7 alavancas que merecem atenção na adoção de IA

A IA já está no seu negócio.

Talvez ainda não esteja formalmente implantada pela organização, mas já está nas mãos das pessoas, entrando em processos, apoiando decisões e, cada vez mais, executando tarefas por meio de automações, muitas vezes através de ferramentas ou contas particulares utilizadas por colaboradores com boa intenção, que buscam melhorar o desempenho dos processos sob seu controle.

O desafio agora é outro.

Como fazer esse uso crescer sem perder controle e, principalmente, sem criar hoje problemas que só ficarão visíveis quando a adoção ganhar escala?

No começo, quase tudo parece simples. Um modelo, alguns usuários, pouco consumo, alguns prompts e um fornecedor de LLMs que aparentemente resolve quase tudo.

À medida que o uso cresce, as automações começam a acessar informações internas, as pessoas ensinam contexto aos modelos, boas conversas geram conhecimento, prompts e workflows são aprimorados e algumas áreas passam a depender efetivamente daquela infraestrutura.

Tudo parece administrável, até que as condições mudam.

O fornecedor escolhido pode alterar preços, passar a exigir mais consumo por tarefa e simplesmente deixar de ser a alternativa mais eficiente. Outro modelo pode surgir mais rápido, mais barato ou melhor para aquilo que sua empresa precisa.

E então aparece uma pergunta que quase ninguém faz no início:

Quanto esforço seria necessário para migrar tudo o que foi construído no modelo A para o modelo B?

Prompts, contextos, automações, integrações, testes, aprendizados e conhecimento acumulado podem transformar uma decisão aparentemente simples em um projeto caro e arriscado.

Esse é o problema da portabilidade. Uma preocupação que parece distante quando a empresa começa com um único modelo, mas que pode se tornar crítica quando a dependência já foi construída.

Nosso trabalho foi tentar identificar quais cuidados aparentemente pequenos hoje podem evitar problemas caros e difíceis para o negócio no futuro próximo.

A conclusão não é que o empresário deva ter receio da IA. É exatamente o contrário. É preciso gostar de IA, experimentar, avançar e capturar rapidamente aquilo que ela já permite fazer melhor. Mas é preciso fazer isso sabendo que algumas armadilhas começam a ser preparadas justamente no início da jornada, quando tudo ainda parece simples e barato.

Para chegar a este trabalho, combinamos o que temos acompanhado no Moat Radar com pesquisas, leitura de publicações recentes, podcasts, estudos sobre adoção corporativa de IA e conversas com executivos e profissionais que estão enfrentando esses desafios na prática.

Junto com a portabilidade, que acabamos de mencionar, identificamos sete alavancas que merecem atenção desde os primeiros estágios da adoção: Segurança, Dados e Contexto, Alocação Inteligente, Aprendizado Retido, Portabilidade, Gestão de Valor e Pessoas.

1. Segurança

Como usar IA sem expor a empresa?

A discussão vai muito além de saber se o fornecedor utiliza os dados da empresa para treinamento. À medida que a IA deixa de apenas responder perguntas e passa a consultar sistemas, executar tarefas e agir em nome de pessoas, muda a natureza do risco.

Uma automação que acessa ERP, CRM, e-mail ou outros sistemas corporativos passa a operar com permissões que precisam ser controladas como as de uma nova identidade digital.

Em artigo publicado no blog de cibersegurança do NIST, especialistas do NCCoE alertam que compartilhar credenciais humanas com agentes cria problemas de segurança e responsabilização. Agentes precisam ser tratados como identidades próprias, com credenciais e permissões específicas, de curta duração e restritas ao necessário. [1]

Senhas, tokens de autenticação permanentes e acessos excessivamente amplos podem parecer soluções rápidas no primeiro experimento. Quando dezenas de automações passam a operar sobre os sistemas da empresa, podem se transformar em uma nova superfície de risco.

Ao mesmo tempo, a IA também amplia a capacidade dos atacantes. A Mandiant, unidade do Google Cloud especializada em inteligência de ameaças e investigação de incidentes, documenta o uso crescente de IA por atacantes em engenharia social, desenvolvimento de malware e outras etapas de ataque. [2]

A própria Mandiant ressalta, porém, que grande parte das invasões continua começando em fragilidades humanas e sistêmicas já conhecidas.

