizados, e a planilha consolidada à mão perde o lugar de fonte da verdade.

Por baixo disso, duas mudanças menos visíveis sustentam o resto. A arquitetura de dados passa a coletar o que o modelo precisa para ser avaliado (a entrada, a saída e o que o humano corrigiu), e não só o que o ERP sempre guardou. E a estrutura de times ganha um dono para cada modelo em produção, com o mesmo peso de um dono de produto.

O que ninguém descobre até tentar é o efeito da revisão. Quando você encaixa um modelo num processo antigo, a etapa de conferência humana que já existia continua lá, então o modelo faz o trabalho e a pessoa refaz. O ganho some na segunda semana. Redesenhar o processo significa, antes de tudo, decidir onde a revisão fica e onde ela deixa de existir.

Qual a diferença entre AI First, AI-driven e simplesmente usar IA?

A diferença está no ponto de partida do desenho: quem simplesmente usa IA encaixa ferramentas em processos prontos, a empresa AI-driven deixa modelos guiarem decisões dentro da estrutura atual, e a AI first refaz processo, dados e times a partir do que a IA consegue fazer. Os três rótulos circulam sem definição padronizada no mercado, então o que vale é o critério, e há cinco que separam os estágios com alguma objetividade.

Critério	Usar IA	AI-driven	AI first
Ponto de partida do desenho	Processo existente, ferramenta acoplada	Processo existente, decisão informada pelo modelo	O que o modelo consegue fazer com os dados
Papel da IA nas decisões	Sugere, o humano decide tudo	Recomenda, o humano decide as exceções	Decide dentro de limites, o humano trata o que escapa
Arquitetura de dados	Dados do ERP e planilhas	Dados integrados para análise	Dados coletados para treinar, avaliar e corrigir modelos
Estrutura de times	TI compra e distribui a ferramenta	Time de dados atende as áreas	Dono de modelo por processo, times mistos
Governança	Política de uso aceitável	Comitê de dados	Mapa de risco por sistema, desde o desenho

O mercado costuma citar Google, Netflix e Amazon como exemplos consolidados de AI first. Os dados de adoção contam uma história bem mais modesta. A fase dominante em 2025, segundo o AI Index 2026 do Stanford HAI, é a de automação de tarefas discretas sobre processos que não mudaram, mesmo entre organizações grandes.

No Brasil, o padrão de compra reforça o diagnóstico. Entre as empresas que usam IA, 80% adquiriram software pronto e 60% contrataram fornecedor externo para desenvolver ou adaptar, segundo a TIC Empresas 2025 do Cetic.br. Comprar software pronto e distribuir é, por definição, a primeira coluna da tabela. Há um sinal de movimento, e ele está concentrado no topo: entre as grandes empresas, o desenvolvimento interno de IA passou de 24% para 37% entre 2024 e 2025. Desenvolver internamente ainda não garante redesenho de processo, mas é pré-condição para ele.

Na minha leitura, AI first é hoje uma aspiração estratégica de poucas grandes companhias, e é saudável admitir isso antes de escrever o plano. A empresa que se declara AI first enquanto seu atendimento roda com um botão de resumo na tela do atendente vai medir o resultado errado e desistir cedo. Um diagnóstico honesto do estágio atual, usando os cinco critérios da tabela, costuma ser mais útil que o rótulo. E a pergunta que mais ajuda a diferenciar os estágios é curta: se o modelo sair do ar amanhã, o processo para ou só fica mais lento? Se só fica mais lento, a IA ainda é uma camada.

Para que serve adotar AI First na sua empresa: ganhos em produto, operação e decisão

Adotar AI first serve para três coisas: lançar produto que só existe porque o modelo existe, tirar etapas manuais da operação e decidir com o dado de ontem em vez do dado do mês passado. Os três ganhos não chegam juntos. A operação costuma vir primeiro, porque o custo atual dela é o mais fácil de medir, e o produto vem por último, porque exige dado limpo e um time que já saiba em que o modelo erra.

