Automatizar é o último passo: Um convite (parte V)

• Automatizar é o último passo: Um convite
• Automatizar é o último passo: Um convite (parte II)
• Automatizar é o último passo: Um convite (parte III)
• Automatizar é o último passo: Um convite (parte IV)
• E a série Qual é o "biorreactor" da sua fábrica? (parte lV)

Consideremos uma PME que fabrica peças metálicas por encomenda. 

Um cliente pede preço para 200 suportes, envia um desenho em pdf e indica uma data de entrega. A empresa demora cinco dias a responder, embora preparar o orçamento ocupe menos de uma hora de trabalho efectivo.

A primeira tentação seria criar um agente de IA para escrever propostas comerciais. Mas o problema está sobretudo no tempo durante o qual ninguém está a trabalhar no pedido. A proposta espera por informação, por decisões e por pessoas. O comercial recebe o pedido e passa-o à administrativa, que copia os dados para uma folha de Excel. A produção recebe o desenho, mas descobre que falta a especificação do acabamento. Alguém pergunta ao cliente, a resposta fica numa caixa de correio e, entretanto, as compras consultam um fornecedor. Quando o orçamento finalmente está preparado, espera pela aprovação do gerente, que aprova todas as propostas porque sempre foi assim.

A abordagem por processos começa por seguir este percurso com as pessoas que o executam. Escolhem-se alguns casos recentes, incluindo um que correu bem e outro que ficou preso. Observam-se os documentos, as mensagens, as decisões e as esperas. O objectivo é perceber o que acontece entre a chegada do pedido e a apresentação de uma proposta que a empresa consegue cumprir.

Importa também definir o resultado procurado. O cliente precisa de uma resposta atempada, com preço, prazo e condições claros. A empresa precisa de assumir um compromisso tecnicamente viável e com margem adequada. Quem coordena este processo deve acompanhar o pedido através do comercial, das compras e da produção, assegurando que as dúvidas encontram quem possa resolvê-las.

Antes de automatizar, começa-se por questionar o trabalho existente. 

Por que razão os mesmos dados são copiados para três sítios? Por que razão todas as propostas precisam da assinatura do gerente? Que verificações protegem efectivamente a empresa e quais sobreviveram apenas por hábito?

O primeiro passo pode ser muito concreto: escolher um processo que atrasa as respostas aos clientes ou consome margem, reunir as pessoas que o executam e seguir dois ou três casos recentes, do início ao fim. Se gere uma PME, que processo vai escolher para descobrir onde se perde tempo, que trabalho pode ser eliminado e que decisões precisam de ser clarificadas, e quando vai começar?

Automatizar é o último passo: Um convite (parte IV)

A HBR publicou um artigo, "Stop Automating Old Processes. Design New Ones Instead" que vai ao encontro de postais que escrevi este ano:

• Automatizar é o último passo: Um convite
• Automatizar é o último passo: Um convite (parte II)
• Automatizar é o último passo: Um convite (parte III)
• E a série Qual é o "biorreactor" da sua fábrica? (parte lV)

O artigo parte de um paradoxo. As empresas estão a aumentar rapidamente o investimento em inteligência artificial, mas o retorno continua a ser difícil de encontrar. Segundo os números citados pelos autores, quase oito em cada dez organizações já usam IA generativa em pelo menos uma função, mas:

"PwC’s 2026 “Global CEO Survey” finds that only 12% of CEOs report both revenue and cost benefits, while McKinsey QuantumBlack’s April 2026 analysis finds that 60% of organizations still see no enterprise-wide EBIT impact"

Talvez o problema não esteja na falta de tecnologia. Talvez esteja naquilo que se escolhe transformar. Muitas empresas pegam numa tarefa antiga, colocam-lhe IA em cima, medem quanto tempo pouparam e chamam-lhe transformação. O artigo da HBR defende que a unidade de análise não deve ser a tarefa isolada, mas o fluxo de trabalho que produz um resultado valorizado pelo cliente ou pelo utilizador.

É uma diferença importante. Uma tarefa pode ficar muito mais rápida sem que o processo melhore. Pode até piorar. Um agente pode produzir propostas comerciais em minutos, mas, se a informação necessária continuar dispersa, os critérios de aprovação forem ambíguos e a capacidade para cumprir não for verificada, a empresa apenas passará a produzir propostas problemáticas mais depressa. Pode classificar reclamações automaticamente, mas, se ninguém tiver autoridade para investigar causas recorrentes, a velocidade de classificação não melhora a experiência do cliente. Pode encerrar acções correctivas com grande eficiência, mas, se as causas não forem compreendidas e a eficácia não for verificada, teremos um excelente sistema para fechar problemas que regressam.

No primeiro postal da série recorri ao chamado algoritmo de Elon Musk: questionar os requisitos, eliminar o que não devia existir, simplificar e optimizar, acelerar e, apenas no fim, automatizar. A ordem interessa porque a pior coisa que podemos fazer é acelerar aquilo que devia ter sido eliminado.

No segundo, trouxe Arvind Krishna, CEO da IBM, e a sua defesa de uma reestruturação profunda dos workflows. O exemplo era básico e, por isso mesmo, poderoso: um pedido interno que chegava a envolver 18 pontos de contacto passou a ter um único ponto de contacto. A IBM não se limitou a fazer mais depressa cada uma das 18 passagens. Redesenhou o percurso.

No terceiro postal, parti da observação de processos reais. Quando seguimos o trabalho com as pessoas que o executam, aparecem as pequenas fricções que os organigramas e os procedimentos não mostram: informação pedida duas vezes, decisões que sobem sem necessidade, ficheiros paralelos, validações feitas por hábito, documentos preparados manualmente, esperas entre departamentos e excepções tratadas de memória.

Na série sobre o "biorreactor" da fábrica, acrescentei outra dimensão. A IA não deve começar pela pergunta "Onde podemos usar IA?" Deve começar por uma dor operacional, uma variação importante ou uma decisão que está a ser tomada tarde demais. Depois é necessário ligar toda a cadeia:

dados → análise → previsão → decisão → acção → verificação → aprendizagem

Sem esta cadeia, a IA transforma-se num painel mais elegante, numa demonstração interessante ou numa forma moderna de produzir confusão. O artigo da HBR dá agora uma estrutura mais completa a esta linha de raciocínio. Não basta melhorar o processo antes de o automatizar. É necessário redesenhar o fluxo de ponta a ponta, decidir onde deve permanecer a autoridade humana e preparar o sistema para os casos em que a realidade não segue o caminho feliz da demonstração.

O artigo identifica quatro falhas recorrentes nos projectos de IA.

A primeira é acelerar tarefas sem acelerar a criação de valor. Produzem-se mais relatórios, mais código, mais respostas ou mais tickets encerrados, mas o resultado procurado pelo cliente não melhora.

A segunda é desenhar apenas para o caso normal. A demonstração funciona, mas a operação real contém informação em falta, requisitos contraditórios, baixa confiança, casos ambíguos e situações que ninguém previu.

A terceira é ignorar o fluxo de ponta a ponta. Uma actividade torna-se mais rápida e o estrangulamento desloca-se para a etapa seguinte. A IA produz mais código, mas os testes e a revisão não conseguem absorvê-lo. Gera mais propostas, mas a engenharia ou a produção não conseguem validá-las. Prepara mais análises, mas a gestão não tem capacidade para decidir sobre elas.

A quarta é optimizar a métrica errada. O número de tickets encerrados aumenta, mas os clientes voltam a contactar a empresa. O tempo de resposta diminui, mas cresce o retrabalho. O dashboard fica verde enquanto a realidade se degrada.

Esta é uma velha doença da gestão com uma nova interface: confundir actividade com resultado e eficiência local com desempenho do sistema.

Há aqui uma oportunidade para recuperar a abordagem por processos das mãos de quem a reduziu a fluxogramas para mostrar ao auditor. Num mundo com agentes de IA, compreender o trabalho torna-se ainda mais importante. Antes de automatizar uma decisão, é preciso saber quem deve decidir, com que informação, segundo que critérios e dentro de que limites. Antes de acelerar uma passagem, é preciso perceber se ela acrescenta valor ou se apenas existe porque dois sistemas nunca foram ligados. Antes de treinar um agente para preencher um formulário, talvez convenha perguntar por que razão o formulário existe. 

Nas PME, esta disciplina é particularmente importante. Como há menos recursos e menos folga de gestão, a tentação de automatizar rapidamente uma tarefa incómoda é grande. Mas também é maior o custo de cristalizar um processo mal concebido. A IA pode libertar uma pequena empresa de muito trabalho administrativo; também pode cobrir de cimento digital as suas redundâncias, ambiguidades e pequenas capelinhas. 

