A adoção já andou mais rápido que a administração
Em boa parte das organizações, a IA já entrou no trabalho antes de a empresa decidir como usá-la. Um analista testa um assistente para resumir reuniões. A equipe de vendas assina uma ferramenta de redação. O jurídico experimenta um modelo para revisar contratos. O financeiro monta planilhas e análises com outro chatbot. Ninguém aprovou isso em comitê, mas o resultado já está na rotina de trabalho.
Esse descompasso tem um lado positivo: a vontade de experimentar é real, e muitas dessas iniciativas nascem de problemas concretos. O problema aparece quando a administração corporativa (TI, compras, segurança, jurídico e RH) tenta alcançar um uso que já está espalhado e não tem um mapa de quem usa o quê, com quais dados e com que custo.
Em muitas organizações, a dor se manifesta em cinco frentes. Nem toda empresa enfrenta todas elas, e a intensidade varia com o setor, o porte e o nível de maturidade em IA:
-
1. Troca constante de ferramenta
Para concluir uma mesma tarefa, a pessoa alterna entre interfaces diferentes. O histórico, os arquivos e o contexto ficam presos em cada uma delas.
-
2. Licenças duplicadas
A mesma função é paga em mais de um lugar. Assinaturas individuais, cartões corporativos e reembolsos de despesas criam cobranças que ninguém consolida.
-
3. Fluxos desiguais
Uma área produz com IA e outra não. Qualidade e prazo variam porque cada pessoa tem seu método, sem padrão de prompt, critério de revisão ou referência comum.
-
4. Responsabilidade difusa e uso oculto
Quando algo sai errado, não está claro quem responde. Parte do uso nunca aparece em inventários, porque acontece em contas pessoais ou ferramentas que TI não conhece.
-
5. Dados sensíveis no lugar errado
Na pressa, contratos, dados de clientes ou informações financeiras são colados em ferramentas que a empresa não avaliou. O risco existe e depende de cada ferramenta, de seus termos e da política em vigor.
O ponto central é este: o problema raramente é a falta de IA. É a falta de arquitetura para o uso que já existe. Como mostramos no artigo Sua equipe já usa IA. Como transformar experimentos individuais em uma competência da empresa?, o passo seguinte ao experimento individual é transformar o uso em processo governável.
O que a pesquisa global mostra
A McKinsey publicou em agosto de 2026 o relatório The State of AI: Global Survey 2026, baseado em uma pesquisa online realizada entre 4 de maio e 8 de junho de 2026, com 1.719 participantes em 97 países. Os dados são autodeclarados pelos respondentes e ponderados pela participação de cada país no PIB global. Não são uma amostra brasileira nem uma medição independente do uso real dentro das empresas.
Mesmo com essa ressalva, o quadro é útil. Quase nove em cada dez respondentes afirmam que a organização usa IA regularmente em pelo menos uma função de negócio. A etapa seguinte, porém, é mais difícil: passar do uso isolado para a escala em toda a empresa. Nesse ponto, o avanço foi menor, e a diferença por porte é grande. Entre respondentes de organizações com receita anual de pelo menos US$ 1 bilhão, 54% dizem que a IA está escalando em toda a empresa. Entre as organizações menores, a proporção é de um terço.
Há também um dado sobre o lado humano da adoção. Entre gestores intermediários e colaboradores individuais, 47% relatam pelo menos um efeito negativo relacionado à IA, contra 31% entre executivos e sêniores. Ou seja, a experiência de quem usa a ferramenta no dia a dia não é a mesma de quem a aprova. Esse é justamente o descompasso que a administração precisa resolver.
Um ajuste de premissa: modelos múltiplos não são o oposto de plataforma
A pergunta costuma chegar na forma “vários modelos de IA ou uma plataforma corporativa?”. É uma falsa oposição. Uma plataforma corporativa pode, justamente, dar acesso a vários modelos. Ter diversidade de modelos é uma característica da oferta. O que muda de um cenário para outro é a arquitetura de gestão.
Por isso, a comparação útil é outra. De um lado está o cenário de ferramentas e contas dispersas: cada modelo ou produto tem login, assinatura, regras e painel próprios, e cada área decide por conta própria. Do outro lado está o cenário de vários modelos centralizados numa plataforma corporativa: a empresa escolhe quais modelos ficam disponíveis, para quais usos e sob quais regras, a partir de um ambiente único de administração.
Uma plataforma muda a arquitetura de gestão. Ela não substitui política de uso, configuração adequada, responsabilidade humana pelas decisões nem avaliação de resultados. Também não é garantia automática de segurança e não significa, por si só, menor custo total. Os benefícios dependem do plano contratado, da configuração feita, das políticas definidas e do uso real.