Onde as empresas brasileiras estão colhendo hoje dá uma pista dessa ordem. Entre as que usam IA, o uso mais comum em 2025, segundo a TIC Empresas do Cetic.br, foi mineração de texto e análise de linguagem: 38%, ante 33% em 2024. Logo atrás veio geração de linguagem natural, com 30% ante 20% em 2024, o uso que mais cresceu em um ano.

O que cada frente entrega, na prática:

• Produto: a funcionalidade que não cabia no roadmap porque exigiria um time inteiro classificando ou escrevendo à mão. Um extrato que explica cada lançamento em linguagem comum, um contrato que se redige a partir do cadastro, uma busca que entende a pergunta do cliente. O ganho é receita nova ou retenção, e demora mais para aparecer.
• Operação: etapas que somem. Quando um agente de IA trata o caso do começo ao fim e escala só as exceções, o ganho aparece como horas de trabalho manual que deixam de existir e como fila que encolhe. É o número mais fácil de mostrar para a diretoria.
• Decisão: a reunião de planejamento passa a olhar cenários gerados com o dado de ontem, e ninguém mais consolida planilha na véspera. O ganho aqui é velocidade de reação e menos decisão tomada com número velho.

O dinheiro está seguindo essa aposta. O investimento corporativo em IA somou US$ 252,3 bilhões em 2024. A parcela privada cresceu 44,5% no ano, e as fusões e aquisições, 12,1%, segundo o AI Index do Stanford HAI.

Só que o retorno segue concentrado. Entre os clientes empresariais da API da Anthropic, as dez tarefas mais comuns respondiam por 28% dos registros em agosto de 2025 e por 32% em novembro, segundo o Anthropic Economic Index. O uso cresce e se diversifica, mas poucas tarefas carregam a maior parte do volume. Para quem está começando, isso é boa notícia: o ganho vem de acertar as poucas frentes em que a IA muda o processo, sem precisar espalhá-la pela empresa inteira.

Pré-requisitos para implementar AI First: dados, cultura, infraestrutura e patrocínio da liderança

Antes do primeiro passo, uma empresa precisa de cinco coisas: dados confiáveis e integrados, infraestrutura em nuvem que aguente modelo em produção, cultura que tolere experimento com prazo e critério de encerramento, um patrocinador que controla verba e organograma, e conformidade com a LGPD desenhada desde o início. Falta uma delas e o projeto ainda anda. Faltam duas e ele vira mais uma ferramenta acoplada a um processo em que ninguém mexeu.

Dados vêm primeiro, e por um motivo medido.

74% dos respondentes citaram imprecisão e qualidade dos dados como principal risco da IA em 2025, 14 pontos percentuais acima do ano anterior, segundo o AI Index 2026 do Stanford HAI.

Cibersegurança (72%), conformidade regulatória (63%) e privacidade (54%) vieram atrás. Dado ruim não é problema que o modelo resolve. Ele amplifica: o modelo aprende o erro do cadastro e responde com confiança citando o endereço antigo.

O checklist de prontidão que vale conferir antes de abrir o primeiro projeto:

