Catálogo de cases por setor: quem faz o quê, com qual padrão
- ⬜✂️ Playbook de redução de custo: 14 alavancas em ordem de aplicação(AWS Bedrock — GenAI em Produção)
Recomendamos completar os pré-requisitos antes de seguir, mas nada te impede de continuar.
Depois de arquitetura, padrões, régua de qualidade e custo, falta a pergunta prática: por onde a minha empresa começa? A resposta mais útil não é uma opinião — é o mapa do que já está em produção no seu setor, cruzado com o padrão arquitetural que cada caso usa. Este módulo organiza os cases públicos por setor, mostra os casos de uso que se repetem em todos eles e dá o critério para escolher o primeiro. Começando pela habilidade que evita a maior parte das decisões ruins: ler um case sem se enganar.
Como ler um case sem se enganar
Praticamente todo número de case que circula vem de comunicação institucional — da empresa, do parceiro integrador ou do provedor de nuvem. Isso não os torna falsos; torna-os otimizados para comunicar. A postura correta é usá-los para calibrar ordem de grandeza e provar viabilidade, nunca como previsão para o seu projeto. Estas seis perguntas separam o que dá para aproveitar do que é só slide.
- Qual era o baseline? "85% mais rápido" que qual processo, medido como? Sem denominador, o percentual não significa nada.
- Qual é o escopo? O ganho vale para toda a operação ou para um tipo de documento, um canal, um piloto com um time?
- O que entrou na conta? Economia bruta de horas ou economia líquida, já descontando a revisão humana que continua existindo?
- Está em produção ou em piloto? Piloto com trinta usuários e produção com trinta mil são problemas diferentes.
- Quem publicou e quando? Anúncio de lançamento costuma trazer projeção; estudo posterior traz resultado.
- O que não foi dito? Nenhum case menciona quanto tempo levou a curadoria de conteúdo, quantas vezes o escopo mudou ou o que foi descartado no caminho.
O uso legítimo de um case
Um case bem lido responde três coisas: esse padrão roda em produção de verdade, nesta ordem de grandeza de ganho, com esta arquitetura. É muito valioso — é o que derruba o "isso não funciona no nosso setor" na reunião. O que ele não responde é quanto VOCÊ vai economizar; esse número sai do seu baseline, medido na sua operação, e nenhum case substitui essa medição.
Os doze casos de uso que aparecem em todo setor
Muda o vocabulário, muda a regulação, muda o nome do sistema — mas os casos de uso se repetem com uma constância impressionante. Reconhecer o seu na lista abaixo já entrega o padrão arquitetural e o tier de modelo adequados, sem começar do zero.
| Caso de uso | Padrão arquitetural | Tier típico |
|---|---|---|
| Atendimento ao cliente com base de conhecimento | RAG + roteamento; copiloto do atendente antes de deflexão | Volume, com escalada |
| Extração de dados de documento | IDP event-driven + confidence routing | Volume; raciocínio no reprocessamento |
| Busca e Q&A sobre acervo interno | RAG híbrido com filtro de permissão | Volume a padrão |
| Copiloto do especialista | RAG + ferramentas de leitura, humano decide | Padrão a raciocínio |
| Resumo de interação e ata | Chamada única, disparada por evento | Volume |
| Classificação e roteamento de demanda | Chamada única barata na entrada do fluxo | Volume |
| Enriquecimento de catálogo e conteúdo | Batch em massa | Volume, em modo assíncrono |
| Geração de conteúdo comercial | Encadeamento com avaliador-otimizador | Padrão |
| Análise de risco e conformidade | RAG + regras determinísticas + humano no laço | Raciocínio |
| Compreensão de sistema legado | Chamada única com contexto grande e cacheado | Raciocínio |
| Agent sobre sistemas internos | Orquestrador com tools e escada de autonomia | Padrão a raciocínio |
| Detecção de anomalia em texto | Classificação em batch + revisão do que passou do limiar | Volume |
Se o seu caso não está na lista, desconfie
Não porque ele seja impossível, mas porque casos fora desses doze costumam ser combinações mal recortadas — geralmente três casos misturados em um. Quando o escopo não encaixa em nenhuma linha, o exercício útil é decompor até que cada pedaço encaixe. O resultado quase sempre é um projeto menor, mais entregável e com métrica mais clara.
