Sua empresa já investiu em IA. Mas está obtendo todo o retorno possível?

O desafio deixou de ser adotar Inteligência Artificial

As duas primeiras séries de artigos que publiquei recentemente tiveram como objetivo compreender a transformação pela qual as operações modernas de TI estão passando. Começamos investigando por que tantas organizações continuam enfrentando dificuldades para responder rapidamente aos incidentes, mesmo cercadas por ferramentas de monitoramento, automação e observabilidade.

Ao longo dessa reflexão, concluímos que reduzir o tempo de resolução não depende apenas da velocidade das equipes ou da qualidade das tecnologias empregadas, mas, principalmente, da rapidez com que a operação consegue construir uma compreensão consistente do problema. Essa ideia foi desenvolvida de forma mais aprofundada no artigo “Por que reduzir o MTTR não significa resolver incidentes mais rápido”, no qual defendemos que o maior consumo de tempo ocorre antes mesmo da recuperação técnica, durante o processo de investigação e entendimento do incidente.

Na segunda série, ampliamos essa discussão para o papel da Inteligência Artificial. Argumentamos que agentes especializados representam uma evolução importante, mas que sua capacidade de produzir decisões consistentes depende da existência de um contexto operacional compartilhado. Foi justamente essa conclusão que nos levou ao artigo “A próxima geração de AIOps será construída sobre plataformas de contexto operacional”, no qual propusemos que o verdadeiro diferencial das operações inteligentes não estará na quantidade de agentes disponíveis, mas na capacidade de construir e manter uma representação integrada da realidade operacional da organização.

Essas duas ideias estabelecem a base para a nova etapa da nossa reflexão.

Se compreendemos que reduzir o MTTR depende da velocidade com que construímos entendimento e que esse entendimento passa a depender de um contexto operacional compartilhado, surge naturalmente uma nova pergunta. Afinal, qual será o impacto dessa arquitetura sobre os investimentos que as empresas já começaram a realizar em Inteligência Artificial?

Essa questão ganha importância porque o mercado mudou rapidamente. Há poucos anos, a principal discussão girava em torno da conveniência de adotar ou não soluções baseadas em IA. Hoje, essa etapa já foi superada pela maior parte das grandes organizações. Agentes especializados, copilots, funcionalidades inteligentes incorporadas às plataformas corporativas e projetos próprios de IA passaram a fazer parte da realidade de empresas dos mais diferentes setores. O investimento deixou de ser uma possibilidade futura e passou a integrar a agenda estratégica dos executivos responsáveis pela transformação digital.

Esse movimento é confirmado por pesquisas recentes sobre adoção corporativa de Inteligência Artificial. O estudo The state of AI: How organizations are rewiring to capture value (McKinsey, 2025) mostra que mais de três quartos das organizações já utilizam IA em pelo menos uma função de negócio e que a adoção da IA generativa continua crescendo rapidamente. Ao mesmo tempo, a própria pesquisa destaca que a maioria das empresas ainda está nos estágios iniciais de captura de valor em escala, indicando que o desafio deixou de ser simplesmente experimentar a tecnologia e passou a ser transformar iniciativas pontuais em resultados sustentáveis para o negócio.

É exatamente nesse momento que uma nova preocupação começa a surgir. Depois de investir em Inteligência Artificial, como garantir que esse investimento continue produzindo valor ao longo do tempo?

A resposta para essa pergunta dificilmente estará na aquisição contínua de novos modelos ou de novos agentes. À medida que essas tecnologias evoluem, o fator decisivo deixa de ser a quantidade de iniciativas existentes e passa a ser a arquitetura capaz de conectá-las, permitindo que todas trabalhem sobre uma mesma compreensão da operação.

É essa mudança de perspectiva que orientará esta terceira série de artigos. Se antes discutimos os desafios das operações modernas e, posteriormente, a arquitetura necessária para que a Inteligência Artificial produza decisões mais consistentes, agora voltaremos nossa atenção para uma questão essencialmente estratégica:

Como transformar investimentos em Inteligência Artificial em uma capacidade operacional permanente, preservando e ampliando continuamente o valor gerado para a organização.