Comparativo: contas dispersas x vários modelos numa plataforma
O contraste fica mais claro quando se olha para a estrutura. No primeiro cenário, cada conta é uma ilha. No segundo, os modelos convergem para um mesmo ponto de administração. As figuras abaixo ilustram essa diferença de forma simplificada.
Ilustração conceitual e simplificada, sem relação com modelos ou produtos específicos.
A comparação dimensão por dimensão
A tabela abaixo resume as diferenças principais. Ela compara arquiteturas de gestão, não fornecedores. Em cada linha, o cenário de plataforma depende de configuração e de processos que a empresa precisa conduzir.
| Dimensão | Ferramentas e contas dispersas | Vários modelos numa plataforma corporativa |
|---|---|---|
| Escolha de modelo | Cada pessoa ou área escolhe a ferramenta que já conhece ou que está disponível. A escolha tende a seguir hábito, e não critério. | A empresa define quais modelos ficam disponíveis e para quais usos. A escolha pode ser testada com a mesma tarefa, como discutido adiante. |
| Administração de acessos | Cada conta é criada, cobrada e encerrada separadamente. Quando alguém sai da empresa, o acesso pode continuar ativo em algum lugar. | Usuários, perfis e permissões são administrados em um ambiente único, com possibilidade de regras por grupo ou função, conforme o plano e a configuração. |
| Visibilidade e adoção | Difícil saber quem usa, com que frequência e para quê. O uso costuma aparecer apenas quando surge um problema. | Facilita enxergar o uso e a adoção, desde que a empresa defina indicadores e os acompanhe. Os recursos de relatório variam conforme o plano. |
| Gestão de custos | Assinaturas, cartões e reembolsos espalhados. Parte do gasto fica invisível e as licenças se sobrepõem. | Um contrato e uma visão consolidada, com possibilidade de orçamento por área. Ainda assim, é preciso acompanhar o consumo, porque uso sem limite cresce. |
| Governança e segurança | Cada ferramenta tem termos, políticas de dados e controles próprios. A empresa precisa avaliar e acompanhar cada uma separadamente. | Uma política de uso pode ser aplicada ao ambiente inteiro, com controles centralizados. O alcance real depende do plano, da configuração e das regras que a empresa define. |
| Escala | Cresce por acúmulo: mais ferramenta, mais contrato, mais treinamento repetido e mais pontos de controle. | Cresce por configuração: novos usuários, modelos e fluxos entram no mesmo ambiente, seguindo padrões já definidos. |
Quando o cenário disperso ainda faz sentido
Seria desonesto afirmar que a plataforma é sempre a melhor escolha. Em equipes pequenas, com poucos casos de uso, sem dados sensíveis e em fase de experimentação, o cenário disperso pode ser suficiente por um período. O risco está em tratá-lo como definitivo sem nunca medir o uso.
Uma plataforma sem dono, sem política e sem rotina de revisão vira apenas mais uma ferramenta na lista. A decisão de arquitetura só se paga se vier acompanhada de responsabilidade definida. Esse tema aparece também em Quem é responsável pela segurança da IA na empresa? TI, Jurídico ou ninguém?.
Já o artigo Seu TI já perdeu o controle? aborda justamente o risco do portfólio invisível: licenças que existem no papel, mas cujo uso e cujo valor ninguém consegue demonstrar.
Os números: adoção cresce, escala ainda é desigual
Os dados da McKinsey permitem ler a adoção em três camadas: uso pontual, amplitude entre funções e escala em toda a empresa. Cada camada exige mais governança que a anterior.
Fonte: McKinsey, The State of AI: Global Survey 2026. Valores autodeclarados por respondentes de pesquisa global; não são medição de empresas nem de empresas brasileiras. O gráfico compara apenas os dois levantamentos citados.
80%
dos respondentes dizem que a IA melhorou a produtividade individual deles.
20%
dizem que custos operacionais de IA, incluindo tokens, limitaram o uso da tecnologia.
Fonte: McKinsey, The State of AI: Global Survey 2026. Percentuais autodeclarados pelos respondentes.
Leitura prática dos números
- Quase nove em cada dez respondentes relatam uso regular de IA em pelo menos uma função. Isso mostra difusão, não maturidade: o uso ainda pode ser isolado.
- 44% dizem que a IA está escalando em toda a empresa, contra 38% um ano antes. É um avanço, mas significa que a maioria dos respondentes ainda não está nesse estágio.
