Você gerencia a IA que sua equipe utiliza?

A IA de uma empresa não é só o projeto que a diretoria aprovou. É também a soma de centenas de pequenas decisões tomadas todos os dias, por cada colaborador, diante de uma tela e de um prazo. Quem usa, para quê, com qual ferramenta e a que custo. A pergunta que guia este é: como cuidar do uso da IA pela equipe, de forma que ela ajude de verdade, com segurança e sem desperdício?

A primeira coisa que costumo dizer a quem ainda está decidindo se vai "liberar" a IA para a equipe é que essa decisão, na prática, já foi tomada pelos próprios colaboradores. O Work Trend Index 2024, da Microsoft com o LinkedIn, que ouviu 31 mil pessoas em 31 países, mostrou que 75% dos trabalhadores do conhecimento já usavam IA no trabalho e que 78% deles levavam as próprias ferramentas, sem esperar pela empresa. Apenas 39% tinham recebido algum treinamento da companhia (Microsoft, 2024).

Um ano depois, o retrato continuava parecido. O estudo AI at Work 2025, do Boston Consulting Group, com mais de 10.600 trabalhadores em 11 países, apontou que 54% usariam ferramentas de IA mesmo sem autorização, que só 36%se sentem bem treinados e que apenas 25% dos profissionais da linha de frente dizem receber orientação suficiente de seus líderes sobre o tema (BCG, 2025).

Olhando esses números, eu não vejo colaboradores rebeldes. Vejo pessoas que descobriram uma ferramenta útil e estão tentando trabalhar melhor, muitas vezes sozinhas. O risco que discutimos no artigo anterior, de dados saindo do controle da empresa, nasce justamente desse vazio: quando ninguém oferece um caminho, cada um abre o seu. E há um segundo efeito, menos comentado, que é o custo. Assinaturas espalhadas por departamentos, contas pagas no cartão de alguém, uso intenso de modelos caros para tarefas simples. Sem acompanhamento, ninguém sabe quanto a IA custa nem quanto devolve.

Se o uso já existe, o trabalho da gestão não é criá-lo, é trazê-lo para a luz. E o primeiro passo é simplesmente perguntar. Uma conversa aberta, ou um questionário anônimo, sobre quais ferramentas cada área usa, para quais tarefas e com que frequência costuma revelar um mapa surpreendente, cheio de boas ideias que ninguém tinha compartilhado. O cuidado aqui é deixar claro que o objetivo é entender, e não punir. Quem tem medo de admitir que usa IA continua usando, só que escondido.

Com esse mapa em mãos, a empresa consegue fazer o movimento que mais reduz o uso fora do radar: oferecer uma alternativa melhor do que a conta pessoal. Isso significa escolher poucas ferramentas, contratadas em nome da empresa, com contas corporativas, regras claras sobre retenção de dados e acesso centralizado. Quando a ferramenta oficial é boa, fácil de acessar e já vem integrada ao trabalho, a conta pessoal perde a razão de existir. A política e a classificação de dados de que falei no artigo anterior ganham, então, um endereço concreto: o colaborador sabe não só o que pode compartilhar, mas onde pode fazer isso.

O passo seguinte é a formação, e aqui vale insistir na diferença entre comunicar uma regra e ensinar a usar. O mesmo estudo do BCG observou que quem recebe cinco horas ou mais de treinamento, de preferência presencial e com acompanhamento, tem muito mais chance de se tornar usuário regular. Na minha experiência, os treinamentos que funcionam são os que partem das tarefas reais de cada área: o comercial aprende a preparar uma proposta, o financeiro a revisar uma análise, o atendimento a organizar respostas, sempre com exemplos do que pode e do que não pode ir para a ferramenta. Ajuda muito ter, em cada time, uma pessoa de referência, alguém que usa bem, gosta de ensinar e vira o primeiro ponto de apoio para as dúvidas do dia a dia.

Nada disso se sustenta sem a liderança. Se apenas um em cada quatro profissionais da linha de frente sente que recebe orientação suficiente, o recado é claro: os líderes precisam usar, falar sobre o uso e dar o exemplo, inclusive mostrando quando a IA errou e por que a revisão humana fez diferença.

Por fim, o que não é acompanhado não melhora. Ferramentas corporativas permitem acompanhar quantas pessoas usam, em quais áreas e quanto isso custa, e esse acompanhamento deve servir para decidir, não para vigiar. Ele mostra quais usos estão gerando ganho e merecem ser ampliados, quais licenças estão paradas e onde o consumo está alto demais para o valor que entrega. É nesse ponto da conversa que surge, quase sempre, uma pergunta sobre a conta: dá para gastar menos?

