Um projeto de IA corporativo bem conduzido não começa escolhendo o modelo, começa diagnosticando o dado, e percorre cinco etapas até gerar valor: diagnóstico de prontidão, fundação de dados, camada de ação, piloto com métrica e escala governada. Cada etapa tem um entregável concreto e uma ferramenta que a sustenta: o diagnóstico define o caso de uso e mede a maturidade; a fundação de dados é construída no Databricks, com o dado governado e curado; a camada de ação é montada no Jira, onde a IA age de forma rastreável; o piloto prova valor com uma métrica única; e a escala amplia sob governança. Saber essas etapas antes de contratar é o que separa quem compra um projeto com expectativa realista de quem compra a promessa de um modelo mágico que falha na produção.

Por que projeto de IA que começa pelo modelo fracassa

A ordem intuitiva está errada, e ela custa caro. A maioria dos projetos de IA começa pela pergunta “qual modelo usar”, monta uma prova de conceito impressionante e trava na hora de colocar em produção. O motivo é conhecido: o modelo é a parte fácil e acessível, disponível para qualquer um via API. O que decide o resultado é tudo o que vem antes e ao redor dele, e isso não aparece na demo.

Um especialista de verdade inverte a ordem. Ele trata a IA como a última camada, não a primeira, e gasta o esforço inicial onde o projeto realmente vive ou morre: no dado que o modelo vai consultar, no sistema onde a IA vai agir, e na métrica que vai provar valor. As cinco etapas a seguir são essa jornada invertida, e conhecê-las serve a dois propósitos: dar ao gestor uma expectativa realista de prazo e esforço, e oferecer um critério para avaliar se o fornecedor que ele está contratando segue o caminho certo ou pula direto para o modelo.

A tese deste guia: o valor de um projeto de IA é construído de baixo para cima, e o modelo é o topo, não a base. Um especialista percorre as cinco etapas na ordem que protege o investimento; um fornecedor de hype começa pelo topo e descobre a base quando o piloto já falhou. A jornada abaixo é, ao mesmo tempo, o mapa do que esperar e o teste do fornecedor que você está avaliando.

As cinco etapas em uma tabela

Etapa 1 · Diagnóstico de prontidão (o que quase todo mundo pula)

A primeira etapa não escreve uma linha de código. Ela responde duas perguntas que decidem o projeto inteiro: qual problema de negócio a IA vai resolver, com qual métrica atrelada e qual dono, e o dado necessário para isso existe e está utilizável? O entregável é um mapa de prontidão que diz, com honestidade, o que já está pronto e o que precisa ser construído antes.

Pular essa etapa é a origem da maioria dos fracassos. Sem caso de uso com dono e métrica, o projeto não consegue provar valor depois e morre na revisão de orçamento. Sem avaliar a prontidão do dado, o projeto descobre tarde demais que a fundação não existe. Um especialista começa aqui, e a disposição de fazer esse diagnóstico antes de vender a solução é, por si só, um sinal de que o fornecedor é de verdade. Tratamos o critério de escolha de fornecedor em artigo próprio deste blog.

Etapa 2 · Fundação de dados (especialistas Databricks)

Com o diagnóstico em mãos, a segunda etapa constrói a base que a IA vai consultar. É a etapa de maior esforço e a que mais determina se a IA vai funcionar em produção, porque IA é tão confiável quanto o dado que a alimenta. Aqui o trabalho é de especialistas Databricks: unificar o dado corporativo no Lakehouse, governar acesso e linhagem com o Unity Catalog, resolver identidade de entidades para que a IA fale do cliente certo, e curar o dado pela arquitetura medalhão, do bruto ao pronto para consumo.

O entregável desta etapa é um dado confiável, governado e com identidade resolvida, servível a modelos e agentes com as mesmas permissões que valem para pessoas. É a fundação que transforma um piloto bonito em um sistema que aguenta produção. Detalhamos a curadoria e a governança em artigos próprios do cluster de dados deste blog.

Etapa 3 · Camada de ação (consultoria Jira)

A terceira etapa define onde a IA age, e é a mais negligenciada porque muita gente imagina que IA só responde. Quando a IA passa a agir (abrir chamado, atualizar status, escalar exceção, encaminhar demanda), essa ação precisa virar registro rastreável, ou a empresa perde o controle sobre o que a própria IA fez. É aqui que o Jira e o Jira Service Management entram como a camada de ação governada: a ação da IA vira issue, com workflow, dono, histórico de transições e auditoria dentro da instância da empresa.

O entregável é a rastreabilidade: cada ação da IA registrada onde a empresa controla, sob as mesmas regras do trabalho humano. É o que dá ao projeto o controle de risco que separa autonomia útil de autonomia cega, e é a razão pela qual a consultoria Jira faz parte de um projeto de IA, não é um tema paralelo.

Etapa 4 · Piloto com métrica (a prova de valor)

Só na quarta etapa o modelo entra em cena, e entra sobre uma fundação pronta. O piloto roda em escopo fechado, com um caso de uso definido e a métrica escolhida no diagnóstico. O ponto que separa piloto sério de demo é a medição: quantas ações a IA executou, com que acurácia, com que efeito no número que importa (tempo de resolução, custo por atendimento, satisfação). O BI, com métrica de definição única, é o que transforma o resultado do piloto em prova defensável, e não em impressão de que “pareceu funcionar”.

O entregável é uma decisão fundamentada: o piloto provou valor mensurável e merece escala, ou não provou e precisa de ajuste antes de qualquer investimento maior. Essa etapa existe justamente para que a decisão de escalar seja baseada em número, no momento em que o custo ainda é baixo.

