AI Strategy: How to Choose What AI Product to Implement

Inteligência Artificial: por que dois projetos promissores podem ter destinos opostos (e como decidir)

A corrida pela inteligência artificial nas empresas brasileiras já começou, mas um fantasma assombra lideranças de tecnologia e negócios: como escolher qual projeto de IA implementar quando tudo parece igualmente promissor? Dois produtos podem receber o mesmo entusiasmo de equipes motivadas e ainda assim merecer decisões contrárias. O caso da imobiliária americana Compass escancara essa armadilha — e aponta uma saída prática que começa a influenciar executivos por aqui.

O case Compass: uma aposta milionária e outra que foi arquivada

A Compass, uma das maiores corretoras de imóveis residenciais dos Estados Unidos, desenvolveu duas ferramentas baseadas em IA. A primeira, batizada de "Likely-to-Sell" (recomendações de imóveis com alta probabilidade de venda), identificava oportunidades de prospecção para corretores. O resultado? O produto passou a responder por nove dígitos anuais em receita bruta de comissões — um sucesso estrondoso. A segunda ferramenta, um modelo de precificação chamado "Time-on-Market" (tempo no mercado), prometia estimar por quanto tempo um imóvel ficaria anunciado. Apesar de bem defendida internamente, foi arquivada. E a análise simples de retorno sobre investimento (ROI) não conseguia diferenciar uma da outra.

Esse cenário é clássico: dois projetos com defensores brilhantes, propostas de valor aparentemente sólidas e, ainda assim, um vale milhões e o outro seria um buraco financeiro. A dificuldade de separar o joio do trigo com métricas convencionais levou a Compass a repensar seu método de seleção — e o que surgiu foi um framework que qualquer empresa pode aplicar.

A cilada do ROI tradicional em projetos de IA

O ROI tradicional enfrenta um ciclo vicioso em iniciativas de inteligência artificial. Para calcular o retorno, é preciso saber se o projeto vai funcionar. Mas, para saber se funciona, é preciso construí-lo. É o famoso "catch-22": as equipes não conseguem estimar o ROI sem conhecimento técnico aprofundado, e não obtêm esse conhecimento sem investir no desenvolvimento. Isso faz com que projetos com alto potencial de valor sejam descartados cedo demais, enquanto outros com apelo emocional avancem sem lastro.

eROI: o framework que divide para conquistar

A abordagem que a Compass adotou é chamada de eROI (expected ROI, ou ROI esperado). Em vez de uma única estimativa nebulosa, o método decompõe cada aposta em três componentes e os avalia separadamente:

• Valor se der certo – Quão valioso seria o produto se funcionasse conforme o esperado?
• Probabilidade de sucesso – Quão provável é que ele realmente funcione?
• Investimento necessário – Quanto custaria implementá-lo?

Cada um desses pilares corresponde a uma pergunta que executivos podem responder antes mesmo de escrever uma linha de código. “Separar os três quebra o impasse”, explica um dos arquitetos do modelo. “Você julga o valor como se fosse um cenário ideal, sem se contaminar com o medo de errar. Depois, pondera a chance real de aquilo se concretizar. Por fim, coloca na balança o esforço financeiro.”

Como o eROI dissolve o ciclo vicioso

Ao isolar o “Valor se der certo”, a discussão sai do terreno travado do “não sabemos se vai funcionar”. A equipe pode argumentar: “Se essa precificação automática funcionar, aumentará a margem em 15%”. Esse número não é um chute de ROI, é uma afirmação condicional que todos podem debater com dados de mercado. Em paralelo, a “Probabilidade de sucesso” é avaliada com base em fatores como maturidade dos dados, complexidade do modelo e experiência da equipe — não no resultado final. O “Investimento necessário” fecha a conta com custos de infraestrutura, talento e integração.

Isso dissolve a paralisia. Na Compass, o “Likely-to-Sell” brilhou no Valor: a recomendação de leads aquecidos mexia diretamente na receita dos corretores. A probabilidade de sucesso era alta porque os dados transacionais estavam limpos e o problema era bem delimitado. Já o “Time-on-Market” teria valor moderado (previsões genéricas de tempo de anúncio não alteravam drasticamente a tomada de decisão), e a probabilidade de sucesso era baixíssima: fatores externos como sazonalidade e macroeconomia tornavam o modelo excessivamente complexo para os dados disponíveis.

Primeiro, olhe para o cardápio de ideias

Outro ponto crucial do framework: antes de ranquear, pergunte se há ideias suficientes sobre a mesa. Muitas empresas correm para implementar o primeiro protótipo que surge, sem mapear um leque de oportunidades. O eROI força uma etapa de geração quantitativa e qualitativa de propostas. “Se você só tem uma ou duas ideias, ainda não está pronto para decidir”, alertam especialistas. “É preciso ter um portfólio para comparar.”

Monte um portfólio de apostas, não um projeto único

Depois de classificar cada iniciativa com notas altas, médias ou baixas nos três critérios, a recomendação não é financiar apenas a campeã. A incerteza inerente a projetos de IA pede um portfólio equilibrado de apostas: uma combinação de iniciativas de alto valor e alta probabilidade (as “estrelas”), outras de valor mediano mas com custo de experimentação baixo (as “apostas de aprendizado”) e talvez uma ou duas de altíssimo risco, mas potencial transformador. Essa diversificação protege contra o fracasso individual e acelera a curva de aprendizado organizacional.

A beleza do eROI está na simplicidade: não exige precisão milimétrica. Em projetos de IA, estimativas exatas de ROI são quase impossíveis. Mas classificações