A IA não necessariamente cria a vulnerabilidade. Pode tornar muito mais fácil encontrá-la e explorá-la.

Tratar esse tema cedo significa saber quais ferramentas estão aprovadas, que informações podem circular, quem concede acesso, que permissões cada automação possui e como interromper imediatamente aquilo que não deveria continuar operando.

2. Dados e Contexto

Que dados e informações precisam estar organizados e até onde vale investir nisso?

Há algum tempo, empresas ouvem que deveriam organizar seus dados antes de avançar em inteligência artificial. A recomendação tem fundamento, mas pode produzir uma conclusão errada: imaginar que toda a arquitetura de dados precisa estar perfeita antes do primeiro caso relevante.

Não precisa.

A questão é saber quais dados e informações aquele problema exige, se são confiáveis, atuais, acessíveis com as permissões corretas e se existe contexto suficiente para que a IA os interprete corretamente.

Um modelo excelente trabalhando sobre informação errada, antiga ou mal contextualizada continua trabalhando sobre uma base ruim.

E contexto passa a ser quase tão importante quanto o próprio dado.

Uma informação isolada pode ser correta e, ainda assim, produzir uma resposta ruim se o modelo não entender a regra de negócio, a exceção, o histórico da decisão, o significado de determinado indicador ou a forma como aquela organização trabalha.

Quanto mais a IA participa de processos relevantes, mais essa camada de contexto deixa de ser acessória e passa a fazer parte da infraestrutura necessária para produzir boas respostas.

Um estudo recente da McKinsey sobre prontidão de dados para IA chega justamente a essa conclusão. O nível de preparação necessário deve ser definido pelas necessidades do negócio e pelo risco envolvido, e não por uma busca abstrata por dados perfeitos em toda a empresa. [3]

Isso transforma a preparação dos dados em uma decisão econômica.

Para cada iniciativa, existe um custo para localizar, organizar, atualizar e disponibilizar a informação necessária. Esse custo deveria fazer parte do próprio business case da solução.

Mas há uma segunda pergunta, talvez ainda mais importante: o que estamos organizando agora servirá apenas para este caso ou poderá ser reutilizado por outros?

Em outro estudo, The missing data link: Five practical lessons to scale your data products, a McKinsey aborda justamente essa questão. Quando vários casos de alto valor dependem das mesmas informações, parte relevante do investimento inicial em preparação, qualidade e acesso pode ser reaproveitada nas aplicações seguintes. [4]

Nesse caso, o primeiro projeto não está apenas consumindo dados. Está construindo uma base que pode reduzir o custo e acelerar os próximos.

É aí que começa a aparecer uma diferença importante entre organizar dados para resolver um problema pontual e construir ativos de informação que podem servir a vários problemas.

O risco está nos dois extremos.

De um lado, esperar que toda a empresa esteja perfeitamente organizada antes de começar. Do outro, multiplicar soluções que dependem de dados dispersos, desatualizados ou de contexto que vive apenas na cabeça de algumas pessoas.

Não é preciso organizar todos os dados antes de começar. É preciso saber quais informações aquele problema exige, quanto custa deixá-las prontas e se o esforço feito hoje poderá ser reutilizado amanhã.

3. Alocação Inteligente

Estamos usando a inteligência certa, no lugar certo e na quantidade certa?

Nem todas as tarefas exigem a mesma inteligência.

Resumir um documento, classificar informações, escrever código, desenvolver uma estratégia ou analisar uma decisão de alto impacto representam desafios diferentes e podem justificar modelos e níveis de capacidade distintos.

Usar sempre o modelo mais poderoso pode desperdiçar recursos. Usar capacidade insuficiente justamente onde o custo do erro é alto também pode sair caro.

A mesma preocupação vale durante o desenvolvimento, na operação e na evolução das soluções. Modelos, preços e técnicas mudam rapidamente, e algo que hoje parece eficiente pode deixar de ser a melhor alternativa alguns meses depois.

Por isso, tokens* são importantes, mas não contam a história inteira.

A FinOps Foundation recomenda olhar o custo total para produzir determinado resultado. Um modelo aparentemente mais barato pode exigir novas tentativas, mais intervenção humana ou processamento adicional e acabar sendo a alternativa mais cara. [5]

Mais do que buscar permanentemente um suposto melhor modelo, a empresa precisa acumular experiência sobre quais combinações de capacidade, qualidade e custo fazem mais sentido para os diferentes usos da organização.