• Dados: cliente, produto e transação têm uma fonte única, com dono nomeado, e as áreas que vão usar IA consultam esses dados sem pedir extração para a TI. Áreas que já têm IA disponível e continuam consolidando em Excel são a regra nas empresas brasileiras. Se for o seu caso, comece por aí.
• Infraestrutura: dado e aplicação em nuvem, com ERP que expõe API. Na 36ª Pesquisa Anual do Uso de TI da FGV EAESP, de 2025, com 2.672 médias e grandes empresas, migração para nuvem, renovação de ERP, segurança da informação e governança de TI aparecem ao lado da IA generativa entre os projetos mais relevantes. A ordem diz muito: a nuvem e o ERP novo são o que permite o modelo entrar.
• Cultura: o time consegue rodar um experimento de poucas semanas, medir e encerrar se o número não vier. Empresa em que todo projeto precisa dar certo para não expor quem aprovou não tem como testar modelo, porque metade dos testes vai falhar por desenho.
• Patrocínio: alguém na diretoria responde pelo redesenho e pode tirar etapa de processo e realocar gente. Sem isso, ninguém retira a conferência manual do fluxo, e o modelo vira trabalho a mais.
• Conformidade desde o desenho: mapa dos sistemas de IA, base legal para cada dado pessoal que o modelo toca sob a Lei 13.709/2018 (LGPD), aviso claro quando uma decisão é automatizada e relatório de impacto. A Agência Nacional de Proteção de Dados (ANPD) colocou IA e tecnologias emergentes entre os quatro eixos prioritários de fiscalização para 2026 e 2027, em mapa publicado em dezembro de 2025. Isso já está em curso.

O Marco Legal da IA vem por cima disso. O PL 2338/2023 foi aprovado por unanimidade no Senado em 10 de dezembro de 2024 e tramitava na Câmara dos Deputados para votação final em 2026. O texto segue o modelo de risco do AI Act europeu, cria o Sistema Nacional de Regulação e Governança de IA (SIA) e prevê sanções de até R$ 50 milhões por infração. Quem desenha a arquitetura hoje sem classificar cada sistema por nível de risco vai refazer o trabalho quando a lei entrar em vigor.

Passo 1: Mapeie processos e decisões onde a IA gera mais valor

Este passo produz uma lista curta, de dois a quatro casos de uso, cada um com dono, impacto estimado e risco registrado, escolhida a partir de um inventário de todos os processos e decisões recorrentes da empresa. É a fase de avaliação estratégica do FAIGMOE, framework de outubro de 2025 para médias e grandes empresas que organiza o caminho até a IA generativa em quatro fases sequenciais. A função Map do AI Risk Management Framework do NIST, publicado em janeiro de 2023, entra aqui para registrar o contexto e o limite de risco de cada caso antes de qualquer linha de código.

Como fazer:

1. Com cada diretor de área, liste os processos e as decisões que se repetem: o que entra, o que sai, quem decide, com que frequência e quanto tempo consome. O resultado é uma planilha com uma linha por processo, e ela costuma sair maior do que a diretoria imaginava.
2. Para cada linha, pontue o impacto: custo de pessoas hoje, volume mensal, tempo de ciclo e receita que depende daquela etapa.
3. Pontue a viabilidade: o dado existe em forma digital, tem qualidade conhecida e o sistema que o guarda expõe API.
4. Registre, no formato da função Map, quem é afetado pela saída do modelo, o que acontece quando ele erra e até onde ele pode agir sozinho.
5. Escolha os dois a quatro casos com maior impacto e maior viabilidade, e escreva por que os outros ficaram de fora. A lista de rejeitados evita que eles voltem por outra porta em três meses.

A matriz que usamos para pontuar:

Critério	Pergunta que responde	Pontua alto quando
Custo atual	Quantas horas de gente o processo consome por mês?	Muitas pessoas fazendo tarefa parecida
Volume e frequência	Quantas vezes o processo roda?	Diário ou contínuo, com fila
Dados disponíveis	O dado existe, é digital e tem dono?	Fonte única, com histórico de decisões e correções
Reversibilidade do erro	O que acontece se o modelo errar?	Erro barato e detectável antes de chegar ao cliente
Risco regulatório	Envolve dado pessoal ou decisão sobre uma pessoa?	Nenhum dado pessoal, ou base legal já mapeada sob a LGPD
Dependência de sistemas	Quantos sistemas precisam conversar?	Um ou dois, com API

Poucos casos, de propósito. A fase dominante em 2025, segundo o AI Index 2026 do Stanford HAI, é a de IA acoplada a tarefas discretas sobre processos que não mudaram, e a causa mais comum é o mapeamento que virou lista de desejos: cada área trouxe um caso, saíram quinze projetos-piloto, nenhum com dono, e a verba se dividiu até não sobrar redesenho para ninguém. O primeiro caso escolhido deveria ser aquele que, redesenhado, tira etapas do processo em vez de acelerar as que existem.

