A ambição em IA é elevada. O scope continua demasiado vago.

A maioria das empresas já ultrapassou a conversa do "devemos usar IA?". Os orçamentos estão aprovados, as apresentações ao board mencionam agentes e alguém sénior recebeu a instrução de "fazer algo com IA este trimestre". A pressão para avançar é real.

E, no entanto, os projetos empancam — não por falta de ambição, mas porque ninguém consegue responder com precisão à pergunta seguinte: o que é, exatamente, que vamos construir primeiro, e como sabemos que funcionou?

O problema não é falta de ambição. O problema é falta de execução com scope definido. A ambição diz-lhe o destino. O scope diz-lhe os primeiros dez passos, quem os dá e como saberá que está no caminho certo. Salte essa etapa e não chega mais depressa ao valor da IA — chega a um piloto caro que nunca sai da demo.

A ambição é real. O scope não é.

O panorama macro confirma-o. No State of AI research da McKinsey, a adoção está agora generalizada, mas a maioria das organizações continua a experimentar em vez de capturar valor duradouro — e as que se destacam são as que redesenham workflows em torno da IA, não as que acoplam um modelo a um processo inalterado.

A BCG faz o mesmo ponto de forma mais direta em Are You Generating Value from AI? The Widening Gap: a distância entre os líderes em IA e todos os outros está a crescer, e a IA agêntica está a alargá-la ainda mais. Os líderes não são os que têm mais pilotos. São os que fizeram o scoping profundo de um pequeno número de workflows e escalaram o que funcionou.

E a cautela justifica-se. Um relatório de 2025 amplamente citado — o Project NANDA "GenAI Divide" do MIT — alertou que uma grande parte dos pilotos de GenAI empresariais ainda não se traduziu em impacto de negócio sustentado. O número de destaque é fácil de sensacionalizar; a lição útil é mais restrita: pilotos que não são definidos em função de um responsável, de uma métrica e de um workflow real tendem a morrer em silêncio, por muito boa que a tecnologia seja.

Portanto, o fosso não é entre ambição e cautela. É entre scope vago e execução com scope definido.

O que é um Minimal Viable Agent (MVA)?

O antídoto para um scope vago é um scope pequeno e demonstrável. É esse o papel de um Minimal Viable Agent.

Um Minimal Viable Agent (MVA) é o agente de IA mais pequeno e útil que prova um workflow de ponta a ponta — os dados de que necessita, os pontos de revisão humana e o valor de negócio que cria — antes de escalar. Uma tarefa. Feita suficientemente bem para decidir com evidência, não com opinião.

Um MVA não é uma versão reduzida da sua futura plataforma, nem é uma demo descartável. É um protótipo de IA deliberadamente estreito, concebido para eliminar primeiro o seu maior risco. Se a suposição que mais o assusta é "será que o modelo terá precisão suficiente com os nossos dados desorganizados?", o MVA prova isso. Se for "será que alguém vai realmente usar isto numa terça-feira de manhã?", o MVA prova isso.

A IA agêntica torna esta disciplina mais importante, não menos. Um agente que executa ações em vários sistemas tem mais formas de errar do que um chatbot que responde a uma pergunta — o que significa que o workflow, o acesso aos dados e os pontos de controlo com humano no circuito têm de ser definidos antes de construir, não descobertos em produção.

As seis perguntas que transformam ambição em scope

Quando a ambição é alta e o scope é vago, as equipas empancam nas mesmas seis perguntas. Um bom scope responde a todas numa única página.

1. Que use case vale a pena construir primeiro?

Não o mais vistoso — aquele em que a métrica de um responsável identificado se move, os dados já existem e o workflow é suficientemente pequeno para prototipar em semanas. Isto é priorização de use cases de IA, e é a decisão de maior alavancagem que vai tomar. Um AI Scoping Workshop estruturado existe precisamente para forçar esta ordenação antes de comprometer dinheiro.