Esse aprendizado, como veremos adiante, também precisa ser preservado.

* Tokens são unidades utilizadas pelos modelos para processar informações e gerar respostas e representam uma das bases de cobrança pelo uso de muitos modelos de linguagem.

4. Aprendizado Retido

O que a empresa aprende com IA continua pertencendo à empresa?

Uma conversa com IA pode acumular muito valor.

Ao longo dela, alguém explica contexto, corrige interpretações, apresenta exceções, rejeita hipóteses, define critérios e finalmente chega a uma resposta melhor.

Uma conversa pode carregar horas de contexto e aprendizado. Quando ela termina, porém, nada garante que tudo aquilo estará disponível na próxima interação.

Esse conhecimento pode permanecer em um chat, numa conta particular, numa automação abandonada ou apenas na cabeça de quem conduziu a conversa.

Quanto maior o uso, maior a possibilidade de milhares de interações produzirem diariamente decisões, preferências, exceções e conhecimento que simplesmente não se transformam em patrimônio da organização.

E existe uma camada adicional.

A organização também aprende como utilizar melhor a própria IA.

Ela começa a descobrir quais modelos funcionam melhor para determinados desafios, que contextos produzem melhores resultados, que abordagens costumam falhar e quais práticas melhoram a qualidade ou reduzem o custo.

Esse aprendizado também é patrimônio.

Se cada nova solução precisar descobrir tudo novamente, a empresa estará repetindo o mesmo processo de tentativa e erro em dezenas de lugares.

Por isso, o aprendizado retido deveria incluir tanto aquilo que a empresa aprendeu sobre o negócio quanto aquilo que aprendeu sobre como usar IA para resolver seus problemas.

Uma nova solução deveria, sempre que possível, partir do contexto relevante, das regras já conhecidas, dos erros identificados, dos critérios de qualidade e da experiência acumulada pela organização.

Aqui a conexão com as outras alavancas fica evidente. Dados e Contexto garante acesso à informação necessária. Alocação Inteligente ajuda a entender qual capacidade faz mais sentido. Aprendizado Retido impede que essas descobertas se percam.

Guardar todas as conversas também não resolve o problema. Uma empresa não precisa de milhões de páginas de histórico que ninguém encontrará novamente.

Precisa identificar aquilo que merece sobreviver, preservar sua origem e transformar o que realmente importa em memória útil, regra, documentação, procedimento, avaliação ou conhecimento reutilizável.

O ativo não é o chat, nem uma tarefa automatizada. O ativo é aquilo que a organização consegue aprender, preservar e reutilizar a partir deles.

5. Portabilidade

Você está preso a um modelo? Qual é o esforço para mudar?

É perfeitamente racional começar com um único fornecedor.

O problema não está em começar simples. Está em não perceber quando essa simplicidade começa a se transformar em dependência.

A cada solução, a empresa acumula prompts, contextos, memória, integrações, testes, automações e lógica do negócio.

Parte disso pode ser facilmente transportável. Parte pode depender profundamente da arquitetura ou das funcionalidades de um fornecedor.

Podemos chamar o esforço futuro acumulado por essas decisões de dívida de portabilidade.

Ela quase não aparece no primeiro projeto. Torna-se visível quando preços mudam, um modelo melhor aparece, uma funcionalidade desaparece ou surge uma nova exigência técnica ou regulatória.

Uma pesquisa do IBM Institute for Business Value, realizada com Oxford Economics e mil executivos responsáveis por IA, dados ou tecnologia, encontrou que 71% considerariam difícil trocar hoje seu principal fornecedor ou modelo de IA. O mesmo estudo mostra que 57% dizem que substituir um modelo central exigiria desacoplamento significativo ou reconstrução completa do sistema. [6]

Nem toda aplicação precisa do mesmo nível de portabilidade. Mas quanto mais estratégico, sensível ou crítico for determinado processo para o negócio, maior deveria ser a preocupação em preservar uma alternativa.

A liberdade de escolha também permite aproveitar diferenças de qualidade, capacidade e custo entre modelos à medida que o mercado evolui.

O objetivo não é contratar vários fornecedores por princípio.

É preservar a capacidade de escolher.

Você não precisa começar com vários modelos. Precisa construir o primeiro de forma que o segundo continue sendo uma opção.

6. Gestão de Valor

A IA está entregando aquilo que prometeu?

