Bom dia!
A Microsoft distribuiu ferramentas de IA para mais de 200 mil pessoas e aprendeu uma lição que parece óbvia, mas continua custando caro: colocar a tecnologia na mão da equipe não muda automaticamente a forma de trabalhar.
As licenças estavam ativas. As pessoas tinham acesso. Houve treinamento. Mesmo assim, o uso parou de crescer e o impacto esperado não apareceu.
A virada começou quando a empresa parou de perguntar quantas pessoas estavam usando IA e passou a observar como o trabalho acontecia de verdade. Quais etapas consumiam tempo? Onde estavam as decisões? Quais informações faltavam? O que poderia ser delegado? O que precisava continuar sob responsabilidade humana?
Essa distância entre ter acesso e mudar a operação atravessa toda a edição de hoje.
A Vale encontrou milhões em documentos que já possuía. Uma empresa transformou conversas comerciais em orientação para vendedores. A Meta colocou um agente nos bastidores da configuração do WhatsApp. E uma resposta automática aparentemente simples chegou a custar US$ 10 mil por dia.
A tecnologia está avançando. O trabalho de transformar capacidade em resultado continua sendo da empresa.
Na edição de hoje
O que a Microsoft aprendeu depois de distribuir mais de 200 mil licenças
Como a Vale recuperou US$ 1,65 milhão analisando documentos
Quando o coaching com IA começa a parecer vigilância
O agente que configura a infraestrutura oficial do WhatsApp
A resposta automática que passou a custar US$ 10 mil por dia
Antes de começar:
Queremos dar um presente para todos os assinantes da newsletter.
Se você ainda está em dúvida de como usar a IA na sua empresa ou no seu dia a dia, estamos disponibilizando um bate papo GRATUITO de 30 minutos conosco, onde você escolhe sobre o que quer discutir: um processo da sua empresa, entender funcionamento da IA ou até mesmo entender um detalhe do funcionamento de uma ferramenta. É só clicar no botão abaixo e agendar.
Mais de 200 mil licenças depois, faltava redesenhar o trabalho
A Microsoft começou sua transformação como muitas empresas começam: distribuiu ferramentas, ofereceu treinamento e tentou estimular a adoção.
O problema é que o uso estagnou e o impacto não apareceu.
Em vez de pressionar as pessoas a usar mais, a empresa decidiu observar a rotina dos profissionais. No time comercial, mapeou como os gerentes de contas distribuíam sua semana e identificou momentos específicos nos quais a IA poderia ajudar, como análise de oportunidades, preparação de propostas e pesquisa sobre clientes.
Também criou encontros semanais entre os próprios profissionais para compartilhar o que estava funcionando.
Segundo dados internos da Microsoft, a adoção dos usos prioritários triplicou. Entre os vendedores analisados, a receita por gerente de contas ficou 9,4% maior e a taxa de fechamento, 20% superior.
Na cadeia de suprimentos, o trabalho começou pela simplificação dos processos e pela criação de uma fonte comum de dados. Depois disso, mais de cem agentes foram distribuídos por planejamento, compras, logística e abastecimento.
Em fluxos selecionados, o ciclo médio caiu de aproximadamente dez para menos de 2,5 dias úteis. Investigações que consumiam de cinco a sete dias passaram a levar algumas horas e, em determinados casos, menos de vinte minutos, ainda com validação humana.
Os números são da própria Microsoft e refletem grupos e períodos específicos. O aprendizado mais útil, porém, não depende de acreditar que outra empresa repetirá os mesmos percentuais.
A licença entregou acesso. O resultado apareceu quando a empresa redesenhou o processo, definiu objetivos e criou novos hábitos de trabalho.
Vemos uma situação parecida em empresas bem menores.
