IA avança em testes, mas trava ao integrar CSCs

A inteligência artificial (IA) já faz parte da agenda de transformação dos Centros de Serviços Compartilhados (CSCs) brasileiros, mas transformar a experimentação em processos integrados e estruturados ainda é um desafio. Dados da MIA, plataforma de inteligência de dados do IEG, mostram que 53% dos CSCs participantes do levantamento afirmam que o uso de IA está em fase de teste, enquanto apenas 14% dizem ter a tecnologia plenamente integrada aos seus processos.

Pedro Moi, sócio do Instituto de Engenharia de Gestão (IEG) e responsável pela MIA, avalia que o problema começa na natureza distinta dos dois movimentos. "Testar é barato, rápido e reversível: escopo pequeno, poucos usuários e nenhuma mudança no fluxo oficial. Integrar significa mudar o processo, redesenhar o fluxo, definir o que a máquina faz e o que a pessoa revisa, tratar exceções, conectar aos sistemas e assumir o resultado perante o cliente interno e as áreas de controle", explica.

Testar não é o mesmo que operar

O critério de sucesso de uma iniciativa também muda quando ela deixa de ser piloto, segundo o especialista do IEG. "O teste piloto responde ‘funcionou?’; a operação exige responder ‘funciona todo dia, de forma auditável e com alguém responsável quando falhar?’. Muitas iniciativas passam nos primeiros testes, mas não sobrevivem a todo o ciclo", afirma.

Entre os fatores que travam essa passagem, Moi cita a escolha do caso de uso a partir da ferramenta disponível, e não de um problema concreto, o que gera ganho difícil de mensurar, além da ausência de linha de base: sem saber o tempo de ciclo, o custo por transação e a taxa de erro atuais, não há como comprovar o ganho depois. Dados dispersos e processos não padronizados também pesam, já que a IA tende a ampliar o que já existe na operação.

"Automatizar variação é acelerar o problema", resume o sócio do IEG. Restrições que só aparecem fora do ambiente controlado do piloto, como integração com sistemas legados, segurança da informação e adequação à Lei Geral de Proteção de Dados (LGPD), completam a lista, além da falta de um modelo de sustentação que defina quem monitora a qualidade e trata as exceções.

O peso da governança e da qualidade dos dados

A confiabilidade dos dados usados nos projetos de inteligência artificial tem relação direta com o resultado apresentado pelas equipes de CSC. Com uma base de dados ruim, segundo Pedro Moi, o erro é herdado pelo sistema, a equipe passa a revisar tudo manualmente e o ganho de produtividade esperado desaparece. "A partir daí a curva é conhecida: a confiança cai, o uso diminui e a iniciativa é abandonada sem nunca ter sido formalmente cancelada", descreve.

A falta de governança pesa em três frentes, na visão do executivo: exposição, quando não há regra clara sobre qual informação pode entrar em cada ferramenta; rastreabilidade, já que processos com efeito contábil, fiscal ou trabalhista exigem que o CSC explique como cada decisão foi tomada; e acompanhamento contínuo, pois a ausência de indicadores faz a performance se degradar aos poucos, até que o erro chegue ao cliente interno. "Governança aqui não é burocracia: é o mínimo que permite escalar sem aumentar o risco na mesma proporção", pontua.

Iniciativas isoladas e iniciativas que geram valor

O sócio do IEG usa exemplos práticos para diferenciar projetos restritos a uma vitrine de inovação daqueles que passam a compor a rotina do CSC. Um assistente de dúvidas sem curadoria da base de conhecimento responde bem nas primeiras semanas, mas perde relevância à medida que a base envelhece. Já um piloto de leitura de documentos fora do fluxo oficial funciona, mas depende de uma pessoa para baixar arquivos e lançar resultados manualmente, sem reduzir o tempo de ciclo.

Em contrapartida, a triagem automática de solicitações dentro da própria ferramenta de atendimento, com acurácia acompanhada e efeito visível no backlog, é um caso capaz de gerar valor contínuo. A extração de dados integrada ao fluxo de contas a pagar segue lógica semelhante: acima de determinado nível de precisão, o processo segue direto; abaixo disso, vai para revisão humana, com redução mensurável de custo por transação.

Caminho recomendado para evitar a experimentação permanente

Para os CSCs que ainda avaliam adotar inteligência artificial, Pedro Moi recomenda começar pelo problema, e não pela ferramenta, priorizando atividades por volume, repetitividade, custo e taxa de erro. Medir a linha de base antes de alterar qualquer processo é o passo seguinte, junto da verificação de que o dado está estruturado e o processo, padronizado.

"Quando não está, padronizar primeiro rende mais do que aplicar tecnologia sobre a variação", diz. O especialista defende ainda uma governança mínima antes do primeiro piloto, com política de uso, classificação da informação e nível de revisão humana por criticidade, além de um critério de sucesso numérico definido desde o início. "Quem só se pergunta no fim o que precisa de verdade para escalar descobre tarde demais que a resposta envolve integração, segurança ou orçamento não previstos", alerta.

Por fim, o executivo recomenda tratar a iniciativa como mudança de processo, e não como projeto de tecnologia, concentrando esforços em um ou dois casos aprofundados em vez de manter dez pilotos superficiais. "Um caso levado até a operação ensina mais e abre mais portas internamente do que uma vitrine de experimentos", considera.

Fundado em 2008 por engenheiros formados pela Universidade Federal do Rio de Janeiro (UFRJ), o IEG atua com pesquisas de benchmarking, consultoria e treinamentos voltados à gestão de Centros de Serviços Compartilhados, reunindo uma base de mais de 300 empresas clientes.

Para mais informações, basta acessar: www.ieg.com.br