- 56% afirmam usar IA em três ou mais funções, contra 51% no levantamento anterior. Amplitude exige padrões comuns, senão cada função cria sua própria regra.
- Grandes organizações avançam mais. Entre respondentes de empresas com receita de pelo menos US$ 1 bilhão, 54% relatam escala em toda a organização; nas menores, a proporção é de um terço.
- Produtividade individual não é lucro. Os 80% medem a percepção de quem usa. Não comprovam, sozinhos, impacto financeiro, e o próprio levantamento distingue essas dimensões.
Os números não dizem que “todas as empresas” estão escalando IA, nem que o cenário brasileiro segue a média global. Eles indicam uma direção: o uso individual se espalhou mais rápido do que a capacidade de gestão. Essa lacuna é o que o restante deste artigo trata.
Como escolher modelos por tarefa, sem ranking fixo
Uma plataforma que dá acesso a vários modelos só agrega valor se a empresa souber quando usar cada um. A escolha não deve depender de fama, de ranking genérico ou da última novidade do mercado. Ela deve partir da tarefa. Como detalhamos em outros conteúdos do blog da Quintus, o caminho é comparar resultados para o mesmo trabalho.
Os critérios abaixo servem como roteiro. Nenhum modelo é apresentado aqui como vencedor absoluto, e o desempenho muda conforme a tarefa, a versão e as condições de uso.
-
Qualidade para a tarefa
Resumir atas, redigir proposta, analisar planilha e classificar tickets exigem coisas diferentes. Defina o que é “bom” antes de testar.
-
Fontes e contexto
A tarefa precisa de informações internas, documentos anexados ou dados atualizados? Isso muda o tipo de conexão e a necessidade de checagem.
-
Sensibilidade dos dados
Dados pessoais, contratos, informações financeiras e segredos industriais definem quais modelos e configurações são aceitáveis para cada caso.
-
Esforço de revisão
Um modelo barato que exige muita correção pode custar mais caro. Meça o tempo gasto em revisão, não só a qualidade da primeira resposta.
-
Latência
Em atendimento ou em fluxos interativos, a demora importa. Em análises em lote, talvez não importe. Avalie conforme o uso real.
-
Custo total
Considere preço por uso, licença, integração e tempo de quem revisa. O custo por chamada é apenas um dos componentes.
Como testar com método
Escolha de três a cinco tarefas reais da área, com entradas idênticas para todos os modelos candidatos. Avalie as saídas às cegas, com uma rubrica simples (correção, completude, tom, uso de fontes, esforço de ajuste), e registre tempo e custo de cada execução. Repita o teste após atualizações relevantes. O resultado é uma decisão para aquela tarefa, não um ranking universal.
Custo: compare o total, não a mensalidade
Comparar apenas o preço de cada licença ou assinatura leva a decisões ruins. Num cenário com contas dispersas, o custo aparece em muitos lugares; numa plataforma, aparece de forma mais concentrada, mas não desaparece. O que importa é o custo total de propriedade.
Considere, pelo menos, estes componentes:
- Licenças e assinaturas, incluindo duplicidades que ninguém consolidou.
- Consumo de uso, como cobrança por token ou por volume, quando aplicável. Sem limites, o consumo cresce junto com a adoção.
- Tempo de administração para criar acessos, revisar perfis e encerrar contas.
- Integração com sistemas internos, quando necessária.
- Treinamento para que o uso seja produtivo e seguro.
- Revisão, porque toda saída que vai para cliente ou decisão precisa de checagem humana.
- Custo oculto de adoção fragmentada, como tempo perdido alternando ferramentas e retrabalho por falta de padrão.
Este artigo não estima percentual de economia, porque ele depende do perfil de uso, do número de usuários, dos modelos contratados e da maturidade da empresa. Uma plataforma pode reduzir duplicidades e dar visibilidade ao gasto, mas só comprova ganho financeiro com dados do próprio uso.
Plano prático: o que fazer nas próximas quatro semanas
Estas ações são recomendações práticas deste artigo, não resultados de pesquisa. Elas servem para qualquer arquitetura, seja ela dispersa ou centralizada, e funcionam como base para decidir com dados.
Checklist de implantação
- Inventarie ferramentas e licenças. Liste contas corporativas, assinaturas individuais, cartões e reembolsos ligados a IA, incluindo o que ninguém sabia que existia.
- Mapeie casos de uso, perfis e sensibilidade dos dados. Para cada uso, registre quem faz, para quê e quais dados entram na tarefa (público, interno, confidencial ou pessoal).
- Defina caminhos aprovados e donos de acesso. Quais modelos e ferramentas são permitidos para cada tipo de dado, e quem aprova e revisa cada acesso.