Recentemente, acompanhamos uma consultoria com quatro licenças do ChatGPT Business e uma experiência anterior com o Gemini pago. A equipe já conhecia as ferramentas e fazia usos pontuais, mas cada pessoa trabalhava de um jeito. Os bons prompts ficavam espalhados, o conhecimento não era compartilhado e não existia clareza sobre quais tarefas deveriam melhorar.
O próximo passo, nesse caso, não era assinar outra IA.
Era escolher processos reais, criar instruções e modelos compartilháveis, proteger os dados de clientes e transformar as boas experiências individuais em um método que permanecesse na empresa.
Antes de comprar mais uma ferramenta, vale fazer uma pergunta simples:
Qual processo deveria estar claramente melhor por causa das licenças que já estamos pagando?
Se ainda não paga nenhuma ferramenta de IA, você está no momento certo de fazer isso da maneira correta e estruturada. Vamos mapear, juntos, onde a IA efetivamente pode te ajudar.
A Vale encontrou US$ 1,65 milhão dentro dos próprios documentos
A equipe de Finanças da Vale desenvolveu uma solução de IA para analisar ativos, normas tributárias e apólices de seguro.
O problema não era a falta de informação. Era justamente o contrário.
A empresa precisava acompanhar mudanças tributárias publicadas diariamente, consultar centenas de apólices com aproximadamente cem páginas cada e cruzar informações sobre ativos espalhadas por diferentes documentos.
Segundo executivos da Vale, a solução inicial foi criada em cinco dias e passou a analisar 300 mil itens em um minuto. A empresa atribui ao projeto a recuperação de US$ 1,65 milhão e uma redução de 80% no tempo de análise.
Um estudo de caso da Databricks acrescenta alguns detalhes importantes: mais de 430 apólices e 10 mil normas tributárias passaram a integrar a base consultada pelos assistentes, atendendo cerca de cem usuários das áreas financeira e tributária.
Mas existe um detalhe mais interessante do que os números.
A Vale colocou especialistas de Finanças no centro do desenvolvimento. Os documentos são processados uma vez e reaproveitados. As respostas passam por avaliação dos usuários. E os projetos que comprovam benefício podem migrar para uma estrutura central, com segurança, responsabilidades e custos definidos.
Isso é bem diferente de simplesmente jogar centenas de arquivos em um chat e torcer para que ele entenda tudo.
Em uma POC (prova de conceito) recente da BrosAI, encontramos uma lógica semelhante em escala menor.
Uma área fiscal recebe mais de cem documentos por dia e precisa abrir chamados, localizar anexos, interpretar notas e redigitar informações. O fluxo que validamos em homologação busca o documento, extrai seu conteúdo, estrutura os dados e preenche previamente os campos que serão conferidos pela equipe.
O desenho separa responsabilidades:
fontes estruturadas são utilizadas sempre que estiverem disponíveis;
a IA interpreta e sugere;
regras automáticas validam o que for objetivo;
o profissional fiscal confere, corrige e aprova;
apenas os dados aprovados seguem para a próxima etapa.
Até uma leitura perfeita pode reproduzir uma informação errada que já veio no documento. Por isso, a validação não desaparece. Ela passa a acontecer de forma mais rápida e concentrada.
Para uma PME, o ponto de partida pode ser bem menor que o da Vale: contratos, notas fiscais, apólices, propostas, solicitações de clientes ou regras internas.
O melhor primeiro caso costuma estar onde três coisas se encontram: muito tempo de procura, informação espalhada e uma decisão recorrente.
Qual informação importante continua enterrada em documentos porque hoje custa caro demais procurar, comparar e validar?
O vendedor preferiu o conselho da IA. E aí começa o problema
A Black Lake Technologies equipou vendedores com um dispositivo que registrava conversas e localização.
Os dados coletados alimentavam um agente preparado para atuar como treinador comercial. Em uma comparação interna, sete de dez vendedores experientes preferiram a orientação da IA à do líder comercial mais experiente da empresa.
É um resultado curioso, mas ainda não é um resultado de negócio.
