Nos últimos anos, as discussões sobre inteligência artificial corporativa frequentemente se resumiram à escolha do modelo, mas à medida que a IA migra para o ambiente de produção, o modelo torna-se apenas uma das variáveis em um sistema muito mais complexo.
Este tema foi central no painel de discussão DevSparks Hyderabad 2026 intitulado «Nova pilha corporativa: dados, agentes, análise inteligente», no qual participaram Kiran Rokkam, parceiro de IA/ML na Tiger Analytics, e Naren Peri, vice-presidente de dados e análise e líder de local no MetLife. Shivani Mutanna, da YourStory, atuou como moderadora.
Segundo Rokkam, as empresas evoluíram de meros estudos de IA para a criação de divisões especializadas para transformação baseada nela. Ele observou que há cerca de um ano, oito em cada dez organizações com as quais trabalham tinham prática de transformação, e agora a IA está sendo cada vez mais integrada às operações de negócios, em vez de permanecer uma área de experimentação.
Peri apontou outra mudança: as tecnologias de IA não estão mais restritas a especialistas estreitos. Ele afirmou que, graças aos modelos avançados, qualquer pessoa pode agora se beneficiar dessa tecnologia. No entanto, enfatizou que é necessário estar ciente dos riscos associados. As corporações entendem que adquirir modelos é apenas o primeiro passo; o trabalho real reside em dominar os métodos de operacionalização da IA, sua integração nos fluxos de trabalho e processos de negócios centrais para alcançar o efeito comercial esperado.
À medida que as organizações passam de copilotos para agentes autônomos, a qualidade dos dados e do contexto se torna criticamente importante. Peri explicou que, para criar dados prontos para uso com IA, não basta apenas limpar bancos de dados. As empresas precisam tornar seu contexto compreensível para máquinas por meio de ontologias, grafos de conhecimento e camadas semânticas.
Ele deu um exemplo de uma seguradora, explicando que primeiro é necessário criar uma ontologia, que ele definiu como a «gramática da empresa». Os grafos de conhecimento conectam entidades e relações entre diferentes domínios, e a camada semântica atua como tradutor, transformando a linguagem de negócios em implementação física e tornando o contexto da empresa legível por máquina.
Rokkam acrescentou que a complexidade do problema é aumentada pelo fato de que grande parte do conhecimento da empresa não está armazenada em bancos de dados estruturados, mas distribuída em e-mails, apresentações, SharePoint, Google Drive e conversas em equipes. Ele salientou que, para sistemas de IA que precisam executar ações, e não apenas extrair informações, a compreensão dos processos de negócios e do conhecimento dos funcionários se torna vital.
Um obstáculo adicional é a infraestrutura obsoleta, pois os dados de funcionários, clientes ou operacionais estão espalhados por vários sistemas, usando identificadores e definições diferentes. A recomendação de Rokkam foi focar na criação de contexto antes de iniciar uma transformação em grande escala. Ele aconselhou a criação de um número suficiente de grafos de conhecimento contextuais em cada um desses sistemas.
O painel se opôs à ideia de que a IA corporativa visa substituir o trabalho humano. Para Peri, a possibilidade imediata é combinar a escala fornecida pelas máquinas com o julgamento humano, especialmente em setores como seguros, onde as decisões afetam momentos importantes na vida das pessoas. Ele observou: «A tecnologia, como fator diferenciador, fornece escala e velocidade. O julgamento humano traz empatia, cuidado, avaliação moral. O futuro não é nem altamente tecnológico nem altamente humano; precisamos de ambos».
Além disso, o valor da IA deve ser medido não apenas pelo número de modelos implantados ou ferramentas adotadas. Rokkam afirmou que a produtividade permanece um indicador chave, mas as empresas estão cada vez mais questionando como a IA se transforma em valor comercial real. Ele acrescentou que, no geral, todos estão olhando para alguma variação de produtividade como métrica, embora a tradução da IA em valor comercial direto permaneça menos madura em muitas organizações.
À medida que as empresas avançam para sistemas mais autônomos, a governança se tornará tão importante quanto a própria capacidade. Rokkam espera que as organizações se tornem mais flexíveis, à medida que a IA e a automação assumirão processos não essenciais, enquanto Peri enfatizou que a supervisão continuará sendo necessária para garantir que os agentes de IA operem dentro de limites de governança claramente definidos. Ele comparou isso a um «sistema de freio», pois ter tal sistema dá confiança para avançar de forma rápida e disciplinada.
A conclusão do painel foi que a pilha corporativa de IA emergente não é apenas um conjunto de modelos e agentes, mas um sistema interconectado que inclui dados, contexto, infraestrutura, orquestração, governança e julgamento humano. O painel enfatizou que o ajuste correto dessas bases pode determinar se a próxima onda de IA corporativa levará a um valor comercial real ou permanecerá mais um projeto piloto promissor.
