O que muda quando se aplica IA numa PME?
Três coisas: o retorno tem de aparecer em meses e não em anos, a solução tem de
funcionar sem alguém dedicado a mantê-la, e tem de assentar no software que a empresa já usa
em vez de exigir substituí-lo. A tecnologia é a mesma; o que muda é aquilo que ela
tem de respeitar para caber numa empresa sem departamento de informática.
A maior parte do que se escreve sobre IA empresarial não é para si
Pressupõe equipas de dados, orçamentos anuais para tecnologia e alguém cujo trabalho é manter
sistemas. Em Portugal, a esmagadora maioria das empresas não tem nada disso — e
continua a ter exatamente os mesmos processos manuais, com menos gente para os aguentar.
O resultado é uma conversa desencontrada: o fornecedor descreve uma plataforma, a empresa
ouve um custo fixo que não consegue justificar, e a conclusão é que «a IA ainda não é para
nós». Quase sempre é — só não daquela maneira.
As três restrições que mudam tudo
-
O retorno tem de aparecer em meses.
Uma PME não tem folga de tesouraria para esperar dois anos por um resultado. Isso
exclui projetos que só compensam à escala, e obriga a começar por onde a dor é maior e
mais frequente — não por onde a tecnologia é mais interessante.
-
Tem de funcionar sem manutenção a tempo inteiro.
Se a solução precisa de alguém a acompanhá-la todos os dias, o custo real é um
salário e não uma licença. Numa empresa pequena, esse alguém não existe — e o sistema
degrada-se em silêncio até deixar de ser usado.
-
Tem de assentar no que já existe.
Trocar de ERP, de PMS ou de software de gestão é um projeto por si só, com risco
próprio. Quase nunca é preciso para resolver o problema concreto que motivou a conversa.
Começa por uma pergunta estreita, não por uma plataforma
Uma primeira prova usa ficheiros que a empresa já consegue exportar — compras, stocks,
faturação, uma caixa de correio — para responder a uma pergunta com critério
de sucesso escrito antes de começar.
Nos nossos casos de estudo, essa pergunta foi coisas como
«que materiais podem faltar nas próximas quatro semanas nestas obras?» ou
«quantos pedidos ficam sem resposta?». Duas delas — a
construção e a
saúde — começaram literalmente por dois
ficheiros exportados.
A tecnologia cresce depois de o valor estar demonstrado, não antes. E se a
prova não passar, ficou barato descobri-lo — que é precisamente o objetivo de a fazer
primeiro.
O que torna um processo bom candidato
Três propriedades, e convém tê-las às três. Repete-se com frequência suficiente para
se pagar. Depende de informação que já está escrita nalgum lado. E o erro é visível antes de
se tornar caro, porque alguém vê o resultado no decurso normal do trabalho.
Processos que falham a terceira — decisões cujo erro só aparece meses depois, ou em que
ninguém revê o resultado — são os que dão problemas graves. Nesses, ou se acrescenta
supervisão humana, ou não se automatiza.
Quando a resposta honesta é que não vale a pena
Um processo que acontece cinco vezes por ano não se paga, por muito irritante que seja.
Informação que só existe na cabeça das pessoas não pode ser lida por nenhum sistema. E há
decisões em que o custo de errar é alto demais para a supervisão que a empresa consegue
garantir.
Dizemos isso quando é o caso, e está escrito nos casos de estudo, incluindo
decisões que dispensaram IA. É mais barato para si ouvi-lo na primeira conversa do que
descobri-lo seis meses depois.
RGPD e AI Act à escala de uma PME
As obrigações dependem da utilização concreta, não do tamanho da empresa — mas as medidas
são proporcionais ao risco: minimização de dados, controlo de acessos, registo de ações,
prazos de conservação e supervisão humana nas decisões com impacto.
Identificar que dados pessoais são tratados, que fornecedores estão envolvidos e que tarefas
exigem validação humana faz parte da análise inicial. É mais barato desenhar isto no
início do que corrigi-lo depois de o sistema estar em uso.
Em que setores trabalhamos
Hotelaria e turismo, restauração,
autarquias e administração pública,
imobiliário, seguros, saúde, construção e serviços
profissionais. O que fizemos em cada um está nos
casos de estudo, com clientes anonimizados e sem
percentagens que não possamos mostrar de onde vieram.
