Diagnóstico de maturidade em IA: o que avaliar na PME

Um diagnóstico de maturidade em IA avalia se a empresa tem um problema prioritário, processo observável, dados utilizáveis, regras de governança e uma linha de base para medir resultado. Saber usar ferramentas ajuda, mas não demonstra que a operação está pronta para depender delas. Maturidade aparece quando a empresa consegue explicar o que será feito, com quais informações, sob responsabilidade de quem e como saberá se funcionou.

Essa distinção evita um erro comum: medir familiaridade individual e chamar o resultado de maturidade empresarial. Um dono pode usar assistentes de texto todos os dias enquanto a equipe registra clientes de três formas diferentes. Um vendedor pode dominar recursos avançados sem ter critério de passagem no pipeline. Uma operação pode ter dezenas de rotinas conectadas e nenhuma pessoa responsável por revisar exceções.

O diagnóstico não existe para premiar quem usa mais tecnologia. Ele existe para descobrir qual nível de dependência a operação suporta hoje e qual fundamento falta para avançar. Em alguns casos, a conclusão correta é implantar. Em outros, é preparar processo, dado ou responsabilidade antes de comprar qualquer solução.

O que significa maturidade em IA na prática

Maturidade é a capacidade de usar inteligência artificial de forma repetível, supervisionada e mensurável dentro de um contexto real. Ela não é um estado único da empresa. Uma PME pode estar madura para resumir atendimentos e imatura para conceder crédito, prever caixa ou negociar preço. A avaliação precisa acontecer por processo e caso de uso, ainda que produza uma leitura geral para priorização.

A OECD, no estudo de 2025 sobre adoção de IA por pequenas e médias empresas, organiza diferenças de adoção a partir da maturidade digital, da complexidade do uso e do alcance dentro da empresa. Também aponta conectividade, dados, competências e recursos financeiros como habilitadores. Isso impede uma leitura simplista em que “usa” significa maduro e “não usa” significa atrasado.

A própria ferramenta piloto de prontidão da OECD deixa claro que seu resultado é indicativo, não uma avaliação oficial. O questionário leva cerca de cinco minutos e observa perfil, fundamentos digitais, uso atual e obstáculos. Ele é útil para orientação inicial, mas não substitui análise de processo, amostra de dados e definição de risco no contexto específico da empresa.

As cinco camadas do diagnóstico de maturidade em IA

Uma avaliação operacional pode ser organizada em cinco camadas: problema, processo, dados, governança e medição. Elas seguem uma ordem lógica. Sem problema prioritário, não há motivo para mexer na operação. Sem processo observável, não existe trabalho estável para apoiar. Sem dados, a saída perde contexto. Sem governança, o risco fica sem dono. Sem medição, a empresa não sabe se avançou.

1. Problema prioritário

A primeira camada pergunta qual decisão, atraso, custo, perda ou risco merece atenção. “Queremos usar IA” não é problema de negócio. “Um terço das propostas fica sem próxima ação definida” é observável, desde que o cálculo tenha fonte e período. “O dono revisa toda exceção de atendimento” também é um ponto concreto, mesmo antes de existir um percentual.

O problema precisa ter um dono e competir com outras prioridades reais. Se ninguém tem autoridade para mudar o processo, o projeto tende a virar demonstração. Se o efeito não importa o bastante para acompanhar, a empresa não manterá o novo fluxo depois do entusiasmo inicial.

Perguntas úteis:

• Qual evento mostra que o problema aconteceu?
• Quem sofre o impacto e quem pode alterar a causa?
• Qual custo, tempo, risco ou oportunidade está em jogo?
• O problema se repete em volume suficiente para justificar intervenção?
• A solução precisa mesmo de IA ou uma regra simples resolve?

2. Processo observável

O diagnóstico acompanha como o trabalho entra, quem decide, quais etapas existem, onde aparecem exceções e o que encerra o caso. Não precisa haver um manual sofisticado. Precisa existir consistência suficiente para comparar execução esperada e execução real.

Uma boa amostra inclui casos comuns, casos difíceis e falhas recentes. Se a equipe descreve cinco caminhos diferentes para o mesmo pedido, a divergência é um achado. Automatizar antes de resolver essa diferença cria velocidade sobre uma regra instável.

O processo também revela dependências. Uma classificação pode depender de dado financeiro, autorização comercial ou histórico do cliente. Quando essa informação chega tarde, a falha não está necessariamente na etapa que ficou parada. O diagnóstico acompanha o fluxo de ponta a ponta para evitar que a tecnologia seja aplicada apenas no sintoma.

3. Dados utilizáveis

Dados utilizáveis têm origem conhecida, significado compartilhado, qualidade suficiente, acesso adequado e responsável. Volume sozinho não resolve. Milhares de linhas duplicadas, campos vazios ou datas com critérios diferentes podem prejudicar mais do que uma base menor e bem definida.