A HBR recupera uma advertência de Michael Hammer, publicada em 1990: 

"This kind of mismatch between our expectations of technology and the returns to our investment in it is not exactly new. In 1990, Michael Hammer warned in these pages that incumbent companies were squandering the opportunities afforded by IT by pointing it at existing processes instead of redesigning the processes to leverage the technology’s capabilities.

Three decades later, his warning is as urgent as ever."

Mais de três décadas depois, a inteligência artificial torna a advertência ainda mais actual. Nunca foi tão fácil automatizar. Por isso, nunca foi tão importante decidir primeiro o que não deve ser automatizado.

Automatizar é o último passo. Automatizar um processo ineficiente não o transforma. Apenas aumenta a velocidade a que ele é ineficiente.

Continua.

Acerca do custo do dinheiro (parte I)

Uma das coisas que me dá gosto fazer é pegar num texto escrito e tentar traduzi-lo para ciclos/loops de dinâmica de sistemas para tentar perceber as implicações de coisas que não vemos nesta jogada, mas ficam implícitas como consequências naturais prováveis do que está a acontecer agora. Recordo o que fiz com um texto de Edward Hugh em 2009.

Ontem, o FT publicou um artigo que me despertou para desenhar mais uns ciclos, "Why a US debt binge is starting to matter", de Ruchir Sharma.

2 ciclos que se reforçam, são autocatalíticos: 

• R1 - a bola de neve da dívida; e
• R2 - a euforia da IA

2 ciclos que balanceiam:

• B1 - o crowding out; e
• B2 - o travão do custo do dinheiro

"Runaway debt is starting to matter, triggering a global sell-off in government bonds last month. And the first material impact could be that higher interest rates on US bonds short-circuit the AI boom.

...

In recent decades, the government role shifted to providing constant stimulus, even in good times. Long after 2008, it continued to rapidly run up debts. This decade, the US has consistently run budget deficits of around 6 per cent of GDP - more than twice the average of earlier decades.

For much of this period, households and corporations avoided taking on too much new debt. It was only in the last year that tech hyperscalers began racking it up to finance the massive AI infrastructure build-out as their cash surpluses dwindled. Their debt levels, though, are still manageable for such large companies.

The substantial borrowing excesses in this cycle have so far piled up on government books. And problems begin where excesses run deepest.

A critical warning comes from interest payments on public debt, which in the last five years have more than doubled to over 3 per cent of GDP. 

...

My research now suggests the marker to watch is the yield on 10-year US Treasury bonds, the global benchmark for long-term borrowing costs, which is now at 4.8 per cent. When it decisively breaches 5 per cent, the upper end of its range since the dotcom period, the Al bubble could pop. This breach would signal the start of a new era of tighter money, in which Al mega projects will be harder to fund. When Big Tech must compete for capital with a government paying a yield of more than 5 per cent on bonds - which matches an inflation expectations-adjusted return of over 2.5 per cent many will find themselves crowded out of the debt markets."

Se um investidor consegue obter mais de 5% numa obrigação americana sem risco, muitos projectos empresariais têm de proporcionar retornos bastante superiores para justificar o risco. O financiamento torna-se mais difícil precisamente quando as empresas de IA necessitam de centenas de milhares de milhões para centros de dados, chips, energia e redes.

Vou tentar desenhar um segundo conjunto de ciclos, relacionado com  com o impacte disto em Portugal.

IA - Um outro tipo de arqueologia industrial

Recordo que no tempo em que andávamos todos mascarados e eu estava a dar os primeiros passos com a IA, trabalhava na altura com uma empresa grande que tinha um sistema informático muito lento, mas onde se armazenavam mais de 20 anos de CAPAs (aquilo que no mundo dos sistemas de gestão quer dizer "Corrective Actions Preventive Actions"). Como era uma empresa grande e disciplinada, tinha registos de vários milhares de CAPAs, e uma das primeiras coisas que imaginei que se poderia fazer com a IA seria explorar todo aquele património de informação e procurar padrões, recorrências escondidas, causas comuns, sinais precursores e acções que pareciam resolver os problemas, mas que, na realidade, apenas adiavam o seu reaparecimento. 

Tudo isto veio-me à memória por causa dum artigo publicado no Handelsblatt do passado dia 14, "Menos consumo de matéria-prima, maior volume de vendas graças à IA" (Weniger Rohstoffverbrauch, mehr Umsatz dank KI).

A Gebrüder Dorfner, é uma empresa alemã com 130 anos que extrai e transforma caulino e areia de quartzo, está a utilizar inteligência artificial para converter décadas de dados laboratoriais e de formulações num activo estratégico. A IA permite-lhe identificar mais rapidamente como responder às necessidades dos clientes, desenvolvendo soluções personalizadas em poucos dias, em vez de meses, e obtendo o mesmo desempenho nas tintas com menos um terço de caulino. Desta forma, a empresa reduziu substancialmente a extracção de matéria-prima, prolongou a vida útil da jazida e, simultaneamente, aumentou as receitas e os resultados.

Mais do que optimizar os processos existentes, a Dorfner está a transformar o seu modelo de negócio: deixa progressivamente de vender apenas minerais e passa a fornecer funções e soluções adaptadas às aplicações dos clientes.

Talvez esta história me tenha interessado tanto porque me fez recordar o meu primeiro emprego a sério, na TMG. Eu era engenheiro de produto. Parte do trabalho consistia precisamente em compreender como diferentes matérias-primas, formulações e condições do processo influenciavam as características do produto final. Cada ensaio, cada lote, cada desvio e cada tentativa falhada continham informação. Contudo, muito desse conhecimento permanecia disperso por cadernos, folhas de cálculo em... seria Simphony?, relatórios ou, simplesmente, na memória das pessoas mais experientes. Recordo outra experiência: quando alguém opera um forno rotativo há décadas, quase como se este fosse um mistério, alterando parâmetros com base numa mistura de experiência, intuição e hábitos transmitidos oralmente, existe ali conhecimento, mas ainda não existe necessariamente conhecimento organizacional. E claro, o biorreactor desta série.

É por isso que o caso da Dorfner não interessa apenas a empresas mineiras ou a fabricantes de tintas. Interessa a todas as organizações que têm décadas de resultados guardados em folhas de Excel, bases de dados, relatórios em papel, cadernos de laboratório, registos de produção, reclamações, avarias, ensaios, auditorias ou CAPA. Em muitos casos, as empresas procuram fora aquilo que já possuem dentro: milhares de experiências realizadas, decisões tomadas e consequências observadas, mas nunca suficientemente organizadas, relacionadas e transformadas em conhecimento.

Talvez uma das aplicações mais valiosas da IA não seja criar conteúdos novos, mas sim permitir-nos conversar com o passado da organização. Perguntar-lhe que combinações funcionaram, que sinais antecederam uma falha, que problemas regressaram com outro nome, que parâmetros parecem explicar a variabilidade e que soluções resultaram num contexto, mas falharam noutro. O verdadeiro tesouro pode não estar apenas na jazida, na fábrica ou no equipamento. Pode estar em décadas de dados que a organização acumulou sem ainda ter aprendido verdadeiramente a ler.

Imagino-me na empresa, com 20 anos de CAPAs, a investigar: o que é que vinte anos de problemas e tentativas de solução nos ensinam sobre a forma como esta organização realmente funciona?

Mongo, cerveja e IA

O artigo do Handelsblatt do passado dia 17 de Julho, "Iensen Huang und das KI-Bier", conta a história de Gerhard Erschwendner, um reformado austríaco de 68 anos que produz cerveja artesanal numa pequena cervejaria associativa em Gelterkinden, na Suíça. Apesar de não possuir conhecimentos de programação, utilizou o sistema de agentes de IA Open Claw para desenvolver e produzir uma cerveja denominada Lobster Lager.

O artigo é uma pequena janela para Mongo, o mundo da variedade, das tribos e das inúmeras pequenas elevações numa paisagem competitiva enrugada.

Durante o século XX, produzir uma cerveja, controlar o processo, gerir existências, criar uma marca e chegar ao mercado exigia conhecimentos especializados, diferentes profissionais e uma escala mínima considerável. Agora, um reformado de 68 anos, sem saber programar, consegue reunir essas capacidades através de agentes de inteligência artificial. A IA não democratiza apenas o acesso à informação. Democratiza a capacidade de conceber, produzir, controlar e comercializar.

É aqui que pode estar uma das maiores oportunidades para as PME. Erschwendner não utilizou a IA apenas para escrever textos ou para criar um logótipo. 

Com a ajuda inicial do filho, consultor de IA e automação, ligou o computador ao equipamento de produção via Bluetooth. A partir daí, escreveu as instruções que permitiram ao agente:

• pesquisar tendências de consumo; 
• seleccionar o tipo de cerveja; 
• apoiar o desenvolvimento da receita;
• controlar temperatura e tempo durante a produção;
• acompanhar as diferentes fases do processo;
• criar o nome, logótipo, rótulo, página electrónica e loja;
• gerir existências; 
• calcular automaticamente os ingredientes utilizados; e
• preparar encomendas de reposição aos fornecedores.

