O Checklist de 10 Perguntas que Todo Gestor Deve Fazer Antes de Aprovar um Projeto de IA na Sua Área

O Projeto que Parece Bom mas Não Está Pronto

Todo projeto de IA parece ótimo na apresentação. O deck é bem construído, os dados são selecionados para impressionar, o fornecedor tem casos de sucesso convincentes e o patrocinador interno está animado. E depois de aprovado, o projeto chega ao piloto, o piloto não gera o resultado esperado, o budget é perdido e a narrativa vira "IA não funcionou para o nosso negócio".

O Gartner documenta que ao menos 30% dos projetos de GenAI serão abandonados após a prova de conceito por motivos que incluem baixa qualidade de dados, controles de risco inadequados, custos crescentes e valor de negócio indefinido.

O McKinsey State of AI 2025 complementa com o dado que define onde o problema mora: apenas 39% das empresas conseguem ligar qualquer iniciativa de IA a impacto no EBIT. O gap entre aprovação e resultado está, na maioria dos casos, nas perguntas que ninguém fez antes de aprovar.

Este checklist não é um filtro para barrar inovação. É um filtro para garantir que o projeto aprovado tem as condições básicas para ter sucesso — e que quando falha, você sabe exatamente onde falhou e como corrigir.

Bloco 1: Valor e ROI — O Projeto Vale o Investimento?

As perguntas de valor são as mais fáceis de responder de forma vaga e as mais importantes de responder com precisão. Um projeto com ROI vago é um projeto sem critério de sucesso. E sem critério de sucesso, qualquer resultado pode ser apresentado como vitória.

Pergunta 1: Qual é o baseline financeiro atual do processo que esse projeto vai melhorar?

Se você não sabe quanto o processo custa hoje — em horas, em erros, em retrabalho, em custo de oportunidade — você não tem como calcular o ROI do projeto. Exija o baseline antes de aprovar. Se o proponente não tem esse número, o projeto não está pronto. Sem baseline, o que parece ser um business case é uma estimativa otimista sem âncora financeira.

Pergunta 2: Qual é a projeção de resultado em cada um dos três horizontes — 0 a 6 meses, 6 a 18 meses e 18 a 36 meses?

Projetos de IA têm curvas de retorno diferentes. Ganhos operacionais imediatos são mensuráveis em semanas. Geração de valor incremental leva meses. Vantagem competitiva acumulada leva anos. Um projeto que só mostra retorno no longo prazo e não tem nada concreto para apresentar ao board em seis meses vai ter o budget cortado antes de chegar lá. O framework completo para estruturar esse argumento financeiro está em como montar o business case de escala de IA que o board aprova.

Pergunta 3: Qual é o custo total de propriedade — incluindo implementação, manutenção, treinamento de modelo, custo de dado e custo de governança?

O erro mais comum em business cases de IA é subestimar o TCO. A ferramenta pode ser barata. O dado para alimentá-la, a estrutura para governá-la e o time para mantê-la raramente são. Um projeto aprovado com TCO subestimado vai voltar ao gestor pedindo budget adicional em seis meses — com a credibilidade do projeto já comprometida.

Bloco 2: Viabilidade Técnica e Dados — O Projeto Consegue Entregar o que Promete?

As perguntas de viabilidade técnica são as que gestores não técnicos mais tendem a pular. E as que mais frequentemente explicam por que pilotos não escalam.

Pergunta 4: Os dados necessários existem, estão estruturados e têm qualidade suficiente para alimentar o modelo?

IA é tão boa quanto o dado que a alimenta. Projetos que dependem de dados dispersos em e-mails, documentos não estruturados ou sistemas legados sem API levam de três a seis meses só para ter o dado em condição de uso — tempo e budget que raramente estão no cronograma original. Se o proponente não tem clareza sobre a origem, o formato e a qualidade dos dados, o projeto não tem fundação.

Pergunta 5: Existe um plano de integração documentado com os sistemas que já estão em produção na área?

O Deloitte documenta que a maioria dos projetos de IA falha na camada de integração, não na camada de modelo. Se o projeto não tem um mapa de como vai se conectar ao ERP, ao CRM ou ao sistema de gestão da área sem causar instabilidade, ele não está pronto para aprovação. Para entender como essa camada de integração precisa ser arquitetada para suportar workflows agênticos, o post sobre arquitetura para processos reimaginados detalha os três pilares que precisam estar presentes antes da primeira linha de código.

