Um gerente de uma distribuidora de médio porte em Ribeirão Preto abriu o sistema às 7h43 de uma terça-feira e percebeu que o relatório de ruptura de estoque — aquele que antes levava dois dias para ficar pronto — já estava lá, gerado automaticamente durante a madrugada. Ele me contou que ficou olhando para a tela por uns dois minutos, sem saber bem o que sentir. “Parecia que alguém tinha feito meu trabalho enquanto eu dormia.” Parecia. Porque, de certa forma, foi exatamente isso que aconteceu.
Esse momento — de estranhamento misturado com alívio — está se repetindo em empresas brasileiras de todos os tamanhos e setores. Não como tendência futura. Como realidade de agora, em 2026.
Mas aqui está a tese que a maioria dos artigos erra: o problema não é se as empresas vão adotar inteligência artificial. É que a maioria está adotando do jeito errado — comprando ferramenta sem mudar processo, e depois reclamando que não funcionou. A IA não substitui uma operação ruim. Ela amplifica o que já existe. Se o processo é caótico, a IA vai produzir caos mais rápido. Se é estruturado, os ganhos são reais.
1. O setor financeiro foi o primeiro a sentir — e não foi glamouroso
Grandes bancos nacionais começaram a usar modelos de machine learning para análise de crédito há alguns anos. O que mudou recentemente não foi a tecnologia em si, mas a escala e a velocidade. Hoje, uma decisão de crédito que antes passava por três analistas e demorava 48 horas pode ser processada em segundos — com uma taxa de inadimplência, segundo relatórios do setor, consistentemente menor do que a média das carteiras aprovadas por humanos em condições similares.
Mas tem um detalhe que ninguém conta nas apresentações de PowerPoint: os primeiros meses foram um desastre operacional em quase toda instituição que implementou isso sem treinar as equipes. Os analistas não entendiam por que o modelo recusava determinados perfis que eles aprovariam. Surgiu desconfiança. Alguns simplesmente contornavam o sistema — aprovavam manualmente o que a IA rejeitava. O resultado? A inadimplência subiu nessa faixa específica. Levou meses para a gestão perceber o que estava acontecendo.
Isso não é falha da tecnologia. É falha de implementação. E acontece toda semana em alguma empresa brasileira.
2. No varejo, a virada aconteceu na prateleira, não no app
As principais redes de varejo alimentar do país investiram pesado em personalização de ofertas — aquelas notificações no app dizendo que o produto que você compra toda semana está em promoção. Isso funciona, sim. Levantamentos do setor mostram que a taxa de conversão de ofertas personalizadas pode ser até três vezes maior do que campanhas genéricas enviadas para toda a base.
Mas o ganho real, menos visível, aconteceu na cadeia de abastecimento. Algoritmos de previsão de demanda que cruzam histórico de vendas, sazonalidade, eventos locais e até previsão do tempo estão reduzindo o desperdício de produtos perecíveis de forma expressiva. Em redes que operam com margens de 2% a 4% — o que é comum no setor — reduzir em 15% o descarte de hortifrúti num único centro de distribuição pode representar centenas de milhares de reais por mês. Isso sim muda o negócio.
O problema é que essa parte não aparece no marketing da empresa. Ninguém faz campanha sobre “otimizamos nossa logística interna”. Então o público fica com a impressão de que IA no varejo é só aquele chatbot no WhatsApp que demora pra entender o que você quer.
3. Saúde: onde o impacto é mais sério — e os riscos também
Hospitais e clínicas de médio porte em capitais como São Paulo, Belo Horizonte e Porto Alegre estão usando ferramentas de IA para triagem de exames de imagem. Não para substituir o radiologista — isso seria irresponsável e, em muitos casos, ilegal. Mas para fazer uma primeira leitura e sinalizar os casos que precisam de atenção prioritária.
O impacto prático: em unidades com alta demanda, o tempo até o diagnóstico de condições urgentes caiu de forma significativa. Um médico que trabalha numa dessas unidades me descreveu assim: “A IA não me diz o que o paciente tem. Ela me diz em quem eu devo olhar primeiro.” Essa distinção é importante. Quem confunde priorização com diagnóstico automático está caminhando para um problema sério.
E o risco existe. Já houve casos, documentados em discussões dentro de conselhos de medicina, de profissionais que começaram a tratar a sugestão do algoritmo como conclusão — sem fazer a leitura crítica por conta própria. Isso é perigoso. A ferramenta amplifica a capacidade de quem sabe usá-la com responsabilidade. Nas mãos de quem terceiriza o julgamento, ela amplifica o erro.
4. O que não funciona — e precisa ser dito em voz alta
Tem algumas abordagens que se repetem e que, na prática, não entregam resultado. Vou ser direto:
- Comprar uma plataforma de IA genérica e esperar que ela se adapte ao seu negócio sozinha. Não funciona. Modelo sem dados de qualidade é como contratar um especialista que não tem acesso às informações da empresa. O output vai ser inútil ou, pior, enganoso.
- Criar um “comitê de transformação digital” sem dar autonomia e orçamento real. Todo mundo já viu isso. O comitê se reúne toda quinzena, produz apresentações bonitas, e seis meses depois nada mudou na operação. Burocracia não se resolve com mais uma camada de burocracia.
- Treinar apenas o time de TI e achar que está feito. A IA que impacta resultados é usada por quem está na operação — o analista financeiro, o comprador, o enfermeiro. Se eles não entendem a lógica básica do modelo e não confiam nos outputs, o sistema vai ser ignorado no dia a dia.