O retorno do investimento não cresce na mesma velocidade do investimento

Quando uma organização inicia sua jornada de adoção da Inteligência Artificial, é natural que os primeiros resultados apareçam rapidamente. A automatização de tarefas repetitivas, a aceleração da produção de conteúdo, a melhoria da experiência dos usuários ou o apoio à investigação de incidentes costumam produzir ganhos perceptíveis em pouco tempo. Essa fase inicial costuma reforçar a percepção de que ampliar o investimento em IA produzirá, na mesma proporção, novos ganhos de produtividade e eficiência.

Na prática, entretanto, esse comportamento tende a mudar à medida que novas iniciativas começam a coexistir dentro da mesma organização.

O primeiro projeto normalmente resolve um problema específico. Em seguida, outras áreas passam a desenvolver seus próprios agentes, incorporam funcionalidades inteligentes às plataformas já existentes ou adotam soluções especializadas para diferentes necessidades do negócio. Pouco tempo depois, a empresa passa a conviver com um conjunto crescente de iniciativas que evoluem de forma relativamente independente, cada uma produzindo valor dentro do seu próprio domínio de atuação.

Essa evolução representa, sem dúvida, um sinal de maturidade na adoção da Inteligência Artificial. Ao mesmo tempo, ela introduz um novo desafio, muito diferente daquele enfrentado no início da jornada. O problema deixa de ser identificar oportunidades de aplicação da IA e passa a ser garantir que todos esses investimentos contribuam para ampliar, de forma coordenada, a capacidade operacional da organização.

É nesse momento que muitas empresas começam a perceber um comportamento aparentemente contraditório. Embora o número de iniciativas baseadas em Inteligência Artificial continue aumentando, o retorno marginal de cada novo investimento tende a diminuir. Novos agentes continuam agregando funcionalidades importantes, novas plataformas continuam oferecendo recursos mais sofisticados e novos modelos passam a executar tarefas antes consideradas inviáveis. Ainda assim, os ganhos passam a crescer em um ritmo menor do que o esperado.

Essa percepção também aparece em estudos recentes sobre maturidade da IA nas empresas. No relatório Seizing the agentic AI advantage (McKinsey, 2025), os autores descrevem o chamado “paradoxo da IA generativa”. Embora a adoção da tecnologia tenha crescido rapidamente e a maioria das organizações já relate iniciativas em produção, poucas conseguem demonstrar impacto financeiro relevante em escala corporativa. Segundo o estudo, o desafio deixou de ser apenas tecnológico e passou a envolver arquitetura, integração, redesenho de processos e capacidade de escalar o valor gerado pelas diferentes iniciativas.

Essa desaceleração raramente está relacionada à qualidade das tecnologias adotadas. Tampouco decorre da falta de competência das equipes responsáveis pelos projetos de IA. Na maioria dos casos, ela reflete uma limitação arquitetural. Cada iniciativa continua produzindo valor dentro do espaço para o qual foi concebida, mas a organização encontra dificuldades para transformar esse conjunto de capacidades individuais em uma competência operacional integrada.

Essa distinção é importante porque muda completamente a natureza da discussão. Durante muito tempo, ampliar o retorno significava incorporar novas funcionalidades inteligentes ao ambiente. A partir de determinado ponto, entretanto, o fator decisivo deixa de ser a quantidade de Inteligência Artificial disponível e passa a ser a capacidade de fazer com que toda essa inteligência trabalhe de forma coordenada, compartilhando uma mesma compreensão da operação.

É nesse ponto que muitas organizações começam a descobrir que o maior retorno sobre seus investimentos futuros talvez não dependa da próxima solução de IA que irão adquirir, mas da arquitetura que permitirá potencializar todas aquelas que já possuem.

