As 3 Perguntas que Todo Conselho Vai Fazer Sobre IA — E Como Líderes de Alta Performance Devem se Preparar

Prepare-se para as questões que podem decidir o futuro dos seus investimentos em IA.

A cada ciclo orçamentário, líderes enfrentam o mesmo desafio: justificar investimentos em inovação perante um conselho que exige clareza, resultados mensuráveis e gestão de risco. Como palestrante e consultor especializado em transformação digital e inovação estratégica, trabalho com CEOs, conselhos de administração e equipas executivas para transformar forças disruptivas como IA em vantagem competitiva concreta.

Neste artigo, compartilho as 3 perguntas que todo conselho fará antes de aprovar um projeto de IA ou de Machine Learning (ML) — e, mais importante, como você pode preparar-se para respondê-las com clareza, confiança e credibilidade.

Este artigo baseia-se na experiência prática de Sol Rashidi (14 anos implementando IA em Fortune 100) e Eric Siegel (fundador da metodologia bizML). Ambos documentam décadas de implementações reais – com sucessos e fracassos instrutivos.[1]

O Paradoxo que Está a Matar os Projetos de IA

Imagine a cena: está sentado na sala de reuniões do conselho, com a apresentação do orçamento de 2026 preparada. Propõe investimentos significativos em inteligência artificial. Os membros do conselho inclinam-se para a frente. E então vem a primeira pergunta, frontal e sem margem para fuga: "Exatamente como é que isto vai melhorar as nossas operações?"

Não fale de modelos, fale de mudanças no processo. Se começar a falar de

algoritmos e modelos preditivos sem conseguir traduzir isso em valor operacional

concreto, acabou de perder a sala.

Aqui está a verdade inconveniente que vejo repetir-se em projetos de IA: numa sondagem de 2023 do Boston Consulting Group a mais de 1.400 executivos C-suite, 66% disseram estar insatisfeitos com o progresso das suas organizações em IA generativa. Os motivos? Falta de talento, roadmaps pouco claros e ausência de estratégia de implementação. No entanto — e este é o paradoxo — 89% afirmaram que a IA generativa continuava entre as suas três principais iniciativas tecnológicas para 2024. [2]

O Caso que Todos os Líderes Deveriam Conhecer

Jack Levis, diretor de inovação de processos na UPS, desenvolveu um sistema de machine learning revolucionário para prever entregas e otimizar rotas. Os números eram impressionantes: toneladas de emissões de carbono reduzidas, milhões de dólares economizados. Mas quando apresentou ao executivo Chuck, pedindo-lhe que convencesse 55.000 motoristas a seguir o computador em vez da intuição, ele apenas piscou os olhos em silêncio. Não disse nada.

Porquê? Jack cometeu o erro que a maioria dos responsáveis por implementação de projetos de IA comete: focou-se na tecnologia e não no deployment. Falou sobre o modelo, as previsões, a precisão. Mas não vendeu a mudança organizacional necessária.

Eric Siegel, no seu AI Playbook, destilou esta lição numa metodologia bizML: só porque os algoritmos funcionam, isso não significa que os modelos sejam valiosos por si só. Um modelo de IA não resolve problemas sozinho. O valor só é capturado quando implementado para promover mudança organizacional. Até lá, o modelo é literalmente "sem utilidade".

Dica: Nas minhas palestras, uso esta metáfora:"IA sem mudança operacional é como ter um Ferrari na garagem sem combustível. Impressiona visualmente, mas não te leva a lugar nenhum." O que mata projetos não é a tecnologia — é a falta de alinhamento sobre como os resultados do modelo vão alterar processos reais. Antes de qualquer linha de código, defina: qual decisão vai mudar, quem vai agir e por quê. Sem isso, nem o melhor modelo do mundo gera valor.

Onde Está o Problema Real?

Esta é a mesma conclusão que tenho ouvido de diversos executivos que lideram iniciativas de IA: apenas 30% do sucesso do deployment tem a ver com tecnologia.