 Em vez de simplesmente substituir o trabalho, incorporou numa pequena cervejaria capacidades que antes exigiam uma organização muito maior. 

Contudo, a história também contém um aviso. Erschwendner reconhece que vender a cerveja não é verdadeiramente rentável: teria de cobrar dez francos por garrafa. A tecnologia democratizou a produção, mas não garantiu um modelo de negócio. Aumentar a eficiência de um pequeno produtor não basta se este continuar a competir como mais um produtor de cerveja.

Mongo começa verdadeiramente quando essa capacidade tecnológica é usada para encontrar uma pequena elevação própria: uma cerveja diferente para clientes diferentes, dispostos a valorizá-la. A grande promessa da IA para as PME não é permitir-lhes imitar as grandes empresas a um custo menor. É permitir-lhes reunir competências antes inacessíveis, experimentar mais depressa e criar ofertas que as grandes empresas, presas à escala e à uniformidade, dificilmente conseguiriam produzir.

A produtividade não aumentará apenas por fazer o mesmo com menos pessoas. Aumentará sobretudo quando uma pequena empresa conseguir criar mais valor com os mesmos recursos — e cobrar por essa diferença. A Lobster Lager ainda não prova que isso aconteceu. Mas mostra que as ferramentas para o tentar estão agora ao alcance de quase todos.

Qual é o mecanismo que vai fazer o sistema melhorar?

A experiência de criar agentes de IA torna evidente uma coisa: um agente não melhora nada por magia. Para funcionar, temos de lhe dizer o que deve fazer, quando deve agir e com que critérios deve decidir. Sem isto, o agente pode ter dados, documentos, instruções e ferramentas, mas não tem um mecanismo de actuação real.

Muitas organizações fazem algo semelhante ao implementarem os seus sistemas de gestão. Dizem que querem melhorar o desempenho; definem objectivos, criam indicadores, fazem reuniões e preenchem formulários. Mas raramente especificam, com clareza, a pergunta decisiva: qual é o mecanismo que vai fazer este sistema melhorar o desempenho?

No Episódio 12 da série BlueRiver, a pergunta central era simples: como sabemos o que está a acontecer? A resposta não era: "através de um dashboard bonito". A resposta era: através de um sistema que transforma dados em decisões.

Medir é apenas o primeiro passo. Depois é preciso analisar, avaliar, decidir e agir. Se o consumo de água aumenta, isso ainda não é conhecimento; é apenas um número à espera de interpretação. A organização tem de perceber onde aumentou, porquê, se está dentro do comportamento esperado, se ameaça um objectivo, se revela uma tendência do processo, se exige investigação ou uma acção imediata.

O dado só ganha valor quando está ligado a uma decisão. Por isso, além da decisão sobre que indicadores vamos pôr no dashboard, é fundamental não esquecer de enunciar que decisões temos de tomar e que sinais nos devem obrigar a agir?

Muitos sistemas de gestão ficam presos numa espécie de contemplação organizada. Observam indicadores, registam desvios, comentam tendências e fazem actas. Mas não têm gatilhos claros para transformar observação em actuação.

É preciso saber quando um resultado exige acção imediata, quando uma tendência exige investigação e quando uma repetição deixa de ser uma ocorrência isolada para passar a ser uma não conformidade potencial. Também é preciso saber quando um objectivo em risco deve obrigar a rever recursos, métodos, responsabilidades ou prioridades. Sem estas respostas, o sistema vê, mas não aprende; mede, mas não melhora; informa, mas não decide.

É como um agente de IA sem critérios de actuação. Tem contexto, tem dados e talvez até ferramentas. Mas não sabe quando as deve usar, nem com que critério deve escolher a próxima acção.

A melhoria precisa de gatilhos. Ao desenhar um agente de IA, uma boa instrução não diz apenas: "ajuda o utilizador". Isso é demasiado vago para produzir um comportamento fiável. Uma instrução útil indica o que o agente deve fazer perante determinados sinais.

Se encontrar uma inconsistência, deve assinalá-la. Se a informação for insuficiente, deve pedir esclarecimentos. Se houver risco de erro, deve avisar; se houver uma decisão, deve explicitar os critérios utilizados.

Num sistema de gestão, a lógica deve ser semelhante. Não basta dizer: "melhorar a satisfação do cliente", "reduzir o desperdício", "aumentar a eficiência" ou "melhorar continuamente". É preciso definir o mecanismo que transforma sinais em decisões e decisões em acções.

Se a reclamação se repetir, quem investiga? Se o prazo de entrega se degradar durante três meses, o que acontece? Se uma auditoria interna detectar que o controlo não é aplicado no terreno, quem decide a acção? Se um indicador sair da gama esperada, estamos perante uma variação normal ou perante um sinal especial? Se uma acção correctiva foi implementada, como se confirma que resultou?

A melhoria não nasce da intenção. Nasce desta arquitectura de resposta. Sem essa arquitectura, a melhoria contínua reduz-se a uma frase simpática, repetida em políticas, apresentações e relatórios. Assim, um bom sistema de gestão precisa de algo muito semelhante à arquitectura de um bom agente de IA. Precisa de uma missão clara, sinais de entrada, critérios de interpretação, gatilhos de actuação e responsabilidades. Precisa também de memória: evidência, histórico, tendências e decisões anteriores.

Além disso, precisa de mecanismos de aprendizagem. Auditorias, análise de causas, revisão de eficácia e revisão pela gestão não deviam ser rituais separados. Deviam formar um circuito que ajuda a organização a perceber o que está a acontecer, o que não está a funcionar e o que precisa de mudar.

O sistema também precisa de alterar o seu próprio funcionamento quando a realidade mostra que os controlos, os objectivos ou os recursos já não servem. É aqui que a melhoria deixa de ser mera decoração verbal. Com este mecanismo, a melhoria passa a ter um motor.

A grande lição dos agentes de IA é precisamente esta: sem instruções claras sobre o que fazer, quando agir e com que critérios decidir, não há inteligência prática. Há apenas processamento. Nos sistemas de gestão acontece o mesmo: sem mecanismo de melhoria, não há gestão; há apenas administração da conformidade.

antes de sonhar com grandes disrupções estratégicas...

A propósito do artigo da BCG, "How AI-First Banks Are Rewriting the Rules of Retail Banking", vi algumas conversas no Twitter que recuperavam o clássico gráfico de Michael Porter, em "What is Strategy?", sobre a diferença entre excelência operacional e estratégia.

E sim: excelência operacional não é estratégia. Pelo menos não no sentido forte de Porter. Fazer melhor o que os outros também fazem não basta, por si só, para criar uma posição estratégica distinta. Só se a empresa conseguir estar sistematicamente na fronteira, no alto do pico da paisagem competitiva, com desempenho superior e custos realmente mais baixos, é que essa excelência operacional se aproxima de uma vantagem difícil de replicar.

Mas há aqui uma nuance importante.

Não é preciso adoptar IA apenas quando há uma "nova estratégia". A IA pode ser extremamente valiosa mesmo quando o objectivo é muito mais terreno: reduzir falhas, eliminar atrasos, melhorar a rastreabilidade, diminuir retrabalho, evitar não conformidades e libertar pessoas de tarefas repetitivas ou ingratas.

Recentemente, estive envolvido em projectos de melhoria de desempenho em empresas industriais onde se percebe facilmente o potencial futuro dos agentes de IA. Em ambientes com muitos regulamentos, muitos requisitos, pressão permanente sobre os custos e necessidade de resposta rápida ao cliente, é normal que algo falhe. Os humanos não são máquinas. Há esquecimentos, atrasos, trocas, falhas de seguimento, evidências incompletas, desvios mal tratados e problemas que só aparecem tarde demais.

Reduzir tudo isto talvez não seja, por si só, uma nova estratégia, mas é seguramente uma forma de baixar custos, reduzir insatisfação de clientes, aumentar a fiabilidade operacional e proteger a margem.

E, em muitas empresas, antes de sonhar com grandes disrupções estratégicas, há uma oportunidade enorme e muito concreta: fazer com que o sistema funcione melhor, falhe menos e aprenda mais depressa.

Automatizar é o último passo: Um convite (parte III)

Em Maio passado escrevi:

• Automatizar é o último passo: Um convite
• Automatizar é o último passo: Um convite (parte II)

No primeiro texto, defendia que, perante o entusiasmo actual com a inteligência artificial, a pior resposta das empresas é começar logo por "automatizar". Partia do chamado algoritmo de Elon Musk: questionar requisitos, eliminar, simplificar e optimizar, acelerar e só depois automatizar.