Para responder, vale entender como a conta é feita. Os grandes serviços de IA na nuvem cobram, em geral, por tokens, os pequenos pedaços de texto que o modelo lê e escreve. Cada pergunta, cada documento anexado e cada resposta consomem tokens, e o preço varia muito conforme o modelo: os mais avançados custam bem mais por token do que os menores. Quando uma equipe inteira usa sempre o modelo mais poderoso para tudo, inclusive para resumir um e-mail ou corrigir a ortografia de um parágrafo, a fatura cresce sem que o resultado melhore na mesma proporção.

A boa notícia é que boa parte das tarefas do dia a dia não precisa do modelo mais caro. Resumir, classificar, extrair informações de documentos, reescrever textos e responder perguntas sobre a base interna são trabalhos que modelos menores, de código aberto, fazem muito bem. E esses modelos podem rodar dentro da própria empresa, em um servidor local ou em uma nuvem privada contratada por ela. É o que chamamos de IA local. Depois que a estrutura está montada, o custo de cada nova pergunta deixa de depender da quantidade de tokens e passa a depender da máquina, da energia e de quem cuida dela.

A forma mais inteligente de usar essa possibilidade, na minha visão, não é trocar a nuvem pela IA local, mas combinar as duas. A ideia é encaminhar cada pedido para o modelo adequado: o que é simples e repetitivo vai para o modelo menor; o que exige raciocínio mais sofisticado vai para o mais potente. Pesquisadores da organização LMSYS, no projeto RouteLLM, testaram exatamente esse tipo de roteamento entre um modelo de ponta, o GPT-4 Turbo, e um modelo aberto, o Mixtral 8x7B. No teste de conversação MT Bench, o roteamento reduziu o custo em mais de 85%em relação a usar só o modelo de ponta, mantendo cerca de 95% do seu desempenho (LMSYS, 2024). É um resultado de laboratório, e cada empresa terá o seu número, mas ele mostra o tamanho da oportunidade.

Há ainda um ganho que conversa diretamente com o artigo anterior. Quando o modelo roda dentro de casa, as informações classificadas como confidenciais ou restritas não precisam sair do ambiente da empresa para serem processadas. A IA local se torna, assim, uma ferramenta de governança, além de uma ferramenta de economia.

Isso não quer dizer que seja a resposta para todos. Manter modelos locais exige investimento em infraestrutura, gente que saiba operar e atualizar o ambiente e uma avaliação honesta de qualidade, porque modelos menores ainda ficam atrás dos maiores em tarefas complexas. A conta só fecha quando o volume de uso justifica a estrutura. Por isso, antes de qualquer decisão, gosto de voltar à mesma lógica que defendi no primeiro artigo e que usamos na Palmsoft: entender o uso real, testar em pequena escala com uma meta clara e só então expandir. E vale lembrar que parte da economia de tokens não depende de servidor nenhum. Pedidos mais objetivos, sem anexos desnecessários, e a escolha consciente do modelo para cada tarefa também se aprendem no treinamento, e reduzem a conta desde o primeiro dia.

Ao longo desta série, a IA apareceu em três camadas que dependem umas das outras. A estratégia diz onde ela gera valor para o negócio. A governança diz com quais dados e sob quais regras. E a gestão do uso, assunto deste último artigo, garante que essas decisões cheguem à ponta, na rotina de cada pessoa, com as ferramentas certas e a um custo que faça sentido. Uma empresa pode ter o melhor projeto de IA do mercado e, ao mesmo tempo, uma equipe usando contas pessoais, sem treinamento e sem saber quanto aquilo custa. Quando as três camadas caminham juntas, a IA deixa de ser uma soma de iniciativas soltas e passa a ser um recurso da empresa, cuidado como qualquer outro.

No fim, cuidar do uso da IA pelos colaboradores é uma forma de cuidar das próprias pessoas. É dar a elas boas ferramentas, ensinar a usá-las bem e confiar que, com orientação, vão fazer escolhas melhores para o negócio. Foi com essa ideia que comecei a série e é com ela que encerro: a inteligência artificial mais valiosa não é a mais poderosa, é a que a empresa sabe onde usar, com quais dados e por quem.

Autor(a): Formada em Gestão comercial pelo SENAC - Elaine Coelho , Gerente Comercial Palmsoft.

Referências

BOSTON CONSULTING GROUP. AI at Work 2025: Momentum Builds, but Gaps Remain. BCG, 26 jun. 2025. Disponível em: bcg.com. Acesso em: 8 out. 2026.

MICROSOFT; LINKEDIN. 2024 Work Trend Index Annual Report: AI at Work Is Here. Now Comes the Hard Part. Microsoft, 8 maio 2024. Disponível em: news.microsoft.com. Acesso em: 8 out. 2026.

ONG, I. et al. RouteLLM: An Open-Source Framework for Cost-Effective LLM Routing. LMSYS Org, 1 jul. 2024. Disponível em: lmsys.org. Acesso em: 8 out. 2026.