O resto? Capital humano, relacionamentos e estratégia. A maior parte do trabalho está em lidar com:

• Alinhamento de objetivos entre departamentos

• Superação de medos e resistência à mudança

• Escolha da estratégia certa para a maturidade organizacional

• Coragem para liderar a disrupção necessária

A verdade é esta: se não investir em IA, o seu concorrente vai investir. É uma questão de tempo. Mas investir mal é tão perigoso quanto não investir. E é por isso que o seu conselho vai fazer-lhe três perguntas fundamentais.

As 3 Perguntas que Definirão o Seu Orçamento

O erro mais comum: planear projetos de IA começando pela

tecnologia e esperar descobrir o valor no final. É o contrário do que funciona.

Aqui aplicamos o princípio do planeamento backward (de trás para a frente), conceito central da metodologia bizML de Siegel: projetos bem-sucedidos começam pelo fim — como é que a IA será implementada para melhorar as operações — e trabalham retrospetivamente até à tecnologia.[3]

Este princípio não é novo nos negócios. A Amazon, por exemplo, institucionalizou-o através do método Working Backwards, onde todo novo produto ou serviço começa com o comunicado de imprensa do lançamento e as FAQs do cliente — forçando as equipas a definir o impacto desejado antes de tocar na tecnologia.

Este planeamento backward traduz-se em três perguntas que o seu conselho vai exigir que responda:

Pergunta 1: Qual é o Valor Operacional Concreto?

A pergunta correta não é "Como vamos aumentar a eficiência em 15%?".

A pergunta correta é "Como é que as operações vão mudar no dia a dia?"

Voltemos ao caso de Jack e da UPS. O valor não estava no modelo preditivo. Estava no facto de 55.000 motoristas mudarem a forma como faziam as rotas diárias. Essa era a verdadeira transformação operacional. Essa era a mudança organizacional.

Ações imediatas:

• Reflita e pergunte "porquê?" antes de avançar

• Defina o objetivo de negócio específico (ex.: aumentar EBITDA para 40% em dois

  anos)

• Identifique que processos operacionais vão mudar concretamente

• Quantifique o impacto esperado em métricas de negócio claras

Pergunta 2: Como Mediremos a Performance e o Risco?

O sucesso de um projeto de IA/ML só fica claro depois de acompanhar muitos casos ao longo do tempo. Não é como carregar num botão e ver funcionar. Com IA e ML, precisa de métricas claras e de um período de avaliação definido.

Que medidas importam mais? Que nível de performance tem de ser atingido? Como vai quantificar o impacto no negócio?

O framework bizML oferece estrutura clara: depois de definir o objetivo de deployment

(valor), precisamos de estabelecer o objetivo de predição (alvo) e as métricas de

avaliação (performance). [4]

Ações imediatas:

• Defina métricas de negócio (não apenas métricas técnicas como "precisão")

• Estabeleça limites mínimos de desempenho — o que é bom o suficiente para valer a pena agir?

• Crie um plano de avaliação ao longo do tempo

• Envolva os stakeholders de negócio na definição das métricas

Um ponto crítico: as primeiras três etapas de qualquer projeto de IA bem-sucedido acontecem antes de tocar na tecnologia. São a "magia de negócio" — a fase onde se negoceia, socializa e colabora para concordar sobre como o ML será aplicado.

Pergunta 3: Temos o Plano de Lançamento e a Preparação Organizacional?

Aqui é onde a maioria dos projetos de IA naufraga.

Você tem a tecnologia. Tem o modelo. Tem boas métricas.

Mas não tem um plano para mudar a forma como 55.000 pessoas trabalham.

E não preparou a organização para a disrupção.

A implementação de IA cria obstáculos que só um líder determinado consegue ultrapassar. Precisa de ver o que os outros não conseguem e trabalhar para além do que os outros rejeitam.

Ações imediatas:

• Desenvolva um plano de gestão da mudança antes de qualquer modelo

  entrar em produção;

• Identifique stakeholders críticos e prepare uma estratégia de influência;

• Implemente um programa de upskilling para equipas afetadas;

• Defina métricas de adoção organizacional;

• Comunique com clareza o "porquê" da mudança.

Dica: Nas organizações onde palestro, insisto sempre: o maior assassino de projetos é a pessoa errada na liderança. Não falha por falta de tecnologia — falha por falta de coragem para gerir capital humano, alinhamento e medos. Líderes de alta performance sabem que 70% do trabalho é humano, não técnico. 

