A inteligência artificial é cada vez mais vista como parte da solução. A IA generativa, em particular, renovou o interesse pela automação de tarefas intensivas em documentação e pelo fortalecimento do suporte à tomada de decisão.
No entanto, a transição da experimentação para uma capacidade operacional real tem se mostrado um grande desafio.
Segundo o estudo The GenAI Divide: State of AI in Business 2025, publicado pelo MIT NANDA, apenas 5% dos pilotos de IA generativa em empresas conseguem gerar impacto mensurável em escala. A grande maioria é interrompida antes de alcançar valor operacional sustentável.
Para os líderes do setor público, isso se traduz em uma pergunta central: o que diferencia as poucas iniciativas de IA que conseguem escalar daquelas que não passam da fase piloto? E, além disso, o que é necessário para integrar a IA de forma segura e responsável à gestão de casos que precisam ser transparentes, auditáveis e alinhados aos padrões estabelecidos pelo governo?
O salto para a computação probabilística
Durante décadas, os sistemas do setor público foram construídos sobre uma lógica determinística: entradas estruturadas produzem resultados previsíveis. Cada campo segue um formato definido e cada regra se comporta de maneira consistente.
Os sistemas modernos de IA funcionam de forma diferente.
Esses sistemas conseguem processar informações não estruturadas em escala, incluindo documentos, correspondências, textos livres e imagens. No entanto, seus resultados são probabilísticos. Em vez de fornecer respostas garantidas, produzem a interpretação ou recomendação considerada mais provável.
Em ambientes regulados, essa diferença é significativa. Modelos de governança, processos de garantia e frameworks de confiança precisam evoluir junto com a tecnologia. A IA não pode simplesmente ser inserida em sistemas legados esperando que se comporte como um software tradicional.
Em nossa experiência trabalhando com equipes digitais e de dados do governo central do Reino Unido, essa mudança de mentalidade costuma ser o fator que diferencia programas que amadurecem daqueles que ficam estagnados. A tecnologia possui capacidade, mas as estruturas organizacionais e os modelos de governança ainda não se adaptaram à sua natureza probabilística.
Por que os pilotos de IA ficam estagnados no setor público
Em órgãos públicos e entidades reguladoras, iniciativas de IA frequentemente apresentam resultados promissores nas fases iniciais. A síntese de documentos funciona, os modelos de classificação entregam bons resultados e a busca melhora significativamente. No entanto, esse avanço desacelera quando chega o momento de passar da prova de conceito para a produção.
Ao longo da implementação de soluções em ambientes de gestão de casos e serviços governamentais, observamos um padrão recorrente: a IA é adicionada a processos isolados, mas o fluxo de trabalho de ponta a ponta não é repensado. As responsabilidades permanecem fragmentadas e as iniciativas são conduzidas como experimentos tecnológicos, e não como produtos com objetivos e resultados claramente definidos.
Ao mesmo tempo, existe uma cautela compreensível em relação ao uso de sistemas probabilísticos em contextos nos quais prestação de contas, transparência e auditabilidade são fundamentais. O resultado é uma proliferação de pilotos que geram interesse, mas pouco impacto operacional real.
O problema não está na capacidade da tecnologia, mas na integração.
O que diferencia os 5%
Os poucos órgãos e entidades reguladoras que conseguem levar a IA para produção em escala compartilham algumas características em comum.
Os 5% que ultrapassam a fase piloto não o fazem porque possuem tecnologia diferente, mas porque abordam desde o início o desenho dos fluxos de trabalho, a governança e a medição de resultados.
Essas organizações analisam todo o ciclo de vida do caso, desde o recebimento das informações até a avaliação, tomada de decisão e comunicação. Em vez de aplicar IA a tarefas isoladas, identificam onde surgem atritos, atrasos ou duplicações e a utilizam onde pode gerar maior impacto.
Também tratam iniciativas de IA como produtos, e não como experimentos. Existem responsáveis definidos, objetivos claros e alinhamento direto com as prioridades estratégicas da organização. O sucesso é medido por indicadores operacionais concretos, como capacidade de processamento, tempo de resolução e redução de backlog.
