Casos de uso de IA são as tarefas específicas da sua operação que você decide entregar a uma ferramenta de inteligência artificial. O recorte não é a área, não é o setor e não é a ferramenta: é a tarefa, com começo, fim e alguém que hoje a faz.
A pergunta que trava a PME quase nunca é qual ferramenta contratar. É por onde começar. E o critério mais comum, o de atacar a tarefa que mais incomoda, é justamente o que, na leitura da CGLC, mais costuma dar errado. Este artigo mostra o que a evidência encontrou, entrega quatro critérios de escolha e lista o que evitar.
Resumo rápido
- Definição. Caso de uso de IA é uma tarefa delimitada da operação, com quem a executa hoje, com o que entra e com o que sai. “Usar IA no comercial” não é caso de uso; “escrever a primeira versão da proposta a partir das notas da reunião, para o vendedor revisar” é.
- O achado que contraria o senso comum. Vaccaro, Almaatouq e Malone (2024), em meta-análise pré-registrada de 106 estudos experimentais e 370 tamanhos de efeito, que buscou estudos publicados entre 1º/01/2020 e 30/06/2023, encontraram que, na média, a combinação de pessoa e IA teve desempenho significativamente pior do que o melhor dos dois sozinho (g de Hedges de -0,23, com intervalo de confiança de 95% de -0,39 a -0,07). Juntar os dois não é ganho automático.
- O que decide o sinal. Na mesma meta-análise, quando a pessoa sozinha era melhor que a IA, a dupla rendeu mais que os dois isolados (0,46). Quando a IA sozinha era melhor que a pessoa, a dupla rendeu menos que a IA sozinha (-0,54), embora, no mesmo recorte, o aumento humano, que compara a dupla com a pessoa sozinha, tenha sido de 0,74. E as tarefas de decidir entre opções tiveram perda (-0,27), e a diferença entre decidir e criar conteúdo foi estatisticamente significativa.
- Onde o ganho apareceu em campo. Brynjolfsson, Li e Raymond (2025) estudaram a entrada escalonada de um assistente conversacional com dados de 5.172 agentes de suporte ao cliente. A produtividade, medida em chamados resolvidos por hora, subiu 15% na média, e o resumo registra que os trabalhadores menos experientes e menos habilidosos melhoraram velocidade e qualidade, enquanto os mais experientes e mais habilidosos tiveram pequenos ganhos de velocidade e pequenas quedas de qualidade.
- O critério de frequência que, na nossa experiência, quase ninguém usa. No mesmo resumo, os autores registram que os ganhos foram maiores nos problemas moderadamente raros, em que o agente humano tem menos experiência de base, mas o sistema ainda tem dado de treino suficiente. Na leitura da CGLC, isso tira da fila tanto o problema de todo dia quanto o que aparece uma vez por ano.
- O que fazer na PME, na leitura da CGLC. Escolha o primeiro caso de uso por quatro critérios, nesta ordem: quem faz a tarefa hoje, que tipo de tarefa ela é, com que frequência ela aparece e quanto custa errar nela. O roteiro está na seção “Como aplicar os quatro critérios na sua operação”.
O que é um caso de uso de IA
Um caso de uso de IA é uma tarefa da operação que passa a ser feita com apoio de uma ferramenta de inteligência artificial. Para ser um caso de uso, e não uma intenção, ela precisa responder a quatro perguntas: qual é a tarefa, quem a faz hoje, o que entra nela e o que sai dela.
A diferença é prática. “Usar IA no atendimento” não dá para executar nem para medir. “Escrever a primeira resposta a um e-mail de reclamação, a partir do histórico do cliente, para que o atendente revise e envie” dá as duas coisas: dá para montar na segunda-feira e dá para comparar com o que acontecia antes.
Essa delimitação também é o que separa o caso de uso do piloto de IA. O caso de uso é a escolha do que atacar. O piloto é o teste daquela escolha num recorte pequeno da operação. Escolher errado e pilotar bem continua sendo escolher errado, e é por isso que este artigo trata da etapa anterior.
| Não é caso de uso | É caso de uso |
|---|---|
| Usar IA no comercial | Escrever a primeira versão da proposta a partir das notas da reunião, para o vendedor revisar |
| Automatizar o financeiro | Classificar as despesas do cartão da empresa em categorias contábeis, para o analista conferir |
| Melhorar o atendimento com IA | Resumir o histórico do cliente em cinco linhas, para o atendente conferir antes da ligação |
| Colocar IA no RH | Transformar a descrição da vaga em roteiro de entrevista com perguntas por competência, para o gestor da vaga ajustar |
Como a empresa escolhe hoje, e por que os três critérios falham
Na prática que acompanhamos, a escolha do primeiro caso de uso costuma seguir um de três caminhos, e nenhum deles olha para a evidência.
