Inteligência Artificial na Gestão:
da Experimentação à Geração de Valor
A análise reúne dez casos aplicados para examinar onde a inteligência artificial já amplia capacidade, reduz prazos e reorganiza etapas do trabalho — e quais condições determinam a captura de valor.
A captura de valor exige mudança no trabalho
A adoção da inteligência artificial já é ampla, mas a maioria das organizações ainda permanece em experimentação ou projetos-piloto. A captura de valor depende menos do simples acesso à tecnologia e mais da capacidade de redesenhar fluxos de trabalho, mobilizar a liderança e integrar a IA à estratégia e ao modelo de gestão.
Base da pesquisa: 1.993 participantes em 105 países; coleta online de 25 de junho a 29 de julho de 2025; dados ponderados pela contribuição de cada país ao PIB global.
O que as organizações com melhores resultados fazem
- 01Usam IA para apoiar crescimento, inovação e redução de custos.
- 02Revêm os processos e a forma de trabalho antes de ampliar o uso.
- 03Mantêm participação direta da alta direção.
- 04Trabalham com plano claro, indicadores de resultado e pontos de revisão humana.
- 05Conduzem ciclos mais curtos e ampliam as aplicações que comprovam valor.
IA agêntica: do apoio à execução
O que é. Agentes de IA recebem uma tarefa, consultam informações, organizam as etapas e executam ações nos sistemas autorizados. O responsável pelo processo trata as exceções e aprova as decisões mais relevantes.
Como as empresas estão utilizando. Na pesquisa, 39% experimentam agentes e 23% ampliam o uso; em cada função, 10% ou menos estão em escala. Nos casos analisados, atuam em programação, engenharia, compras e consulta técnica, dentro de regras e limites definidos.
Como o valor foi gerado nos casos. Os casos geraram valor ao inserir a IA no fluxo com dados, regras e sistemas. Ela assumiu consultas, análises e etapas repetitivas; os profissionais mantiveram premissas, exceções, aprovações e resultado.
Como o agente executa o fluxo
Condições para uso
Tarefa frequente, entrada definida, regra conhecida e resultado verificável.
Fontes confiáveis, acesso controlado e registro das ações.
Consulta, preparação e execução dentro de limites aprovados.
Tempo, qualidade, custo, capacidade e exceções orientam a ampliação.
O gestor responde pelo resultado e pelo uso da capacidade liberada.
Conclusão executivaNas áreas de apoio industrial, agentes de IA já executam partes do trabalho em programação, engenharia, compras e suporte técnico. O ganho aparece em mais capacidade, menor prazo e menos trabalho manual. A ampliação exige valor comprovado, dados confiáveis, autonomia limitada e um gestor responsável.
Pesquisa de base: McKinsey & Company. The state of AI in 2025: Agents, innovation, and transformation. McKinsey Global Survey, novembro de 2025.
Programação e qualidade
Agentes conectados ao ERP, MES e APS
O caso
A fabricante chinesa de correntes e componentes de precisão enfrentava dados dispersos entre ERP, MES, APS e sistemas de qualidade. Consultas entre sistemas podiam consumir 30 minutos; análises de qualidade dependiam de esforço manual e os ajustes de programação eram lentos e sujeitos a erro.
Como a IA foi utilizada
- Uma camada comum de dados integrou produção, materiais, programação e qualidade.
- O agente de qualidade consolidou informações, identificou defeitos recorrentes, tendências e possíveis causas.
- O agente de programação permitiu consultar, ajustar e otimizar planos por meio de linguagem natural.
- Cada alteração foi testada em ambiente de rascunho, comparada com o plano vigente e submetida a verificações de risco.
Resultados observados
Como o resultado foi produzido
Os ganhos vieram da eliminação de buscas entre sistemas e da execução coordenada de etapas antes separadas. O agente utilizou o mesmo contexto para consultar, analisar e preparar uma decisão. A validação em rascunho reduziu o risco de aplicar uma programação sem comparar impactos e restrições.