Por fim, projetam para melhoria contínua desde o início. Sistemas probabilísticos exigem ajustes permanentes: prompts evoluem, tarefas são refinadas e processos são divididos em componentes mais específicos. O desempenho melhora progressivamente por meio de otimização estruturada, e não de implantações pontuais.
Essa abordagem disciplinada e integrada é o que diferencia experimentação de capacidade operacional real.
Um modelo prático para a gestão de casos habilitada por IA
O termo “IA agêntica” costuma ser associado a sistemas altamente autônomos capazes de coordenar tarefas complexas de forma independente. Embora esse tipo de arquitetura já faça parte de muitos produtos de IA, sua adoção em casos de uso específicos continua sendo um desafio considerável.
No entanto, a maioria dos cenários de gestão de casos no setor público não exige esse nível de complexidade e, em muitos casos, sequer possui autorização para operar com altos níveis de automação.
Uma abordagem mais prática consiste em incorporar agentes de IA como componentes especializados dentro de fluxos de trabalho claramente definidos.
Em um ambiente típico de gestão de casos, isso pode incluir tarefas como ingestão automatizada de documentos, redação, classificação e rotulagem de informações sensíveis, síntese de materiais do caso e identificação de possíveis indicadores de risco.
Cada uma dessas funções pode ser executada por um agente de IA projetado especificamente para esse propósito.
Quando implementada dentro dos frameworks de governança existentes, essa abordagem permite que organizações modernizem suas operações gradualmente sem perder transparência ou controle. Em vez de substituir gestores de casos, a IA os apoia ao reduzir o trabalho manual, permitindo que se concentrem em atividades que exigem julgamento, supervisão e gestão de exceções.
O objetivo não é a autonomia por si só, mas ampliar as capacidades humanas por meio de uma integração estruturada da IA.
Supervisão humana integrada desde a concepção
No setor público, a supervisão humana continua sendo essencial.
Fluxos de trabalho habilitados por IA incorporam pontos claros de revisão e intervenção, nos quais gestores de casos podem iniciar processos, validar resultados gerados pela IA, gerenciar exceções ou aplicar julgamento profissional em situações complexas.
Esses mecanismos garantem que as decisões permaneçam transparentes, auditáveis e alinhadas aos princípios de equidade e responsabilidade exigidos pelo setor público.
Além disso, essa supervisão não opera à margem das estruturas de governança existentes. Ela deve estar integrada aos processos já estabelecidos de garantia, controle e segurança.
Por isso, integrar IA com sucesso exige muito mais do que uma implementação tecnológica. É necessário incorporá-la aos processos, controles e estruturas de governança já existentes na organização.
Na prática, quando as equipes compreendem como a IA funciona dentro do fluxo de trabalho, a confiança começa a crescer. A conversa deixa de ser sobre confiar ou não na tecnologia e passa a focar em como otimizá-la. A atenção se desloca para desempenho, qualidade e melhoria contínua.
A IA deixa de ser uma camada experimental e passa a ser parte integrante da operação.
Do piloto à capacidade operacional
A IA no setor público está deixando de ser uma iniciativa experimental para se tornar uma disciplina operacional.
Para organizações que gerenciam grandes volumes de casos, a oportunidade está em redesenhar processos com a IA como componente integrado e governado, e não como uma ferramenta isolada.
A experiência em programas de modernização de gestão de casos e serviços governamentais demonstra que, quando a IA é integrada de forma deliberada, medida com rigor e supervisionada adequadamente, pode melhorar significativamente a capacidade operacional, a qualidade do serviço e a resiliência organizacional.
A diferença entre os 95% e os 5% não está no acesso à tecnologia, mas na disciplina com que ela é aplicada.
As organizações que tratam a gestão de casos habilitada por IA como uma transformação operacional, e não como um piloto tecnológico, têm muito mais chances de superar a fase de experimentação e construir capacidades sustentáveis de longo prazo.
Se você está considerando dar o próximo passo
Para conversar sobre como projetar, governar ou escalar a gestão de casos habilitada por IA em sua organização, entre em contato com:
Fabiano Fernandes
Head of Operations
Fabiano.Fernandes@valtech.com