O primeiro é escolher a tarefa mais visível, aquela de que todo mundo reclama na reunião. O segundo é escolher a tarefa que a ferramenta demonstrou bem no vídeo do fornecedor. O terceiro é escolher a tarefa do melhor profissional da casa, com o raciocínio de que, se der certo com ele, dá certo com qualquer um.
Os três têm o mesmo defeito de fundo: tratam o ganho como propriedade da ferramenta. Se a ferramenta é boa, o ganho vem; se não veio, a ferramenta era ruim. A evidência disponível aponta para outro lugar. O ganho depende do tipo de tarefa e de quem a faz hoje.
Sánchez, Calderón e Herrera (2025), em análise conceitual baseada em literatura sobre adoção de IA em pequenas e médias empresas, identificam e analisam dez desafios críticos distribuídos pelas dimensões de tecnologia, organização e ambiente. Os desafios vão de acesso a dados e falta de qualificação a resistência cultural, limitações de infraestrutura e governança frágil.
Os autores afirmam que falta orientação operacional ajustada à realidade da PME, e propõem um roteiro de seis fases que, segundo eles próprios, ainda não foi validado com dados de campo.
Leitura da CGLC: essa lacuna é exatamente onde a PME se perde. Existe muita recomendação sobre por que adotar e quase nenhuma sobre o que atacar primeiro. As próximas duas seções tratam disso com o que há de medido.
O achado que contraria o senso comum do mercado
A frase mais repetida sobre IA nas empresas é que a IA não substitui a pessoa, apenas a complementa. A meta-análise de Vaccaro, Almaatouq e Malone (2024), publicada na Nature Human Behaviour, colocou essa frase à prova de forma direta.
Os autores reuniram 106 estudos experimentais com participantes humanos, publicados entre 1º de janeiro de 2020 e 30 de junho de 2023, somando 370 tamanhos de efeito. Cada estudo precisava ter avaliado três desempenhos: o da pessoa sozinha, o da IA sozinha e o da dupla.
O resultado médio foi negativo. A combinação de pessoa e IA teve desempenho significativamente pior do que o melhor dos dois sozinho, com g de Hedges de -0,23 e intervalo de confiança (IC) de 95% de -0,39 a -0,07. Os autores chamam essa grandeza de sinergia humano-IA, e ela responde a uma pergunta específica: vale mais a pena usar os dois juntos ou usar o melhor dos dois?
O que o gráfico mostra é que a média esconde dois recortes que decidem o sinal, e os dois são acionáveis.
O primeiro é o tipo de tarefa. Entre as tarefas de decisão, em que o participante escolhia dentro de um conjunto finito de opções, a sinergia foi negativa (-0,27, com intervalo de -0,44 a -0,10). Entre as tarefas de criação, em que o participante produzia conteúdo de resposta aberta, o valor foi positivo (0,19), mas com intervalo de -0,09 a 0,48, que inclui o zero.
Os próprios autores registram que esse ganho não é distinguível de zero, provavelmente pelo tamanho pequeno da amostra. O que é estatisticamente significativo é a diferença entre os dois tipos de tarefa, não o ganho de criar.
O segundo é quem era melhor sozinho. Quando a pessoa sozinha superava a IA sozinha, a dupla superou os dois isolados, com sinergia de 0,46. Quando a IA sozinha superava a pessoa, a dupla teve perda em relação à IA sozinha, com sinergia de -0,54.
