IA sem arquitetura: quando eficiência local destrói valor sistêmico

Nas conversas que tenho conduzido sobre inteligência artificial, muitas empresas ainda começam pela ferramenta. Qual modelo utilizar? Qual agente construir? Quais tarefas automatizar? Quanto de estrutura será possível reduzir?

Essas perguntas são legítimas, mas chegam cedo demais. Antes de decidir o que a IA fará, a liderança precisa compreender qual sistema ela está prestes a acelerar.

A IA não corrige a lógica de gestão de uma empresa. Ela amplia essa lógica.

Se a organização já confunde atividade com resultado, redução de pessoas com produtividade e performance imediata com crescimento, os agentes podem apenas executar essas distorções com mais velocidade e escala.

O risco não está apenas em escolher uma tecnologia inadequada. Está em automatizar uma arquitetura que já consome capacidade, gera retrabalho e degrada margem.

A economia dos agentes começa depois do preço da tecnologia

Em uma análise recente sobre a economia dos fluxos operados por agentes de IA, a McKinsey chama a atenção para um erro recorrente: avaliar agentes de IA apenas pelo custo do modelo ou pelo consumo de tokens.

O custo real inclui infraestrutura, orquestração, manutenção, supervisão humana, especialistas de risco, tratamento de exceções e todos os sistemas necessários para que o trabalho seja efetivamente concluído.

Em determinados fluxos de atendimento bancário analisados pela consultoria, os tokens representam aproximadamente 20% a 25% do custo variável, enquanto a supervisão humana pode chegar a 70% ou 75%. Isso altera completamente a leitura sobre eficiência.

A pergunta correta deixa de ser “quanto custa o agente?” e passa a ser “quanto custa concluir este trabalho, com qualidade, considerando toda a arquitetura necessária?”

Um agente pode parecer barato isoladamente e, ainda assim, tornar o fluxo completo mais caro. Também pode parecer caro por execução, mas produzir valor quando reduz o custo integral de uma entrega de alto impacto.

O indicador relevante não é a quantidade de tarefas executadas pela IA. É a economia do trabalho concluído.

Quando a expectativa de reduzir estrutura vem antes do redesenho

O caso recente da Meta ajuda a materializar esse risco. Segundo uma investigação da Reuters, a empresa estudou uma transformação “AI native” na qual agentes assumiriam parte relevante do trabalho cotidiano e equipes humanas menores, formadas por profissionais altamente capacitados, fariam a supervisão.

Nos cenários avaliados, algumas equipes poderiam ser reduzidas em até 60%. Depois da primeira onda de cortes, porém, a etapa seguinte foi suspensa. A empresa enfrentou resistência interna e dados que indicavam ganhos de produtividade abaixo do esperado para os agentes autônomos.

O ponto não é avaliar uma decisão específica da Meta sem acesso a todo o contexto. O caso é relevante porque expõe uma inversão comum: assumir primeiro a redução da estrutura e deixar para depois a comprovação da capacidade real da tecnologia.

A ordem deveria ser outra: redesenhar o trabalho, testar o desempenho dos agentes, medir exceções, compreender a supervisão necessária, redefinir os papéis humanos e, somente então, dimensionar a estrutura.

Capacidade humana não é apenas um custo a ser removido. Em muitos fluxos, ela ainda é parte da infraestrutura que permite à IA funcionar.

Quando o mensurável ocupa o lugar do importante

A reflexão de David Aaker sobre o que ele chama de “droga chamada performance marketing” acrescenta outra camada ao problema.

Aaker não argumenta contra performance. Toda empresa precisa gerar demanda, vender e responder pelos resultados do trimestre. O problema começa quando performance deixa de ser uma ferramenta e passa a ser a filosofia que governa todo o marketing.

Quando cada iniciativa precisa provar retorno imediatamente, aquilo que constrói valor lentamente começa a ser tratado como desperdício. Marca, diferenciação, confiança, pesquisa e consistência estratégica perdem espaço para o indicador que responde mais rápido.

O avanço das plataformas, dos dashboards e da inteligência artificial amplia essa tentação. Quanto maior nossa capacidade de medir algo com precisão, maior o risco de atribuir importância excessiva a essa métrica.

Na IA, tarefas automatizadas, horas economizadas e posições eliminadas podem se transformar nas novas métricas de vaidade. São números visíveis e fáceis de apresentar. Mas não demonstram, sozinhos, que a empresa aumentou produtividade, capacidade de inovação, qualidade, receita ou margem.

É possível economizar horas em uma área e criar mais exceções em outra. É possível reduzir pessoas e perder capacidade crítica. É possível acelerar conversões e enfraquecer o ativo de marca que sustentaria demanda e preço no futuro.

O que é mais fácil de medir não é necessariamente o que mais importa para o negócio.

O erro comum às três histórias

McKinsey, Meta e Aaker estão observando dimensões diferentes de um mesmo problema: a otimização local sem um responsável pelo sistema completo.