- → faixa média vai para revisão
- → sem humano esperando: sempre em batch
- → permissão como filtro, não como prompt
- → guardrail nos cinco padrões
- → custo por ticket, documento ou funcionário ativo
- Rede e entrega
- Integração de apps
- IA e machine learning
- Compute
- Fora da AWS
- Gestão e governança
Muda o setor, muda o vocabulário, e os padrões se repetem. Reconhecer o seu caso aqui já entrega o desenho e o tier — sem começar do zero.
- Atendimento — o mais visível e o mais arriscado. RAG sobre a base de suporte, com copiloto do atendente antes de deflexão automática. O erro chega ao cliente, então a primeira onda é human-in-the-loop.
- Documentos — o de retorno mais fácil de provar. Baseline já existe, o erro fica contido na revisão e o critério de sucesso é objetivo. É por isso que costuma ser a onda 1 em setor regulado.
- Enriquecimento em massa — a economia mais esquecida. Catálogo, conteúdo, embeddings: ninguém esperando. Tudo isso deveria rodar em modo assíncrono, com o desconto correspondente.
- Copiloto interno — onde a permissão é o problema. Cada funcionário tem um recorte diferente do mesmo acervo. O grupo do diretório vira filtro de metadados; instrução no prompt não é controle.
- Agents e engenharia — o maior ROI, o menor palco. Agent que toca sistemas internos com escada de autonomia, e produtividade de engenharia medida em par: tempo de ciclo com taxa de reversão.
- O que é comum aos cinco. Guardrail sempre, e custo medido por resultado de negócio — ticket resolvido, documento processado, funcionário ativo. Nunca por requisição.
Serviços financeiros: bancos e seguradoras
| Empresa | O que fizeram | Padrão | Número divulgado |
|---|---|---|---|
| C6 Bank (Brasil) | Robô sugere a resposta e o atendente decide se envia | Copiloto do atendente (human-in-the-loop) | Aceleração do atendimento com a decisão permanecendo humana |
| BDM / LOUIS (Brasil) | Processamento inteligente de documentos em operação bancária | IDP event-driven com revisão | Processamento na ordem de 85% mais rápido, acurácia divulgada de ~98%, dezenas de milhares de processos por mês |
- Os três que sempre aparecem: extração de documento (abertura de conta, sinistro, garantia), copiloto de atendimento e análise de conformidade sobre acervo normativo.
- A barreira nunca é técnica: é o comitê de risco. Comece pelo caso interno e auditável, e monte a trilha de evidência antes de pedir aprovação para algo que toca o cliente.
- Regra do setor: nada de número financeiro gerado pelo modelo. Saldo, taxa, prazo e valor de sinistro saem de tool call; o modelo redige em volta do dado.
- Resolva residência de dados e retenção de log com o jurídico antes de ligar o logging, não depois — nesse setor, refazer é mais caro que planejar.
Varejo, e-commerce e marketplaces
| Empresa | O que fizeram | Padrão | Número divulgado |
|---|---|---|---|
| Mercado Livre + Mutt Data (LatAm) | Geração de imagens para anúncios publicitários | Geração multimodal em batch | Aumento divulgado da ordem de 25% em taxa de clique |
| Gimba (Brasil) | Cadastro e enriquecimento de catálogo de produtos | Enriquecimento em massa (batch) | Redução divulgada da ordem de 80% no tempo de cadastro |
| iFood (Brasil) | Personalização, recomendação e antifraude | Combinação de IA generativa e ML clássico | Uso de mais de uma centena de modelos por jornada de usuário |
- Os três que sempre aparecem: enriquecimento de catálogo, atendimento pós-venda (rastreio, troca, cancelamento) e geração de conteúdo comercial em escala.
- O caso de catálogo é o melhor primeiro projeto do setor: volume enorme, baseline cronometrado, erro contido internamente e ganho direto em tempo de publicação.
- Praticamente tudo aqui é assíncrono — então praticamente tudo deveria rodar em batch, com o desconto correspondente. É a economia mais fácil e mais esquecida do varejo.
- Atenção ao pico sazonal: dimensione quota e capacidade para a data comercial, não para a média do ano, e teste o comportamento sob throttling antes dela.