Pergunta 6: Qual é o plano de evolução do modelo ao longo do tempo — quem retreina, com que frequência e com qual critério de gatilho?

Modelos de IA degradam. O mundo muda, os dados mudam, os padrões de uso mudam. Um projeto sem plano de manutenção de modelo vai entregar resultado excelente nos primeiros três meses e resultado medíocre no mês doze — sem que ninguém entenda por quê. O proponente que não tem resposta para essa pergunta não pensou além do piloto.

Pergunta 7: Existe um ponto de reversão definido — em que condição o projeto volta ao processo manual sem perda de operação?

Todo projeto de IA precisa de um fallback. Se o agente falhar, o processo precisa continuar funcionando. Projetos sem fallback documentado criam dependência de um sistema ainda sendo validado — e quando falham, falham de forma que para a operação. A pergunta não é se o projeto vai falhar em algum ponto. É se a área consegue continuar operando quando isso acontecer.

Bloco 3: Governança e Risco — A Empresa Está Protegida?

O Deloitte State of AI 2026 documenta que apenas 21% das empresas têm modelo maduro de governança de agentes autônomos. O gestor que aprova um projeto sem verificar a camada de governança está assumindo um risco regulatório e operacional que não aparece no deck de aprovação.

Pergunta 8: O projeto tem um responsável nomeado para monitorar o comportamento do agente em produção — com autoridade e critério para suspendê-lo se necessário?

Governança de IA não é responsabilidade do fornecedor. É responsabilidade do gestor da área onde o agente opera. Se não há um nome com responsabilidade clara e autoridade real para agir, o projeto não tem dono de governança. E projeto sem dono de governança cria exposição regulatória silenciosa que ninguém percebe até que o impacto chegue ao cliente, ao board ou ao regulador.

Pergunta 9: Se esse projeto tomar decisões que afetam dados de clientes ou funcionários, existe um mecanismo documentado de revisão humana para atender solicitações sob o artigo 20 da LGPD?

O artigo 20 da LGPD garante ao titular o direito de solicitar revisão humana de decisões automatizadas que afetam seus interesses. Projetos que automatizam decisões sobre clientes sem esse mecanismo estão em desconformidade legal — independentemente de quantos advogados aprovaram o contrato com o fornecedor. Para o contexto completo de governança de IA sob a LGPD, o post sobre governança de IA em empresas B2B detalha os artigos aplicáveis e os quatro pilares que uma arquitetura de governança precisa ter.

Pergunta 10: Qual é o plano de comunicação para o time afetado por esse projeto — incluindo o que vai mudar no dia a dia e como as preocupações serão endereçadas?

O Forrester documenta que empresas que over-automatizam sem gestão de mudança adequada enfrentam reversões custosas e perda de talento. A resistência interna não gerenciada é, consistentemente, uma das principais causas de abandono de projetos de IA após o piloto. Um projeto que não tem plano de comunicação para o time não tem plano de adoção — e sem adoção, o agente mais sofisticado do mercado não gera resultado.

Critério de Aprovação

Se o proponente não consegue responder de forma clara e documentada pelo menos oito das dez perguntas, o projeto não está pronto para aprovação.

Isso não significa que o projeto é ruim. Significa que ele precisa de mais preparação antes de receber budget e começar a consumir tempo do time.

O gestor que aplica esse critério de forma consistente vai aprovar menos projetos no curto prazo e ter mais projetos bem-sucedidos no médio prazo. E vai construir uma reputação interna de gestor que aprova projetos que funcionam — não projetos que parecem bons.

O Checklist que Protege o Budget e a Credibilidade

O gestor que aprova projetos de IA que falham não perde apenas o budget. Perde credibilidade para os próximos projetos. E em um ambiente onde a janela de diferenciação por IA está aberta mas não indefinidamente, ter credibilidade para aprovar o próximo projeto é tão valioso quanto o resultado do projeto atual.

Para o contexto completo de como estruturar a jornada de adoção de IA na sua área com método e entregáveis em cada etapa, o Pillar Page O Novo Manual do Gestor com IA consolida as três dimensões do novo papel do gestor e os erros mais comuns na introdução de IA em equipes.

→ Acessar o Diagnóstico de Maturidade de IA Gratuitamente

Análise executiva. Sem formulário de vendas. Resultado imediato.