No segundo texto, reforçava a mesma tese com a visão de Arvind Krishna, CEO da IBM: o retorno da IA exige uma reestruturação fundamental dos workflows, não apenas a compra de tecnologia. A pergunta importante não é "onde podemos usar IA?". A pergunta importante é: onde é que temos pontos de contacto escondidos, esperas inúteis, passagens manuais, decisões sem dono e trabalho repetitivo que consome tempo sem acrescentar valor?

Entretanto, na semana passada, estive numa empresa a fazer o levantamento de dois processos repetitivos, com vista à sua melhoria e ao possível uso de agentes de IA. E a experiência confirmou, uma vez mais, a mesma intuição: antes de pensar em agentes, é preciso perceber o trabalho.

Quando se segue um processo real, com as pessoas que o executam, a tecnologia deixa de ser uma abstracção. Começam a aparecer os pequenos atritos: informação pedida mais do que uma vez, decisões que sobem sem necessidade, documentos preparados manualmente, validações feitas por hábito, ficheiros paralelos, mensagens dispersas, esperas entre departamentos, excepções tratadas de memória, critérios que todos usam mas ninguém escreveu.

É aí que a IA começa a fazer sentido. Não como varinha mágica. Não como moda. Não como "temos de ter agentes porque toda a gente fala disso". Mas como instrumento para reduzir a fricção no trabalho concreto. Um agente pode preparar informação, estruturar dados, sugerir uma resposta, preencher um documento, verificar consistência, avisar sobre excepções ou apoiar uma decisão. Mas só o deve fazer depois de sabermos que aquele passo deve existir, quem deve decidir, com que critérios, com que informação e com que controlo humano.

Ontem, o The Times publicou um texto interessante de Rishi Sunak, “From my family pharmacy to a dairy farm, AI can lift fledgling firms”. O ponto central é muito próximo desta conversa: as manchetes falam de AGI, mas o impacte mais imediato virá da "everyday AI", a IA aplicada ao trabalho comum das empresas:

"The headlines are all about the race to so-called AGI (artificial general intelligence). But what will have more impact on our lives in the foreseeable future is everyday AI.

One danger is that small businesses are traditionally slower to adopt new technologies. If that's the pattern here, it could put them at a compounding disadvantage against larger firms. This would be a tragedy for us as a country, particularly as Al could so help smaller firms.

...

In the past few months, I have been talking to small businesses about how they are using Al. Their enthusiasm, cando spirit and desire to share their knowledge are such an inspiring contrast to our tired and fractious politics. What has stood out for me from these conversations is that the boss has to drive AI adoption. It just won't happen otherwise.

Don't start by declaring you must use AI but by thinking through your business's pain points. What are the tasks that eat up time, frustrate staff and create bottlenecks? Once you have done that, work out which of those are most repetitive and rules based. That is what you want to use AI to target first."

Sunak chama a atenção para um risco evidente: as pequenas empresas costumam adoptar as novas tecnologias mais tarde do que as grandes. Se isso também acontecer com a IA, a desvantagem pode tornar-se cumulativa. As empresas grandes ganham escala, dados, eficiência e velocidade; as pequenas ficam presas a tarefas administrativas, repetitivas e dispersas.

Mas o artigo também traz uma mensagem optimista. A IA pode ajudar as pequenas empresas em quase todos os sectores. Pode apoiar uma farmácia familiar, uma exploração leiteira, uma empresa de logística, uma loja online ou uma oficina. Pode ajudar a organizar informação, responder mais depressa, analisar dados, preparar documentos, acompanhar clientes, antecipar problemas e libertar tempo para gestão.

A recomendação mais importante de Sunak é simples: não começar por declarar que a empresa tem de usar IA. Começar pelos pontos de dor do negócio. Que tarefas comem tempo? Que actividades frustram a equipa? Onde há bloqueios? Que trabalho é repetitivo, baseado em regras e suficientemente estruturado para ser assistido por tecnologia?

Isto é particularmente relevante para as PME. As pequenas e médias empresas têm menos pessoas, menos departamentos especializados e menos folga de gestão. Por isso, sofrem mais com tarefas administrativas e com trabalho disperso. Uma empresa grande pode absorver alguma ineficiência através de departamentos, sistemas e especialistas. Uma PME sente logo o peso da fricção: no atraso de uma proposta, na resposta tardia a um cliente, na reclamação que anda de mão em mão, no documento técnico que demora demasiado tempo, na informação que fica presa numa pessoa.

A IA pode reduzir essa desvantagem. Pode ajudar uma empresa pequena a responder mais depressa, analisar mais informação, preparar propostas, acompanhar clientes, controlar encomendas, gerir conhecimento interno e produzir relatórios com menos esforço. O ponto estratégico é este: a IA pode permitir que uma PME pareça maior sem se tornar pesada.

Mas isso só acontece se a adopção for prática. A vantagem não está em comprar a ferramenta mais sofisticada. Está em escolher três ou quatro usos concretos e testá-los depressa: propostas comerciais, análise de reclamações, planeamento de produção, resposta a clientes, controlo documental, compras, reporting, preparação de auditorias, gestão de conhecimento interno.

As PME que começarem agora podem obter uma vantagem temporária. Não porque tenham acesso a ferramentas exclusivas, mas porque muitas concorrentes ainda estão à espera, com receio, confusão ou excesso de conversa estratégica. A oportunidade está nos pequenos atritos diários, não na grande declaração de transformação digital.

No fundo, volto ao ponto de Maio: automatizar é o último passo.

Antes disso, é preciso observar, questionar, eliminar, simplificar e redesenhar. Só depois faz sentido usar IA. E talvez esteja aqui uma oportunidade muito concreta para as PME: pegar nos seus workflows reais, limpar o que está a mais, clarificar responsabilidades, estruturar informação e usar agentes onde eles podem mesmo reduzir a distância entre perceber, decidir e fazer.

Não é preciso esperar pela grande revolução. Muitas vezes, basta começar pelo processo que todos conhecem, todos sofrem e ninguém ainda teve tempo de arrumar.

É aí que a IA começa a pagar-se.

Eficiência versus crescimento (parte II)

Há dias, em "Eficiência versus crescimento (parte I)" escrevi sobre a ideia, reforçada pela HBR, de que muitas empresas continuam a olhar para a inteligência artificial como uma forma de fazer o mesmo com menos pessoas. Menos custos, menos horas, menos esforço. A IA como tesoura.

Entretanto, li uma reflexão atribuída a Terence Tao que me parece levar o tema para outro nível. Tao fala da redução da "cognitive friction". Durante muito tempo, pensar era caro. Não caro apenas em dinheiro, mas em tempo, energia, atenção e paciência. Testar uma hipótese implicava procurar referências, escrever código, fazer contas, desenhar gráficos, verificar caminhos, descobrir que não davam em nada e começar de novo.

Por isso, muitas ideias não eram abandonadas por serem más. Eram abandonadas porque eram demasiado caras para testar.

"Tao now uses AI to search literature, write code, make plots and figures, run calculations, and test whether a possible approach is even worth chasing  and he declared AI ready for primetime in March 2026 after confirming that in math and theoretical physics, it now saves more time than it wastes."

É aqui que a IA se torna interessante. Não porque elimina o julgamento humano, mas porque baixa o custo da exploração. Torna mais barato experimentar uma hipótese, seguir uma intuição, testar uma possibilidade improvável, cruzar temas distantes. A IA não substitui o critério. Mas pode aumentar brutalmente o número de caminhos que conseguimos inspeccionar antes de decidir.

"If AI is genuinely collapsing the cost of scientific exploration not just in mathematics but in drug discovery, materials science, climate modeling, and theoretical physics then the companies building the compute infrastructure that makes that acceleration possible are not just selling chips and cloud capacity.

They are selling the raw material of compounding human discovery, and that is a demand curve with no visible ceiling"

Esta ideia liga-se directamente ao argumento da HBR. Usar IA apenas para eficiência é perguntar: Como faço o mesmo com menos? Usar IA para crescer é perguntar: O que posso agora tentar que antes não era viável?

Talvez seja esta a verdadeira mudança. A IA não serve apenas para comprimir tempo. Serve para expandir o possível.

E talvez algumas empresas, ao despedirem pessoas em nome da eficiência, estejam a cortar precisamente a capacidade interna de descobrir, experimentar e crescer. A tesoura pode melhorar a margem. Mas a alavanca pode mudar o futuro.

Eficiência versus crescimento

Em Março passado publiquei esta Curiosidade do dia onde tento passar esta mensagem: A inteligência artificial não deve ser vista apenas como uma ferramenta para fazer o mesmo com menos pessoas, mas como uma alavanca para fazer coisas novas, explorar possibilidades antes inviáveis e alargar o campo de acção da empresa. Ou seja, usar a IA apenas para emagrecer pode ser uma oportunidade perdida; usá-la para crescer pode ser a verdadeira diferença competitiva.