- Tratar IA como projeto de uma vez só. Empresas que fizeram uma implementação em 2023 e não tocaram mais no assunto estão, em 2026, rodando ferramentas defasadas com dados desatualizados. Modelo de IA precisa de manutenção contínua. Não é instalar e esquecer.
5. Um caso concreto: antes e depois numa empresa de logística
Uma transportadora de pequeno porte — cerca de 40 caminhões, operação concentrada no interior de São Paulo — implementou um sistema de roteirização com IA há pouco mais de um ano. Antes, o planejamento de rotas era feito por um funcionário experiente que conhecia as estradas de cor. Levava em média duas horas por dia e dependia completamente da disponibilidade dele.
Com a ferramenta, o processo caiu para cerca de 20 minutos. O consumo de combustível na frota reduziu em torno de 11% nos primeiros seis meses — número que o próprio dono me citou com certa desconfiança, porque ele achou alto demais para ser real. Mas os dados de abastecimento confirmaram.
O que não funcionou: nas duas primeiras semanas, os motoristas ignoravam as rotas sugeridas pelo sistema porque achavam que conheciam melhor o caminho. Em alguns casos, eles tinham razão — o algoritmo não sabia de uma obra nova numa rodovia municipal. Levou um mês para o time entender que podia alimentar o sistema com exceções manuais, e mais um mês para os motoristas confiarem o suficiente para seguir a rota sugerida na maior parte do tempo.
Perfeito nunca foi. Mas funcionou — porque a empresa teve paciência para o período de ajuste.
6. O mercado de trabalho está mudando, mas não do jeito que o medo sugere
A narrativa de que a IA vai eliminar empregos em massa no Brasil é, no mínimo, incompleta. O que está acontecendo é mais granular do que isso: funções estão mudando antes de desaparecerem.
O analista de crédito que antes passava o dia aprovando propostas agora passa o dia revisando exceções que o modelo não conseguiu classificar com segurança — os casos ambíguos, as situações fora do padrão. O trabalho ficou mais complexo, não mais simples. E a exigência por julgamento humano, paradoxalmente, aumentou.
Levantamentos de consultorias de recursos humanos que atuam no Brasil apontam que as posições mais afetadas nos próximos anos não são as operacionais — são funções de middle management focadas em consolidação de dados e geração de relatórios. Exatamente o tipo de trabalho que um modelo de linguagem faz bem e rápido. Isso não é surpresa para quem trabalha nessas áreas. A maioria já sente.
O que muda a equação para quem está nessa posição: a capacidade de formular a pergunta certa — para um modelo, para uma base de dados, para um cliente — vai valer mais do que a capacidade de executar a tarefa mecânica. Isso exige um tipo diferente de formação, que as empresas brasileiras ainda estão descobrindo como desenvolver internamente.
7. Agro e indústria: onde o silêncio esconde os maiores avanços
Fora dos holofotes das startups de tecnologia, o agronegócio brasileiro está usando IA de forma que poucos setores urbanos conseguiriam imaginar. Imagens de satélite processadas por algoritmos de visão computacional para monitorar o estágio de desenvolvimento de lavouras. Modelos preditivos para decisão de quando e quanto irrigar. Análise de solo cruzada com histórico climático para recomendação de adubação.
Não são pilotos. São operações em escala, em propriedades de médio e grande porte, especialmente nas regiões do Cerrado e do Sul do país. O Brasil tem uma vantagem competitiva real aqui: a combinação de extensão territorial, diversidade de culturas e volume de dados históricos disponíveis cria um ambiente favorável para desenvolvimento de modelos específicos para condições tropicais — algo que soluções desenvolvidas para agricultura europeia ou norte-americana não conseguem replicar bem.
Na indústria manufatureira, a adoção ainda é desigual. Plantas de grandes grupos nacionais e multinacionais já operam com manutenção preditiva — sensores que alimentam modelos capazes de antecipar falhas em equipamentos antes que eles parem. O impacto em disponibilidade de máquinas e redução de paradas não planejadas é mensurável. Mas nas indústrias de menor porte, a barreira de entrada ainda é alta — tanto em custo quanto em capacidade técnica para implementar.
O que você pode fazer essa semana
Se você trabalha numa empresa — seja como gestor, analista ou profissional de qualquer área — três movimentos pequenos fazem mais diferença do que qualquer plano grandioso:
- Escolha uma tarefa repetitiva que você faz toda semana e passe dois dias testando se alguma ferramenta de IA disponível no mercado consegue fazer ao menos 70% dela. Não precisa ser perfeito. Precisa ser bom o suficiente para liberar seu tempo para o que importa.
- Pergunte ao time que usa os dados da sua empresa qual é o relatório que mais demora pra ficar pronto e qual decisão ele alimenta. Esse é provavelmente o ponto de maior alavancagem para uma primeira implementação.
- Reserve 30 minutos por semana — não por mês, por semana — para ler um caso real de uso de IA no seu setor. Não artigo de tendência. Caso real, com número, com problema, com resultado. Esse hábito, depois de três meses, muda a forma como você enxerga o que é possível.
O gerente de Ribeirão Preto que abriu o sistema às 7h43 e encontrou o relatório pronto não virou expert em inteligência artificial. Ele só parou de resistir ao processo e começou a fazer as perguntas certas. Às vezes é isso que basta pra começar.