O maior retorno da IA não está no próximo agente

É natural imaginar que ampliar os investimentos em Inteligência Artificial signifique incorporar novas capacidades ao ambiente operacional. À medida que surgem agentes mais especializados, modelos mais sofisticados e plataformas capazes de executar tarefas cada vez mais complexas, a tendência é acreditar que o aumento da produtividade ocorrerá como consequência direta dessa evolução tecnológica. Sob essa perspectiva, sempre existirá um próximo agente capaz de resolver um problema que ainda permanece sem solução.

Essa lógica faz sentido enquanto analisamos cada iniciativa de forma isolada. Um agente especializado pode acelerar a investigação de incidentes, outro pode apoiar a análise de mudanças, um terceiro pode auxiliar equipes de desenvolvimento e um quarto pode produzir documentação técnica em poucos segundos. Individualmente, todos eles representam avanços importantes e justificam os investimentos realizados.

Entretanto, as operações corporativas raramente funcionam como um conjunto de atividades independentes. Um incidente crítico dificilmente permanece restrito à infraestrutura, às aplicações, à rede ou ao banco de dados. Da mesma forma, uma decisão operacional quase nunca depende apenas das informações produzidas por uma única ferramenta ou por um único agente. À medida que os ambientes se tornam mais distribuídos e os processos mais interdependentes, cresce também a necessidade de relacionar informações provenientes de diferentes domínios tecnológicos para compreender aquilo que realmente está acontecendo.

E nesse contexto, muitas organizações começam a perceber uma diferença importante entre adicionar inteligência e aumentar a inteligência da operação.

Adicionar inteligência significa incorporar novos agentes capazes de executar tarefas específicas com maior eficiência. Aumentar a inteligência da operação significa criar condições para que todo o conhecimento produzido por esses agentes possa ser interpretado de forma integrada, considerando as relações existentes entre aplicações, infraestrutura, serviços, processos de negócio e mudanças realizadas no ambiente. São objetivos complementares, mas profundamente diferentes.

Essa distinção ajuda a explicar por que organizações que possuem o mesmo conjunto de tecnologias frequentemente obtêm resultados tão distintos. Não é incomum encontrar empresas que utilizam plataformas semelhantes de observabilidade, monitoramento, ITSM e Inteligência Artificial, mas apresentam capacidades muito diferentes para diagnosticar incidentes, coordenar equipes ou tomar decisões durante situações críticas. O fator que normalmente diferencia essas organizações não é a quantidade de tecnologia disponível, mas a arquitetura construída para conectar essas tecnologias e transformar informações dispersas em conhecimento operacional compartilhado.

Sob essa perspectiva, o maior retorno do próximo investimento em IA talvez não esteja no próximo agente que será incorporado à arquitetura, mas na capacidade de fazer com que todos os agentes já existentes trabalhem sobre a mesma compreensão da operação. Quando isso acontece, o ganho deixa de ser incremental. Em vez de produzir apenas mais uma capacidade isolada, a organização passa a potencializar todas as capacidades que já construiu ao longo de sua jornada de adoção da Inteligência Artificial.

Essa mudança parece sutil, mas altera profundamente a forma como devemos pensar os investimentos futuros. Em vez de perguntar qual será a próxima tecnologia capaz de agregar valor às operações, talvez seja mais importante perguntar qual arquitetura permitirá extrair mais valor de todas as tecnologias que já foram adotadas. Em muitos casos, essa segunda pergunta tende a produzir impactos muito maiores sobre a produtividade, a qualidade das decisões e a velocidade de resposta aos incidentes do que a simples aquisição de mais um recurso baseado em Inteligência Artificial.

Essa percepção marca uma mudança importante na maturidade das organizações.

Durante a fase inicial da adoção da IA, o principal desafio consistia em experimentar novas capacidades e identificar oportunidades de aplicação. À medida que essas iniciativas amadurecem, o desafio deixa de ser tecnológico e passa a ser arquitetural. O valor já não depende apenas da qualidade dos agentes disponíveis, mas da capacidade de transformá-los em um sistema coerente, capaz de produzir uma compreensão comum da realidade operacional.

E essa arquitetura começa a determinar quanto valor adicional a Inteligência Artificial ainda poderá entregar nos próximos anos.

