Com o processo mapeado e o gargalo identificado, a próxima pergunta é: qual padrão de IA se encaixa aqui? Este módulo é o guia de referência — seis padrões universais, como aparecem por área, e onde não encaixam.
🗂️ Padrões de caso de uso de IA
Todo caso de uso de IA generativa em contexto empresarial se encaixa em um destes seis padrões. Reconhecer o padrão é o primeiro passo para recomendar a solução certa.
Categorizar texto ou dados em classes predefinidas.
Exemplos: triagem de tickets, categorização de emails, classificação de documentos por tipo.
Puxar informação estruturada de texto não-estruturado.
Exemplos: extrair CNPJ/valor de notas fiscais, endereços de contratos, datas de emails.
Criar novo conteúdo a partir de dados ou instruções.
Exemplos: redigir proposta comercial, gerar descrição de produto, criar email de resposta.
Condensar conteúdo extenso em síntese acionável.
Exemplos: resumir reunião gravada, sintetizar contrato para aprovação, sumário de ticket.
Inferir estado futuro ou probabilidade a partir de dados.
Exemplos: scoring de lead, previsão de churn, probabilidade de inadimplência.
Interface de diálogo para consulta ou atendimento.
Exemplos: chatbot de FAQ interno, assistente de onboarding, helpdesk de primeiro nível.
💼 Oportunidades por área funcional
Cada departamento tem padrões recorrentes. Chegar à reunião já sabendo o que procurar em cada área acelera o diagnóstico e demonstra domínio ao cliente.
Vendas / CRM
Suporte / Customer Success
Financeiro / Jurídico
RH / Pessoas
🧱 Casar o padrão de IA com a etapa do processo
O encaixe correto é de dentro para fora: você parte da etapa do processo e pergunta qual padrão resolve. Nunca o contrário — partir da ferramenta e procurar um problema para ela.
✓ Approach correto (inside-out)
- Identifica a etapa: "análise manual de contratos"
- Caracteriza o trabalho: "leitura de texto, extração de cláusulas"
- Pergunta o padrão: "isso é extrair/resumir"
- Avalia fit: "temos os contratos? em que formato?"
- Recomenda a solução adequada
✗ Approach errado (outside-in)
- Viu um chatbot que deu certo em outro cliente
- Quer implementar chatbot aqui também
- Procura área que "poderia usar chatbot"
- Tenta encaixar onde não encaixa
- Entrega solução que o cliente não usa
💡 Critérios de fit para o encaixe
- Dados disponíveis: os dados necessários existem e estão acessíveis?
- Variação aceitável: o output pode ter margem de erro ou precisa ser 100% correto?
- Consequência do erro: um erro gera retrabalho ou gera risco real?
- Volume suficiente: o processo acontece com frequência que justifica o investimento?
🪜 Mapear ao nível da pirâmide
Para cada oportunidade identificada, o consultor posiciona na pirâmide de soluções. A regra: use o menor nível que resolve o problema. Subir desnecessariamente na pirâmide aumenta custo e risco sem aumentar resultado.
Determinístico — regra pura
Quando: o output é sempre determinado pelas mesmas regras. Exemplos: cálculo automático, roteamento por tipo, alertas por threshold.
Ferramentas: n8n, Zapier, scripts, RPA.
Workflow com IA — padrão + variação
Quando: o trabalho tem padrão reconhecível mas varia. Exemplos: classificar ticket, extrair de nota fiscal, resumir documento.
Ferramentas: LLM em workflow, Make + GPT, n8n + Anthropic.
Agente — contexto + decisão encadeada
Quando: a tarefa requer múltiplas decisões encadeadas e contexto acumulado. Use com cautela — agentes são caros e têm mais pontos de falha.
Ferramentas: Anthropic Claude, frameworks agentic.
🚩 Red flags: casos sedutores que não entregam
Alguns casos de uso parecem perfeitos no papel mas falham previsivelmente quando as pré-condições não estão atendidas. Conhecer os red flags evita projetos que vão falhar antes de começar.
⚠ Chatbot sem base de conhecimento
Um chatbot de atendimento só funciona se houver conteúdo estruturado e atualizado. Sem isso, alucina ou diz "não sei" para tudo. A preparação da knowledge base geralmente custa mais que o chatbot.
⚠ Geração de relatórios financeiros sem dados limpos
IA generativa amplifica a qualidade dos dados de entrada. Dados sujos geram relatórios incorretos com uma confiança falsa. "Lixo entra, lixo sai" — mas com linguagem polida.
⚠ Automação de processo quebrado
Automatizar um processo que tem problemas estruturais só produz erros mais rápido. Corrija o processo antes de automatizar — ou você gastará para manter uma máquina de produzir erros.
⚠ Agente em contexto de risco sem humano no loop
Agentes autônomos tomando decisões com consequências financeiras, jurídicas ou de saúde sem supervisão humana. O prazo de maturidade ainda não chegou para a maioria dessas aplicações.
📋 Montar o catálogo de oportunidades do cliente
O entregável desta fase é uma tabela estruturada com todas as oportunidades identificadas. Ainda sem priorização — o escopo deve ser propositalmente amplo antes de cortar.
Estrutura do catálogo
| Campo | O que registrar | Exemplo |
|---|---|---|
| Etapa | Nome da etapa no VSM | Triagem de tickets de suporte |
| Padrão IA | Classificar/Extrair/Gerar/Resumir/Prever/Conversar | Classificar |
| Nível pirâmide | Determinístico / Workflow IA / Agente | Workflow IA |
| Pré-condições | O que precisa existir para funcionar | Histórico de tickets rotulados (>500) |
| Dependências | O que precisa ser feito antes | Limpeza e padronização das categorias |
💡 Por que listar tudo antes de priorizar
Deixar o catálogo amplo garante que oportunidades não óbvias não sejam descartadas prematuramente. A priorização (módulo 2.4) vai filtrar — mas você não pode priorizar o que não está na lista.
🎒 Resumo do módulo
Próximo módulo:
2.4 — Priorização inicial: matriz Valor × Viabilidade