Priorização de projetos de IA: como decidir o que vale construir

Capa do Vibbracast episódio 17 sobre inteligência artificial no desenvolvimento de software, com Bernardo Rachadel, CTO da Zucchetti Brasil, e Leandro Oliveira, CEO da Vibbra.

Escrito por

Publicado em

Uma equipe passa a desenvolver funcionalidades mais rapidamente. Outras áreas começam a criar assistentes e automações. A quantidade de iniciativas cresce, mas surge uma pergunta que a velocidade de execução não resolve: quais dessas entregas merecem existir em produção?

A priorização de projetos de IA precisa combinar relevância do problema, evidência de benefício, custo total, risco e capacidade de adoção. Escolher apenas pelo esforço de desenvolvimento é insuficiente: uma solução pode ser simples de construir e difícil de integrar, sustentar ou transformar em resultado.

Essa tensão aparece na experiência compartilhada por Bernardo Rachadel, CTO da Zucchetti Brasil, no Vibbracast com Leandro Oliveira, CEO da Vibbra. A conversa conecta a abertura da experimentação a um desafio posterior: distinguir iniciativas interessantes daquelas capazes de alterar o resultado do negócio.

Confira a conversa completa sobre o estágio seguinte da adoção de IA, quando o gargalo sai da construção e vai para a decisão:

https://www.youtube.com/watch?v=0SExGJN48OM
Vibbracast 17 | IA no desenvolvimento: como a Zucchetti decide o que vale a pena construir

Como funciona a priorização de projetos de IA?

Priorizar projetos de IA é decidir onde investir capacidade, orçamento e atenção gerencial para resolver problemas relevantes com riscos aceitáveis e benefícios verificáveis.

Essa decisão envolve escolher:

 

 

  • o que pode ser experimentado;
  • o que está pronto para operar com usuários reais;
  • o que merece expansão;
  • o que precisa ser reformulado ou interrompido.

 

Essas decisões exigem evidências diferentes. Um experimento pode justificar seu custo pelo aprendizado que produz. Uma solução em produção precisa demonstrar qualidade e capacidade de sustentação. A expansão exige entender se o benefício se mantém diante de mais usuários, integrações e exceções.

A distinção evita dois extremos: bloquear descobertas porque ainda não existe um business case completo ou escalar demonstrações promissoras como se a viabilidade técnica comprovasse valor.

Por que produzir mais com IA não garante resultados

Desenvolver software mais rapidamente não significa, necessariamente, gerar mais valor para o negócio. O ganho de produtividade só se transforma em resultado quando a organização consegue absorver, validar e utilizar aquilo que foi construído.

O relatório DORA 2025, baseado em respostas de quase 5 mil profissionais de tecnologia, identificou uma associação entre maior adoção de IA e aumento da velocidade de entrega, mas também desafios relacionados à estabilidade. A principal conclusão é que a IA tende a amplificar as condições existentes: equipes com processos bem estruturados podem aproveitar melhor seus benefícios, enquanto gargalos operacionais continuam limitando os resultados.

Para a liderança, isso significa que acelerar o desenvolvimento nem sempre deve ser a prioridade.

Se o problema está na identificação das necessidades dos clientes, construir mais rapidamente pode gerar funcionalidades pouco utilizadas. Se está na validação, o aumento das entregas pode ampliar o retrabalho. E, se o gargalo está no lançamento comercial, disponibilizar uma solução antes não significa necessariamente gerar receita mais cedo.

Essa discussão também aparece quando analisamos como acelerar o roadmap de tecnologia: aumentar a velocidade de desenvolvimento não resolve, por si só, os gargalos que limitam a entrega de valor.

A produtividade também precisa ser avaliada no contexto de cada equipe. Um estudo da METR publicado em 2025 identificou que desenvolvedores experientes levaram, em média, 19% mais tempo para concluir determinadas tarefas utilizando IA. Uma atualização de 2026 destacou limitações para extrapolar esses resultados às ferramentas e condições atuais. Isso reforça a importância de medir os ganhos reais, em vez de presumir que a adoção da tecnologia sempre aumenta a produtividade.

Como equilibrar experimentação e governança de IA

A experiência relatada pela Zucchetti oferece uma alternativa à oposição entre inovação descentralizada e controle executivo.

Segundo Bernardo, a empresa começou pelo aculturamento de diferentes áreas. O RH teve participação inicial importante na capacitação e nas atividades práticas. Ao mesmo tempo, o surgimento de iniciativas e ferramentas variadas tornou necessária uma estrutura para organizar o uso corporativo.

Nesse contexto, foi desenvolvido um sistema de uso interno para apoiar a gestão de projetos, assistentes e agentes. Bernardo descreve um ambiente de experimentação nas áreas e um processo de homologação para iniciativas que poderiam ser compartilhadas e utilizadas em maior escala.

Da experimentação à escala: quando avançar

O ponto mais útil desse relato não é a existência de uma plataforma específica. É a separação entre liberdade de descoberta e autorização para ampliar exposição.