A empresa não informou se as vendas aumentaram, se o ciclo comercial diminuiu ou se os vendedores passaram a converter melhor. O dado mostra preferência pelo conselho, não melhoria de desempenho.
Mesmo assim, a aplicação merece atenção.
Antes do projeto, um dia inteiro de conversas com clientes terminava resumido no CRM em um pequeno parágrafo escrito pelo próprio vendedor. Informações sobre objeções, dúvidas, interesses e falhas na abordagem eram perdidas ou dependiam da memória de cada pessoa.
A IA permitiu transformar essas conversas em um material comparável e disponível para o desenvolvimento da equipe.
Isso pode fazer sentido em vendas consultivas, suporte e atendimento. Mas não exige começar com gravação contínua e geolocalização.
Nos projetos em que analisamos conversas, procuramos separar diferentes fatores:
intenção comercial do cliente;
conversas abandonadas ou ainda abertas;
encaminhamentos corretos;
respostas repetitivas;
falhas de contexto;
erros nas informações fornecidas;
problemas de estoque, catálogo, site ou pagamento;
demora do atendimento humano.
Essa separação é fundamental.
Se vários clientes abandonam a compra porque o site apresenta erro, avaliar somente o vendedor produzirá um diagnóstico errado. Se o atendimento humano demora depois da transferência, não adianta culpar o agente. E, se a empresa grava tudo sem explicar critérios, acesso e finalidade, o treinamento pode ser percebido como vigilância.
Um piloto mais sensato pode começar com uma amostra voluntária de conversas, dados sensíveis removidos, critérios claros de avaliação e comparação entre a orientação da IA, a análise do gestor e o resultado posterior.
O objetivo deveria ser melhorar o processo e desenvolver as pessoas.
Quando o colaborador não conhece os critérios, não pode contestar a avaliação e não sabe como os dados serão usados, o coaching já começou a virar outra coisa.
A Meta colocou um agente nos bastidores do WhatsApp
A Meta lançou o WhatsApp Business Tools MCP, uma conexão oficial que permite a assistentes de desenvolvimento operarem partes da configuração da API do WhatsApp.
Em termos simples, ferramentas como Codex, Claude e Cursor podem passar a ajudar uma equipe técnica a:
localizar empresas e contas administradas;
cadastrar e registrar números;
criar e gerenciar modelos de mensagem;
configurar webhooks;
enviar mensagens de teste;
investigar problemas na integração.
Isso não significa colocar outro robô para atender clientes.
O novo agente trabalha nos bastidores, ajudando a construir e manter a infraestrutura que sustenta atendimento, vendas e automações.
Parte do trabalho que antes exigia navegar por diferentes painéis, consultar documentação e conferir configurações manualmente poderá ser conduzida dentro do ambiente usado pela equipe técnica.
Mas o recurso não elimina as dependências mais difíceis.
Em uma implantação recente, encontramos uma conta de WhatsApp empresarial ligada a um gerenciador desconhecido e com configurações residuais de um fornecedor anterior. A empresa precisou comprar outro número, preparar um novo aparelho e reorganizar o processo de implantação.
O problema era falta de clareza sobre quem controlava os ativos, quais permissões estavam disponíveis e o que havia sido deixado pelo parceiro anterior.
O agente da Meta pode reduzir etapas manuais e acelerar diagnósticos. Ele não resolve sozinho titularidade confusa, conta bloqueada, número sem histórico saudável, modelos reprovados ou uma equipe despreparada para assumir os atendimentos.
Também existe um novo risco: quanto mais fácil fica alterar configurações, mais importante se torna controlar o que o agente de IA pode fazer.
Como o recurso atua sobre ativos reais, o teste deveria começar em ambiente de desenvolvimento, com permissões mínimas, registro das mudanças e aprovação humana antes de qualquer alteração em produção.