---

DO CONSELHO À EXECUÇÃO: FLIGHT PLAN EM 6 PASSOS

Estas são as 6 etapas que transformam as 3 perguntas do conselho em execução disciplinada. Planeie de trás-para-a-frente:

1. Prontidão & Diagnóstico. 

   Antes de mergulhar em IA, verifique se a casa está em ordem: existe apoio do topo? Os bloqueios de linha da frente estão identificados? Os riscos estão mapeados? Temos processos, dados e pessoas preparados para executar?

2. Estratégia & Valor. 

   Fale a Linguagem do Negócio.

   Nada de jargão técnico.

   A pergunta é simples: o que exatamente queremos mudar e que impacto isso terá em euros?

   Se não conseguir explicar a alguém de finanças em duas frases, ainda não está claro.

3. Casos, Alvos & Métricas.

   Selecione um caso de uso que seja importante para o negócio, mas não demasiado complexo. Defina antes do arranque: o que vamos prever (alvo) e, como vamos medir se deu certo (métricas).

4. Processo & Dados. 

   Como o Trabalho Vai Acontecer de Verdade?

   Não comece pelos dados. Comece pela operação.

   Pergunte: quem decide o quê, onde entra o humano, e que procedimentos vão mudar?

   Só depois garanta que os dados certos estão limpos, acessíveis e prontos para alimentar essa nova forma de trabalhar.

5. Solução & Modelo. 

   Vai comprar pronto ou construir internamente? Configure e treine o modelo, mas sempre explicando de forma simples como ele funciona e por que foi escolhido.

6. Lançamento & Operação. 

   Coloque em produção, forme as pessoas afetadas, monitore os resultados e ajuste quando necessário. Valor e risco precisam de gestão contínua, não de piloto automático.

Utilize este Flight Plan para estruturar a sua proposta ao Conselho e garantir a Execução Disciplinada da mesma.

---

Três Passos para Garantir a Aprovação (e o Sucesso)

Passo 1: Comece pelo "Porquê" e Comunique-o Incessantemente

Antes de falar com o conselho, antes de contratar cientistas de dados, antes de

comprar qualquer plataforma:

• Sente-se e responda: "Porquê?"

• Não avance sem uma razão de negócio sólida

• Comunique essa razão repetidamente até fazer parte do ADN organizacional

O caso de Jack ilustra este ponto. Depois de Chuck pestanejar para ele, Jack não

desistiu. Ele sabia que tornar-se orientado por dados significa pedir às pessoas que

mudem as decisões que estão a tomar hoje. E isso requer que se compreenda gestão

da mudança. As pessoas respondem mais a experiências tangíveis do que a

apresentações em PowerPoint.

Passo 2: Pense Grande, Comece Pequeno, Escale Rapidamente

Começar pequeno mitiga riscos e permite adquirir experiência com os processos,

aprender lições e preparar-se para o sucesso a uma escala maior. Não tente

transformar toda a organização de uma vez.

Como escolher o primeiro caso de uso?

Use a metodologia do quadrante Criticidade vs. Complexidade, de Sol Rashidi:

busque problemas altamente críticos para o negócio, mas que sejam simples de resolver com IA.

Esta escolha aumenta a probabilidade de um sucesso inicial, que depois pode usar para construir momentum e credibilidade interna.

Ações práticas:

• Mapeie potenciais casos de uso no quadrante criticidade × complexidade;

• Selecione 1-2 casos na zona de alto valor e média/baixa complexidade;

• Lance um projeto piloto com escopo fechado: objetivo claro, prazo definido, equipa dedicada;

• Documente tudo: o que funcionou, o que falhou, como as pessoas reagiram;

• Comunique e celebre as vitórias — por mais pequenas que sejam. É assim que se constrói apoio interno.

Passo 3: Invista em Data Literacy, Não em PhDs

Muitos profissionais de negócio resistem a envolver-se em projetos de IA porque

pensam: "Não preciso de perceber como o motor funciona para conduzir um carro."

Mas, a comparação certa não é com fazer um curso de mecânica, mas sim com aprender a conduzir.

Para conduzir, não precisa de desmontar o motor.

Precisa de perceber as regras da estrada, prever o comportamento dos outros condutores e saber reagir em cada situação.