Fonte do casoIBM. Driving faster, risk-aware production decisions: Agentic AI and orchestration unify data and scheduling for smarter manufacturing operations, maio de 2026. Acessar fonte ↗︎
Programação da produção
Replanejamento com dados reais da fábrica
O caso
O fabricante replanejava a produção entre 10 e 15 vezes por semana, reunindo programação, gestão da fábrica e engenharia para reagir a alterações de pedidos, materiais e equipamentos. A Sight Machine integrou dados industriais à tecnologia OptiMind, da Microsoft Research, para produzir modelos de otimização e novos sequenciamentos.
Como a IA foi utilizada
- A base reuniu velocidade por item e linha, tempos de troca, ramp-up, situação dos equipamentos, pedidos e previsão de demanda.
- Restrições descritas em linguagem natural foram convertidas em um modelo matemático de programação inteira mista.
- Quando as condições mudavam, os dados da fábrica acionavam nova otimização e apresentavam uma programação revisada.
- A equipe podia testar cenários de manutenção, demanda e capacidade antes de decidir qual plano executar.
Resultados observados
Como o resultado foi produzido
A solução combinou contexto atualizado da operação com otimização matemática. O sequenciamento passou a considerar os tempos reais observados, em lugar de médias estáticas, e pôde ser recalculado em minutos. A redução de reuniões e reconstruções manuais permitiu responder mais rapidamente às mudanças da produção.
Fonte do casoMicrosoft. Sight Machine and Microsoft use AI-driven optimization to increase manufacturing productivity by 10% with Microsoft Foundry, 3 jun. 2026. Acessar fonte ↗︎
Engenharia de automação
Geração de código, telas e documentação
O caso
Siemens e Microsoft desenvolveram um copiloto industrial para ambientes de automação. A thyssenkrupp Automation Engineering anunciou implantação global a partir de 2025, incluindo máquinas utilizadas em controles e inspeções complexas na produção de baterias e em linhas de montagem.
Como a IA foi utilizada
- O copiloto gera código estruturado para controladores programáveis e o integra ao ambiente de engenharia.
- Também cria visualizações de operação e apoia configuração, gestão de dados e relatórios de inspeção.
- A função de consulta utiliza informações técnicas para responder dúvidas e reduzir buscas em documentos.
- Os engenheiros revisam requisitos, adaptam o código, realizam testes e liberam a aplicação conforme os controles existentes.
Resultados observados
Como o resultado foi produzido
A ferramenta converte instruções e contexto técnico em entregas iniciais de engenharia. A economia de tempo ocorre na geração de estruturas repetitivas, consultas e documentação. O valor depende de bibliotecas padronizadas, acesso ao contexto correto e integração com o ambiente no qual o código será testado.
Fonte do casoSiemens. Siemens y Microsoft escalan la IA industrial, comunicado de imprensa, 24 out. 2024. Acessar fonte ↗︎
Engenharia
Leitura automática de desenhos e identificação de materiais
O caso
A empresa precisava localizar matérias-primas e atributos técnicos em um grande conjunto de desenhos. A análise manual afetava prazos de desenvolvimento, custos e decisões da cadeia de suprimentos. A solução foi desenvolvida por equipes de operações, suprimentos, análise de dados e IBM Consulting.
Como a IA foi utilizada
- O reconhecimento óptico extraiu textos, códigos e atributos presentes nos desenhos técnicos.
- Um modelo generativo com recuperação de informações organizou e verificou os dados extraídos.
- Os atributos foram armazenados em uma base estruturada e disponibilizados por uma aplicação de busca.
- Os profissionais passaram a revisar os resultados e tratar documentos ou campos com menor confiança.
Resultados observados
Como o resultado foi produzido
A solução combinou leitura de documentos, recuperação de conteúdo e modelo generativo. A saída deixou de ser apenas um texto: os atributos extraídos passaram a compor uma base pesquisável, reduzindo a necessidade de abrir e interpretar cada desenho para localizar informações recorrentes.
Fonte do casoIBM. Material ID search revolutionized with Microsoft GenAI + IBM Consulting - Medtronic achieves 90% accuracy, 2024. Acessar fonte ↗︎
Compras
Negociações autônomas ampliam a cobertura da equipe
O caso
A Honeywell identificou centenas de contratos de fornecedores que eram numerosos demais para negociação manual. O objetivo declarado era capturar oportunidades em compras indiretas e padronizar condições comerciais sem ampliar a equipe. O piloto foi posteriormente estendido a novas categorias e linhas de produto.