Esse segundo recorte é o que mais desarma o senso comum, e ele merece uma distinção que o próprio estudo faz. No mesmo recorte em que a IA era melhor e a sinergia foi de -0,54, os autores reportam uma outra grandeza, que eles chamam de aumento humano: a dupla comparada com a pessoa sozinha. Esse valor foi de 0,74, positivo e de magnitude média a grande. Os dois números não se contradizem, porque respondem a perguntas diferentes.
| Grandeza | Compara a dupla com | Valor quando a IA era melhor | O que isso quer dizer |
|---|---|---|---|
| Sinergia humano-IA | O melhor dos dois sozinho | -0,54 (IC de -0,71 a -0,37) | Pôr a pessoa junto derrubou o desempenho em relação à IA operando sozinha |
| Aumento humano | A pessoa sozinha | 0,74 (IC de 0,63 a 0,85) | A mesma pessoa, com a ferramenta, entregou bem mais do que entregava sem ela |
Leitura da CGLC: traduzindo para a decisão do dono, isso significa que “colocar uma pessoa para revisar” não é uma rede de segurança gratuita. Se o objetivo é o teto do sistema, a revisão custa caro nas tarefas em que a ferramenta já é melhor que quem revisa. Se o objetivo é o piso do trabalho daquela pessoa, a ferramenta ajuda, e ajuda bastante. São duas decisões diferentes, e a empresa precisa saber qual está tomando.
O que muda quando se olha quem faz a tarefa hoje
Esse mesmo padrão aparece fora do laboratório. Brynjolfsson, Li e Raymond (2025), na Quarterly Journal of Economics, estudaram a entrada escalonada de um assistente conversacional baseado em IA generativa, com dados de 5.172 agentes de suporte ao cliente. O acesso ao assistente aumentou a produtividade, medida em chamados resolvidos por hora, em 15% na média.
A média, de novo, esconde o que interessa. O resumo do estudo registra heterogeneidade substancial entre os trabalhadores: os menos experientes e menos habilidosos melhoraram velocidade e qualidade, enquanto os mais experientes e mais habilidosos tiveram pequenos ganhos de velocidade e pequenas quedas de qualidade. Os autores também relatam evidência de que o assistente facilitou o aprendizado dos trabalhadores e melhorou a fluência em inglês, em especial entre agentes internacionais.
E há um achado sobre frequência que, na leitura da CGLC, praticamente não circula no mercado brasileiro. Ainda no resumo, os autores registram que os ganhos da adoção foram maiores nos problemas moderadamente raros, e dão a razão, que tem duas partes: o agente humano tem menos experiência de base neles, mas o sistema ainda tem dado de treino suficiente para ajudar.
| Frequência da tarefa | O que costuma acontecer | Serve para começar? |
|---|---|---|
| Acontece o tempo todo | Quem executa já decorou. A margem para a ferramenta melhorar é pequena, e é aqui que estão os profissionais mais calejados da casa | Não, baixa prioridade |
| Acontece de vez em quando | Quem executa tem menos repertório, e ainda assim o sistema tem dado de treino suficiente sobre o assunto | Sim, é por aqui que se começa |
| Quase nunca acontece | Não há repertório em ninguém, e o sistema também não tem dado de treino suficiente sobre o assunto. A ferramenta inventa com a mesma confiança com que acerta | Não |
Repare em qual grandeza da meta-análise conversa com o estudo de campo, porque não é a sinergia. É o aumento humano: no recorte em que a IA era melhor que a pessoa, a dupla entregou bem mais do que a pessoa entregava sozinha (0,74), ainda que entregasse menos do que a IA operando sozinha (-0,54). Brynjolfsson, Li e Raymond (2025) encontraram, em campo, ganho de velocidade e qualidade justamente em quem tinha menos experiência.
Nos dois casos, o que muda o resultado é a distância entre o repertório de quem executa e o que a ferramenta consegue fazer. E a direção do efeito depende da pergunta. Naquele recorte, o da IA melhor que a pessoa, comparar com o melhor dos dois faz a pessoa a mais custar caro, e comparar com aquela pessoa sozinha faz a ferramenta render. No recorte inverso, o da pessoa melhor que a IA, a dupla ganhou nas duas comparações.
Os quatro critérios para escolher o primeiro caso de uso
Os critérios abaixo são leitura da CGLC, construídos a partir do que a evidência acima mostra que dá errado. Nenhum deles foi testado em pesquisa, e nenhum dos estudos citados examinou PME brasileira.
