Muitas empresas querem implementar IA, mas ainda não resolveram problemas de base como dados desorganizados, processos manuais e arquitetura tecnológica complexa. Na prática, isso trava iniciativas de inteligência artificial, aceleração de software e transformação digital.
No primeiro episódio do Vibbracast, Leandro Oliveira conversa com João Fornari Jr., CPTO e DPO da Copastur, uma empresa com mais de 50 anos que passou por uma transformação profunda para acelerar sua operação com tecnologia. Mais do que um case de inovação, essa conversa revela um ponto crítico: AI First não começa com IA, começa com estrutura, dados e decisões estratégicas de tecnologia. Neste artigo, você vai entender por que AI First exige estrutura e quais fundamentos precisam vir antes da IA para gerar impacto real no negócio.
Assista ao episódio completo do Vibbracast sobre AI First
Antes de assistir, aqui estão os principais aprendizados do episódio:
- AI First não começa com ferramenta.
- Sem dados organizados, a IA não escala.
- Negócio e tecnologia precisam evoluir juntos.
Por que AI First não funciona sem estrutura?
O conceito de AI First ganhou força com a popularização da IA generativa, mas também trouxe uma interpretação equivocada. Muitas empresas passaram a adotar ferramentas antes de estruturar os fundamentos, o que cria um cenário em que a tecnologia existe, mas não resolve os problemas centrais do negócio.
Como João coloca durante a conversa, o erro não está em usar IA, mas em acreditar que ela resolve tudo sozinha. Em suas palavras, “não basta só usar IA”, pois sem uma base de dados confiável, processos estruturados e arquitetura tecnológica consistente, a adoção de IA tende a ficar restrita a testes isolados e pilotos sem escala.
Esse é o ponto onde muitas empresas começam a perceber que a tecnologia, em vez de acelerar, passa a expor fragilidades. A IA deixa de ser alavanca e se torna apenas mais uma camada sobre um sistema que já não funcionava bem.
Antes da IA: o que realmente acelera a entrega de software?
Quando João assumiu o desafio de transformar a Copastur, o objetivo não era implementar inteligência artificial, mas preparar a empresa para operar com mais velocidade e previsibilidade. Esse cenário é comum em empresas em crescimento, especialmente quando CTOs precisam acelerar entregas sem abrir mão da previsibilidade operacional.
Um dos primeiros desafios foi estruturar os dados. Mesmo lidando com milhões de viajantes, a empresa não possuía informações completas, o que limitava qualquer iniciativa mais avançada. João compartilha um exemplo que ilustra bem esse cenário ao dizer que havia uma grande quantidade de registros sem dados básicos, o que tornava impossível identificar corretamente os usuários e gerar inteligência sobre a operação.
A partir disso, foi necessário construir uma base sólida, consolidando dados e organizando as informações. É essa base de dados que viabiliza automação, personalização, inteligência operacional e, posteriormente, iniciativas mais maduras de IA.
Processos manuais são o maior freio da aceleração
Outro ponto central da transformação foi a revisão dos processos internos, processos manuais costumam ser um dos principais gargalos de tecnologia em empresas que querem crescer com eficiência. O João traz uma reflexão interessante ao comentar que ouviu diversas vezes que o trabalho da empresa era “artesanal”. Essa visão, embora comum em empresas tradicionais, se torna um obstáculo quando o objetivo é crescer com eficiência. Como ele mesmo coloca, “se a gente continuar nesse mundo artesanal, a gente nunca vai ser uma indústria de serviços”.
Mapear fluxos, padronizar rotinas e automatizar atividades é o que cria escala operacional e acelera a entrega de software com menos risco. Esse tipo de movimento é o que realmente permite acelerar a entrega de software e reduzir o time to market, muito mais do que a simples adoção de novas ferramentas.
O papel da tecnologia como base, e não como fim
Além de dados e processos, a Copastur precisou estruturar sua arquitetura tecnológica para suportar crescimento. Com centenas de integrações e diferentes formatos de comunicação, a empresa enfrentava um cenário complexo, que exigia organização e padronização.
João comenta que havia uma grande diversidade de tecnologias e formatos sendo utilizados, o que aumentava a complexidade da operação. A partir disso, foi necessário organizar essa base, criando uma estrutura capaz de sustentar novas iniciativas.
Esse tipo de trabalho reforça um ponto importante: em empresas que querem operar em modelo AI First, tecnologia precisa ser tratada como infraestrutura de crescimento, e não apenas como resposta pontual a demandas isoladas. Sem essa base, qualquer tentativa de acelerar com IA tende a ser limitada.
O ponto de virada: quando o negócio assume a IA
Em muitas empresas, a IA nasce como iniciativa exclusiva da TI, o que limita adoção e impacto. Desta forma, um dos momentos mais relevantes da transformação aconteceu quando a inteligência artificial deixou de ser uma iniciativa concentrada na TI e passou a ser adotada pelas áreas de negócio.