Etapa 5 · Escala governada (onde a maioria subestima o custo)

A última etapa amplia o que o piloto provou, e é onde muitos projetos descobrem que produção custa bem mais que a prova de conceito. Escalar exige governança de acesso em volume, monitoramento do comportamento da IA, controle de custo de operação e um plano para o que fazer quando o modelo erra. É a etapa que integra todas as camadas anteriores em uma operação estável.

O entregável é a operação em produção com controle: a IA funcionando em escala, com custo previsível, governança consistente e rastreabilidade de ponta a ponta. Chegar aqui com as quatro etapas anteriores bem feitas é o que torna a escala uma expansão tranquila, em vez de um segundo projeto do zero. É também onde a diferença entre um especialista e um fornecedor de hype fica mais cara de descobrir.

Quanto tempo leva, afinal

A pergunta honesta não tem resposta única, e desconfie de quem dá uma. O prazo depende do estado do dado na etapa 1: uma empresa com dado já organizado avança rápido para o piloto; uma que descobre no diagnóstico que a fundação não existe precisa construí-la antes, e isso muda a conta. É por isso que o diagnóstico de prontidão vem primeiro: ele é o que permite dar um prazo realista, em vez de um chute otimista que estoura depois.

O que isso revela sobre a escolha do parceiro: um especialista em IA de verdade percorre as cinco etapas e é transparente sobre em qual delas o seu projeto está e quanto falta. A CSP Tech opera as camadas que sustentam a jornada: especialistas Databricks na fundação de dados, consultoria Jira na camada de ação, BI na prova de valor, e a arquitetura de modelo sobre essa base, como participante do Anthropic Partner Network. O modelo é a etapa 4; o valor mora nas etapas 1, 2 e 3, que quase ninguém mostra na demo.

Quando você ainda não deve começar

•     Sem caso de uso com dono e métrica. Se não dá para dizer qual número a IA vai mover e quem responde por ele, a etapa 1 vai travar, e é melhor travar no diagnóstico que depois de investir no modelo.

•     Quando uma automação simples resolve. Se o problema é uma regra determinística, automação tradicional é mais barata e previsível. Um especialista dirá isso na etapa 1, em vez de empurrar IA.

•     Com o dado em estado crítico e sem apetite para arrumá-lo. Se a etapa 2 seria longa e não há disposição de investir nela, o projeto de IA vai frustrar. A ordem honesta é arrumar o dado primeiro, com valor próprio, e só depois plugar a IA.

Perguntas frequentes

Por onde começa um projeto de IA corporativo?

Pelo diagnóstico de prontidão, não pelo modelo. A primeira etapa define o caso de uso com dono e métrica e avalia se o dado necessário existe e está utilizável. Só depois vêm a fundação de dados (Databricks), a camada de ação (Jira), o piloto com métrica e a escala governada. Começar pelo modelo é a causa mais comum de projeto que impressiona na demo e falha na produção.

Quanto tempo leva para um projeto de IA gerar valor?

Depende fortemente do estado do dado. Se o dado já está organizado e governado, o caminho até um piloto com valor mensurável é curto. Se o diagnóstico revela que a fundação precisa ser construída, essa etapa entra na conta. Por isso um especialista faz o diagnóstico de prontidão antes de prometer prazo: é o que permite uma estimativa realista em vez de um chute que estoura na execução.

Por que Databricks e Jira aparecem num projeto de IA?

Porque são as duas fundações que a IA exige e o modelo não fornece. O Databricks sustenta a fundação de dados: o dado unificado, governado e curado que a IA consulta. O Jira sustenta a camada de ação: o registro rastreável do que a IA faz, com workflow e auditoria na instância da empresa. O modelo é a camada de cima; essas duas são a base que decide se a IA funciona em produção.

Como sei se o fornecedor que estou avaliando é um especialista de verdade?

Pela ordem que ele propõe. Especialista começa pelo diagnóstico de prontidão e pela fundação de dados, e é transparente sobre prazo conforme o estado do seu dado. Fornecedor de hype começa pelo modelo e pela demo, e subestima o custo de produção. As cinco etapas deste guia servem como checklist: se a proposta pula as três primeiras e vai direto ao modelo, é sinal de alerta.

Próximo passo

Se a sua empresa decidiu investir em IA, o primeiro passo não é escolher o modelo, é o diagnóstico que diz em qual etapa você está e o que falta para chegar ao valor. Solicite o diagnóstico inicial do seu projeto de IA com a CSP Tech e receba o mapa das cinco etapas aplicado ao seu caso: o caso de uso, o estado do seu dado e o caminho realista até o piloto com valor mensurável.

Autor: Guilherme Matos, estrategista de conteúdo e IA, certificado HubSpot, Google, Anthropic e Semrush. Revisão técnica por especialistas de dados e Atlassian da CSP Tech (especialistas Databricks, Atlassian Gold Partner, Microsoft Gold Partner, participante do Anthropic Partner Network, 34 anos de mercado, produto próprio Power BI for Jira).

Fontes (oficiais, verificadas nas peças deste cluster): Databricks Documentation, Lakehouse, Unity Catalog e arquitetura medalhão (docs.databricks.com); Atlassian, Jira e Jira Service Management, workflow e auditoria (atlassian.com, support.atlassian.com); Microsoft Learn, modelo semântico do Power BI (learn.microsoft.com/power-bi). Estrutura de etapas baseada na prática de projetos de dados e IA; prazos por etapa marcados