IA aplicada INFOS: transformar dados em decisoes automatizadas

A maioria dos projectos de "IA na gestão" que vemos falha antes de arrancar. Não por falta de algoritmo — por falta de dados limpos e de uma decisão concreta que o modelo deva automatizar. Este guia dá-lhe um método em cinco passos para transformar dados que já tem em decisões automatizadas, com um critério simples para saber se um caso de uso vale o investimento ou é só teatro de inovação.

A tese, para poupar tempo a quem já avaliou software: não precisa de IA generativa para começar. Precisa de uma decisão repetitiva, de dados históricos fiáveis e de alguém que assuma a responsabilidade quando o modelo erra. Em Portugal, apenas 11,5% das empresas com 10 ou mais trabalhadores usavam tecnologias de IA em 2025, mais 2,9 pontos que no ano anterior (INE, 2025). Mas o número que interessa é outro: entre as pequenas empresas (10-49 trabalhadores) a adoção cai para 9,4% (INE, 2025). E a maioria das que tentaram falhou no primeiro obstáculo, que não é técnico. É de dados.

O que precisa antes de começar

Antes de escrever uma linha de código ou pedir uma demo, reúna isto. Se falhar três destes pontos, o projecto vai derrapar.

• Uma decisão específica e repetitiva — "prever ruturas de matéria-prima", não "otimizar a empresa".
• Dados históricos com pelo menos 18 a 24 meses e granularidade diária ou por lote.
• Um dono de negócio que assine a decisão automatizada — não o departamento de IT.
• Uma métrica de sucesso mensurável antes de arrancar: erro de previsão, tempo poupado, custo evitado.
• Um sistema que já capture os dados de forma estruturada — ERP, WMS ou terminal de chão-de-fábrica.
• Clareza sobre em que classe de risco do AI Act cai o seu caso de uso.
• Um responsável pela proteção de dados envolvido desde o dia zero, não no fim.

Passo 1 — Escolha a decisão, não a tecnologia

O erro mais comum que vemos: a empresa compra uma "plataforma de IA" e depois procura um problema para lhe dar. Inverta a ordem. Liste as decisões que a sua equipa toma repetidamente, com base em dados, e onde um erro custa dinheiro.

Numa fábrica de confecção perto de Famalicão, a decisão candidata mais óbvia não é a mais complexa. É esta: quantas máquinas alocar a cada ordem de produção na semana seguinte, dado o histórico de eficiência por operador e tipo de peça. Repete-se todas as segundas-feiras. Um erro atrasa a casa-mãe — Inditex ou Tom Tailor não perdoam duas semanas de atraso numa coleção. Tem dados. É automatizável. E ninguém a chamaria "inteligência artificial" numa conversa de café, o que é precisamente o ponto.

Se não consegue descrever a decisão numa frase que caiba num SMS, ainda não tem um caso de uso — tem uma ambição.

Passo 2 — Audite os dados antes de sonhar com o modelo

Aqui morre a maior parte dos projectos. A falta de competências e conhecimento é o principal obstáculo à adoção de IA nas empresas da UE (70,9%), à frente da incerteza jurídica, com 52,5% (Eurostat, 2025). Mas por baixo dessa falta de competências esconde-se quase sempre um problema mais banal: os dados estão sujos, dispersos ou não existem no detalhe necessário.

Faça o inventário honesto:

• Onde vivem os dados — num só ERP, em folhas de cálculo, na cabeça do chefe de armazém?
• Qual a taxa de campos vazios ou inconsistentes nos últimos 12 meses.
• Existe uma chave única que ligue produção, stock e vendas? Em calçado, o SKU com três eixos cor-tamanho-fitting numa coleção de 800 a 1200 referências raramente é consistente entre módulos.
• Os registos têm data e hora fiáveis, ou dependem de alguém apontar no fim do turno?