João destaca que, inicialmente, o movimento começou dentro da tecnologia, o que é natural, mas também limitador. O avanço real aconteceu quando o uso da IA passou a estar conectado a processos reais, metas operacionais e necessidades concretas do negócio.
Um exemplo claro foi a criação de um squad liderado por uma área de negócio. Ao falar sobre isso, ele reforça que esse foi um divisor de águas, porque a tecnologia deixou de ser um experimento e passou a resolver problemas reais. A partir desse momento, o impacto se tornou muito mais evidente.
Erros comuns ao tentar implementar IA nas empresas
Ao longo da conversa, fica evidente que muitas empresas ainda tratam a IA como um atalho para resolver problemas estruturais. No entanto, como João aponta, esse tipo de abordagem tende a gerar frustração, porque ignora a base necessária para que a tecnologia funcione.
Ele destaca que muitas iniciativas começaram com o uso de ferramentas, impulsionadas pelo acesso facilitado à IA generativa, mas sem uma estratégia clara por trás. Esse movimento, embora tenha democratizado o uso da tecnologia, também criou a ilusão de que a transformação poderia acontecer sem preparação.
Na prática, tecnologia sem contexto, dados sem qualidade e IA sem processo raramente geram resultado consistente. O efeito mais comum é o acúmulo de testes isolados, baixa adoção e pouco impacto no negócio.
Cultura organizacional: o maior risco invisível
Se a parte técnica já exige esforço, a transformação cultural é ainda mais desafiadora. Empresas tradicionais carregam formas de trabalho consolidadas, o que gera resistência à mudança e dificulta a adoção de novos modelos.
João menciona que enfrentou uma resistência significativa ao propor automações e mudanças de processo, especialmente em áreas acostumadas a operar da mesma forma há muitos anos. Ele utiliza uma expressão interessante para descrever esse comportamento, referindo-se à ideia de que as coisas sempre foram feitas de um determinado jeito e deveriam continuar assim.
Superar essa barreira exigiu aproximação com o negócio, tradução da tecnologia para uma linguagem mais acessível e construção conjunta das soluções. Esse ponto reforça que a transformação não acontece por imposição, mas por alinhamento e engajamento. Sem mudança cultural, a adoção de IA e automação tende a encontrar barreiras mesmo quando a tecnologia já está disponível.
O que empresas podem aprender com esse erro?
Ao olhar para trás, João reconhece que teria envolvido o negócio desde o início do processo. Segundo ele, houve uma subestimação da capacidade das áreas de negócio participarem da construção tecnológica, o que gerou retrabalho em fases posteriores.
Esse aprendizado é especialmente relevante para empresas que buscam acelerar o roadmap de produtos e reduzir riscos. Quando tecnologia e negócio evoluem em ritmos diferentes, a tendência é que ajustes precisam ser feitos depois, em um cenário mais complexo.
Ainda assim, a base construída permitiu que esses movimentos fossem realizados de forma estratégica, garantindo continuidade na evolução da empresa. O aprendizado é claro: envolver o negócio desde o início reduz retrabalho e aumenta a capacidade de transformar tecnologia em impacto operacional.
O futuro das empresas AI First
Ao projetar os próximos anos, João destaca que a transformação tende a se intensificar. A IA integrada à operação deixa de ser uma camada adicional e passa a fazer parte da operação, atuando diretamente em processos e decisões orientadas por inteligência visando a automação de processos.
Ele aponta que veremos cada vez mais agentes executando tarefas repetitivas, enquanto profissionais assumem um papel mais estratégico, atuando como orquestradores. Ao mesmo tempo, surge a necessidade de qualificação, já que o mercado passa a exigir perfis mais completos.
Esse cenário reforça que AI First não é apenas uma decisão tecnológica, mas uma mudança estrutural na forma como as empresas operam, onde times menores podem ganhar escala com agentes, desde que exista estrutura para governança, dados e integração.
AI First começa com decisões estratégicas de tecnologia
O principal aprendizado do episódio é direto: AI First não começa com IA. Na prática, isso significa organizar dados, reduzir dependência manual, estruturar a arquitetura tecnológica e aproximar tecnologia das áreas de negócio.
Como João reforça ao final da conversa, empresas que não colocarem tecnologia como base do negócio terão dificuldade para evoluir nos próximos anos. A IA entra como aceleradora, mas apenas quando a estrutura já está pronta para suportar esse avanço.
Esse é o ponto central da aceleração estratégica de tecnologia: usar a tecnologia como meio para gerar impacto real, e não como fim em si mesma.
Assista ao episódio completo
Se sua empresa enfrenta gargalos de tecnologia, baixa previsibilidade de entrega ou dificuldade para transformar IA em resultado real, o episódio mostra como estruturar essa base antes de escalar.
