O que mudou: de assistente para operador
Até pouco tempo atrás, usar IA na empresa significava alguém abrir um chat, colar um texto e copiar a resposta de volta. O ganho existia, mas morria na pessoa: não escalava, não era auditável e sumia quando ela saía de férias. O que mudou é que os modelos passaram a operar dentro do processo — leem a mensagem que chegou, classificam, consultam o sistema, preenchem o campo, devolvem o resultado e registram o que fizeram.
Isso muda a unidade de contratação. Não se compra mais "uma IA", compra-se a automação de um processo com começo, fim e dono. E processo tem métrica: quantos itens por dia, quanto tempo cada um leva hoje, quantos voltam errados. Se essas três respostas não existem antes do projeto, não vai existir como provar ganho depois.
Onde a automação paga a conta
Atendimento repetitivo de alto volume. É o caso mais maduro no Brasil porque o canal é o WhatsApp e o pedido é padronizado. O Apicio, produto da própria JBKR, atende por áudio ou texto, monta o pedido e manda formatado para a cozinha — a equipe para de digitar e volta para o salão. O que torna isso viável não é o modelo: é o pedido ter um formato fechado e o erro ser corrigido em segundos pelo próprio cliente.
Triagem e classificação de entrada. Chamados, e-mails, formulários e currículos que chegam sem categoria e esperam alguém ler para serem encaminhados. A IA classifica e roteia; o humano só olha o que ficou com baixa confiança. Ganho típico: a fila deixa de depender do horário de quem triava.
Extração de dados de documentos. Notas, contratos, laudos, boletos e propostas que hoje viram digitação. É onde a qualidade da extração manda mais que o modelo — assunto do artigo sobre RAG e Docling.
Rascunhos internos. Resumo de reunião, primeira versão de proposta, descrição de produto, resposta padrão. O ganho é de tempo até a primeira versão, não de qualidade final: alguém continua assinando embaixo.
Onde ainda não paga
Decisão com consequência jurídica ou financeira sem revisão humana. Aprovar crédito, cancelar contrato, dar desconto fora da política, calcular tributo. O modelo erra com a mesma confiança com que acerta, e a conta chega no fechamento do mês ou numa autuação.
Processo sem dono. Se ninguém é responsável pelo resultado hoje, automatizar só distribui a culpa mais rápido. Primeiro define-se o dono e a métrica, depois automatiza-se.
Processo que muda toda semana. Automação precisa de estabilidade mínima para pagar o custo de implantação. Regra que muda a cada campanha consome mais manutenção do que economiza.
Redução de quadro como meta declarada. Projetos vendidos assim costumam travar na adoção: quem opera o processo é quem precisa ensinar a máquina, e ninguém treina o próprio substituto. Os projetos que andam têm meta de capacidade — atender o dobro com a mesma equipe — e não de corte.
A conta que ninguém faz: o custo do erro
Antes de perguntar "a IA acerta?", a pergunta certa é "quanto custa quando ela erra?". Dois processos com a mesma taxa de acerto têm riscos opostos: classificar errado um chamado custa um reencaminhamento; lançar errado um imposto custa multa e retrabalho contábil.
O método é simples. Para cada processo, escreva três números: volume mensal, custo de um erro e custo de uma revisão humana. Se o custo do erro for alto, o desenho obrigatório é IA propõe e humano confirma — e o ganho vem de velocidade, não de dispensar a revisão. Se o custo do erro for baixo e o volume alto, aí sim vale automatizar ponta a ponta com amostragem de auditoria.
Essa conta também define a meta de qualidade. Em triagem, 90% de acerto com 10% indo para revisão costuma ser excelente. Em emissão fiscal, 99% é insuficiente, porque 1% de milhares de notas é um problema recorrente.
Governança não é burocracia, é o que mantém o projeto vivo
Dois riscos derrubam automação em empresa brasileira. O primeiro é dado: colar informação de cliente em serviço público de IA viola contrato e expõe a empresa perante a LGPD. A regra da JBKR é usar serviços cujos termos vedem o uso do conteúdo para treinamento, anonimizar o que não precisa trafegar identificado e registrar o que foi enviado.
O segundo é injeção de prompt: conteúdo que chega de fora — uma mensagem, um PDF, um currículo — contendo instruções para o modelo. Em automação isso é sério, porque o modelo tem acesso a sistema. A proteção é tratar todo conteúdo externo como dado e nunca como ordem, limitar o que a automação pode executar e manter uma camada de política entre o usuário e o modelo. É exatamente o problema que o AironCore, o outro produto da JBKR, existe para resolver.
Como a JBKR implanta
Primeiro medir o processo como ele é hoje: volume, tempo e taxa de retrabalho. Sem isso não há linha de base. Segundo, escopo pequeno: um processo, um canal, um time. Terceiro, humano no circuito desde o primeiro dia, com a automação marcando o que ficou com baixa confiança. Quarto, telemetria: todo item processado fica registrado com entrada, saída e decisão, para auditoria e para melhorar. Quinto, só então ampliar — e a ampliação é decidida com o número, não com a sensação.
O que não fazemos: treinar modelo do zero quando um bom desenho de processo resolve, e prometer autonomia total em processo com consequência financeira.
Por onde começar
Escolha um processo que tenha volume diário, uma regra que você consiga explicar em um parágrafo e um erro que dê para desfazer no mesmo dia. Esse é o candidato certo. Meça duas semanas dele antes de automatizar qualquer coisa.
Na JBKR o diagnóstico inicial de 30 minutos é gratuito e serve exatamente para essa triagem: sai dele uma lista de processos ordenada por retorno e risco, com estimativa de horas. Automatizar o processo errado é a forma mais cara de começar.