Como a IA foi utilizada
- A área de compras definiu objetivos, categorias, condições aceitáveis e limites para as negociações.
- Os agentes conduziram o contato, receberam contrapropostas e negociaram prazos, descontos, rebates e condições por item.
- As campanhas cobriram despesas que anteriormente recebiam pouca atenção devido ao esforço necessário por fornecedor.
- Os compradores mantiveram a estratégia das categorias e o tratamento das situações que exigiam julgamento comercial.
Resultados observados
Como o resultado foi produzido
O valor apareceu pela combinação de escala e disciplina. O agente aplicou parâmetros definidos pela área em contratos que dificilmente seriam priorizados individualmente. Isso aumentou a cobertura da base de fornecedores e permitiu negociar mais oportunidades com o mesmo quadro de compradores.
Fonte do casoPactum. How Honeywell is Running Autonomous Procurement at Enterprise Scale, 2026. Acessar fonte ↗︎
Compras indiretas
Negociação em escala com parâmetros definidos
O caso
O Walmart implantou a plataforma da Pactum para ampliar a negociação em sua extensa base de fornecedores. A aplicação concentrou-se em condições comerciais recorrentes e categorias nas quais a quantidade de fornecedores tornava o processo manual pouco viável.
Como a IA foi utilizada
- A equipe estabeleceu os objetivos da campanha e os parâmetros dentro dos quais o agente podia negociar.
- O agente abordou fornecedores, apresentou propostas, recebeu contrapropostas e registrou os acordos alcançados.
- As negociações abrangeram descontos de preço e extensão dos prazos de pagamento.
- O processo permitiu tratar milhares de fornecedores simultaneamente e acompanhar os resultados em uma visão consolidada.
Resultados observados
Como o resultado foi produzido
A automação tornou economicamente viável negociar com uma parcela maior da base. O agente repetiu a estratégia definida, manteve consistência entre conversas e executou negociações em paralelo. O ganho veio de melhores condições e de uma cobertura que a capacidade humana disponível não permitia alcançar.
Fonte do casoPactum. Enterprise Procurement Success with Agentic AI - Walmart: Automating Payment Terms and Price Discount Negotiations, consulta em agosto de 2026. Acessar fonte ↗︎
Atendimento técnico
Conhecimento incorporado ao fluxo de trabalho
O estudo
Brynjolfsson, Li e Raymond acompanharam a implantação gradual de um assistente de IA em uma empresa de software e seus prestadores. A versão publicada analisou 5.172 profissionais de atendimento técnico e comparou o desempenho antes e depois do acesso à ferramenta.
Como a IA foi utilizada
- O sistema foi ajustado com conversas anteriores e exemplos de profissionais de melhor desempenho.
- Durante o atendimento, a IA sugeria respostas e indicava documentos técnicos internos relacionados ao problema apresentado.
- O profissional podia aceitar, adaptar ou rejeitar cada sugestão. Quando havia pouca informação sobre o tema, o sistema deixava de recomendar uma resposta.
- A avaliação combinou velocidade, quantidade de atendimentos, solução do problema e satisfação do cliente.
Resultados observados
Como o resultado foi produzido
O assistente tornou acessíveis práticas que antes dependiam da experiência individual. Isso reduziu o tempo de busca, apoiou a resposta e acelerou o aprendizado de novos profissionais. O efeito foi menor entre os mais experientes, que já dominavam boa parte do conhecimento reproduzido pelo sistema.
Fonte do casoBrynjolfsson, E.; Li, D.; Raymond, L. Generative AI at Work. The Quarterly Journal of Economics, v. 140, n. 2, 2025, p. 889-942. DOI: 10.1093/qje/qjae044. Acessar fonte ↗︎
Trabalho profissional
Ganhos em tarefas de escrita bem delimitadas
O estudo
Noy e Zhang realizaram um experimento pré-registrado com 453 profissionais graduados das áreas de marketing, recursos humanos, gestão, consultoria, análise de dados e elaboração de projetos. Cada participante executou duas tarefas de escrita relacionadas à própria ocupação.