A avaliação escolhe uma amostra ligada ao caso de uso. Para qualificação comercial, observa identificação, origem, estágio, necessidade, responsável e próxima ação. Para atendimento, examina identidade do cliente, assunto, resposta, escalonamento e desfecho. Para operação, verifica evento, prazo, dependência, exceção e conclusão.

O objetivo não é exigir perfeição. É saber quais lacunas impedem o trabalho, quais podem ser tratadas e quais tornam o caso de uso inseguro. A fonte de verdade dos dados precisa ser decidida antes que uma saída padronizada pareça precisa apenas porque foi escrita com confiança.

4. Governança proporcional

Governança define responsabilidade, acesso, limite, supervisão e resposta a falhas. Numa PME, isso não precisa virar uma estrutura corporativa pesada. Pode ser uma página com dono nominal, dados autorizados, ações permitidas, regra de parada, frequência de revisão e caminho de incidente.

O NIST AI RMF Core organiza a gestão de risco em governar, mapear, medir e administrar. Entre seus resultados esperados estão valor de negócio definido, escopo documentado, papéis humanos diferenciados, limites conhecidos e monitoramento depois da implantação. A aplicação deve ser proporcional aos recursos e ao risco do contexto.

Quando há dados pessoais, a empresa também precisa considerar finalidade, acesso, retenção e segurança. O guia da ANPD para agentes de tratamento de pequeno porte oferece medidas administrativas e técnicas proporcionais. O artigo não substitui avaliação jurídica, mas o diagnóstico deve sinalizar quando o uso de dados exige análise especializada.

5. Medição e aprendizado

A última camada verifica se existe linha de base, indicador, frequência de leitura e decisão associada. Um projeto que economiza tempo precisa medir tempo antes e depois. Um fluxo que melhora registro precisa medir completude, correções e casos sem responsável. Um sistema que classifica entradas precisa acompanhar acerto, revisão humana, exceções e efeitos indesejados.

Medição inclui erro. Registre saídas aceitas, corrigidas, rejeitadas e interrompidas. Classifique o motivo: regra incompleta, dado ausente, fonte incorreta, instrução ambígua ou caso fora do escopo. Sem essa memória, a empresa repete correções pontuais e não melhora o processo.

15%

das pequenas empresas pesquisadas declararam usar IA em 2025

A TIC Empresas 2025, do Cetic.br, encontrou adoção de IA em 15% das pequenas empresas de 10 a 49 pessoas pesquisadas. O dado mostra avanço, não maturidade homogênea. O próprio estudo descreve uma incorporação muitas vezes pontual, ligada a ferramentas acessíveis e processos auxiliares.

Quatro estágios sem score artificial

Em vez de transformar maturidade em uma nota absoluta, classifique cada camada em quatro estágios: explorar, preparar, implantar e escalar. A matriz mostra evidências, não pontos. Uma empresa pode estar em “implantar” no problema e no processo, mas ainda em “preparar” nos dados. O plano deve atacar o estágio limitante.

Essa leitura evita a ilusão de média. Se governança está em explorar e as outras quatro camadas em implantar, uma nota agregada pode esconder o risco. O gargalo mais crítico determina a velocidade segura do caso de uso.

Os falsos positivos de maturidade

O primeiro falso positivo é ter muitas licenças. Adoção de software mostra acesso, não integração ao trabalho. Se cada pessoa usa a ferramenta de forma isolada e os resultados não entram no processo, a empresa ganhou produtividade individual sem criar capacidade operacional.

O segundo é ter uma demonstração convincente. Um exemplo escolhido, com dado limpo e caminho conhecido, prova possibilidade. Maturidade exige repetição com casos reais, inclusive exceções, falhas de fonte e mudanças de contexto.

O terceiro é possuir uma base grande. Dados históricos podem estar duplicados, incompletos ou coletados para outra finalidade. O diagnóstico verifica adequação ao caso de uso, não apenas existência.

O quarto é ter uma pessoa entusiasta. Competência individual ajuda, mas cria dependência se regra, acesso e aprendizado não ficam registrados. A saída precisa sobreviver à ausência do especialista.

O quinto é confundir política com prática. Um documento pode dizer que toda saída é revisada, enquanto a pressão diária faz a equipe aceitar tudo. O diagnóstico compara regra declarada, comportamento observado e evidência nos registros.

Triagem rápida e diagnóstico operacional não são a mesma entrega

Um questionário curto pode abrir a conversa. Ele ajuda o gestor a perceber se a empresa usa recursos básicos, encontra barreiras de competência ou já experimentou algum caso de uso. Também oferece uma linguagem inicial para comparar áreas. O limite aparece quando a resposta depende da percepção de quem preenche, sem observação dos registros ou das pessoas que executam o processo.