Saúde e ciências da vida
| Empresa | O que fizeram | Padrão | Número divulgado |
|---|---|---|---|
| Pfizer (EUA) | Busca e extração sobre acervo de documentos científicos | RAG sobre acervo regulado | Ordem de milhares de horas por ano poupadas e redução relevante de custo de infraestrutura |
| Novo Nordisk (Dinamarca) | Milhares de assistentes internos criados pelas próprias áreas | Plataforma de self-service sobre trilhos comuns | Tarefa que levava cerca de um dia caindo para a ordem de meia hora |
- Os três que sempre aparecem: busca em acervo científico ou regulatório, sumarização de documentação clínica e apoio a processos de submissão e conformidade.
- O case de Novo Nordisk é o mais instrutivo de toda esta lista, e o número que importa não é o tempo da tarefa: é a quantidade de assistentes. Milhares só existem quando as áreas constroem sozinhas sobre trilhos prontos.
- Setor com a exigência de rastreabilidade mais alta: citação da fonte deixa de ser boa prática e vira requisito de aceitação.
- Comece por dentro. Uso interno com revisão de especialista atravessa a aprovação; qualquer coisa que toque paciente exige um caminho regulatório próprio.
Logística, mobilidade e serviços ao consumidor
| Empresa | O que fizeram | Padrão | Número divulgado |
|---|---|---|---|
| DoorDash (EUA) | Contact center por voz com RAG sobre a base de suporte | RAG + telefonia, com foco em latência | Latência de resposta na casa de ~2,5s e redução relevante no tempo de desenvolvimento |
| United Airlines (EUA) | Tradução e entendimento de registros e código legados | Compreensão de sistema legado | Ganho relevante de produtividade dos times de desenvolvimento |
- Os três que sempre aparecem: atendimento de alto volume com perguntas repetitivas, rastreamento e exceções operacionais, e modernização de sistema legado.
- Voz é o canal mais difícil: soma transcrição, latência percebida e interrupção do usuário. Não comece por ele — o case da DoorDash chama atenção justamente porque a barra de latência é dura.
- O padrão de latência muda a arquitetura: streaming de tokens deixa de ser enfeite e vira requisito, e cada etapa extra no pipeline entra no orçamento de tempo.
- Modernização de legado é o caso de uso mais subestimado do setor — baseline claro, risco contido e ganho direto em capacidade de engenharia.
Um fornecedor apresenta um case: "reduzimos em 90% o tempo de análise de contratos". Qual é a primeira pergunta a fazer?
Tecnologia, software e serviços profissionais
| Empresa | O que fizeram | Padrão | Número divulgado |
|---|---|---|---|
| Thomson Reuters (Canadá/EUA) | Platform engineering com agents | Agents sobre sistemas internos | Ciclo de deploy saindo da ordem de dias para a ordem de horas |
| Adobe (EUA) | Knowledge Bases para suporte a desenvolvedores | RAG interno para engenharia | Ganho de precisão na busca interna |
| Vercel (EUA) | Geração de código e interface a partir de descrição | Geração assistida em produto | Dezenas de milhões de gerações acumuladas |
- Os três que sempre aparecem: produtividade de engenharia, suporte técnico com base de conhecimento e IA embarcada no próprio produto.
- É o único setor em que a IA embarcada no produto costuma vir antes do uso interno — e isso inverte a ordem de risco: aqui o erro chega ao cliente desde o primeiro dia.
- Métrica com contrapeso é obrigatória em produtividade de engenharia: tempo de ciclo com taxa de reversão, nunca linhas geradas.
- Quando a IA está no produto, custo por usuário ativo vira métrica de margem, não de FinOps — e precisa entrar no modelo de precificação do produto.
O padrão de adoção: por onde cada setor começa
| Primeira onda típica | Segunda onda | Barreira real | |
|---|---|---|---|
| Financeiro | IDP interno e copiloto do atendente | Atendimento ao cliente e análise de conformidade | Comitê de risco e trilha de evidência |
| Varejo | Enriquecimento de catálogo em batch | Atendimento pós-venda e conteúdo comercial | Qualidade e padronização do dado de origem |
| Saúde | Busca em acervo interno com citação | Sumarização clínica e apoio a submissão | Rastreabilidade e caminho regulatório |
| Logística | Atendimento de alto volume e legado | Exceções operacionais e voz | Latência e integração com sistemas antigos |
| Tecnologia | Produtividade de engenharia | IA embarcada no produto | Métrica de vaidade e margem por usuário |
| Indústria | Documentação técnica e manutenção | Qualidade e apoio a inspeção | Dado em papel e conectividade em campo |
A regularidade que salta aos olhos
Em cinco dos seis setores, a primeira onda é voltada para dentro. Não é coincidência nem timidez: é onde o baseline já existe, o erro fica contido e o critério de sucesso é objetivo — as três condições que fazem um projeto de IA sobreviver à segunda revisão de orçamento. Tecnologia é a exceção, e paga por isso com o erro chegando ao cliente desde o primeiro dia.