Como discutimos no artigo anterior, “existe uma distância importante entre capacidade tecnológica, adoção e resultado econômico. O grande desafio agora não é apenas ter acesso à IA. É descobrir como transformar essa capacidade em valor real para o negócio.” [7]

Essa continua sendo, talvez, a principal responsabilidade da liderança.

Cada iniciativa relevante deveria nascer como qualquer investimento empresarial: um problema claro, um responsável, um baseline, um business case, KPIs, um investimento previsto e um resultado esperado.

Depois da implantação, precisa existir a outra metade da conta.

O processo ficou mais rápido? Melhor? Mais barato? Houve aumento de receita, qualidade ou capacidade? A adoção aconteceu? Quanto custou construir? Quanto custa executar? Qual era o retorno projetado e qual foi o realizado?

É aqui que deveria existir o painel de controle do CEO para IA.

Não um painel de licenças ou quantidade de usuários, mas uma visão do portfólio de iniciativas, seus responsáveis, custos, resultados prometidos, resultados realizados e a decisão seguinte: escalar, corrigir ou encerrar.

Com agentes, aparece ainda uma nova dimensão.

Um agente pode realizar novas tentativas, utilizar mais capacidade de raciocínio, chamar outras ferramentas ou recorrer a modelos mais caros para tentar melhorar uma resposta. Cada uma dessas decisões pode aumentar o custo da tarefa.

Autonomia operacional também cria autonomia econômica.

O relatório The executive decisions shaping the value of the digital workforce, publicado pela Deloitte em 2026, recomenda que organizações acompanhem custo por tarefa, consumo e limites capazes de evitar que os gastos cresçam silenciosamente junto com a autonomia dos agentes. [8]

O 2026 Tech Leader Study, realizado pelo IBM Institute for Business Value com Oxford Economics e 2 mil executivos seniores responsáveis por decisões de TI, tecnologia ou IA, em 33 geografias e 19 setores, encontrou que 85% dos respondentes ainda não possuem visibilidade completa e em tempo real dos gastos com IA. [9]

Um caso recente ajuda a mostrar como esse problema pode aparecer rapidamente.

Em maio de 2026, Andrew Macdonald, presidente e COO da Uber, reconheceu que a empresa ainda tinha dificuldade para estabelecer uma relação clara entre o aumento do uso de ferramentas como Claude Code e a entrega de mais funcionalidades úteis aos consumidores. A discussão ganhou peso porque a empresa havia consumido, em quatro meses, o orçamento anual destinado às ferramentas de codificação com IA. [10]

Em agosto, a própria engenharia da Uber mostrou como a resposta evoluiu. Entre fevereiro e agosto, os usuários semanais das ferramentas agênticas cresceram sete vezes e as requisições 9,4 vezes, enquanto o gasto total com IA se estabilizou a partir de abril. Mantendo o modelo constante para isolar o efeito das otimizações, o custo por mil requisições caiu quase 34% em relação ao pico e o custo por sessão, 52%. [11]

O ponto não é julgar a Uber. É aprender com uma empresa que avançou cedo, encontrou um problema de controle de custo e passou a tratá-lo como um problema de engenharia.

Estimular adoção sem enxergar e administrar o custo pode fazer o uso crescer mais rápido do que a capacidade de controlá-lo.

7. Pessoas

A empresa está transformando o aprendizado individual em cultura organizacional?

Aqui existem três desafios diferentes: preparar as pessoas para trabalhar com IA, disseminar conhecimento e preparar as pessoas para uma nova organização.

O primeiro é preparar as pessoas para trabalhar com IA.

Não apenas ensinar uma ferramenta.

Modelos e interfaces vão mudar. O que precisa permanecer é a capacidade de formular problemas, fornecer contexto, questionar respostas, validar resultados, compreender limitações, proteger informações e saber quando o julgamento humano precisa prevalecer.

É uma questão de letramento em IA.

O professor Carlos Bifi organiza essa discussão no modelo LIA, Letramento em Inteligência Artificial, a partir de cinco dimensões: Instrumental, Crítica, Ética-Legal, Criativa e Social. A ideia central é especialmente relevante para a empresa: formar pessoas capazes de trabalhar com IA com autonomia e julgamento não é o mesmo que treiná-las no produto escolhido neste ano. [12]

As cinco dimensões procuram olhar para capacidades diferentes e complementares: a Instrumental, relacionada ao uso das ferramentas; a Crítica, à capacidade de avaliar e questionar seus resultados; a Ética-Legal, ao uso seguro e responsável; a Criativa, à capacidade de repensar tarefas e formas de trabalhar; e a Social, aos impactos da IA sobre colaboração, cultura e pessoas.