Há um detalhe que os manuais não referem e que sabota metade das auditorias: em muitas casas, o dado existe mas está errado por conveniência. O operador aponta a hora de fecho de uma ordem às 17h00 porque é quando bate o cartão, não quando terminou a peça. O chefe de armazém regista a entrada de um lote de malha no dia seguinte porque na sexta-feira estava a fechar o mês. Esses dados parecem limpos numa folha — têm data, têm hora, têm quantidade. Só não descrevem a realidade. Um modelo treinado com eles aprende a mentira e devolve-a com ar de ciência.

Se os dados de chão-de-fábrica vêm de folhas preenchidas à mão no fim do turno, resolva isso primeiro. Uma solução de captura em tempo real como o KORA Productivity gera os dados no momento em que a peça sai da máquina, não na versão reconstruída de memória duas horas depois. Sem essa base, o modelo aprende com ficção.

Passo 3 — Comece pelo caso de uso mais aborrecido

Esqueça a visão computacional deslumbrante. Os primeiros ganhos reais estão nos processos chatos e repetitivos. As quatro frentes onde a IA aplicada INFOS entrega resultados concretos são propositadamente pouco glamorosas:

Repare na coluna da direita. Nenhuma destas frentes funciona sem dados históricos estruturados. É por isso que a classificação documental costuma ser o primeiro caso de uso a produzir resultados — os documentos já existem, já estão digitalizados e a decisão (para que pasta vai, quem aprova) é binária e verificável. A Gestão Documental transforma esse fluxo num processo que aprende com cada correção humana: quando o financeiro reencaminha uma factura mal classificada, o modelo regista a correção e erra menos da próxima vez.

Passo 4 — Mantenha o humano na decisão (e não por cortesia)

Automatizar a decisão não significa remover a pessoa. Significa mudar-lhe o trabalho: de decidir tudo para validar exceções e corrigir o modelo. Modelos explicáveis, com privacidade por desenho, existem exatamente para isto — permitem que o gestor pergunte "porquê" e receba uma resposta que faz sentido operacional, não um número saído de uma caixa preta.

Este ponto não é filosofia. É conformidade. O AI Act (Regulamento (UE) 2024/1689) está em vigor desde agosto de 2024, com as proibições aplicáveis desde fevereiro de 2025 e as regras para modelos de uso geral desde agosto de 2025 (Comissão Europeia). Sistemas que afectem trabalhadores — como a previsão de rotatividade — caem em categorias de risco que exigem supervisão humana documentada. Automatizar a decisão de não renovar um contrato com base num score de rotatividade não é agressivo. É ilegal. E o RGPD, com a execução nacional da Lei 58/2019, já obrigava a explicar decisões automatizadas que afectem pessoas muito antes de o AI Act existir.

Passo 5 — Meça o antes e o depois, ou não meça nada

Defina a linha de base antes de ligar o modelo. Se não sabe qual era o erro de previsão de procura em janeiro, não vai conseguir provar que o modelo melhorou fosse o que for em julho. O modelo mais elegante do mundo perde a próxima renovação de orçamento se ninguém conseguir mostrar o número que mudou.

Para consolidar previsões, valores reais e desvios num único painel, uma ferramenta de BI torna o resultado visível ao CFO na reunião de fim de mês — que é onde os projectos de IA vivem ou morrem. Não é na sala de servidores que se decide continuar, é quando o CFO vê que o erro de previsão caiu de 22% para 12% e que isso libertou capital preso em stock. Veja como noutro contexto em transformar dados em lucro com o Qlik Sense.

Erros comuns e como evitá-los

Cinco padrões repetem-se em quase todos os projectos que herdámos meio construídos. Começar pela tecnologia mais vistosa é o primeiro: visão computacional exige milhares de imagens rotuladas peça a peça, um trabalho que ninguém orçamenta. Comece pela classificação documental, onde os dados já existem. O segundo é ignorar a qualidade dos dados — antes de qualquer modelo, faça a auditoria do Passo 2, porque um modelo treinado com dados sujos automatiza os seus erros à escala e com um verniz de credibilidade que os torna mais perigosos.