O contexto operacional transforma iniciativas em capacidade operacional

Quando observamos a evolução da Inteligência Artificial nas empresas, percebemos que existe uma diferença importante entre possuir diversas iniciativas baseadas em IA e desenvolver uma verdadeira capacidade operacional apoiada por Inteligência Artificial. À primeira vista, essa distinção pode parecer apenas uma questão de escala. Entretanto, ela representa algo muito mais profundo, pois envolve a forma como o conhecimento produzido por diferentes sistemas passa a contribuir para uma compreensão comum da operação.

Durante a fase inicial de adoção da IA, é natural que cada projeto seja desenvolvido para resolver um problema específico. Um agente apoia a equipe de infraestrutura, outro auxilia o Service Desk, um terceiro melhora a produtividade dos desenvolvedores e um quarto passa a analisar eventos de observabilidade. Cada iniciativa gera benefícios reais e normalmente consegue justificar o investimento realizado. Entretanto, à medida que esse conjunto de soluções cresce, a organização começa a perceber que a simples coexistência de diferentes agentes não produz, por si só, uma operação mais inteligente.

Cada agente continua observando a realidade a partir do domínio para o qual foi concebido. Seu conhecimento especializado permanece extremamente valioso, mas continua limitado ao universo de informações que consegue acessar. Se o contexto utilizado por cada um permanece fragmentado, as decisões também tendem a permanecer fragmentadas. A organização passa a possuir excelentes especialistas, humanos e artificiais, sem necessariamente construir uma compreensão integrada daquilo que acontece em sua própria operação.

O contexto operacional então deixa de ser apenas um requisito técnico e passa a assumir um papel estratégico. Quando a organização consegue consolidar informações provenientes de diferentes plataformas, preservar as relações entre aplicações, infraestrutura, serviços, mudanças, integrações e processos de negócio e disponibilizar essa representação para pessoas e agentes de IA, ela deixa de potencializar apenas uma iniciativa específica. Passa a potencializar todas elas simultaneamente.

Essa mudança produz um efeito que costuma receber pouca atenção nas discussões sobre Inteligência Artificial. O retorno de um novo investimento deixa de depender exclusivamente das capacidades incorporadas pelo agente recém-adquirido e passa a ser influenciado pela qualidade do contexto operacional que ele encontrará ao ser integrado ao ambiente. Um agente extremamente sofisticado produzirá resultados limitados se trabalhar sobre informações fragmentadas. Em contrapartida, um agente relativamente simples poderá gerar contribuições muito mais relevantes quando tiver acesso a um contexto consistente, atualizado e compartilhado.

Essa lógica ajuda a explicar por que organizações que seguem caminhos tecnológicos bastante diferentes podem alcançar níveis semelhantes de maturidade operacional. Algumas optarão por modelos comerciais, outras desenvolverão agentes próprios, enquanto outras combinarão diferentes tecnologias ao longo do tempo. Essas escolhas certamente influenciarão custos, funcionalidades e velocidade de adoção. Entretanto, todas elas dependerão do mesmo elemento para produzir resultados sustentáveis: uma arquitetura capaz de preservar e compartilhar o contexto operacional da organização.

Essa mudança de foco também vem sendo observada por analistas de mercado. O guia Enterprise Guide to Generative AI: Expert Insights on ROI, Use Cases, and Cost Management (Gartner) destaca que obter retorno consistente com IA exige mais do que escolher bons modelos ou casos de uso. As organizações precisam evoluir sua arquitetura, estabelecer mecanismos de governança, medir o valor entregue e administrar o custo total das iniciativas. Em outras palavras, à medida que a IA amadurece, a discussão desloca-se da tecnologia para a capacidade organizacional de integrá-la de forma sustentável.