O modelo também propõe uma evolução em quatro níveis de proficiência: Básico, Intermediário, Avançado e Especializado. A progressão ajuda a mostrar que letramento em IA não termina em saber usar uma ferramenta. Ele evolui junto com a capacidade de compreender, avaliar e utilizar a tecnologia de forma cada vez mais autônoma e responsável.

O segundo desafio é disseminar conhecimento.

Quando uma pessoa descobre uma forma melhor de trabalhar com IA, a empresa inteira aprende ou apenas aquela pessoa?

Todos os dias alguém encontra um prompt melhor, uma maneira mais eficiente de construir contexto, uma técnica de validação, um modelo mais adequado, uma divisão diferente da tarefa ou simplesmente descobre algo que não funciona.

Se isso permanece apenas com aquela pessoa, a capacidade individual cresceu, mas a organização não necessariamente evoluiu.

O Work Trend Index 2026, da Microsoft, pesquisou 20 mil usuários de IA em dez mercados e identificou os Frontier Professionals, grupo dos usuários mais avançados do estudo. Eles relatam com muito mais frequência compartilhar dicas, novos agentes, aprendizados e erros (61% contra 36%) e discutir padrões de qualidade para o trabalho assistido por IA (54% contra 29%). [13]

É assim que aprendizado individual começa a se transformar em capacidade coletiva.

Isso afeta inclusive a entrada de novos colaboradores. Quem chega não deveria precisar repetir anos de tentativa e erro para descobrir aquilo que a empresa já aprendeu. Deveria encontrar práticas, exemplos, critérios, ferramentas e conhecimento acumulado que permitam compreender rapidamente:

“É assim que utilizamos IA aqui.”

Existe ainda uma questão delicada de incentivo.

Se alguém descobre que consegue realizar em duas horas algo que antes levava oito, a organização criou condições para que essa descoberta seja compartilhada?

Ou o colaborador conclui que revelar o ganho pode simplesmente tornar seu próprio trabalho menos necessário?

Se a empresa não resolver essa equação, pode produzir um resultado perverso: pessoas utilizando IA intensamente, capturando ganhos reais e mantendo parte desse aprendizado escondido da própria organização.

É nesse ponto que a fronteira com Aprendizado Retido precisa permanecer clara.

Aprendizado Retido preserva o conhecimento. Pessoas garante que esse conhecimento circule, seja absorvido e passe a fazer parte da cultura.

O terceiro desafio é preparar as pessoas para uma nova organização.

Em texto publicado em agosto de 2026, Bill Gates faz um alerta sobre o impacto que essa transformação poderá provocar sobre o trabalho. Sua preocupação não está apenas na produtividade que a tecnologia permitirá capturar, mas também na velocidade com que determinadas funções podem desaparecer ou ser profundamente modificadas e na capacidade da sociedade de criar alternativas para as pessoas afetadas. [14]

Para a empresa, essa discussão começa antes.

À medida que a IA assume tarefas, amplia a capacidade individual e muda a forma como processos são executados, também muda a própria organização. Algumas funções serão redesenhadas, outras poderão desaparecer, novas competências ganharão importância e pessoas poderão assumir responsabilidades muito diferentes das atuais.

Por isso, a pergunta não deveria ser apenas quanto de produtividade será capturado.

Que organização estamos construindo com IA? Quais funções precisarão mudar? Quais novas competências serão necessárias? E estamos preparando as pessoas para ocupar esse novo espaço?

E agora, como sigo?

Não basta preparar as pessoas para usar IA melhor. É preciso fazer o conhecimento circular, incorporá-lo à cultura e preparar a organização e seus profissionais para a transformação que já começou.

Este trabalho é uma tentativa de organizar, de forma estruturada, percepções, aprendizados e problemas que começam a aparecer entre empresas e profissionais que já iniciaram sua jornada com inteligência artificial.

As sete alavancas não pretendem formar um manual definitivo de implantação. Ainda estamos todos aprendendo. Modelos mudam, tecnologias evoluem, novas formas de uso aparecem e problemas que hoje parecem pequenos podem ganhar outra dimensão à medida que a adoção cresce.

