O que uma empresa global aprende sobre IA em 2025 — sem o hype do LinkedIn
Do lado de dentro de uma empresa grande adotando IA, o que está sendo difícil, o que está funcionando, e o que o LinkedIn não conta sobre essa transição.
Vou falar sobre o que vejo de dentro de uma empresa grande adotando IA em 2025. Sem revelar nada proprietário — e sem o hype do LinkedIn.
O LinkedIn diz: empresas estão adotando IA em escala e sendo 10x mais produtivas.
A realidade que vejo: adoção está acontecendo, produtividade em casos específicos aumentou significativamente, e o resto é mais complicado do que o LinkedIn sugere.
O que está funcionando:
Ferramentas de desenvolvimento com IA — autocomplete inteligente, pair programming, geração de testes — estão sendo adotadas organicamente pelos times de engenharia. Não precisou de programa formal. Engenheiros experimentaram, viram valor, adotaram. O custo de ferramentas para engenheiros é baixo comparado ao salário. O ROI é claro.
Automação de tarefas repetitivas e bem-definidas. Processar documento de um formato para outro. Gerar rascunho de comunicação com parâmetros definidos. Classificar tickets de suporte. Quando a tarefa tem critério claro de sucesso, IA entrega bem.
Análise de logs e dados de observabilidade. IA ajuda engenheiros a navegar volumes de dados que seriam impossíveis de ler manualmente. Encontrar padrões, correlacionar eventos, sugerir hipóteses de causa raiz.
O que está sendo difícil:
Governança de dados. Qual dado pode ser enviado para qual provider de LLM? Dados de clientes, dados financeiros, dados pessoais — cada categoria tem restrição diferente, e as restrições foram escritas antes de LLMs existirem. Reinterpretar regulamentação existente para contexto de IA leva tempo e envolve equipes jurídicas.
Avaliação de output. Como você sabe que o sumário gerado pela IA é preciso? Que o código gerado não introduz vulnerabilidade? Que a análise está correta? Revisão humana ainda é necessária na maioria dos casos críticos, o que limita o ganho de velocidade.
Cultura de confiança. Times que sempre verificaram cada dado com fonte primária não confiam em output de IA sem verificar. Isso é prudência — mas cria fricção que reduz adoção. A calibração de "quando confiar" está sendo desenvolvida empiricamente, caso a caso.
O que aprendi observando isso:
IA não simplifica organizações — amplifica o que já existe. Processo ruim com IA fica processo ruim mais rápido. Comunicação confusa com IA fica mais texto confuso. Time bem calibrado com IA fica team bem calibrado que entrega mais.
Essa semana: na sua empresa, em qual caso de uso específico IA está entregando valor claro? E em qual caso está gerando mais ruído do que sinal? Às vezes só essa análise de dois itens revela onde focar.