Quem conhece o trabalho pode identificar exceções, tarefas e limitações que dificilmente apareceriam em um planejamento exclusivamente executivo. Mas conhecer bem uma necessidade local não significa ter, sozinho, condições de avaliar segurança, duplicidade de soluções ou custo de sustentação.

Na conversa, Leandro apresenta a perspectiva de partir de uma dor estratégica e investigar quais mudanças em engenharia e processos poderiam destravá-la. Bernardo complementa que os principais projetos de IA da Zucchetti também foram puxados pela diretoria.

A combinação sugere um princípio: ideias podem surgir em qualquer área; compromissos de produção e escala precisam de responsabilidades explícitas.

Isso evita tanto a fila central que sufoca experimentação quanto a proliferação de soluções sem dono.

Essa transição também exige compreender como escalar IA no desenvolvimento de software, transformando experimentos bem-sucedidos em operações capazes de sustentar resultados.

Por que horas economizadas não comprovam ROI

Horas poupadas demonstram um benefício operacional possível. Para demonstrar retorno financeiro, é necessário mostrar o que mudou com essa capacidade e considerar os custos de obtê-la.

Essa distinção também aparece na discussão sobre como medir o ROI de iniciativas de IA: reduzir o tempo de uma tarefa não equivale automaticamente a reduzir despesas ou gerar receita. O custo total inclui integração, revisão humana, capacitação, operação e governança, não apenas a licença.

O que o Luna XP revela sobre a mensuração de benefícios

Bernardo relata que a Zucchetti estava desenvolvendo o Luna XP, um mecanismo para associar resultados de agentes e assistentes a unidades representativas de minutos de esforço humano. O objetivo era quantificar a atividade e entender para onde a capacidade estaria sendo direcionada. Ele ressalta que a iniciativa ainda precisaria ser testada e adaptada.

Uma unidade de esforço equivalente pode ajudar a comparar atividades, desde que as premissas sejam conhecidas. Ainda assim, a pergunta econômica permanece: esse trabalho teria sido realizado? A qualidade foi equivalente? Houve revisão adicional? A capacidade liberada foi utilizada em algo necessário?

Automatizar um relatório que ninguém produziria antes pode criar informação útil. Mas não representa, por si só, uma despesa eliminada.

Como medir benefícios além do tempo economizado

Uma avaliação consistente deve registrar a cadeia entre tarefa e resultado:

Mudança observada O que ainda precisa ser demonstrado
Menor tempo por atendimento Se a resolução foi mantida e não houve aumento de reabertura
Menos esforço de programação Se o ganho permaneceu após revisão, testes e correções
Capacidade liberada Se houve demanda e condições para utilizá-la
Mais funcionalidades em produção Se foram adotadas e resolveram problemas relevantes
Menor necessidade de expansão da equipe Se a contratação era necessária e foi efetivamente evitada

Crescimento de vendas, por exemplo, pode coincidir com mudanças de preço, campanhas ou sazonalidade. Contabilizar todo o crescimento como efeito da IA produz uma conclusão mais forte do que a evidência permite.

6 critérios para priorizar projetos de IA

Uma decisão de portfólio precisa combinar critérios comparáveis sem esconder incertezas em uma nota aparentemente precisa.

O quadro abaixo propõe um roteiro de avaliação, o qual não substitui uma análise técnica, financeira e de risco.

Critério Pergunta de decisão Evidência esperada
Relevância estratégica Qual objetivo ou restrição será afetado? Problema definido e responsável de negócio
Benefício verificável O que deverá mudar e como saberemos? Linha de base, hipótese e indicador
Viabilidade operacional Dados, integrações e processo permitem operar? Dependências e exceções conhecidas
Risco e reversibilidade O que acontece quando a solução erra? Limites, supervisão e resposta a incidentes
Custo total Quanto custa construir, utilizar e sustentar? Custos iniciais e recorrentes
Capacidade de absorção Quem utilizará, apoiará e capturará o benefício? Plano de adoção e responsáveis

Não é necessário atribuir pesos iguais. Uma iniciativa obrigatória de segurança não deve disputar espaço como se fosse uma funcionalidade comercial opcional.

Da mesma forma, um risco incompatível com a política da empresa não deveria desaparecer porque o projeto recebeu uma nota alta em impacto. Alguns critérios ordenam oportunidades; outros condicionam o avanço.

Também vale comparar alternativas. A resposta pode ser uma integração convencional, uma regra determinística, uma funcionalidade já disponível ou a simplificação do processo. Priorizar IA não significa presumir que IA é a melhor solução.

Como avaliar riscos antes de colocar IA em produção

O NIST AI 600-1 trata riscos específicos ou ampliados pela IA generativa, incluindo conteúdo incorreto apresentado com confiança, exposição de dados, segurança da informação e problemas de interação entre humanos e sistemas. O documento orienta a gestão ao longo do ciclo de vida, considerando contexto e tolerância a risco.

Para decidir sobre produção, a liderança deve exigir respostas operacionais:

  • Quais informações podem entrar no sistema?

 

  • Quais ações podem ocorrer sem aprovação?

