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. Os autores registram 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 leitura da CGLC, quase ninguém usa. No mesmo estudo, 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 nossa prática: 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. Os autores registram 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. Os autores registram ainda 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 tradução da CGLC, corresponde ao recorte em que a IA sozinha era melhor que a pessoa, onde a meta-análise mediu aumento humano de 0,74, acima da média geral de 0,64, 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 da CGLC, 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.