2. Como deve ser, na prática, o Minimal Viable Agent?

Defina o workflow único, os inputs, os outputs e o momento em que um humano permanece no circuito. Um Minimal Viable Agent (MVA) Sprint constrói ou coordena depois esse MVA para testar a suposição mais arriscada — em vez de sobredimensionar uma v1 que não precisava de existir.

3. O que tem de ser validado — workflow, dados e revisão humana?

Três coisas quebram a maioria dos projetos de IA: o workflow não corresponde à forma como as pessoas realmente trabalham, os dados não estão tão disponíveis ou limpos como se assumiu, e não há um ponto claro em que um humano revê ou corrige o agente. O scope nomeia cada uma delas como um teste explícito, o que normalmente implica algum redesenho do workflow com IA antes de treinar um único modelo.

4. Que tipo de parceiro se adequa ao scope?

Boutiques de FDE, agências de IA, estúdios de produto, especialistas em automação, freelancers e grandes consultoras resolvem problemas diferentes. O parceiro de implementação de IA certo depende do scope e da restrição determinante — velocidade, compliance, integração ou custo. Clarifique primeiro o scope; depois, a seleção independente de parceiros torna-se um exercício curto e baseado em evidência, em vez de um palpite. (Se está a ponderar especificamente engenheiros embebidos na equipa, o nosso artigo sobre forward deployed engineering explica quando esse modelo faz sentido.)

5. Que orçamento é razoável?

Um primeiro passo deve parecer-se com um workshop de scoping na casa das dezenas de milhares baixas e um protótipo focado na casa das dezenas de milhares baixas a médias — não uma construção de plataforma de seis dígitos antes de algo estar provado. Se uma proposta salta diretamente para um grande programa, uma revisão independente de propostas de IA encontrará normalmente o excesso de scope.

6. Como evitamos construir a mais, o vendor lock-in e pilotos que nunca escalam?

Mantenha-se neutro em relação a fornecedores até os dados indicarem o contrário, mantenha a primeira construção pequena e mapeie o panorama de ferramentas antes de se comprometer — o nosso mapa do ecossistema de IA existe para que escolha componentes pelo mérito, não por quem fez o pitch primeiro. O custo oculto do parceiro de IA errado raramente é a fatura; é o lock-in e a coisa meio construída que ninguém consegue deitar fora.

O scope agora inclui governação

Na Europa, em particular, o scope já não é apenas "o que funciona" — é "o que é defensável". O NIST AI Risk Management Framework e o seu Generative AI Profile enquadram a governação de IA como trabalho de ciclo de vida: avaliação, fiabilidade e supervisão humana desenhadas desde o início. O AI Act da UE empurra na mesma direção — as decisões de IA precisam cada vez mais de scoping consciente do risco, não apenas de experimentação.

Não precisa de um departamento de compliance para agir sobre isto. Precisa de um scope que identifique onde um humano revê o agente, que dados este toca e como explicaria uma decisão se lhe fosse pedido. É mais barato desenhar isto à partida do que remendar depois.

Antes de contratar o parceiro, defina o scope

Esta é a frase que vale a pena guardar: antes de contratar o parceiro, defina o scope. Um parceiro qualificado consegue construir quase tudo. O que não consegue é dizer-lhe — de forma independente — se a coisa vale a pena ser construída, quão pequena deve começar ou se a sua própria proposta está sobredimensionada. Esse é o trabalho que tem de acontecer primeiro, e tem de ser independente de quem quer que venha a entregar.

Acerte no scope e o resto é procurement. Erre no scope e está a comprar bilhetes de lotaria com um plano de projeto agrafado.

Pontos-chave

• A ambição já não é a restrição. O scope vago é.
• Um Minimal Viable Agent prova um workflow — dados, revisão humana e valor — antes de escalar.
• Responda às seis perguntas (use case, forma do MVA, o que validar, tipo de parceiro, orçamento, anti-sobreconstrução) numa única página.
• A governação faz agora parte do scope, não de uma fase posterior.
• Defina o scope antes de escolher o parceiro de implementação de IA — de forma independente.