 

  • Como detectar respostas inadequadas?

 

  • Quem pode suspender a operação?

 

  • Como investigar incidentes e corrigir o comportamento?

 

Um assistente que sugere uma resposta não tem a mesma exposição de um agente autorizado a alterar registros ou executar ações externas. A avaliação deve considerar essa diferença.

Camadas de proteção também não justificam prometer ausência de falhas. O NIST reconhece incertezas e limitações na avaliação de riscos, além de ataques capazes de explorar sistemas integrados a modelos de linguagem.

Na engenharia, a decisão precisa observar o efeito sobre qualidade e sustentação. Se mais mudanças chegam à produção acompanhadas de mais incidentes e retrabalho, parte do ganho aparente está sendo consumida pelo próprio sistema.

Isso reforça a importância de evoluir a revisão de código para uma validação que considere não apenas a qualidade técnica, mas também o valor entregue ao usuário.

Adoção de IA: por que a entrega técnica não basta

Uma das contribuições mais fortes do episódio aparece quando Bernardo descreve entregas que chegam à produção antes de outras áreas estarem preparadas: comercial não sabe vender, suporte não sabe sustentar e marketing não sabe comunicar. Leandro conecta esse problema ao desafio de acelerar a chegada ao mercado, não apenas a engenharia.

Considere uma funcionalidade que permite atender um novo perfil de cliente. Se a equipe comercial não entende os limites de uso, pode vender uma expectativa inadequada. Se o suporte não conhece os novos fluxos, a adoção pode gerar atrito. Se não existe instrumentação, a empresa pode nem perceber que a funcionalidade não está sendo utilizada.

Um exemplo dessa conexão entre engenharia e resultado de negócio é o case da Dígitro com os Squads Cognitivos da Vibbra, no qual a evolução de um produto estratégico foi antecipada em aproximadamente 12 meses.

Uma revisão de prontidão deve verificar:

  1. Quem receberá a entrega e em qual situação.
  2. Como o usuário aprenderá a utilizá-la.
  3. Quais áreas terão novas responsabilidades.
  4. Como dúvidas, falhas e exceções serão tratadas.
  5. Quais sinais indicarão adoção e benefício.

A recomendação aqui é dimensionar a preparação de acordo com seu impacto.

Quando escalar ou interromper projetos de IA

Um portfólio de IA precisa distinguir aprendizado, operação e expansão. Caso contrário, projetos continuam recebendo recursos apenas porque já funcionam tecnicamente ou porque alguém investiu esforço em construí-los.

Uma organização pode trabalhar com quatro situações:

  • Exploração: testar uma hipótese com limites de tempo, custo e exposição.
  • Preparação: resolver dados, integrações ou responsabilidades antes de operar.
  • Operação controlada: verificar qualidade, adoção, custo e benefício com escopo delimitado.
  • Expansão: ampliar somente quando houver evidência compatível com o compromisso assumido.

A interrupção deve permanecer possível em qualquer estágio. Falta de adoção, custo de revisão elevado, benefício não demonstrado ou mudança de prioridade podem justificar a decisão.

Isso não significa exigir retorno financeiro imediato de todo investimento. Segurança, qualidade e infraestrutura podem criar condições para outros resultados. Nesse caso, a justificativa deve explicitar a capacidade ou o risco tratado, sem converter benefícios indiretos em receita fictícia.

A liderança intermediária tem papel importante nessa passagem. Bernardo destaca a necessidade de capacitar essa camada para compreender possibilidades e riscos da IA e conduzir a operação em direção à estratégia.

Priorizar IA é escolher onde gerar valor

A capacidade de construir mais amplia o espaço de possibilidades, mas não elimina a necessidade de escolher. Pode torná-la ainda mais importante.

A experiência compartilhada pela Zucchetti mostra uma organização tentando combinar abertura à experimentação, estrutura de governança e conexão com resultado. Também evidencia que entregar mais rapidamente não resolve, sozinho, a mensuração de valor ou a preparação das demais áreas.

Para lideranças de engenharia e produto, a decisão relevante deixa de ser apenas quanto trabalho cabe no desenvolvimento. Passa a incluir quanto trabalho útil a organização consegue selecionar, validar, absorver e sustentar.

Se a sua operação já entrega mais com IA, mas ainda enfrenta dificuldade para definir prioridades ou demonstrar benefícios, converse com a Vibbra sobre os desafios de engenharia e produto que precisam ser diagnosticados antes da próxima expansão.

Sua empresa está investindo nos projetos certos de IA?

Acelerar o desenvolvimento não significa necessariamente gerar mais valor. Antes de ampliar suas iniciativas, é fundamental identificar quais projetos realmente contribuem para os objetivos do negócio e quais desafios precisam ser resolvidos primeiro.

A Vibbra ajuda empresas a diagnosticar gargalos, definir prioridades estratégicas e evoluir seus processos de engenharia com inteligência artificial, governança e foco em resultados.

Converse com a Vibbra sobre os desafios de engenharia e produto da sua empresa.

 

Posts relacionados

Assine e receba nossos conteúdos exclusivos.