-
1. Quem faz a tarefa hoje
Comece pela tarefa de quem tem menos repertório nela, não pela do seu melhor profissional. É onde o estudo de campo encontrou ganho de velocidade e qualidade. E é o que, na nossa tradução, corresponde ao recorte em que a IA sozinha era melhor que a pessoa, onde a meta-análise mediu o maior aumento humano, ainda que a sinergia ali tenha sido negativa
-
2. Que tipo de tarefa é
Prefira produzir uma primeira versão de algo aberto a escolher entre opções fechadas. Nas tarefas de decisão a meta-análise encontrou perda, e a diferença entre decidir e criar foi significativa
-
3. Com que frequência ela aparece
Fuja tanto da tarefa de todo dia, que quem executa já decorou, quanto da que aparece uma vez por ano, sobre a qual o sistema não tem dado de treino. A faixa do meio é onde o estudo de campo encontrou o maior ganho
-
4. Quanto custa errar nela
O primeiro caso de uso precisa ser de erro barato e reversível, porque ele vai errar na frente de todo mundo. Erro caro e irreversível não é lugar de aprender a operar uma ferramenta nova
Por que o quarto critério existe
O critério do custo do erro costuma ser lido como prudência genérica. Ele é mais específico do que isso, e tem um mecanismo descrito na literatura.
Dietvorst, Simmons e Massey (2015), em cinco estudos publicados no Journal of Experimental Psychology: General, mostraram um comportamento que batizaram de aversão ao algoritmo. Os participantes viam previsões feitas por um algoritmo, por uma pessoa, pelos dois ou por nenhum, e depois decidiam a qual dos dois amarrar o próprio ganho.
Quem tinha visto o algoritmo trabalhar ficou menos confiante nele e o escolheu menos, preferindo um previsor humano comprovadamente pior. Isso valeu inclusive entre quem tinha visto o algoritmo superar a pessoa.
A explicação que os autores dão é a parte que importa aqui: as pessoas perdem confiança em um previsor algorítmico mais rápido do que perderiam em um previsor humano depois de ver os dois cometerem o mesmo erro.
Duas ressalvas antes de usar isso na sua empresa. O estudo trata de algoritmos estatísticos de previsão, não das ferramentas de IA generativa de hoje, e estender o mecanismo para elas é hipótese, não achado. E o que foi medido é a escolha de um previsor em um experimento com incentivo, não a decisão de um dono de PME.
Leitura da CGLC: feitas essas ressalvas, a consequência prática é direta. O primeiro caso de uso é o que define se a empresa vai continuar usando IA, e ele vai errar em público. Se o primeiro erro sair caro, a organização não conclui que aquele caso de uso era ruim. Ela conclui que IA não funciona ali, e a porta fecha por anos. Escolher uma tarefa de erro barato não é falta de ambição: é proteger a segunda tentativa.
Como aplicar os quatro critérios na sua operação
O roteiro abaixo cabe em uma reunião de duas horas com quem conhece a operação. Ele não exige consultoria, ferramenta comprada nem dado histórico organizado.
| Passo | O que fazer | O que sai daqui |
|---|---|---|
| 1. Listar tarefas, não áreas | Peça a cada pessoa que liste as tarefas de texto, resumo, classificação e primeira versão que ela faz na semana. Tarefa, não processo | Uma lista de 15 a 40 tarefas nomeadas |
| 2. Marcar quem executa | Ao lado de cada tarefa, marque se quem a faz é a pessoa mais experiente da casa naquilo ou alguém com pouco tempo de rodagem | A lista dividida em dois grupos |
| 3. Separar criar de decidir | Marque se a tarefa produz um texto ou material aberto, ou se ela é uma escolha entre opções fechadas | As tarefas de criar sobem na fila |
| 4. Marcar a frequência | Marque se é todo dia, algumas vezes por mês ou algumas vezes por ano | As de algumas vezes por mês sobem na fila |
| 5. Estimar o custo do erro | Pergunte: se isso sair errado e ninguém perceber, o que acontece? Dá para desfazer? | As de erro caro ou irreversível saem da fila do primeiro caso |
| 6. Escolher uma, e só uma | Escolha a que sobrar no topo dos quatro critérios. As outras entram numa fila escrita, com data de revisão | Um caso de uso escolhido, com critério registrado |
Escolhido o caso de uso, a etapa seguinte é montar o teste. Ela tem regras próprias, e nós as tratamos em detalhe no artigo sobre o piloto de IA. Se a tarefa escolhida envolver várias etapas encadeadas e alguma autonomia da ferramenta, vale ler antes o que já escrevemos sobre agentes de IA.
