Nos últimos anos, a IA foi tratada como uma espécie de magia moderna nos conselhos executivos. A ascensão da IA Generativa e das LLMs gerou uma onda de entusiasmo, mas o período de experimentação cede espaço à discussão pragmática sobre sustentabilidade dos negócios. Segundo a McKinsey, 88% das empresas já utilizam IA em pelo menos uma função; ainda assim, poucas organizações convertem pilotos em ROI tangível. Nas operadoras de telecom, esse cenário é ainda mais desafiador, dada a pressão de margens e a complexidade de sistemas legados.
Fragmentação é uma das tendências mais comuns nessa etapa: diferentes áreas da mesma empresa testam ferramentas distintas, muitas vezes sem integração ou uma estratégia unificada de dados. Embora possa funcionar a curto prazo, esse approach tende a frear a escala e pode gerar um débito técnico que, no futuro, se manifesta em custos mais elevados, gargalos de integração e maior exposição a riscos de segurança.
Nesse ponto, o débito técnico deixa de ser apenas uma questão tecnológica e passa a ser um risco estratégico, impactando diretamente a capacidade de capturar valor com IA em larga escala. A necessidade de uma coordenação entre negócio e tecnologia torna-se central para transitar do “experimento” para o “ganho financeiro” com consistência.
Em setores regulados como telecom, a governança ganha papel ainda mais relevante. A ideia não é frear a inovação, mas criar guardrails — instâncias corporativas segregadas que assegurem que dados sensíveis alimentem apenas modelos apropriados. Estruturas maduras, como Centros de Excelência (CoE) de IA, devem contar com ferramentas de observabilidade e explicabilidade (XAI) para auditar decisões, corrigir rumos e evitar vieses.
Mais do que técnica, o sucesso depende de cultura e alfabetização em IA. As áreas de negócio precisam entender o valor da IA sem jargões, estruturando um fluxo de demanda qualificado que conecte negócio e tecnologia. Na prática, a escalabilidade deve acompanhar a estratégia, com métricas que vão além do volume de modelos: ROI direto e indireto, economia de custos operacionais, time-to-value, taxa de adoção e eficiência de modelos (LLMOps).
O caminho recomendado é claro: comece com casos de uso direcionados que entreguem ganhos rápidos mas já prepare a base necessária para escalar. Inicie incubando projetos com MVPs e, à medida que resultados forem validados, evolua para uma inteligência distribuída, na qual áreas diferentes operem IA com maior autonomia. O humano, nesse estágio, passa a orientar sistemas complexos e agentes de IA, em vez de executar tarefas repetitivas. Em resumo, não se deixe paralisar pelo hype, mas também não ignore o tempo — gere valor de forma incremental e construa desde o início uma base sólida para IA sustentável na operação.
* Sobre o autor – Diego Cunha é Chapter Lead na Icaro Tech. As opiniões expressas neste artigo não refletem necessariamente a visão de TELETIME.