Passo 2: Organize os dados e defina a arquitetura de IA da empresa

Este passo produz três coisas: uma base de dados consolidada com dono e base legal para cada campo pessoal, uma decisão registrada sobre comprar, contratar ou desenvolver cada caso de uso, e um desenho de arquitetura que aguente trocar de modelo sem refazer o sistema. Sem isso, o protótipo do passo seguinte roda em cima de um extrato de planilha e o resultado não se repete em produção.

Comece pelos dados dos casos escolhidos, e só deles. Consolidar a empresa inteira antes do primeiro modelo é o jeito mais seguro de nunca chegar ao primeiro modelo. Para cada caso, o trabalho é curto de descrever e longo de fazer:

1. Nomeie a fonte única de cada dado que o modelo vai ler, e o dono dessa fonte.
2. Meça a qualidade com amostra: quantos cadastros estão duplicados, quantos campos obrigatórios estão vazios, quanto do histórico tem a decisão humana registrada.
3. Guarde, desde já, o que o modelo vai precisar para ser avaliado depois: entrada, saída e correção humana, com data.
4. Para cada dado pessoal, registre a base legal sob a Lei 13.709/2018 (LGPD), a finalidade e o prazo de retenção, e anote se o modelo toma decisão automatizada sobre alguém.

O item 4 costuma ser o mais adiado, e é o que a ANPD colocou entre os eixos prioritários de fiscalização para 2026 e 2027. Fazer esse mapa depois que o modelo está em produção custa o dobro, porque exige reconstruir de onde cada campo veio.

A segunda decisão é a forma de aquisição. A TIC Empresas 2025 do Cetic.br mostra a distribuição no Brasil: 80% das empresas que usam IA compraram software pronto, 60% contrataram fornecedor externo para desenvolver ou adaptar, e, entre as grandes, o desenvolvimento interno passou de 24% em 2024 para 37% em 2025. As três formas coexistem numa mesma empresa, e a escolha por caso segue um critério simples: quanto o processo redesenhado depende de dado e regra que só existem na sua operação.

• Software pronto serve para tarefa genérica em que o seu dado não muda a resposta: transcrição, tradução, rascunho de texto.
• Fornecedor externo serve quando o caso exige integrar o modelo aos seus sistemas e dados, mas o time interno ainda não tem quem mantenha isso em produção.
• Desenvolvimento interno vale quando o processo é o núcleo do negócio e o modelo vai evoluir junto com ele, o que exige dono de modelo dentro da empresa.

Sobre arquitetura, um estudo de maio de 2025 sobre arquitetura corporativa como capacidade dinâmica para adoção de IA generativa defende tratá-la em três movimentos: sentir (identificar onde a IA muda o processo), aproveitar (integrar e escalar) e transformar (reorganizar estrutura e governança). Na prática, isso vira uma regra de desenho: o modelo fica atrás de uma interface própria, os dados que ele lê e escreve passam por uma camada única, e trocar de fornecedor de modelo é mudança de configuração. Quem acopla o processo direto à API de um fornecedor específico descobre o custo disso na primeira mudança de preço.

Passo 3: Rode projetos-piloto com métricas de impacto claras

Este passo produz uma decisão de continuar ou encerrar cada caso de uso, tomada com base numa medição de linha de base feita antes do modelo entrar e num conjunto de indicadores definido antes da primeira semana. É a fase de implementação e integração do FAIGMOE, e a função Measure do NIST AI RMF entra aqui: medir risco e desempenho de forma contínua, com o resultado registrado, em vez de uma demo na sexta-feira.

A linha de base vem primeiro. Meça o processo como ele roda hoje, durante duas a quatro semanas, antes de qualquer modelo: tempo de ciclo, horas de gente, taxa de erro que chega ao cliente, tamanho da fila. Sem esse número, o projeto-piloto termina com a frase “parece que melhorou” e ninguém consegue defender a verba do próximo passo.