Sob essa perspectiva, o contexto deixa de ser apenas um componente da arquitetura de AIOps e passa a representar um multiplicador dos investimentos realizados em Inteligência Artificial. Cada novo agente incorporado ao ambiente deixa de começar sua atuação a partir de uma visão limitada do problema e passa a aproveitar um patrimônio contextual que já foi construído pela organização. O benefício não está apenas na produtividade individual desse agente, mas na capacidade de fazer com que todo o ecossistema de soluções inteligentes evolua de maneira coordenada, preservando uma compreensão comum da operação.

O contexto operacional passa a ser entendido como um ativo estratégico, e não apenas aumenta a eficiência de uma tecnologia específica, mas amplia continuamente o valor gerado por todas as tecnologias que a organização decidir incorporar ao longo de sua jornada de transformação digital.

O maior investimento em IA talvez ainda não tenha sido feito

Quando observamos a velocidade com que a Inteligência Artificial evoluiu nos últimos anos, é natural que a atenção das organizações tenha se concentrado na escolha das tecnologias mais promissoras. Novos modelos surgem em intervalos cada vez menores, agentes especializados tornam-se mais capazes a cada nova geração e praticamente todas as grandes plataformas incorporam funcionalidades inteligentes às suas soluções. Nesse cenário, é compreensível que muitas empresas associem sua estratégia de IA à capacidade de acompanhar essa evolução tecnológica.

Entretanto, à medida que o mercado amadurece, começa a surgir uma percepção diferente. O fator que mais influenciará o retorno desses investimentos talvez não seja a velocidade com que uma organização consegue incorporar novos modelos, mas a capacidade de fazer com que todos eles produzam valor sobre uma mesma compreensão da realidade operacional. Em outras palavras, o diferencial competitivo deixa de estar apenas na Inteligência Artificial e passa a depender da arquitetura que permitirá utilizar essa Inteligência Artificial de forma consistente ao longo do tempo.

Essa mudança de perspectiva é particularmente importante porque reduz um risco que começa a preocupar muitas organizações. Os modelos evoluem rapidamente, novos fornecedores entram no mercado, protocolos são substituídos e agentes especializados tornam-se obsoletos em intervalos cada vez menores. Investir continuamente nessas tecnologias faz parte da evolução natural da arquitetura corporativa. No entanto, se cada nova iniciativa precisar reconstruir toda a compreensão da operação, parte significativa do conhecimento produzido permanecerá presa à tecnologia utilizada em determinado momento, dificultando a evolução futura da organização.

O contexto operacional altera completamente essa lógica. Ao transformar a representação da operação em um patrimônio permanente da empresa, ele permite que novas tecnologias sejam incorporadas sem que seja necessário reconstruir, a cada ciclo de inovação, todo o conhecimento sobre aplicações, dependências, integrações, serviços e processos de negócio. Os agentes mudam, os modelos evoluem e as plataformas são substituídas, mas o entendimento da operação permanece pertencendo à organização.

É por isso que o maior investimento em Inteligência Artificial talvez ainda não tenha sido realizado. Não porque as empresas precisem adquirir mais agentes ou adotar novos modelos, mas porque precisarão investir na arquitetura que permitirá preservar e ampliar continuamente o valor de tudo aquilo que já construíram. Essa arquitetura não substitui os investimentos existentes. Ao contrário, aumenta sua capacidade de gerar resultados, reduz a dependência de tecnologias específicas e cria as condições para que a organização evolua com liberdade à medida que novas soluções surgirem.

Se o retorno dos investimentos em IA depende menos do modelo escolhido e mais da arquitetura construída para sustentá-lo, surge uma pergunta inevitável: qual é o maior risco que uma organização corre ao estruturar sua estratégia de Inteligência Artificial?

À primeira vista, a resposta parece estar na escolha do fornecedor, do modelo ou da tecnologia. Mas, como veremos no próximo artigo, o risco mais significativo pode estar em outro lugar.

Da visão à prática

Ao longo deste artigo defendemos que o maior desafio das organizações já não é iniciar investimentos em Inteligência Artificial, mas ampliar continuamente o retorno desses investimentos. Essa mudança de perspectiva desloca a atenção da tecnologia para a arquitetura e mostra que o verdadeiro diferencial competitivo está na capacidade de preservar, compartilhar e reutilizar o contexto operacional construído pela própria organização.