Entretanto, na passada Segunda-feira li "Companies Are Using Al for Efficiency. They Should Use It to Grow":

"Ask a roomful of senior executives what Al can do for their business, and the answers will probably cluster around the same themes: lower costs, smaller headcount, faster processes, leaner operations. Efficiency, efficiency, efficiency—it's an almost universal reflex. It's also a badly misguided one.

...

Our research suggests that addressing the growth blindspot can literally double firm value. Yet in our roundtable, several senior executives admitted they had never thought about Al and growth in the same sentence. That is the blindspot in action. Building an explicit Al-for-growth agenda-with dedicated resources, leadership accountability, and clear metrics-is the necessary starting point."

O meu post antecipa a tese do artigo da HBR. Escrevo que muitas empresas olham para a IA “como quem compra uma máquina nova para a fábrica”: uma forma de produzir o mesmo com menos gente. Essa é exactamente a crítica da HBR: a empresa fica presa à lógica da eficiência e não vê a oportunidade de crescimento. 

A minha distinção entre compressão do tempo e expansão do possível é talvez a ponte mais forte com o artigo. A HBR formula isto em linguagem financeira: crescimento orgânico, valorização da empresa, múltiplos, retorno superior. Eu formulo a mesma ideia em linguagem de gestão prática: testar mais ideias, explorar mais ângulos, preparar mais versões, ligar temas distantes e abrir frentes novas. 

Também há uma ligação forte na metáfora da IA como tesoura versus alavanca. A HBR mostra que a IA usada como tesoura pode gerar ganhos, mas limitados. Usada como alavanca, pode aumentar receitas, criar novos canais, melhorar a proposta de valor e até democratizar serviços sofisticados que antes estavam disponíveis apenas para clientes mais ricos. 

O meu postal coloca a questão humana e organizacional de forma mais directa: ao despedirem pessoas em nome da eficiência, algumas empresas podem estar a eliminar a capacidade interna de descobrir, experimentar e crescer. O artigo da HBR acrescenta a essa intuição uma moldura económica: quando a IA aumenta o crescimento orgânico, o impacte no valor da empresa pode ser muito superior ao impacte da simples redução de custos.

A IA não deve ser vista apenas como uma forma de fazer o mesmo com menos pessoas; deve ser vista como uma forma de descobrir que novo trabalho, que novos clientes e que novo crescimento passam agora a ser possíveis. 

Qual é o "biorreactor" da sua fábrica? (parte lV)

Parte I, parte II e parte III.

O WSJ de ontem publicou "Al Is Helping Main Street Keep Pace":

"AI is coming to small business, helping companies organize supply chains, plan production and execute other functions in ways that only multibillion-dollar enterprises were once able to afford.

...

For small businesses, "The bigger they get, the more important the data is," said Tanner De Jonge, chief technology officer at Streamliners."

O artigo mostra como empresas pequenas estão a usar IA para fazer trabalho que antes só estava ao alcance de organizações grandes. O exemplo central é a By the Way Bakery, uma pequena empresa de pastelaria sem glúten e sem lacticínios, que recebeu um grande aumento de encomendas grossistas depois de uma feira.

O problema era simples: a empresa tinha de transformar encomendas novas em planos de produção — ingredientes, pessoas, horários, quantidades, capacidade, entregas — e fazia isso com folhas de cálculo. Antes, essa adaptação podia levar muito tempo e exigir muita atenção.

Com uma aplicação baseada em IA, a empresa passou a apoiar o planeamento da produção, recalculando as necessidades e ajudando a responder mais depressa quando entram novas encomendas. 

Segundo o artigo, a IA está a permitir que as pequenas empresas organizem, planeiem e escalem o trabalho operacional complexo sem terem de comprar sistemas empresariais caros e pesados.

No exemplo central do artigo, a empresa By the Way Bakery recebeu uma grande oportunidade comercial. Sem apoio ao planeamento, essa oportunidade podia tornar-se um problema: atrasos, falhas, desperdício, ruptura de capacidade, stress interno, má reputação. A IA ajudou a transformar o crescimento comercial em execução operacional controlada.

Recordo o postal "Qual é o “biorreactor” da sua fábrica? (parte I)". Onde a pergunta central não é "como podemos usar IA?", mas sim: onde estamos a perder dinheiro, tempo, qualidade ou capacidade porque percebemos o problema tarde demais? 

No caso da Bristol Myers Squibb (BMS), o “biorreactor” era literalmente o biorreactor: pequenas variações em pH, oxigénio, temperatura ou tempo podiam afectar a produção de proteínas. A IA ajudava a detectar sinais fracos e a intervir antes do fim do lote.

Na By the Way Bakery, o “biorreactor” não é um equipamento sofisticado. É o sistema de planeamento da produção. O ponto crítico está na passagem de novas encomendas para quantidades, ingredientes, horários, capacidade e trabalho. Pequenas variações — mais uma encomenda, uma alteração de produto, uma restrição de capacidade, uma falta de ingrediente — podem transformar-se em perdas, atrasos ou incapacidade de responder ao cliente.

A diferença é interessante, na BMS, a IA apoia uma decisão técnico-industrial dentro do processo. Na padaria, a IA apoia uma decisão operacional de planeamento antes e durante o processo, mas ambas confirmam a mesma tese: cada empresa tem o seu biorreactor.

Qual é o da sua empresa?

China e Mongo?

Há dias comentaram comigo este artigo "¿Creará China 1.000 'start up' unipersonales al año con IA?".

Uma perspectiva muito interessante.

Lembram-se da minha metáfora sobre Mongo?

Mongo, como metáfora, é aquele mundo estranho em que as regras normais da produção parecem deslocadas: pequenas séries, produção distribuída, tecnologias acessíveis, unidades quase artesanais, mas com elevado poder tecnológico. Um mundo onde a produção deixa de estar apenas nas mãos das grandes estruturas industriais clássicas.

"En China, el enfoque es distinto: el Estado intenta crear una base enorme de pequeños fundadores, aplicaciones y casos de uso, usando oficinas, computación, préstamos, incubadoras y demanda institucional como combustible.

...

Algunos gobiernos locales chinos están ofreciendo espacio gratuito, descuentos de computación,  préstamos y reconversión de centros de datos para atraer one-person companies."

Este artigo apresenta uma versão chinesa de Mongo. No entanto, há uma diferença importante: não é um Mongo espontâneo, romântico, de garagem. É um Mongo organizado pelo Estado e pelas plataformas. A pessoa, sozinha, não está verdadeiramente sozinha. Tem IA, cloud, incubadora, subsídios, centros de dados, fornecedores, logística, canais digitais e, por trás, uma política industrial que tenta converter talento disperso em capacidade produtiva.

A imagem estratégica é poderosa: não é a fábrica com 1.000 trabalhadores; são, talvez, 1.000 microfábricas cognitivas, cada uma com uma pessoa e uma constelação de agentes de IA. Isto aproxima-se muito da minha ideia de democratização da produção. A diferença é que aqui a “impressora 3D” não é apenas física. É também mental, organizacional e comercial. A IA torna-se uma espécie de máquina-ferramenta universal: escreve, desenha, programa, vende, responde, simula, aprende, coordena.

Em linguagem Mongo: a China não está apenas a tentar criar mais start-ups. Está a tentar criar um enxame de pequenos produtores aumentados por IA.

E, se isto funcionar, a subida na escala de valor pode deixar de depender apenas de grandes campeões nacionais. Pode passar também por milhares de pequenos actores capazes de transformar conhecimento em produto, depressa, barato e com ligação directa à economia real.

A orientação estatal não me atrai, mas a "democratização" da oportunidade de empreender parece-me com potencial.

Qual é o "biorreactor" da sua fábrica? (parte lII)

Parte I e parte II.

A pior forma de começar é convocar uma reunião com o título “Projecto de Inteligência Artificial”.

A melhor forma é começar com uma pergunta operacional: Onde estamos a perder dinheiro, tempo, qualidade ou capacidade porque percebemos o problema tarde demais?

A partir daí, a empresa deve escolher um processo concreto. Não a fábrica inteira, nem todos os indicadores, nem todos os problemas. Um processo. Uma dor. Uma decisão.

Por exemplo:

• reduzir rejeições numa máquina crítica; 
• prever desvios num processo de enchimento; 
• antecipar defeitos antes da cozedura; 
• prever atrasos em encomendas complexas; 
• reduzir perdas de matéria-prima;| 
• melhorar o rendimento de lotes; 
• detectar causas recorrentes de reclamações; ou 
• prever paragens de equipamento.

