Uma proposta precisa de IA quando variabilidade, volume ou ambiguidade tornam insuficientes regras explícitas e software convencional — e quando dados reais mostram ganho material após considerar erro, supervisão, segurança e custo do ciclo de vida. O fornecedor deve provar esse ganho contra uma alternativa mais simples. Sem baseline, comparação e fallback, a palavra IA descreve a venda, não a necessidade.
A pergunta correta não é ‘onde podemos colocar IA?’, mas ‘qual é a solução menos complexa que alcança o resultado dentro da tolerância a risco?’. Exija que cada finalista compare software convencional, automação determinística, machine learning e IA generativa ou agentes usando o mesmo caso, dados e métricas.
Quatro caminhos que toda proposta deve comparar
- Software convencional — fluxos estáveis, lógica conhecida, alta previsibilidade e baixo benefício de inferência.
- Automação determinística — tarefas repetíveis, regras auditáveis, integrações previsíveis e exceções limitadas.
- Machine learning — classificação, previsão ou recomendação em que padrões de dados superam regras manuais.
- IA generativa ou agentes — linguagem, conteúdo ou decisões assistidas em ambientes variáveis, com avaliações, limites de ação e supervisão proporcionais.
Modelos híbridos costumam vencer: regras controlam permissões e transações; ML prioriza; IA generativa interpreta conteúdo; pessoas aprovam decisões de maior impacto. O objetivo não é escolher uma categoria pura, mas impedir que um componente probabilístico assuma funções que exigem determinismo.
AI Necessity & Fit Proof-8: matriz de 32 pontos
Pontue cada dimensão de zero a quatro: zero é ausente; um é afirmação; dois é evidência parcial; três é teste atual com dados representativos; quatro acrescenta comparação independente, limites e gatilho de revisão. Como corte ilustrativo, avance com 24 de 32, nenhum zero e nota mínima três em baseline, ganho incremental, risco e fallback.
- Forma do problema — variabilidade, volume e tempo de resposta justificam inferência.
- Adequação da saída — tolerância a incerteza, explicabilidade e revisão combina com a técnica.
- Sinal nos dados — dados legais, representativos e acessíveis contêm informação útil para o resultado.
- Baseline simples — regra, fluxo manual ou software existente foi medido com as mesmas métricas.
- Ganho incremental — qualidade, velocidade ou escala adicional é material e atribuível à IA.
- Controles operacionais — avaliações, monitoramento, supervisão, limites de ação e incidentes estão definidos.
- Economia de ciclo de vida — integração, uso, revisão humana, operação, erro e mudança entram no custo.
- Reversibilidade — fallback, desligamento, portabilidade e alternativa sem IA funcionam quando necessário.
Aplique seis filtros eliminatórios
- O fornecedor não mede o processo atual nem define baseline.
- Nenhuma alternativa determinística é desenhada e testada.
- A demonstração usa dados escolhidos pelo fornecedor, não amostra representativa do cliente.
- O business case atribui todo ganho à IA sem separar redesign de processo, integração e automação.
- Não há critério de falha, revisão humana, fallback ou modo degradado.
- O valor desaparece quando entram consumo, operação, avaliação, erro e mudança de fornecedor.
Faça um teste contrafactual de 90 minutos
Entregue aos finalistas um processo real, vinte exemplos típicos e cinco casos adversos. Peça quatro esboços: sem mudança, software ou regras, ML e IA generativa/agente. Cada opção deve mostrar métrica, custo, tempo, risco, dependências e condição de abandono. Depois retire metade dos dados ou imponha revisão humana: observe se a recomendação muda de forma disciplinada.
Exija cinco artefatos antes do contrato
- Mapa do problema e do usuário, incluindo exceções e impacto do erro.
- Baseline reproduzível do processo atual e da alternativa mais simples.
- Tabela comparativa das quatro opções com premissas e evidências.
- Plano de piloto com amostra, métricas, limiares e critérios de interrupção.
- Arquitetura de fallback com ownership, custos e gatilhos de revisão.
Leve a prova ao RFP, piloto e pagamentos
No RFP, não prescreva modelo ou plataforma antes do problema. Peça opção recomendada e opção mínima viável, custos separados e fatores que fariam a equipe escolher menos IA. No piloto, pague por evidência comparável. Vincule a implementação ao ganho incremental e à aprovação de risco — não ao funcionamento de uma demonstração isolada.
Contexto brasileiro
Inclua custo em reais, câmbio, conectividade, revisão humana, integração com sistemas legados, disponibilidade regional, LGPD e regras setoriais. Para decisões com impacto relevante, jurídico, segurança, privacidade e donos do processo devem validar finalidade, dados, supervisão e contestação. A tecnologia deve ser proporcional ao contexto e à capacidade de operação local.
Conecte a decisão às diligências adjacentes
Use https://makinai.co/insights/pt/comprar-configurar-ou-desenvolver-solucao-ia para definir caminhos, https://makinai.co/insights/pt/framework-pratico-priorizar-casos-de-uso-de-ia para priorizar o caso, https://makinai.co/insights/pt/avaliar-roi-business-case-consultoria-ia-antes-contratar para testar valor, https://makinai.co/insights/pt/como-estruturar-piloto-pago-contratar-empresa-ia para produzir evidência e https://makinai.co/insights/pt/avaliar-proposta-arquitetura-ia-antes-contratar para validar o desenho.
Quando envolver a MAKINAI
A MAKINAI pode estruturar o baseline, comparar soluções com e sem IA, desenhar o teste contrafactual e transformar a recomendação em gates de investimento e implementação verificáveis. Conheça https://makinai.co/services/pt/consultoria-estrategia-ia-transformacao.