Essa é precisamente a lógica que orientou o desenvolvimento do ARGUS AIOps.

Em vez de competir com agentes especializados, copilots ou plataformas de IA, o ARGUS foi concebido para atuar como a camada de contexto operacional que conecta essas iniciativas. Integrando informações provenientes de monitoramento, observabilidade, ITSM, infraestrutura, ambientes em nuvem e outras fontes operacionais, a plataforma constrói e mantém uma representação continuamente atualizada da operação, permitindo que diferentes agentes de Inteligência Artificial trabalhem sobre uma mesma compreensão do ambiente.

Sob essa perspectiva, cada novo investimento em IA deixa de representar uma iniciativa isolada e passa a aproveitar um patrimônio contextual que permanece pertencendo à organização. Isso reduz o esforço de integração, acelera a geração de valor pelos novos agentes e protege os investimentos realizados diante da rápida evolução das tecnologias de Inteligência Artificial.

Essa perspectiva também é reforçada pelo relatório Seizing the agentic AI advantage (McKinsey, 2025), que argumenta que a geração de valor em escala depende menos da adoção de agentes isolados e mais da capacidade das organizações de integrá-los aos processos, à governança e à arquitetura corporativa. Sob essa ótica, uma plataforma de contexto operacional deixa de ser apenas um componente técnico e passa a representar um elemento estratégico para preservar e ampliar continuamente o retorno dos investimentos em Inteligência Artificial.

Mais do que adicionar uma nova solução ao ambiente, essa abordagem procura criar as condições para que todas as soluções existentes produzam resultados melhores, ampliando continuamente o retorno dos investimentos já realizados e preparando a organização para incorporar, com menor risco e maior eficiência, as próximas gerações de Inteligência Artificial.

Conheça mais em ARGUS AIOps.

Sobre o autor

Paulo Florêncio de Menezes é cofundador da Target Solutions e atua há mais de 15 anos em projetos relacionados a infraestrutura, monitoramento, observabilidade, automação e operações de TI e Telecom.

É graduado em Processamento de Dados pela Universidade Federal do Amazonas (UFAM), possui MBA em Gestão Empresarial pela Fundação Dom Cabral (FDC) e Mestrado Profissional em Economia pela Fundação Getulio Vargas (FGV).

Em sua pesquisa de Mestrado, desenvolveu o IBEOP-IA (Índice Brasileiro de Exposição Ocupacional Potencial à Inteligência Artificial), investigando a exposição potencial das ocupações brasileiras às capacidades da IA por meio da combinação de dados ocupacionais, patentes de inteligência artificial e técnicas de processamento de linguagem natural.

Sobre a Target Solutions

A Target Solutions atua há mais de 15 anos apoiando organizações na evolução de suas operações de infraestrutura, monitoramento, observabilidade, automação e AIOps. Ao longo desse período, participou de projetos em ambientes complexos dos setores de Telecom, Tecnologia, Governo, Energia e grandes empresas, com foco no aumento da eficiência operacional e da confiabilidade dos serviços.

Como parte dessa experiência, desenvolveu o ARGUS, uma plataforma de AIOps que complementa as ferramentas já utilizadas pelas organizações e atua como uma camada de inteligência contextual sobre o ecossistema operacional existente.

O ARGUS integra informações provenientes de múltiplas fontes, correlacionando eventos, alarmes, dados de observabilidade, relacionamentos entre componentes, topologia, mudanças, histórico e outras evidências disponíveis no ambiente.

Essa abordagem permite que operadores, especialistas e agentes de Inteligência Artificial trabalhem sobre o mesmo contexto, reduzindo o esforço de investigação, acelerando a identificação da causa provável dos incidentes e apoiando decisões mais rápidas e seguras.

O objetivo não é substituir as ferramentas especializadas já utilizadas pela organização. É conectar as perspectivas produzidas por elas e transformar informações dispersas em contexto operacional compartilhado.

Conheça mais em ARGUS AIOps.