Depois, é preciso olhar para os dados disponíveis. Que dados existem? Estão completos? São fiáveis? Estão ligados ao lote, à ordem, à máquina, ao turno, ao fornecedor, ao operador, ao resultado final? Ou vivem espalhados em folhas de Excel, relatórios em PDF, sistemas que não comunicam e registos manuais difíceis de interpretar? Recordo tantos e tantos equipamentos, desde fornos rotativos, até misturadores, por exemplo, onde muito mais instrumentação poderia ser introduzida. Recordo Taylor e o seu trabalho na pasta de papel.

Muitas empresas descobrem aqui o primeiro problema: querem inteligência artificial, mas ainda não têm inteligência operacional organizada.

Antes da IA, pode ser necessário ajustar definições, uniformizar registos, clarificar os defeitos, melhorar a rastreabilidade, ligar os dados de processo aos resultados e garantir que todos medem a mesma coisa da mesma forma.

Só depois faz sentido perguntar: Que decisão gostaríamos de antecipar?

Esta é, talvez, a pergunta mais importante. Não basta prever por prever. Uma previsão só tem valor se permitir uma acção. Se o sistema disser que há risco elevado de defeito, o que fazemos? Ajustamos parâmetros? Paramos a linha? Chamamos a manutenção? Segregamos material? Reforçamos a inspecção? Alteramos a sequência de produção? Abrimos uma investigação? Mudamos a formulação? Revemos o fornecedor?

Isto faz-me recuar ao ... PLASFOCO.

A IA só cria valor quando entra numa cadeia completa:

dados → análise → previsão → decisão → acção → verificação → aprendizagem.

Sem esta cadeia, a IA torna-se mais um painel bonito. Mais uma ferramenta. Mais uma promessa. Mais uma forma moderna de produzir confusão.

Recordo: Automatizar é o último passo: Um convite.

Qual é o "biorreactor" da sua fábrica? (parte lI)

Parte I.

O exemplo da Bristol Myers Squibb é poderoso porque mostra uma coisa simples: a vantagem não está apenas em ter tecnologia. Está em saber onde a tecnologia pode melhorar uma decisão crítica.

No caso da Bristol Myers Squibb, o ponto crítico está nos biorreactores, onde células vivas produzem proteínas e pequenas variações podem comprometer o resultado. Mas cada fábrica tem o seu equivalente.

• Numa empresa de plásticos, pode ser a máquina de injecção.
• Numa empresa farmacêutica, pode ser a preparação, a filtração ou o enchimento.
• Numa cerâmica, pode ser o forno.
• Numa empresa de calçado, pode ser o corte, a montagem ou o planeamento das encomendas.
• Numa química, pode ser a reacção.
• Numa alimentar, pode ser a fermentação, a pasteurização ou a limpeza CIP.
• Numa metalomecânica, pode ser a maquinagem, o desgaste da ferramenta ou a estabilidade dimensional.

A pergunta estratégica é:

Qual é o processo da sua empresa onde pequenas variações escondidas hoje se transformam em grandes perdas amanhã?

Essa pergunta é muito mais útil do que perguntar, de forma genérica, "como podemos usar a IA?".

A inteligência artificial industrial não deve começar pela moda. Deve começar pela compreensão do processo. Pela dor operacional. Pela variação que ainda não sabemos explicar. Pela decisão que chega tarde demais.

Talvez o verdadeiro desafio para muitas empresas não seja adoptar a IA. Talvez seja descobrir, com humildade técnica, qual é o seu “biorreactor”.

Qual é o “biorreactor” da sua fábrica? (parte I)

Mão amiga fez-me chegar este artigo que acho delicioso "American factories lag in adopting Al. This drugmaker is an exception".

O artigo descreve um caso interessante da Bristol Myers Squibb (BMS). A empresa está a usar inteligência artificial para acompanhar e melhorar a produção de medicamentos biológicos.

"In a sterile Bristol Myers Squibb lab about an hour north of Boston, scientists in scrubs and hairnets transfer living cells to a 2,000-liter stainless steel bioreactor that grows them for weeks. The goal is to produce proteins that are genetically engineered to attack cells that cause disease.

Tiny variations in heat, light or pH level can stop the cells from growing, causing drug shortages that endanger patients. Typically scientists would have to wait to see what went wrong during that fragile process, but now artificial intelligence is used to carefully monitor important variables - such as temperature and oxygen levels - and alert technicians if there are problems."

Em vez de esperar pelo fim do processo para perceber que algo correu mal, a empresa usa dados de produções anteriores para antecipar problemas e apoiar decisões durante o processo. A IA, neste caso, não aparece como magia. Aparece como uma forma de transformar a experiência acumulada, dados históricos e variáveis de processo em uma capacidade de decisão mais rápida. Confesso que, quando comecei a usar a IA, sonhei com o que poderia aprender com a análise de padrões em mais de 20 anos de arquivo de CAPAs numa empresa farmacêutica para a qual prestava serviço à época.

Ao ler este exemplo da BMS, lembrei-me imediatamente do início da minha vida profissional. Trabalhei na produção de PVC-emulsão e, nessa altura, usávamos um microscópio electrónico para observar visualmente o produto e tomar decisões sobre o processo. Não era inteligência artificial, claro. Mas a lógica de fundo tinha alguma semelhança: olhar para sinais que não eram evidentes a olho nu, interpretar o que se passava no processo e decidir o que fazer antes que o problema se tornasse irreversível.

Na altura, a decisão dependia da experiência das pessoas, da capacidade de observação e da interpretação técnica. Hoje, a inteligência artificial pode ajudar a fazer algo semelhante, mas com outra escala: analisar milhares de dados históricos, detectar padrões subtis, relacionar variáveis que, isoladamente, parecem inocentes e sugerir acções antes do desvio se transformar em perda, retrabalho ou rejeição.

A fábrica deixa de ser apenas um local onde se executam operações. Passa a ser um sistema que aprende com aquilo que já fez.

"Previously, scientists and technicians were never sure why some batches of cells produced a large amount of proteins, while others failed completely. But now AI uses information from past batches to identify what variables need to change. For example, if oxygen levels are lower than in previous batches, the system will suggest that oxygen be added. If the pH levels are higher than previous batches, it will recommend a fix. It also makes suggestions about the best time to harvest the cells.

These innovations have boosted the volume of drugs produced for clinical trials and commercial use at the facility by about 40%, according to a company spokesperson.

“We are able to now intervene in the batches during the manufacturing process and not have to wait until we get to the end,”"

O caso da BMS é interessante precisamente porque não começa pela tecnologia. Começa por um problema industrial real. Há um processo crítico. Há variáveis difíceis de controlar. Há pequenos desvios que podem ter grandes consequências. Há dados históricos. Há conhecimento técnico. E há uma decisão operacional que precisa de ser tomada mais cedo.

É aqui que a IA pode criar valor. A pergunta não é: "Como podemos usar inteligência artificial?" A pergunta mais útil é outra: Onde é que estamos a perder dinheiro, tempo, qualidade ou capacidade porque não conseguimos interpretar a variação suficientemente cedo?

Muitas empresas industriais ainda tratam a variação como ruído. Aceitam que certos defeitos "acontecem" (meu Deus, tantas recordações de desculpas para matar investigações e justificar o status quo), que certos lotes "são mais difíceis", que certas máquinas "são temperamentais" (como o russo no filme Armageddon), que certos fornecedores "dão sempre mais problemas", que certas equipas "trabalham melhor" do que outras (a minha mente voa para duas linhas de produção de calçado por injecção e dois turnos com produtividades tão diferentes entre si).

No entanto, por trás dessas frases, pode haver padrões. E por detrás desses padrões pode haver oportunidades de optimização.

A IA industrial não deve ser vista como um novo brinquedo digital. Deve ser vista como uma extensão da capacidade da organização para compreender o seu próprio processo.

A inteligência artificial parece ter mais potencial quando determinadas condições se cumprem. O artigo não transforma este caso numa regra geral, mas o padrão é claro: a IA parece criar mais valor quando existe histórico de processo, variáveis interdependentes, elevado custo de erro, sinais precoces e capacidade de actuar antes do problema se tornar irreversível.

Primeiro, quando o processo é repetitivo. Quanto mais ciclos, lotes, ordens, ensaios ou operações houver, maior a possibilidade de aprender com o histórico.

Segundo, quando há muitas variáveis interdependentes. Temperatura, pressão, humidade, velocidade, tempo de ciclo, características da matéria-prima, equipa, máquina, turno, lote, fornecedor, condições ambientais. Cada variável isolada pode parecer controlada. O problema, muitas vezes, está na combinação entre elas. O bom velho Taguchi.

Terceiro, quando o custo do erro é elevado. Um lote rejeitado, uma cozedura perdida, uma linha parada, uma série de peças com defeito, uma reclamação importante, uma investigação de desvio, um retrabalho caro. A IA torna-se mais interessante quando o erro chega tarde e custa muito.