Na economia dos agentes, o modelo é otimizado enquanto supervisão e exceções permanecem fora do cálculo. Na organização, o quadro de pessoas é reduzido antes de comprovar a nova capacidade operacional. No marketing, cliques e conversões são maximizados enquanto marca, diferenciação e demanda futura perdem espaço.

Em todos os casos, um indicador local melhora, mas o sistema pode ficar mais frágil.

Esse é um problema de arquitetura de crescimento porque estratégia, operação, tecnologia, pessoas, pipeline, marca e margem não funcionam como partes independentes. Uma decisão tomada em um ponto transfere custos, riscos e capacidade para os demais.

O que essa tese encontra na prática

Escrevo isso a partir de um lugar específico. Nos últimos anos, acompanhando de perto a operação comercial de uma empresa de grande porte do varejo, vi o custo de aquisição cair de forma consistente. O principal vetor dessa evolução não foi uma ferramenta nova. Veio de eliminar etapas que não precisavam existir, reduzir exceções que consumiam a capacidade de profissionais especializados e definir com clareza qual trabalho precisava ser concluído.

Quando finalmente entramos na camada de automação, o ganho foi real justamente porque o fluxo abaixo dela já havia sido redesenhado. Se tivéssemos automatizado no primeiro ano, teríamos escalado o desperdício com muita eficiência.

A IA amplia a arquitetura existente

Agentes podem reduzir custos, democratizar conhecimento, ampliar personalização e tornar economicamente viáveis serviços que antes não poderiam ser oferecidos em escala. Essa oportunidade é real.

Mas a mesma tecnologia pode acelerar retrabalho, multiplicar decisões inconsistentes, fragmentar dados e criar uma camada adicional de complexidade. O resultado depende menos do entusiasmo com a ferramenta e mais da qualidade do sistema no qual ela será inserida.

Por isso, antes de implantar agentes, a liderança deveria tomar cinco decisões.

1. Eliminar antes de automatizar

Quais atividades não deveriam mais existir? Automatizar uma etapa desnecessária não produz eficiência. Apenas torna o desperdício mais rápido.

2. Simplificar o fluxo

Onde estão as aprovações, transferências, duplicidades e critérios contraditórios? Quanto mais exceções o processo produz, maior tende a ser a necessidade de supervisão humana.

Vi isso acontecer em outra operação, na qual uma plataforma robusta automatizava um fluxo com critérios e exceções mal definidos. A ferramenta funcionava, mas executava fielmente um processo que produzia exceções em pontos críticos.

Cada exceção gerava intervenção humana, cada intervenção gerava registros inconsistentes e o time passava mais tempo corrigindo o sistema do que operando o mercado. A tecnologia estava certa. A arquitetura embaixo dela não estava.

3. Definir o resultado econômico

Qual trabalho deve ser concluído e qual valor ele gera? O indicador precisa chegar ao resultado final: uma venda fechada, um cliente atendido, uma análise concluída ou uma decisão tomada com qualidade.

4. Proteger os ativos que não aparecem imediatamente

A automação preserva experiência, confiança, conhecimento institucional, marca e capacidade futura? Eficiência que consome os ativos necessários ao próximo ciclo não é crescimento sustentável.

5. Instalar governança contínua

A economia dos agentes muda com modelos, preços, regras, riscos e capacidade técnica. A decisão não termina na implantação. Ela exige revisão de custos, qualidade, exceções, papéis humanos e valor entregue.

Arquitetura antes da automação

A empresa que automatiza primeiro pode parecer mais rápida. A empresa que redesenha o sistema antes de automatizá-lo tem mais chance de crescer melhor.

A IA não escolhe entre valor e desperdício. A arquitetura anterior faz essa escolha.

Por isso, o ponto não é frear a adoção de agentes. É impedir que a pressa tecnológica transforme ineficiências antigas em desperdícios automatizados, mais difíceis de enxergar e mais caros de corrigir.

Crescimento sustentável exige arquitetura, não apenas aceleração.

Se você está avaliando agentes de IA neste momento, uma pergunta antes de qualquer decisão: quanto custa hoje concluir um trabalho na sua operação, contando exceção, retrabalho e supervisão? Se ninguém na empresa souber responder com números, o problema ainda não é a IA.

Essa é a conversa que conduzo com lideranças de marketing e de negócio antes de qualquer discussão sobre ferramentas. Se essa questão também está presente na sua operação, preencha a aplicação da Tikun. Havendo aderência, avançaremos para uma sessão de viabilidade de 30 minutos.

Preencha a aplicação da Tikun.

Referências

McKinsey & Company. Where AI agents pay off: A practical guide to the economics of agentic workflows. Disponível em: McKinsey & Company

Reuters. Mark Zuckerberg had a bold plan to replace Meta staff with AI. Here’s how it imploded. Disponível em: Reuters

Exame. David Aaker e a “droga chamada performance marketing”. Disponível em: Exame