O terceiro erro é não definir o dono da decisão. Se o modelo erra e ninguém é responsável, o projecto morre à primeira falha — nomeie o dono de negócio, não o IT. Repare que em muitas famílias empresariais portuguesas o IT é um herói auto-didacta com 15 anos de conhecimento do negócio mas sem tempo para assumir a responsabilidade operacional por cada previsão; empurrar-lhe a decisão para cima é garantir que ela não tem dono real. O quarto é esquecer o AI Act: classifique o risco do caso de uso antes de arrancar, porque casos que afectam pessoas exigem supervisão humana documentada e explicabilidade. E o quinto — prometer autonomia total logo no início. Comece com o modelo a sugerir e o humano a validar. Só depois de meses de acerto medido reduza a supervisão, e apenas nas exceções de baixo risco.

O próximo passo

Escolha uma decisão repetitiva, verifique se tem 18 meses de dados limpos para a suportar, e ignore por agora tudo o resto. A IA útil na gestão portuguesa não começa com um modelo — começa com um ERP que já captura os dados certos e uma pessoa disposta a assinar por baixo da decisão. O resto é engenharia. Se dos seus dados históricos só sobrevive metade ao teste do Passo 2, a resposta honesta não é comprar IA — é arrumar a captura primeiro. Para aprofundar casos de uso concretos, veja o guia de IA aplicada à gestão empresarial e o de automação de processos em indústria portuguesa.

Fontes

• INE — Inquérito à Utilização de Tecnologias da Informação e da Comunicação nas Empresas, 2025.
• Eurostat — Use of artificial intelligence in enterprises, 2025.
• Comissão Europeia — Regulamento (UE) 2024/1689 (AI Act), em vigor desde agosto de 2024.

Perguntas frequentes

Qual é a principal razão pela qual os projectos de IA em gestão falham em Portugal?

A maioria falha por falta de dados limpos e estruturados, não por falta de algoritmos. Segundo o artigo, o obstáculo principal é a qualidade dos dados históricos e a ausência de uma decisão concreta e repetitiva para automatizar. Apenas 11,5% das empresas portuguesas com 10+ trabalhadores usam IA, e entre pequenas empresas cai para 9,4%.

Quantos meses de dados históricos preciso para treinar um modelo de IA?

Recomenda-se um mínimo de 18 a 24 meses de dados históricos com granularidade diária ou por lote. Este período permite ao modelo capturar variações sazonais e padrões reais. Dados com menos tempo de cobertura produzem modelos pouco fiáveis para decisões críticas em produção.

Preciso de IA generativa para começar com automação de decisões?

Não. O artigo é claro: não precisa de IA generativa para iniciar. Precisa de uma decisão repetitiva, dados históricos fiáveis e alguém responsável quando o modelo erra. A maioria dos ganhos iniciais vêm de casos de uso simples como classificação documental ou previsão de rotatividade.

Como sei se um caso de uso de IA vale realmente o investimento?

Aplique o critério simples: consegue descrever a decisão numa frase que caiba num SMS? Se não conseguir, ainda tem uma ambição, não um caso de uso. A decisão deve ser específica, repetitiva, baseada em dados e com impacto mensurável em custo ou tempo.

Qual é o primeiro passo para implementar IA em decisões automatizadas?

Escolha a decisão antes da tecnologia. Liste as decisões que a sua equipa toma repetidamente com base em dados, onde um erro custa dinheiro. Inverta a abordagem comum: não compre uma plataforma de IA e procure um problema. Comece pelo problema concreto.

O que significa "dados sujos" e como afeta um modelo de IA?

Dados sujos são registos incompletos, inconsistentes ou errados por conveniência operacional. Por exemplo, um operador aponta a hora de fecho às 17h00 porque bate cartão, não quando terminou realmente. Modelos treinados com dados falsos aprendem a mentira e devolvem-na como previsão científica, sabotando o projecto.

Quem deve ser responsável pela decisão automatizada numa empresa?

Um dono de negócio específico deve assinar a decisão automatizada, não o departamento de IT. Esta responsabilidade garante alinhamento com objetivos reais, accountability quando o modelo erra e decisões baseadas em impacto empresarial, não em capacidade técnica disponível.