- Aplique privilégio mínimo e regras de dados. Dê acesso só ao que a função precisa, revise perfis periodicamente e defina o que nunca pode ser colado em ferramentas de IA.
- Teste modelos com a mesma tarefa. Use a mesma entrada, avalie às cegas com uma rubrica e registre qualidade, tempo de revisão, custo e latência.
- Faça um piloto delimitado com revisão humana. Escolha um processo de baixo risco, com responsável definido e checagem antes de qualquer saída chegar a cliente ou decisão.
- Acompanhe indicadores mensais. Uso por área, valor percebido, acessos sem uso, incidentes e custo. Revise se a arquitetura atual ainda faz sentido.
Roteiro de 30 dias
-
Semana 1: diagnóstico
Inventário de ferramentas, contas e custos. Entrevistas rápidas com as áreas que mais usam IA. Lista preliminar de dados sensíveis.
-
Semana 2: regras e donos
Política curta de uso com caminhos aprovados por tipo de dado. Definição de responsável por acessos, por custos e por revisão.
-
Semana 3: teste e piloto
Comparação de modelos em três a cinco tarefas reais. Escolha de um fluxo para piloto, com critérios de sucesso e de revisão humana.
-
Semana 4: medir e decidir
Primeira leitura de uso, custo e incidentes. Decisão sobre manter, ajustar ou ampliar a arquitetura, com data para a próxima revisão.
Onde a Quintus se encaixa
A Quintus é uma plataforma corporativa de IA que centraliza o acesso a mais de 30 modelos de IA em um mesmo ambiente e oferece recursos de gestão de acessos e governança corporativa. Ela é uma das formas possíveis de organizar o cenário descrito neste artigo, não a única, e não garante resultados por si só.
Na prática, o que a plataforma pode oferecer é a mudança de arquitetura: um ponto de administração para modelos, usuários e regras. O que ela não faz sozinha é definir a política de uso da sua empresa, decidir quem responde pelas saídas ou avaliar se um modelo serve para cada tarefa. Recursos e controles variam conforme o plano contratado e a configuração feita. Antes de decidir, peça a lista atualizada do que está incluído no seu plano.
Perguntas para decidir e conclusão
Antes de escolher entre contas dispersas e uma plataforma corporativa, responda com honestidade às perguntas abaixo. As respostas costumam dizer mais do que qualquer comparativo de recursos:
- Sabemos hoje quantas ferramentas de IA estão em uso, por quem e com que custo?
- Quando alguém sai da empresa, quem encerra os acessos a essas ferramentas?
- Temos regras claras sobre quais dados podem ser usados em cada modelo?
- Quem responde pelas saídas de IA que chegam a clientes ou decisões?
- Conseguimos comparar modelos para a mesma tarefa e medir o esforço de revisão?
- Como saberemos, em 90 dias, se a arquitetura escolhida está funcionando?
A conclusão é direta. Ter vários modelos de IA não é o problema, e uma plataforma corporativa não é o oposto disso: ela pode ser a forma de reunir esses modelos sob administração comum. Mas a escolha só traz ganho se for acompanhada de política, configuração, responsabilidade humana e medição. Sem isso, a empresa apenas troca uma dispersão por outra, mais organizada no papel.
Se a sua empresa já sente os sinais de uso espalhado, comece pelo diagnóstico, não pela compra. O inventário e as perguntas acima dão a base para qualquer decisão, seja ela qual for.
Leia também
Fontes e notas metodológicas
- McKinsey, “The State of AI: Global Survey 2026”. Pesquisa online realizada de 4 de maio a 8 de junho de 2026, com 1.719 participantes em 97 países, abrangendo diferentes regiões, setores, portes de empresa, funções e tempos de casa. Publicação em 25 de agosto de 2026.
Notas metodológicas. Os dados são respostas autodeclaradas de uma pesquisa online global, ponderadas pela participação de cada país no PIB mundial. Não representam a amostra brasileira nem medem o uso real de ferramentas dentro das empresas. Os percentuais de escala e amplitude comparam apenas os levantamentos de 2025 e 2026 citados. A produtividade e o efeito sobre o resultado são percepções dos respondentes, não demonstrações financeiras verificadas. Não há relação causal estabelecida entre o uso de IA e os resultados mencionados.
Separação de conteúdo. Dados de pesquisa são citados com fonte. As recomendações de implantação, checklist, roteiro de 30 dias, critérios de seleção e modelo de comparação são orientações práticas do artigo, não resultados de pesquisa. Os exemplos de dores são situações típicas e não representam todas as empresas.