O diagnóstico operacional testa a declaração contra evidência. Se a liderança afirma que o CRM está organizado, a avaliação examina uma amostra de oportunidades. Se a equipe diz que toda exceção é escalada, procura responsável, prazo e desfecho nos casos recentes. Se existe uma política de acesso, verifica quem realmente consegue consultar e alterar a fonte.

Essa diferença muda o nível de confiança da decisão:

Uma triagem não é ruim por ser simples. Ela se torna perigosa quando uma nota genérica é tratada como autorização para integrar sistemas, expor dados ou retirar supervisão. O papel correto é selecionar perguntas e processos que merecem investigação.

Antes de iniciar uma avaliação mais profunda, a PME pode reunir três conjuntos de evidência. Primeiro, cinco a dez casos recentes do processo, incluindo pelo menos um erro e uma exceção. Segundo, os campos e fontes usados para decidir. Terceiro, qualquer indicador que já exista, mesmo que hoje seja calculado manualmente. Esse material reduz opinião e mostra rapidamente onde a realidade diverge do desenho esperado.

Como um diagnóstico é conduzido

Uma avaliação útil combina entrevista, observação e evidência. Começa pela liderança para entender prioridade, resultado esperado e tolerância de risco. Depois conversa com quem executa o trabalho, porque os atalhos e exceções raramente aparecem no fluxograma oficial. Em seguida, examina amostras de dados e registros do processo.

O percurso pode ser organizado em seis movimentos:

1. Definir o problema e o processo em escopo.
2. Entrevistar dono, operadores, responsável pelos dados e decisor de risco.
3. Observar casos comuns, difíceis e falhos.
4. Auditar uma amostra dos dados necessários.
5. Classificar as cinco camadas com evidência.
6. Priorizar ações, caso de uso e critério de avanço.

O resultado não deve ser uma lista genérica de tecnologias. Deve explicar por que a empresa está em determinado estágio, qual evidência sustenta a leitura, o que impede o avanço e qual experimento reduz a maior incerteza.

Na trilha do Método Zoryon, diagnóstico, plano, implementação e acompanhamento formam uma sequência. O diagnóstico vem primeiro porque a solução precisa nascer do gargalo. O acompanhamento aparece depois porque maturidade não termina quando o fluxo entra no ar.

O que deve sair da avaliação

A entrega mínima contém um mapa das cinco camadas, estágio atual por camada, evidências consultadas, riscos, lacunas e próximos passos. Também deve separar três horizontes: preparar agora, testar em seguida e expandir apenas depois de comprovação.

Um bom relatório responde:

• Qual problema merece prioridade e por quê?
• Qual processo será alterado?
• Quais dados são necessários e quem responde por eles?
• Qual ação a IA pode executar e qual permanece humana?
• Quais condições interrompem o fluxo?
• Qual linha de base será usada?
• O que precisa ser verdade para avançar ao próximo estágio?

O plano ganha valor quando liga cada ação a uma dependência. “Limpar dados” é vago. “Remover duplicidade de cliente e definir um identificador canônico antes do piloto de histórico” é executável. “Criar governança” é amplo. “Nomear responsável, fonte autorizada e regra de parada para o resumo de atendimento” pode ser conferido.

Quando a recomendação correta é não implementar

Não implemente quando o problema ainda não foi definido, quando a frequência é baixa demais para justificar o custo ou quando uma regra simples resolve. Também espere quando a fonte de dados é desconhecida, o processo muda a cada pessoa, não existe responsável por falhas ou o impacto de um erro não pode ser contido.

Adiar não significa rejeitar IA. Significa preparar a operação para que a tecnologia tenha onde se apoiar. Essa preparação pode levar poucos dias em um fluxo simples ou exigir mudanças maiores quando dados e responsabilidades atravessam vários setores.

O diagnóstico também pode concluir que uma ferramenta existente basta. A decisão madura escolhe a solução proporcional ao problema. Comprar complexidade para provar modernidade cria manutenção, dependência e risco sem melhorar o resultado.

Do diagnóstico ao próximo estágio

O estágio não é rótulo permanente. É uma fotografia sustentada por evidências. Depois de corrigir uma fonte, escrever uma regra ou rodar um piloto, a empresa reavalia a camada. O avanço precisa aparecer no trabalho: menos casos sem dono, dado mais confiável, supervisão mais clara, erro classificado e indicador acompanhado.

É esse ciclo que transforma IA aplicada a negócios em capacidade operacional. A empresa deixa de depender de experimentos soltos e passa a decidir onde usar, onde não usar e como melhorar. Quando várias funções se conectam com regras e memória, a setorização por IA organiza o conjunto — e o centro operacional de IA é o que você instala quando quer setores completos, não piloto solto.

Antes disso, o passo correto é enxergar o estágio real. Um diagnóstico operacional encontra a camada limitante, prioriza o caso de uso e mostra o que precisa ser verdade antes de a operação depender da solução.