Os indicadores que acompanhamos em um projeto-piloto se dividem em dois grupos, e os dois precisam existir:

Grupo	Indicador	Como medir
Negócio	Tempo de ciclo do processo	Média e percentil 90, antes e depois
Negócio	Horas de trabalho manual retiradas	Horas por semana na etapa redesenhada
Negócio	Erros que chegam ao cliente	Reclamações e retrabalho por mil casos
Qualidade do modelo	Taxa de correção humana	Saídas alteradas pelo revisor sobre o total
Qualidade do modelo	Alucinação	Afirmações sem apoio no dado de origem, em amostra revisada por semana
Qualidade do modelo	Cobertura	Casos que o modelo resolve sozinho sobre os que recebe

Em IA generativa, dois cuidados mudam o resultado. O primeiro é tratar o prompt como código: versão, teste com um conjunto fixo de casos e registro de quem mudou o quê. O segundo é a alucinação, que não some com prompt melhor. Ela cai quando o modelo responde a partir do dado da empresa e é obrigado a apontar de onde tirou a resposta, e o restante você mede em amostra revisada por gente, toda semana, com o número anotado. O FAIGMOE nomeia engenharia de prompt, orquestração de modelos e gestão de alucinações como desafios próprios dessa fase, e o desenho do projeto-piloto precisa reservar tempo para os três.

Critério de continuar ou encerrar, escrito antes de começar:

• Continua se o indicador de negócio principal melhorou sobre a linha de base e a taxa de correção humana caiu ao longo das semanas.
• Encerra se o ganho veio só porque a etapa de revisão foi mantida e a pessoa está refazendo o trabalho do modelo.
• Encerra se o dado necessário não existe em produção na forma usada no teste.

Metade dos projetos-piloto deveria encerrar. Um programa em que todos passam está medindo o que confirma a decisão de aprovar, e o custo aparece quando o caso vai para escala.

Passo 4: Escale para toda a empresa com governança e capacitação das equipes

Este passo produz uma estrutura permanente: um registro de todos os sistemas de IA em produção com dono, nível de risco e relatório de impacto, um processo de resposta a incidentes de modelo, e um programa de capacitação por área que acompanha o redesenho de cada processo. É a fase de operacionalização e otimização do FAIGMOE, e as funções Govern e Manage do NIST AI RMF dão o esqueleto: políticas e papéis primeiro, recursos para responder e corrigir depois.

Governança aqui é um conjunto de artefatos concretos, e cada um tem uma exigência regulatória brasileira por trás:

• Inventário de sistemas de IA: um por processo, com dono, dados que lê, decisão que toma e nível de risco. O PL 2338/2023 classifica sistemas por risco, no modelo do AI Act europeu, e cria o SIA como estrutura de regulação e governança. Classificar agora evita refazer o inventário quando o texto virar lei.
• Relatório de impacto: para cada sistema que toca dado pessoal ou decide sobre uma pessoa, com base legal, medidas de mitigação e canal para o titular contestar. É o que a ANPD fiscaliza no eixo de IA e tecnologias emergentes do biênio 2026-2027.
• Resposta a incidente de modelo: quem é avisado quando a taxa de correção sobe, quem pode desligar o sistema e como o processo volta a rodar sem ele. A sanção prevista no PL, de até R$ 50 milhões por infração, torna essa capacidade de desligar uma exigência, e não um luxo.
• Revisão periódica: os indicadores do projeto-piloto continuam sendo medidos em produção, com frequência definida, porque o dado muda e o modelo degrada sem avisar.

O redesenho de processo é a parte que a maioria pula. Escalar um caso não é instalar a mesma ferramenta em mais áreas. É repetir, para cada área, a decisão sobre onde a revisão humana fica e quais etapas somem, e essa decisão exige que o patrocinador da diretoria mexa em organograma e em descrição de cargo. Se a etapa manual continua existindo em paralelo, o custo do modelo se soma ao custo antigo.