O que evitar ao escolher o primeiro caso de uso
| Erro | Por que ele é atraente | O que a evidência sugere |
|---|---|---|
| Começar pela tarefa do seu melhor profissional | Se funcionar com ele, funciona com todo mundo | Em Brynjolfsson, Li e Raymond (2025), os mais experientes e mais habilidosos tiveram pequenos ganhos de velocidade e pequenas quedas de qualidade |
| Começar por uma tarefa de decisão | É onde parece estar o maior ganho de tempo do gestor | Na meta-análise de Vaccaro, Almaatouq e Malone (2024), a sinergia nas tarefas de decisão foi de -0,27, e a diferença para as de criação foi significativa |
| Supor que a revisão humana resolve | Parece uma rede de segurança que não custa nada | Na mesma meta-análise, quando a IA sozinha era melhor que a pessoa, a dupla rendeu menos que a IA sozinha, com sinergia de -0,54 |
| Começar por uma tarefa de erro caro | É onde está a dor maior, e onde o retorno parece maior | Dietvorst, Simmons e Massey (2015) descrevem que a confiança em um previsor algorítmico cai mais rápido depois de vê-lo errar do que cairia com um humano no mesmo erro |
| Escolher a tarefa mais rara da operação | É a que mais incomoda quando aparece | Brynjolfsson, Li e Raymond (2025) registram ganho maior nos problemas moderadamente raros, e ligam isso a duas coisas ao mesmo tempo: o agente humano tem menos experiência de base neles, e o sistema ainda tem dado de treino suficiente |
| Escolher sem saber como conferir o resultado | Adia uma discussão chata | Leitura da CGLC: sem critério de conferência definido antes, a discussão sobre a qualidade vira opinião, e a ferramenta é julgada pelo primeiro erro visível |
O alcance de cada fonte, e o que ela não cobre
Vale explicitar o alcance de cada fonte, porque nenhuma delas mediu a sua empresa.
| Fonte | O que é | O que ela não cobre |
|---|---|---|
| Vaccaro, Almaatouq e Malone (2024) | Meta-análise pré-registrada de 106 estudos experimentais e 370 tamanhos de efeito, de estudos publicados entre 1º/01/2020 e 30/06/2023 | A janela termina antes de boa parte do uso corporativo atual de IA generativa. Os autores também registram que pode haver viés de publicação |
| Brynjolfsson, Li e Raymond (2025) | Estudo de campo com dados de 5.172 agentes de suporte ao cliente, com entrada escalonada do assistente | Uma empresa, um setor, uma classe de tarefa. Não é evidência sobre IA na empresa em geral |
| Dietvorst, Simmons e Massey (2015) | Cinco estudos experimentais sobre a escolha entre previsor algorítmico e previsor humano | Trata de algoritmos estatísticos de previsão, não de IA generativa. A extensão é hipótese |
| Sánchez, Calderón e Herrera (2025) | Análise conceitual baseada em literatura sobre adoção de IA em PMEs, com dez desafios identificados | Não é estudo empírico. Os próprios autores registram que o roteiro proposto ainda não foi validado com dados de campo |
Onde isso se encaixa no resto
A escolha do caso de uso é o terceiro passo de uma sequência, e pular os dois primeiros é o que faz a escolha parecer difícil. Antes dela vem entender onde a IA gera valor no seu tipo de negócio, assunto do nosso guia de IA para empresas, e entender em que ponto da adoção a sua empresa está, assunto que tratamos a partir de dados em adoção de IA nas empresas.
Depois dela vem o teste, no piloto de IA, e a execução na área escolhida. Quando a área é a comercial, o recorte específico está em IA para vendas.
Leitura da CGLC: o que vemos travar as PMEs não é falta de ferramenta nem falta de vontade. É que a escolha do primeiro caso de uso é tomada por quem tem a dor mais alta na reunião, e não a partir de um critério construído com o que a evidência mostra que dá errado. Trocar um critério pelo outro custa uma reunião de duas horas e muda o resultado dos doze meses seguintes.
Perguntas frequentes sobre casos de uso de IA
O que é um caso de uso de IA?
É uma tarefa delimitada da operação que passa a ser feita com apoio de uma ferramenta de inteligência artificial. Para ser um caso de uso, e não uma intenção, ela precisa responder a quatro perguntas: qual é a tarefa, quem a faz hoje, o que entra nela e o que sai dela. “Usar IA no comercial” é uma intenção; “escrever a primeira versão da proposta a partir das notas da reunião, para o vendedor revisar” é um caso de uso.
Qual o primeiro caso de uso de IA que uma PME deve escolher?