O que os cases que dão certo têm em comum
- Um processo específico, não "IA na empresa". Todo case que virou número tem um verbo e um objeto: extrair campos de contrato, sugerir resposta ao atendente, cadastrar produto.
- Um dono de negócio que sente a dor — não um dono de tecnologia que viu uma oportunidade.
- Baseline medido antes. Todos os números divulgados existem porque alguém sabia quanto era antes.
- Humano no laço na primeira onda, com automação chegando por promoção baseada em dado.
- Volume suficiente para o ganho unitário virar número absoluto relevante.
- Conteúdo curado como parte do projeto, não como pré-requisito que alguém faria depois.
- Métrica com contrapeso, para que a otimização não vire distorção.
- Plataforma reaproveitável: o segundo caso de uso entra em semanas porque o primeiro deixou trilhos prontos.
E o que os fracassados têm em comum
Escopo amplo ("um assistente para toda a empresa"), sem dono de negócio, sem baseline, com automação total desde o dia um, sobre conteúdo que ninguém curou, medido por adoção habilitada em vez de uso real. Nenhum desses projetos aparece em case — mas eles são a maioria, e reconhecer a lista é tão útil quanto reconhecer a de cima.
Como escolher o seu primeiro caso
| Critério | Pergunta objetiva | Elimina se |
|---|---|---|
| Volume | Quantas vezes por mês esse processo acontece? | Volume baixo: o ganho unitário nunca vira número relevante |
| Baseline | Alguém consegue dizer hoje quanto tempo e quanto custa? | Ninguém sabe e ninguém vai medir: o ROI será narrativa |
| Contenção do erro | Se a IA errar, quem percebe antes de virar decisão? | O erro chega direto ao cliente sem revisão possível |
| Dono | Existe uma pessoa cuja meta melhora com isso? | O dono é o time de tecnologia: falta puxador de demanda |
| Conteúdo | O material necessário existe, está atualizado e tem dono? | Precisa ser escrito do zero: isso é projeto de documentação |
| Critério de sucesso | Dá para verificar objetivamente se a saída está certa? | Só dá para julgar por opinião: você não conseguirá aprovar nada |
📋 Uma seguradora de médio porte quer começar com IA. As opções na mesa são: um chatbot no site para clientes, extração de dados de documentos de sinistro, e um copiloto de vendas para corretores.
Passa nos seis critérios com folga: volume alto e recorrente, baseline já cronometrado pela operação, erro contido na revisão interna antes de virar decisão, dono claro na área de sinistros, documentos que já existem, e critério de sucesso objetivo — o campo extraído bate ou não bate com o gabarito. É também o projeto que obriga a empresa a montar logging, evidência e revisão amostrada, que é o que os próximos vão precisar.
Alt: Chatbot no site — Erro chega ao cliente desde o dia um, baseline de atendimento normalmente não existe, e a marca fica exposta antes de a organização saber operar IA.
Alt: Copiloto de vendas — Critério de sucesso subjetivo e adoção difícil de sustentar em rede de corretores; ótimo como segunda ou terceira onda, ruim como primeira.
Por que, em quase todos os setores, a primeira onda de IA corporativa é voltada para dentro da empresa?
Uma rede varejista quer começar por enriquecimento de catálogo: 60 mil produtos por mês, descrições padronizadas, sem urgência de resposta. Qual decisão de arquitetura captura a maior economia logo de saída?
Próximo passo
Você tem o mapa em largura. Os três módulos finais fazem o oposto: profundidade total em cada arquétipo — atendimento, documentos em setor regulado e copiloto interno — desenhados camada a camada, com baseline, arquitetura, as decisões que definem o resultado, o que dá errado e a conta que prova o retorno.
Perguntas frequentes
❓ Que padrão de IA cada setor mais usa?
❓ Case público de outra empresa serve de referência para o meu?
❓ Por que tantos projetos de IA param no piloto?
Terminou de ler?
Marcar como concluído registra o XP, mantém sua sequência e coloca 3 cartas deste módulo na fila de revisão espaçada.
Próximos passos sugeridos
Temas deste módulo
Discussão
Carregando comentários…