Capacitação acompanha o redesenho, e por área, porque o que o analista de crédito precisa saber sobre o modelo é diferente do que o atendente precisa. O conteúdo mínimo por área:

1. Em que o modelo daquele processo erra com mais frequência, com exemplos reais tirados da amostra revisada.
2. Como corrigir a saída de forma que a correção vire dado de treinamento, e não só um ajuste no e-mail enviado.
3. Quando escalar para gente e quando confiar na saída, com critério escrito.
4. O que a LGPD exige daquela pessoa ao usar o sistema: o que pode entrar no prompt e o que não pode.

Gestão de mudança não é um workshop de kickoff. É acompanhar, nos primeiros meses, se a fila realmente encolheu ou se o time criou uma conferência paralela por conta própria. Isso acontece com frequência e quase nunca aparece no dashboard. A única forma de ver é medir a taxa de correção humana em produção e conversar com quem opera o processo.

Quanto custa implementar AI First e como calcular o retorno

Implementar AI first custa em seis frentes (licenças, nuvem e dados, fornecedores externos, time interno, capacitação e conformidade), e o retorno se calcula somando três linhas contra a linha de base medida antes do modelo entrar: horas de trabalho retiradas, custo evitado e receita que só existe por causa do processo novo. Não há número público consolidado sobre o custo médio de um programa desse tipo no Brasil, e desconfie de quem te der um. O valor depende de quantos casos você escolheu, de quanto dado precisa de limpeza e da forma de aquisição de cada caso.

O que dá para conhecer de antemão é a forma de cada custo, porque é ela que surpreende no orçamento.

Categoria	O que inclui	Como se comporta
Licenças e software pronto	Assinatura por usuário ou por uso	Cresce com o número de pessoas, fácil de prever
Nuvem e dados	Inferência por token, armazenamento, migração e limpeza de cadastros	Variável, cresce com o volume, é a que mais estoura
Fornecedores externos	Desenvolvimento e adaptação de casos integrados aos seus sistemas	Por projeto, concentrada no início
Time interno	Dono de modelo, engenharia de dados, revisores da amostra semanal	Fixa e permanente, é a que dura
Capacitação	Treinamento por área e tempo das pessoas fora da operação	Pontual, a cada redesenho
Conformidade	Bases legais, relatório de impacto, classificação de risco	Fixa por sistema, mais barata quando feita no desenho

Duas observações de quem já fechou esse orçamento. A conta de inferência é a única que sobe sozinha: um caso de atendimento que dá certo triplica de volume, e a fatura vem no mês seguinte, então o contrato com o fornecedor de modelo precisa de teto e alerta desde o primeiro dia. E o time interno é o custo que ninguém coloca na primeira planilha, porque parece que a ferramenta se mantém sozinha. Ela não se mantém.

O método de retorno parte da medição do projeto-piloto:

1. Horas retiradas por semana na etapa redesenhada, multiplicadas pelo custo da hora daquela função. Hora que continua alocada no mesmo lugar vale zero.
2. Custo evitado: retrabalho, erro que chegava ao cliente, multa ou perda que o processo antigo gerava, tudo medido na linha de base.
3. Receita nova: produto ou atendimento que não existia sem o modelo. É a linha mais incerta e a última a aparecer. Nos primeiros doze meses, monte a conta sem ela e veja se fecha.

Some as três linhas por mês, subtraia o custo mensal das seis categorias e divida o investimento inicial (fornecedor, migração, capacitação) pelo saldo. O resultado é o número de meses até o caso se pagar, e a conta precisa ser feita por caso de uso. Programa que só fecha na média está escondendo um caso que nunca vai fechar.