Quarto, quando há sinais precoces. A IA só ajuda de verdade se houver dados que permitam antecipar o problema. Se tudo for descoberto apenas no fim, já estaremos no território da constatação. O valor está em perceber antes.

Quinto, quando ainda é possível actuar. Não basta prever. É preciso poder fazer alguma coisa: ajustar parâmetros, alterar uma sequência, parar a produção, chamar manutenção, rever uma fórmula, mudar o plano, segregar material, reforçar controlo ou investigar uma tendência.

Por isso, a IA cria mais valor ao transformar sinais fracos em decisões antecipadas.

Não invento, está tudo no artigo:

1. "AI uses information from past batches to identify what variables need to change."

2. "For example, if oxygen levels are lower than in previous batches, the system will suggest that oxygen be added. If the pH levels are higher than previous batches, it will recommend a fix. It also makes suggestions about the best time to harvest the cells."

3. "Previously, scientists and technicians were never sure why some batches of cells produced a large amount of proteins, while others failed completely."

4 e 5. "We are able to now intervene in the batches during the manufacturing process and not have to wait until we get to the end."

Os sectores com maior potencial não são necessariamente os mais "modernos". São aqueles onde a variabilidade é cara, frequente e difícil de interpretar.

Há um primeiro grupo de sectores onde predominam processos físico-químicos ou biológicos. Aqui entram a indústria farmacêutica, a biotecnologia, a química fina, a alimentação, as bebidas, a fermentação, as formulações e alguns processos de tratamento térmico. Nestes sectores, pequenas variações de pH, temperatura, tempo, concentração, humidade, pressão ou qualidade da matéria-prima podem alterar significativamente o resultado.

Há depois um segundo grupo: processos com máquinas, ciclos repetitivos e muitos dados operacionais. A injecção de plásticos (uma abordagem tipo BMS seria usar dados de ciclos anteriores para prever defeitos antes de serem visíveis: empeno, chupados, rebarbas, falta de enchimento, variação dimensional, marcas superficiais ou peças fora de tolerância), a embalagem, a maquinação e a metalomecânica (desgaste de ferramentas, vibração, temperatura, rugosidade, tolerâncias, rejeições, manutenção preditiva, consumo energético, muito bom para IA porque há dados de máquina e sinais físicos ricos) e certas linhas de montagem são bons exemplos. Nestes casos, a IA pode ajudar a relacionar parâmetros de máquina com defeitos, tempos de ciclo, desgaste, consumo energético, rejeições e manutenção.

Um terceiro grupo inclui processos intensivos em energia e com grande variabilidade de matéria-prima. A cerâmica (um sector onde a variabilidade é enorme: matérias-primas naturais, humidade, granulometria, formulações, prensagem, secagem, cozedura, curvas de forno, temperatura, atmosfera, esmaltes, retracção, empeno, fissuras, tonalidade e defeitos superficiais. Uma abordagem inspirada no exemplo da Bristol Myers Squibb seria usar dados históricos para prever o comportamento da pasta, da secagem e da cozedura; o vidro, o papel, o têxtil (por exemplo, na tinturaria: acabamento, encolhimento, gramagem, cor, defeitos, consumo de água e energia) e os materiais de construção entram aqui. São sectores onde muitos defeitos aparecem tarde, depois de já se ter gasto energia, tempo de forno, capacidade produtiva e material. Prever com antecedência pode ser muito valioso.

Finalmente, há sectores onde o potencial está menos no controlo fino de parâmetros físicos e mais na gestão do fluxo. O calçado, a confecção, o mobiliário e outras produções por encomenda ou em pequenas séries podem beneficiar de IA na previsão de atrasos, optimização de corte, balanceamento de capacidade, controlo visual da qualidade, gestão de materiais e redução de retrabalho.

E volto à pergunta anterior. A pergunta não é: "Como podemos usar inteligência artificial?" A pergunta mais útil é outra: Onde é que estamos a perder dinheiro, tempo, qualidade ou capacidade porque não conseguimos interpretar a variação suficientemente cedo? Mais um exemplo de obliquidade. O objectivo não é usar IA, o objectivo é melhorar o desempenho e, por isso, recorre-se à IA.

Automatizar é o último passo: Um convite (parte III)

Parte I e parte II.

Em "The End of One-Size-Fits-All Enterprise Software" os autores defendem que a inteligência artificial está a desfazer a lógica que dominou o software empresarial durante décadas. Até agora, as empresas compravam sistemas standard (ERP, CRM, plataformas de RH, ferramentas de projecto) e depois adaptavam o seu trabalho à lógica desses sistemas.

"Generative Al is dissolving the economic logic that made standardized enterprise software the only practical choice for most companies. What replaces it will be shaped not just by the rapidly evolving capabilities of this new technology, but by leaders willing to ask a harder question: Which workflows do we actually need to own?"

A pergunta era: "Como fazemos isto dentro do software?"

Talvez a pergunta certa devesse ter sido sempre outra: "Como deve este trabalho funcionar para criarmos mais valor?"

A IA pode mudar esta relação. Com agentes, low-code, no-code, APIs e ferramentas de desenvolvimento cada vez mais acessíveis, passa a ser possível criar soluções mais adaptadas à forma real como cada empresa trabalha. Isto é uma oportunidade, mas também é uma armadilha. 

Porque, se agora é mais fácil construir software à medida, também é mais fácil construir desperdício à medida. Aprovações inúteis à medida. Relatórios redundantes à medida. Fluxos confusos à medida. Sistemas elegantes para continuar a fazer coisas que deviam ter sido eliminadas. 

Antes, a empresa podia dizer: "O sistema obriga-nos a trabalhar assim." Essa desculpa vai perder força. Se podemos moldar a tecnologia ao trabalho, que trabalho merece realmente ser moldado, protegido e melhorado?

Numa PME, isto é muito concreto. A preparação de propostas comerciais é apenas administração ou é uma capacidade crítica? A gestão de reclamações é burocracia ou uma fonte de aprendizagem? A resposta a pedidos de clientes é papelada ou vantagem competitiva? A gestão de fornecedores, acções, auditorias, desvios, documentação ou reporting é apenas cumprimento ou parte da forma como a empresa cria confiança?

"But the underlying logic has changed. For a generation, the question in enterprise software was which tools should we buy. The emerging question is more fundamental: How can we rethink our workflows and decide which we want to build, compose, collaborate on, or buy outcomes?"

Nem tudo merece ser automatizado. Nem tudo merece ser construído internamente. Nem tudo merece ser controlado pela empresa.

Alguns workflows devem ser eliminados. Outros simplificados. Outros compostos com ferramentas existentes. Outros desenvolvidos com parceiros. Outros talvez devam ser comprados como resultado.

Mas a sequência importa. Primeiro, perceber o trabalho. Depois, decidir que trabalho merece existir. Depois, decidir que trabalho merece ser nosso. Só depois construir, compor, colaborar, comprar resultados ou automatizar. O fim do software "one-size-fits-all" não é um convite para pôr IA em todo o lado. É um convite para pensar melhor sobre como a empresa trabalha, onde cria valor e que capacidades quer realmente possuir.

Automatizar é o último passo.

Antes disso, há uma pergunta ainda mais importante: que trabalho queremos realmente manter nas nossas mãos?

Automatizar é o último passo: Um convite (parte II)

Ontem escrevi sobre uma ideia que me parece cada vez mais importante: automatizar é o último passo.

 A ideia vem do chamado algoritmo de Elon Musk. Primeiro, questionar os requisitos. Depois, eliminar o que não devia existir. Depois, simplificar. Depois, optimizar e acelerar. Só no fim, automatizar. 

A ordem é importante porque a pior coisa que podemos fazer é acelerar aquilo que devia ter sido apagado. No podcast sobre Musk, a história aparece de forma muito clara: a automatização na Tesla foi, muitas vezes, tentada cedo demais; só depois se percebeu que havia partes, movimentos, requisitos e processos que, primeiro, deviam ter sido eliminados ou simplificados. 

Hoje junto outra peça ao puzzle. Num texto publicado no WSJ no passado dia 6 de Maio, "IBM CEO Says Al Requires Big Shift", Arvind Krishna, CEO da IBM, aparece praticamente com a mesma ideia, mas em linguagem de empresa grande: 

"maximizing returns on investment in artificial intelligence requires a fundamental restructuring of business workflows rather than just adopting new technology." 

Ou seja, o retorno da inteligência artificial não surge por comprarmos mais uma ferramenta. Aparece quando a empresa tem coragem de redesenhar a forma como o trabalho atravessa a organização.

Isto é muito diferente da conversa habitual sobre IA. A conversa habitual começa com a ferramenta. Que modelo vamos usar? Que plataforma devemos comprar? Que agente podemos criar? Que casos de uso estão na moda? Krishna sugere outra sequência. A IA pode começar no indivíduo, passar para pequenas equipas, depois para grupos multifuncionais e só mais tarde chegar à organização inteira. É nessa última fase que o valor se torna realmente interessante. Mas é também aí que a coisa dói, porque já não estamos a falar de produtividade pessoal. Estamos a falar de responsabilidades, interfaces, decisões, informação, sistemas, hábitos, territórios e pequenas capelinhas internas.