Este trabalho também procura fazer algo simples: aprender com quem foi antes.

A adoção de IA ainda é recente, mas já existem decisões bem-sucedidas, dificuldades, desperdícios, dependências e erros documentados. Não precisamos repetir todos eles para aprender.

Estamos navegando em águas pouco exploradas. Por isso, como já antecipávamos no artigo anterior, talvez ainda não exista um mapa preciso indicando exatamente por onde cada empresa deve seguir. Mas já começa a existir experiência suficiente para reconhecer algumas rotas que parecem mais seguras, decisões que vale tomar cedo e caminhos que podem criar riscos, custos ou dependências difíceis de corrigir depois.

Esse é o principal objetivo deste trabalho: antecipar.

Antecipar perguntas que talvez ainda não estejam sendo feitas. Identificar cuidados que custam pouco quando tratados no início, mas podem se tornar caros quando a operação ganha escala. E ajudar a construir uma jornada em que velocidade de adoção e disciplina de gestão avancem juntas.

As sete alavancas também não devem ser tratadas isoladamente. Dados e Contexto influenciam a qualidade das soluções. Alocação Inteligente busca combinar a capacidade necessária com o custo e o resultado esperado. Aprendizado Retido garante que aquilo que a organização descobre não desapareça. Portabilidade preserva a liberdade de escolha e amplia as alternativas de custo. Segurança define os limites dentro dos quais tudo isso pode operar. Gestão de Valor verifica se o esforço está produzindo resultado. E Pessoas determina se aquilo que alguns aprenderam consegue se transformar em capacidade e cultura da organização.

Para transformar essas ideias em uma primeira ação prática, construímos uma primeira versão das Perguntas das 7 Alavancas apresentadas neste artigo.

Ela não tem a pretensão de ser uma certificação de maturidade nem pretende avaliar todos os controles que uma organização poderá precisar no futuro. É uma primeira versão das perguntas que deveriam ser levantadas nos estágios iniciais da adoção de IA, para verificar se alguns cuidados básicos já estão de pé.

As perguntas procuram ser simples e práticas. Em muitos casos, uma resposta negativa não exige um grande projeto de tecnologia. Exige reconhecer uma lacuna, definir uma regra, atribuir uma responsabilidade ou criar um controle antes que o uso cresça. É o famoso ver e agir.

Com o avanço da adoção, naturalmente surgirão níveis adicionais de maturidade. Novas perguntas precisarão ser incorporadas, alguns controles ficarão mais sofisticados e provavelmente descobriremos riscos que hoje ainda não conseguimos enxergar.

Essa primeira versão das Perguntas das 7 Alavancas representa, portanto, o estágio atual do nosso aprendizado. Ela foi construída a partir da literatura, da observação do mercado, das conversas com quem já está implantando IA e da experiência prática acumulada ao longo dessa jornada. Deverá continuar evoluindo à medida que aprendermos.

Mais importante do que simplesmente avançar rápido é antecipar as decisões que permitirão transformar o uso de IA em capacidade real da organização. Capturar o que funciona, preservar o aprendizado, disseminar as melhores práticas e incorporá-las à cultura é o que diferencia uma empresa que apenas usa IA de uma organização que aprende com ela.

* Moat, em estratégia, é uma vantagem competitiva duradoura que protege uma empresa da concorrência e ajuda a preservar sua capacidade de gerar valor ao longo do tempo. O termo, popularizado por Warren Buffett, vem da imagem do fosso que protege um castelo. [15]

Quero registrar meu agradecimento pelas inúmeras contribuições que recebi ao longo das últimas semanas nessa jornada de escrever sobre o que venho chamando de revolução da IA.

Muitas das ideias, dúvidas, provocações e exemplos que ajudaram a construir este artigo nasceram de conversas com executivos, profissionais e leitores que estão enfrentando esses desafios na prática.

E quero manter esse processo aberto.

Serei imensamente grato por todos os comentários, experiências, dificuldades, aprendizados, assim como por visões antagônicas às que proponho, que os leitores quiserem dividir comigo aqui abaixo, ou mesmo diretamente pela minha conta no LinkedIn. Quanto mais pudermos confrontar essas ideias com a realidade de quem está implantando IA, mais útil e preciso este trabalho poderá se tornar.