Como a IA foi utilizada
- As atividades duravam de 20 a 30 minutos e incluíam e-mails sobre mudanças organizacionais, análises de custo-benefício, propostas e planos de análise.
- Metade dos participantes recebeu acesso ao ChatGPT-3.5 na segunda tarefa; o grupo de comparação trabalhou sem a ferramenta.
- Profissionais experientes avaliaram os textos sem saber quais haviam utilizado IA. O estudo mediu o tempo e a qualidade de cada entrega.
Resultados observados
Como o resultado foi produzido
A IA apoiou a elaboração da primeira versão em tarefas com instruções explícitas e saída verificável. Os participantes continuaram responsáveis pelo conteúdo final. Os maiores ganhos ocorreram entre aqueles com desempenho inicial mais baixo, indicando potencial para disseminar um padrão de trabalho mais consistente.
Fonte do casoNoy, S.; Zhang, W. Experimental evidence on the productivity effects of generative artificial intelligence. Science, v. 381, 2023. DOI: 10.1126/science.adh2586. Acessar fonte ↗︎
Consultoria
O desempenho depende do tipo de tarefa
O estudo
Dell'Acqua e coautores conduziram um experimento pré-registrado com 758 consultores. Após uma avaliação inicial, os participantes foram distribuídos entre trabalho sem IA, uso do GPT-4 e uso do GPT-4 acompanhado de uma orientação sobre comandos.
Como a IA foi utilizada
- Os participantes realizaram 18 tarefas realistas de consultoria dentro do campo de competência observado para o modelo, incluindo análise, escrita e criação de propostas.
- Uma tarefa adicional exigia resolver um problema de negócio cuja resposta correta contrariava uma conclusão plausível fornecida pela IA.
- O estudo mediu quantidade concluída, tempo, qualidade e correção. Também observou formas diferentes de dividir o trabalho entre profissional e ferramenta.
Resultados observados
Como o resultado foi produzido
Dentro do campo de competência da tecnologia, a IA ampliou a produção e apoiou diferentes etapas do raciocínio e da escrita. Na tarefa situada fora desse campo, muitos participantes aceitaram uma explicação convincente e incorreta. A confiança no resultado reduziu a capacidade de identificar o erro.
Fonte do casoDell'Acqua, F. et al. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Organization Science, 2025. DOI: 10.1287/orsc.2025.21838. Acessar fonte ↗︎
Uso transversal
Tempo liberado sem mudança automática no trabalho
O estudo
Dillon e coautores realizaram um experimento de campo durante seis meses, envolvendo 7.137 profissionais de 66 grandes empresas. Os participantes foram distribuídos aleatoriamente entre acesso ao Microsoft 365 Copilot e continuidade com as ferramentas existentes.
Como a IA foi utilizada
- A IA estava integrada às aplicações já utilizadas para e-mails, reuniões e elaboração de documentos.
- Os profissionais podiam resumir mensagens e reuniões, localizar informações de trabalho e preparar textos, sem obrigação de utilizar a ferramenta.
- O estudo acompanhou dados de utilização e tempo nas aplicações, sem observar o conteúdo dos documentos ou das comunicações.
- O acesso ficou concentrado em poucos profissionais de cada empresa, limitando mudanças que dependiam de coordenação entre equipes.
Resultados observados
Como o resultado foi produzido
Os profissionais conseguiram alterar hábitos individuais, principalmente no tratamento de e-mails. Reuniões, responsabilidades e volume de trabalho dependiam de outras pessoas e permaneceram estáveis. A intensidade de uso variou fortemente entre empresas, sugerindo influência do ambiente de adoção e das práticas de gestão.
Fonte do casoDillon, E. W.; Jaffe, S.; Immorlica, N.; Stanton, C. T. Shifting Work Patterns with Generative AI. NBER Working Paper 33795, revisão de novembro de 2025. DOI: 10.3386/w33795. Acessar fonte ↗︎