O porte muda a conta inteira. 52,0% das grandes empresas nos países da OCDE usavam IA em 2025, contra 17,4% das pequenas, e o setor de TIC liderava com 57,3%. No Brasil, a distância tem o mesmo tamanho: 50% das grandes contra 15% das pequenas em 2025. A grande dilui time interno e conformidade entre vários casos. A pequena paga o mesmo custo fixo para um caso só, e por isso costuma ficar no software pronto, com ganho real e sem redesenho.

Erros comuns que fazem a transformação AI First fracassar

A transformação AI first fracassa, na maior parte das vezes, por sete erros que se repetem de empresa para empresa, e cada um deles tem um passo do tutorial que o previne. Nenhum é técnico no sentido estrito. Todos são decisão de gestão tomada cedo demais ou adiada demais.

• Projetos-piloto dispersos, sem métrica. Cada área trouxe um caso, saíram quinze testes, nenhum com linha de base, e no fim do ano ninguém consegue dizer qual deu certo. Previne: Passo 1 (dois a quatro casos, com lista de rejeitados) e Passo 3 (linha de base antes do modelo).
• IA como camada sobre o processo legado. O modelo faz o trabalho, a pessoa refaz na conferência que já existia, e o ganho some. É o estágio que o AI Index 2026 do Stanford HAI descreve como “layered onto existing processes”, e era o dominante em 2025 mesmo entre grandes organizações. Previne: Passo 4, o redesenho que decide onde a revisão fica e quais etapas somem.
• Dado de baixa qualidade. 74% dos respondentes apontaram imprecisão dos dados como o principal risco da IA em 2025, e o modelo responde com confiança a partir do cadastro errado. Previne: Passo 2, com medição de qualidade por amostra antes do primeiro teste.
• Ausência de patrocínio com poder sobre o organograma. Sem alguém na diretoria que possa tirar etapa e realocar gente, o processo antigo sobrevive em paralelo. Previne: o checklist de pré-requisitos, antes de abrir qualquer projeto.
• Ignorar LGPD e regulação até o deploy. O mapa de bases legais feito depois custa o dobro, e a ANPD já fiscaliza IA como eixo prioritário no biênio 2026-2027. Previne: Passo 2 (base legal por campo) e Passo 4 (inventário de sistemas com nível de risco).
• Comprar ferramenta sem capacitar quem opera. 80% das empresas brasileiras que usam IA compraram software pronto em 2025. Distribuir licença sem treinar por área produz uso baixo e conferência paralela criada por conta própria. Previne: Passo 4, com conteúdo mínimo por função.
• Confundir aspiração com estágio de maturidade. A empresa se declara AI first, mede como se já fosse, e desiste quando o número não vem. Previne: o teste de desligar o modelo. Se o processo só fica mais lento, a IA ainda é uma camada, e o plano precisa partir daí.

O erro mais caro da lista é o segundo, porque ele não parece erro. O relatório mostra ganho, a demo impressiona e a conferência humana continua consumindo as mesmas horas de sempre. Só a taxa de correção medida em produção revela isso, e quase nenhuma empresa a mede.

Perguntas frequentes sobre AI First

As dúvidas abaixo são as que mais chegam de quem está decidindo se a empresa vai reorganizar processos em torno da IA ou continuar acoplando ferramentas.

O que significa AI First em português?

AI first significa “IA primeiro”: a inteligência artificial é o ponto de partida do desenho de produto, operação e decisão, e o restante da empresa se organiza ao redor dela. Em português corrente, ninguém traduz. O termo circula em inglês, como aconteceu com mobile-first, e o que muda entre uma empresa que usa IA e uma AI first é a ordem em que as coisas são desenhadas.

Quem criou o termo AI First?

Sundar Pichai, CEO do Google, usou o termo na Carta aos Fundadores de 2016, ao escrever que o mundo passaria de “mobile first” para “AI first”. A analogia com o mobile-first foi proposital: uma década antes, desenhar para a tela do celular primeiro tinha reorganizado o design de produtos digitais. Pichai propunha a mesma inversão, agora com IA como ponto de partida.