O que reúne quatro características: é feito por quem tem menos repertório naquela tarefa, produz uma primeira versão de algo aberto em vez de escolher entre opções fechadas, aparece algumas vezes por mês, e tem erro barato e reversível. Os três primeiros traduzem achados de Vaccaro, Almaatouq e Malone (2024), que buscaram estudos publicados entre 1º/01/2020 e 30/06/2023, e de Brynjolfsson, Li e Raymond (2025). O quarto vem da aversão a previsor algorítmico de Dietvorst, Simmons e Massey (2015), cuja extensão para IA generativa é hipótese. O conjunto é leitura nossa, não testada em pesquisa.
Juntar uma pessoa à IA sempre melhora o resultado?
Não. Na meta-análise de Vaccaro, Almaatouq e Malone (2024), que buscou estudos publicados entre 1º/01/2020 e 30/06/2023, a combinação de pessoa e IA teve desempenho significativamente pior do que o melhor dos dois sozinho, com g de Hedges de -0,23. Quando a IA sozinha era melhor que a pessoa, a dupla rendeu menos que a IA sozinha, com sinergia de -0,54. No mesmo recorte, porém, a dupla rendeu bem mais do que a pessoa sozinha, com aumento humano de 0,74. São comparações diferentes, e a empresa precisa saber qual persegue.
Por que não começar pela tarefa do profissional mais experiente?
Porque é onde o estudo de campo encontrou menos ganho. Em Brynjolfsson, Li e Raymond (2025), com dados de 5.172 agentes de suporte ao cliente, os trabalhadores menos experientes e menos habilidosos melhoraram velocidade e qualidade, enquanto os mais experientes e mais habilidosos tiveram pequenos ganhos de velocidade e pequenas quedas de qualidade. O estudo é de uma empresa e de um setor, então o achado não se generaliza automaticamente para qualquer tarefa.
Quantos casos de uso de IA começar ao mesmo tempo?
Um. Na leitura da CGLC, a razão está em ler o resultado, não na capacidade: com dois casos rodando juntos, qualquer resultado fica ambíguo, e a empresa não sabe a qual escolha atribuir o que deu certo ou errado. Os demais candidatos entram numa fila escrita com data de revisão, o que também evita que a lista seja refeita do zero a cada reunião.
Preciso de dados organizados para começar a usar IA?
Depende do caso de uso escolhido. Sánchez, Calderón e Herrera (2025), em análise conceitual sobre adoção de IA em pequenas e médias empresas, identificam o acesso a dados entre os dez desafios críticos que analisam. Na leitura da CGLC, um primeiro caso de uso de texto, resumo ou primeira versão costuma exigir apenas o material que a empresa já produz no dia a dia, e é por isso que ele serve para começar: ele não depende do projeto de organização de dados, que é longo.
Fontes e referências
- Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889-942. https://doi.org/10.1093/qje/qjae044
- Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114-126. https://doi.org/10.1037/xge0000033
- Sánchez, E., Calderón, R., & Herrera, F. (2025). Artificial Intelligence Adoption in SMEs: Survey Based on TOE-DOI Framework, Primary Methodology and Challenges. Applied Sciences, 15(12), 6465. https://doi.org/10.3390/app15126465
- Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8(12), 2293-2303. https://doi.org/10.1038/s41562-024-02024-1
Nenhum dos quatro estudos examinou pequenas e médias empresas brasileiras. O trabalho de Sánchez, Calderón e Herrera (2025) é uma análise conceitual baseada em literatura, e não um estudo empírico.
Quer sair da lista de intenções e escolher, com critério, o primeiro caso de uso de IA da sua empresa?
Por: José Erlan Dias Alves, fundador da CGLC e responsável pelo silo de Inteligência Artificial. A CGLC (Centro de Gestão e Liderança Contemporânea) é um laboratório de cocriação de soluções que apoia empresas e líderes no desenvolvimento de lideranças, cultura de inovação e gestão de pessoas.
Publicado em 14/09/2026. Última atualização: 14/09/2026.
A CGLC (Centro de Gestão e Liderança Contemporânea) é um laboratório de cocriação de soluções que apoia empresas e líderes no desenvolvimento de lideranças, cultura de inovação e gestão de pessoas.
IA aplicada na sua PME, sem hype
Receba os conteúdos de inteligência artificial da CGLC e o convite das próximas turmas do Bootcamp.