Gerir um projeto de IA/ML é igual.

O que precisa de compreender:

• Deployment: o que é previsto e como essas previsões mudarão as operações

• Performance: a aritmética específica para medir quão bem funciona

• Dados: como preparar esta "matéria-prima"

• Modelos: o que fazem, o que recebem como input e o que produzem como

  output

  
  

Não precisa de um doutoramento.

O que precisa é de conhecimento conceptual, não técnico.

Dica: A parte mais difícil não é a tecnologia, os algoritmos ou a ciência de dados. A parte mais difícil é dar o primeiro passo. É superar a inércia organizacional. É convencer-se a si próprio e aos outros de que vale a pena fazer a mudança

O Momento da Verdade

Quando entrar naquela sala do conselho em 2026, não terá segunda oportunidade.

O conselho vai fazer-lhe estas três perguntas, direta ou indiretamente:

1. Qual é o valor operacional concreto?

2. Como mediremos a performance e o risco?

3. Temos o plano de lançamento e a preparação organizacional?

Se conseguir responder com clareza, especificidade e confiança — se mostrar que planificou de trás para a frente — terá a luz verde. Mais importante: terá uma hipótese real de estar entre os 34% de executivos satisfeitos com o progresso da sua organização em IA.

Ao focar-se nestas perguntas desde o início, supera o Paradoxo do ML:

onde o maior obstáculo não é a tecnologia, mas a falta de clareza sobre como as pessoas vão mudar o que fazem.

Planear essa mudança — com rigor, antes de qualquer linha de código —

é o que separa os projetos que geram valor dos que ficam no laboratório.

Porque os grandes ganhos só vêm com grande disrupção.

A IA não é uma bala de prata. Não é um interruptor que se liga. Pode até revelar realidades desagradáveis sobre o seu negócio. Mas se estiver disposto/a a fazer o trabalho — o trabalho humano, não o técnico — a recompensa pode ser transformadora.

O caso de Jack na UPS comprova-o: após anos de perseverança, o sistema ORION apresentava poupanças anuais de 185 milhões de milhas, 350+ milhões de dólares,

8 milhões de galões de combustível e 185.000 toneladas de emissões. Isso só foi possível porque compreenderam que a tecnologia era apenas 30% da equação.

Quer Preparar a Sua Liderança para o Futuro?

Se está a planear investimentos em IA/ML e quer garantir que geram resultados reais — não apenas projetos piloto que morrem na gaveta — vamos conversar.

Como posso ajudar:

• Palestras Keynote: Mostro, com casos reais, por que tantos projetos de IA falham — e o que os que funcionam têm em comum.

• Workshops Executivos: Preparo conselhos e C-suite para colocar as perguntas certas antes de aprovar qualquer orçamento.

• Consultoria Estratégica: Desenhamos juntos um roadmap de IA/ML que começa pelo valor operacional, não pela tecnologia.

Agende uma conversa estratégica ou conheça minhas palestras sobre inovação, liderança e transformação digital.

Leituras Recomendadas

• Siegel, Eric. The AI Playbook: Mastering the Rare Art of Machine Learning

  Deployment. Introduction e Chapters 1-3 (bizML framework e UPS case study)

• Rashidi, Sol. Your AI Survival Guide: Scraped Knees, Bruised Elbows, and

  Lessons Learned from Real-World AI Deployments.

Sobre o Autor

Miguel R. Trigo, PhD é palestrante internacional, consultor em transformação digital e especialista em inovação estratégica. Ajuda líderes e organizações a transformar tendências tecnológicas em vantagem competitiva concreta.

Notas

[1] Sol Rashidi serviu como Chief Data & AI Officer em Royal Caribbean, Sony

Music, Merck Pharmaceuticals e Estée Lauder. Eric Siegel fundou a Machine

Learning Week conference e desenvolveu a metodologia bizML através de

centenas de implementações documentadas.

[2] Rashidi, Sol. Your AI Survival Guide, p. 38. Dados da sondagem BCG 2023. 

[3] Siegel, Eric. The AI Playbook. O caso Jack Levis/UPS é documentado ao longo de múltiplos capítulos, ilustrando os desafios de deployment de ML em larga escala.

[4] Siegel, Eric. The AI Playbook.