Como eu avalio se vale a pena colocar IA num sistema

Uma das perguntas que mais recebo não é "como implemento IA nisso", é "devo usar IA nisso". São perguntas diferentes, e a segunda vem primeiro. Muita gente pula direto para a implementação e só descobre meses depois que o problema nunca precisou de um LLM — só precisava de regras determinísticas, ou de um índice de busca melhor, ou de um formulário mais simples.

Este é o processo que sigo antes de aceitar qualquer projeto — ou antes de recomendar que alguém não gaste dinheiro com IA.

Pergunta 1: o problema tem uma resposta certa, ou várias respostas aceitáveis?

Se o problema tem uma resposta objetivamente correta — calcular um imposto, validar um CPF, buscar um registro por ID — um LLM é a ferramenta errada. É mais lento, mais caro e menos confiável que uma regra determinística para esse tipo de tarefa. IA compensa quando existem várias respostas aceitáveis e a tarefa envolve linguagem natural, ambiguidade ou julgamento — resumir um documento, responder uma dúvida em linguagem livre, classificar um texto ambíguo.

Pergunta 2: qual é o custo de um erro?

Sistemas de IA erram — isso não é hipótese, é característica do modelo. A pergunta que decide se isso é aceitável é: o que acontece quando ele erra? Se o custo de um erro for baixo e reversível (uma sugestão de produto ruim, uma resposta que o usuário pode corrigir), IA costuma ser viável mesmo com taxa de erro moderada. Se o custo for alto e irreversível (uma decisão financeira automática, um diagnóstico médico sem revisão humana), o sistema precisa de camadas adicionais de validação — ou IA não deveria decidir sozinha ali.

Pergunta 3: existe dado suficiente para o cenário específico?

RAG e fine-tuning resolvem falta de conhecimento, não resolvem falta de dado que nunca existiu. Se a empresa não tem histórico de exemplos do problema que quer resolver — nenhum registro de como o processo era feito manualmente, nenhum documento de referência — o projeto de IA vai começar de um ponto muito mais frágil, e vale reconhecer isso antes de prometer prazo.

Pergunta 4: alguém vai manter isso depois que eu sair

Todo sistema de IA em produção precisa de manutenção contínua — ajuste de prompt, revisão de custos, monitoramento de qualidade. Se o cliente ou o time não tem ninguém capaz (ou disposto) de assumir essa manutenção depois da entrega, o projeto vai degradar silenciosamente em alguns meses. Nesses casos, prefiro ser direto sobre isso antes de começar, e às vezes a resposta certa é simplificar o escopo para algo que exija menos manutenção contínua.

Pergunta 5: o ganho justifica a complexidade que isso adiciona ao sistema

IA adiciona uma camada real de complexidade operacional: monitoramento diferente, custos variáveis, comportamento não determinístico. Se o ganho de usar IA é marginal comparado a uma solução mais simples, a complexidade extra não compensa. Essa é provavelmente a pergunta que mais me faz recomendar contra o uso de IA — não porque IA não funcione, mas porque a solução mais simples resolve o mesmo problema com muito menos risco.

Por que isso importa antes de qualquer linha de código

Passar por essas cinco perguntas antes de aceitar um projeto evita o cenário mais frustrante possível: entregar um sistema tecnicamente impecável que resolve um problema que nunca precisou dessa solução. Prefiro perder um projeto dizendo "isso não precisa de IA" do que entregar algo caro e frágil que devia ter sido simples.