Qual a diferença entre AI First e AI-native?

Os dois termos não têm definição padronizada e costumam ser usados como sinônimos. Quando alguém os separa, AI-native descreve a empresa que já nasceu com o modelo no núcleo do produto, e AI first descreve a empresa que existia antes e refaz processos em torno da IA. Para quem toca uma empresa já em operação, a distinção importa pouco: o trabalho de mapear, organizar dados, testar e escalar é o mesmo.

Uma pequena empresa pode ser AI First?

Pode, e é mais raro do que o discurso sugere. No Brasil, 15% das pequenas empresas (10 a 49 funcionários) usavam IA em 2025, contra 50% das grandes, e a maior parte via software pronto. O custo fixo de time interno e conformidade pesa mais quando há um caso só. O caminho realista para a pequena é escolher um único processo central, redesenhá-lo de verdade e medir, em vez de tentar cobrir a empresa inteira.

Quais empresas são exemplos de AI First?

O mercado costuma citar Google, Netflix e Amazon como exemplos consolidados. Os dados de adoção pedem cautela com a lista: em 2025, 78% das empresas da Fortune 500 tinham IA em escala, mas a fase dominante ainda era a de automação de tarefas discretas sobre processos que não mudaram, e agentes autônomos estavam em dígitos únicos na maioria das funções. AI first, hoje, é aspiração de poucas grandes companhias, e é melhor tratá-lo como direção do que como clube.

Como a regulação brasileira afeta uma estratégia AI First?

Afeta desde o desenho, em duas frentes. A ANPD colocou IA e tecnologias emergentes entre os quatro eixos prioritários de fiscalização para 2026 e 2027, o que exige mapa de sistemas, base legal sob a LGPD e relatório de impacto agora. E o PL 2338/2023, o Marco Legal da IA, aprovado por unanimidade no Senado em 10 de dezembro de 2024 e em tramitação na Câmara em 2026, classifica sistemas por risco no modelo do AI Act europeu, cria o SIA e prevê multa de até R$ 50 milhões por infração. Classificar cada sistema por nível de risco hoje evita refazer o inventário quando o texto virar lei.

Quanto tempo leva a transição para AI First?

Não há medição pública do tempo médio, e qualquer prazo redondo é chute. O que dá para dizer é o que alonga cada etapa: o mapeamento demora quando a diretoria não conhece os próprios processos, os dados demoram quando não há fonte única, e a escala demora quando o patrocinador não mexe em organograma. O primeiro caso redesenhado e medido em produção é o marco que importa. A empresa inteira vem depois, caso a caso.

Por onde começar a implementar AI First na empresa?

Comece pelo teste de desligar o modelo em cada processo que já tem IA: se o processo só fica mais lento, a IA é uma camada, e esse é o seu estágio real. Depois, faça o inventário de processos e decisões com cada diretor de área, escolha dois a quatro casos por impacto e viabilidade, e meça a linha de base antes de qualquer modelo entrar. Sem esse número, nenhum resultado posterior vai se sustentar na diretoria.

Próximos passos para a sua empresa

Uma estratégia AI first começa com uma decisão pequena e desconfortável: admitir em que estágio a empresa está. A maioria, no Brasil e fora dele, está acoplando ferramentas a processos que ninguém redesenhou, e o número de 2025 mostra isso com clareza tanto no Cetic.br quanto no Stanford HAI. Isso não é um problema. É o ponto de partida correto.

Nos próximos trinta dias, faça três coisas. Aplique o teste de desligar o modelo aos processos que já usam IA e anote o resultado. Monte o inventário de processos com os diretores e escolha os dois a quatro casos que, redesenhados, tiram etapas do fluxo. E meça a linha de base desses casos durante duas a quatro semanas, antes de contratar qualquer fornecedor ou assinar qualquer licença.

O primeiro processo que rodar sem a conferência antiga, com a taxa de correção medida toda semana, vale mais que qualquer declaração de AI first no site da empresa.