A ferramenta está em beta, pode mudar e ainda está sendo liberada gradualmente.
Para quem desenvolve integrações oficiais com WhatsApp, é uma mudança prática importante. Para a empresa usuária, o benefício deverá aparecer em implantações mais rápidas, diagnósticos melhores e configurações mais fáceis de reproduzir.
Se sua empresa quer estruturar atendimento ou automações na API oficial do WhatsApp, responda este e-mail com a palavra WHATSAPP. Nós podemos ajudar a mapear contas, números, permissões, integrações e o processo que acontecerá depois que o cliente responder.
Uma resposta automática virou uma conta de US$ 10 mil por dia
Um funcionário da Retool criou uma resposta automática de ausência com IA.
A tarefa parecia pequena: consultar informações internas e produzir uma mensagem mais contextualizada enquanto a pessoa estivesse fora.
O problema é que a automação começou a consultar repetidamente os canais internos da empresa e a processar um volume enorme de informação todos os dias.
Segundo o CEO da Retool, David Hsu, o custo chegou a aproximadamente US$ 10 mil por dia.
A empresa não informou por quanto tempo o fluxo permaneceu ativo nem qual foi o gasto total. Ainda assim, o mecanismo do problema é fácil de transferir para empresas menores.
Uma automação não precisa ser sofisticada para sair de controle.
Ela pode:
rodar mais vezes do que deveria;
reler os mesmos documentos;
entrar em um ciclo de repetição;
armazenar informações desnecessárias;
tentar novamente depois de cada erro;
continuar funcionando mesmo sem produzir resultado útil.
Já vimos custos inesperados aparecerem de outras formas.
Em um projeto, conteúdos pesados armazenados indevidamente fizeram um banco crescer de 13 MB para 555 MB. Foi necessário limpar os dados históricos, limitar o que poderia ser salvo e criar alertas para novas ocorrências.
Em outra operação, a piora e a descontinuação de um modelo obrigaram uma migração porque o substituto indicado ficaria cinco vezes mais caro.
Esses episódios não significam que a empresa deva impedir experimentos. Significam que cada experimento precisa nascer com limites.
O mínimo deveria incluir:
custo por execução;
limite diário ou mensal;
alerta para aumento anormal;
responsável pelo fluxo;
registro de falhas e repetições;
condição automática de interrupção;
comparação entre custo e tarefa concluída.
Também vale medir o custo por resultado, não apenas o valor da conta do fornecedor.
Uma automação barata que cria retrabalho pode sair cara. Uma automação mais cara que reduz erros, libera capacidade ou recupera receita pode valer muito mais.
O problema aparece quando ninguém sabe quanto o fluxo está consumindo, qual valor ele gera e quem tem autoridade para desligá-lo.
Se uma automação multiplicar o consumo durante a madrugada, quem percebe, quem interrompe e qual limite já está configurado?
Para guardar
A Microsoft mostrou que acesso não garante transformação.
A Vale mostrou que documentos organizados podem revelar valor que já estava dentro da empresa.
A Black Lake mostrou que conversas podem melhorar o desenvolvimento das equipes, mas também criar uma estrutura de vigilância.
A Meta facilitou o trabalho de quem constrói integrações com WhatsApp, enquanto aumentou a importância de permissões e revisão.
E a Retool mostrou que até uma resposta automática precisa de orçamento e freio.
São histórias diferentes, mas deixam uma boa pergunta para a semana:
Se a IA fosse desligada amanhã, sua empresa saberia qual resultado desapareceria, qual processo voltaria a ser manual e quanto isso custaria?
Se a resposta ainda não estiver clara, talvez exista uso, mas ainda não exista operação.
Até a próxima!
Não é sobre colocar IA em tudo. É sobre colocar IA onde faz sentido.
Se você quer identificar onde a inteligência artificial pode reduzir custos, economizar tempo ou melhorar processos na sua empresa, converse com a BrosAI.