O exemplo da IBM é muito bom precisamente por não ser sofisticado. Não estamos a falar de descobrir uma nova molécula, desenhar um foguetão ou reinventar a banca. Estamos a falar de uma carta de verificação de emprego para apoiar um pedido de empréstimo. Antes, segundo Krishna, esse workflow podia exigir até 18 pontos de contacto: gestor, especialista de RH, back-office, diferentes sistemas, passagens de informação e validações. Hoje, o colaborador faz o pedido a um bot interno; o sistema verifica a identidade, recolhe a informação necessária e envia a carta. 

"The 18 touchpoints have been reduced to just one."

Esta frase devia ficar colada na parede de muitas empresas.

Porque a pergunta relevante não é: "Onde podemos usar IA?" A pergunta relevante é: "Onde é que temos 18 pontos de contacto escondidos?"

Nas PME, esses 18 pontos de contacto raramente aparecem num desenho bonito. Aparecem numa proposta comercial que demora demasiado tempo. Numa reclamação que passa por três pessoas antes de alguém decidir. Num pedido de informação técnica que fica preso entre comercial, qualidade e produção. Numa aprovação que sobe à direcção por hábito. Num ficheiro Excel que alguém preenche porque outro sistema não fala com o primeiro. Num processo de compras onde ninguém sabe exactamente quem decide o quê. Em pequenas esperas, pequenas dúvidas, pequenas repetições, pequenos "manda-me outra vez", pequenos "quem é que tem isto?", pequenos "temos de confirmar com fulano". Pequenos, pequenos, pequenos. Até que, somados, deixam de ser pequenos.

É aqui que o vídeo de Mark Cuban também entra bem na conversa. Cuban tem chamado a atenção para a oportunidade de ajudar empresas, em particular pequenas e médias empresas, a implementar agentes de IA e a aplicar tecnologia existente de forma prática, em vez de tentar construir o próximo grande modelo. A formulação citada pela Inc. é directa: 

“Be an expert in making agents for business.” 

E, noutro contexto, Cuban sublinha que a vantagem não ficará apenas com quem adopta IA, mas com quem itera e executa melhor; nas palavras citadas pela Business Insider, 

“the early adopters, that iterated and executed the best, were the winners.” 

Musk, Cuban e Krishna estão a falar de coisas diferentes, mas a convergência é interessante. Cuban aponta para a oportunidade de mercado: há empresas que vão precisar de ajuda para transformar IA em trabalho útil. Krishna aponta para a condição de escala: a IA só gera retorno significativo quando os workflows são redesenhados de ponta a ponta. Musk lembra a disciplina operacional: não automatizar antes de questionar, eliminar e simplificar. Três linguagens diferentes, uma lição comum: a tecnologia entra no fim de uma reflexão sobre o trabalho, não no início.

A verdadeira oportunidade para as PME não está em “ter IA”. Dentro de pouco tempo, isso será banal. A oportunidade está em usar a IA para reduzir a distância entre perceber, decidir e fazer. E isso começa com uma auditoria dos workflows: escolher processos críticos, mapear o que acontece na prática, identificar esperas, duplicações, aprovações rituais, decisões sem dono, passagens manuais, documentos redundantes e sistemas que não comunicam entre si. Só depois vem a pergunta tecnológica: o que deve ser eliminado, simplificado, integrado, assistido por IA ou automatizado?

Esta é a parte que me interessa. A abordagem por processos, que tanta gente reduziu a fluxogramas para auditoria ou procedimentos para certificação, pode ganhar uma nova vida com a IA. Porque antes de criar um agente, é preciso saber que trabalho merece ser feito. Antes de automatizar uma decisão, é preciso saber quem deve decidir, com que critérios e com que informação. Antes de acelerar um fluxo, é preciso verificar se ele não deveria ser redesenhado.

Por isso, começo a ver uma linha de trabalho possível: juntar diagnóstico de processos, auditoria de workflows e desenvolvimento ágil de soluções com IA. Não para vender magia. Não para dizer "vamos pôr IA na sua empresa", mas para entrar em workflows concretos e perguntar: quantos pontos de contacto podemos eliminar? Que informação podemos estruturar? Que decisões podem deixar de subir? Que documentos podem ser preparados por um agente e revistos por uma pessoa? Que tarefas podem passar de trabalho manual repetitivo para controlo inteligente? Que parte do processo precisa de tecnologia e que parte precisa apenas de coragem para apagar o que não acrescenta?

O exemplo da IBM é útil por causa disso. Não se limitou a acelerar uma tarefa antiga. Reduziu o percurso. Eliminou o atrito. Ligou sistemas. Clarificou a experiência do utilizador. Transformou um processo com 18 contactos num processo com um único contacto. Isto não é apenas automatização. É redesenho operacional com IA.

Talvez seja essa a frase-chave: a IA só escala quando deixa de ser ferramenta e passa a ser desenho do trabalho.

No fundo, Musk avisa-nos para não automatizar cedo demais. Cuban lembra-nos que há um mercado enorme à espera de quem saiba implementar agentes de IA na prática. Krishna mostra que o verdadeiro retorno exige redesenhar processos de ponta a ponta. A mim, isto soa a uma oportunidade muito concreta: pegar na abordagem por processos, tirá-la do mundo dos manuais e das auditorias e usá-la como ponte entre a IA e o trabalho real das empresas.

Porque uma coisa é certa: automatizar desperdício continua a ser desperdício.

Só que agora vem com uma interface moderna.

Num mundo com mais IA, ...

Primeiro, uma transcrição deste podcast com Seth Godin a partir do minuto 3:

"When AI is the buyer, you’re going to lose if your business is built around answering RFPs and being the cheapest.

If you can win simply by being the cheapest, then congratulations — your job is easy. You probably do not need much marketing help. Walmart grew by offering average products at lower prices than anyone else and saying, in effect, “Come buy from us because we’re cheaper.”

But that is not why most businesses need a marketing department. You need marketing to sell things that people believe are worth it even when that value is not easily measured — things that are worth paying more for, not just the cheapest option.

When AI shows up, that becomes harder, because it is difficult to teach an AI to recognize that kind of value. So it often defaults to buying the cheapest option. And if that becomes the norm, we end up in a race to the bottom, and that is not good for anyone.

One of the key roles of storytelling is that it communicates value. It helps connect the dots. So how should a small business think about storytelling while also dealing with the challenge of adopting AI and learning how to use it without losing the human element?

Here is the key fork in the road with AI. Right now, the dominant use case is cost reduction: how can we use AI to need fewer people and spend less money? But you cannot cost-reduce your way to greatness.

That phase will soon be replaced by a better opportunity: using AI to improve what you do, to make your work more demanding perhaps, but also more valuable.

And when we want to tell a story, it begins with a simple question: who do you want to help your customers become?

Then comes the second question: what are your customers hiring you to do?

And the answer to those two questions is probably connected."

Usar a IA só para cortar custos é uma visão curta já o escrevemos aqui várias vezes. Pode ser útil, claro. Mas uma PME ganha mais quando usa a IA para aumentar, para subir na escala de valor: responder melhor ao cliente, acelerar propostas sem perder qualidade, melhorar diagnóstico de problemas, personalizar comunicação, encurtar ciclos de decisão, apoiar técnicos e comerciais, transformar conhecimento disperso em resposta útil. Ou seja, não apenas fazer o mesmo mais barato, mas fazer melhor aquilo que o cliente valoriza.

Por fim, a pergunta de Seth Godin é muito forte para qualquer PME: quem queremos ajudar os nossos clientes a tornar-se? 

Isto obriga a sair da lógica "vendemos produto/serviço X" e entrar numa lógica mais estratégica: que progresso ajudamos o cliente a fazer? E a seguir: para que trabalho é que o cliente nos contrata realmente? 

Muitas PME pensam que vendem horas, peças, relatórios ou auditorias. Na prática, o cliente pode estar a "contratá-las" para reduzir risco, ganhar confiança, evitar erros, acelerar decisões, cumprir melhor, crescer sem caos ou proteger relações com os seus próprios clientes. E isto nem sempre é confortável. Já me aconteceu pensar que estava a vender melhoria de desempenho através de um sistema de gestão, quando o cliente, na prática, só queria o papel: porque um cliente lho exigia ou porque isso lhe dava acesso à majoração de um apoio. Perceber esta diferença é essencial. Muitas vezes, não estamos a vender aquilo que julgamos estar a vender.

Num mundo com mais IA, sobreviverá melhor quem for menos comparável e mais valioso.