Você talvez não precise de IA generativa

Toda semana alguém nos procura com a mesma frase: "queremos colocar IA generativa no processo X". E, com alguma frequência, a resposta honesta é: não coloque. Não porque IA não funcione — a gente vive disso —, mas porque o processo X, olhado de perto, é uma regra clara esperando ser automatizada do jeito clássico: mais barato, mais previsível e 100% auditável.

Este artigo é o critério que usamos internamente para decidir quando a IA generativa entra num projeto — e quando ela ficaria só encarecendo a conta.

01A pergunta que começa errada

"Onde eu coloco IA generativa?" já parte de uma decisão tomada: a de que a resposta é um LLM. É o martelo procurando prego. A pergunta que muda o resultado é outra: qual é a coisa mais simples que resolve este problema? Às vezes a resposta é um LLM. Muitas vezes, é um if bem escrito.

02Quando uma regra resolve melhor

Se o seu processo segue uma regra clara e estável — "se o boleto bate com o pedido, baixa; senão, sinaliza" —, automação determinística ganha do LLM em tudo que importa: é barata (sem custo por token), previsível (a mesma entrada produz sempre a mesma saída) e 100% auditável (dá para explicar cada decisão lendo o código).

A gente pratica o que prega: um dos nossos produtos de monitoramento é inteiramente determinístico, sem LLM — e por honestidade não o chamamos de IA. Regra que resolve não precisa de crachá de IA para trabalhar bem.

03Quando o LLM ganha o lugar dele

Existe um território onde a regra clássica sofre e o LLM brilha: linguagem e ambiguidade. Texto livre de cliente, documento sem estrutura, interpretação de contexto, resumo, rascunho. Ali, escrever regras para cada caso vira uma guerra perdida — e um modelo de linguagem faz em segundos o que o time levaria horas.

Mas mesmo aí ele entra com cinto de segurança: em modo copiloto (a IA propõe, uma pessoa aprova), com trava para dado sensível e trilha auditável do que foi feito. LLM solto em produção não é inovação — é passivo.

04O custo que ninguém põe no slide

IA generativa tem três custos que a demo não mostra. O token: cada chamada custa, e o custo cresce com o volume — o que era centavo no piloto vira fatura no rollout. A variância: a mesma pergunta pode gerar respostas diferentes, o que exige revisão humana ou avaliação automatizada. E a governança: alguém precisa monitorar, medir e responder quando o modelo erra.

Nada disso é motivo para não usar LLM — é motivo para usá-lo onde ele paga o próprio custo. Não jogue um LLM num problema de planilha.

05O teste da coisa mais simples

Nosso critério interno cabe em três linhas. Regra clara e estável? Automação determinística — e seja honesto sobre isso. Linguagem, ambiguidade, exceção que muda todo dia? LLM em modo copiloto, com trava e trilha. Em dúvida? Comece pelo determinístico, meça, e só suba para IA quando a evidência pedir — porque o caminho inverso (desligar um LLM caro que não precisava existir) é bem mais constrangedor.

E em qualquer um dos casos: meça, não estime. Custo em tokens de um lado, horas devolvidas do outro. O que não se mede vira opinião — e opinião não sustenta orçamento.

06Por que um fornecedor diria isso

Fornecedor que vende LLM para tudo tem um incentivo óbvio: projeto de IA fatura mais que regra de negócio. Nós preferimos o incentivo de longo prazo: 98% dos clientes voltam, e eles voltam porque a recomendação foi honesta na primeira vez. Onde há IA, a gente aponta. Onde uma regra resolve melhor, a gente diz — e não te cobra um LLM por isso.

Se as respostas apontarem para regra, comemore: você acabou de economizar um projeto de IA. Se apontarem para LLM, ótimo também — agora ele entra pelo motivo certo, com o controle certo.