Como Priorizar Projetos de IA: Framework de Impacto x Esforço

Priorizar projetos de IA significa pontuar cada iniciativa por impacto no negócio e esforço de implementação, plotar o resultado em uma matriz de quatro quadrantes e atacar primeiro o que combina alto impacto com baixo esforço. Parece simples, mas a maioria das empresas pula essa etapa e escolhe projetos pelo hype, não pelo retorno.

O custo desse atalho aparece nos números. Segundo o MIT (relatório State of AI Business, 2025), 95% dos pilotos de IA generativa falham em entregar retorno mensurável, e metade dos POCs é abandonada antes de chegar à produção. A Gartner, em levantamento com 782 líderes de infraestrutura e operações no fim de 2025, encontrou que apenas 28% dos projetos de IA atingem o ROI esperado e 20% falham por completo. Na maior parte dos casos, o problema não é a tecnologia. É a escolha do projeto errado para começar.

No guia completo de advisory de IA já apresentamos o framework de impacto x esforço em nível de visão geral. Este artigo é o passo a passo prático: como pontuar, como montar a matriz e como decidir o que entra na fila primeiro.

Por que priorizar projetos de IA é diferente de priorizar projetos de TI

Projeto de TI tradicional tem escopo fechado e prazo previsível. Projeto de IA tem incerteza embutida: a qualidade dos dados só se revela depois que você começa, o modelo pode não generalizar como esperado, e a adoção pelo time depende de mudança de hábito, não só de entrega técnica.

Isso muda o cálculo de priorização em dois pontos. Primeiro, esforço em IA inclui preparação de dados, que segundo levantamentos de mercado consome de 60% a 80% do tempo total do projeto, algo que raramente aparece no esforço estimado de um projeto de TI convencional. Segundo, impacto em IA precisa considerar risco e governança, não só ganho financeiro, porque um projeto mal priorizado pode criar exposição (dados sensíveis, decisões automatizadas sem supervisão) antes de gerar qualquer retorno.

O framework impacto x esforço aplicado a IA

A lógica é a mesma usada em matrizes como ICE e RICE, adaptada para os fatores que mais pesam em projetos de IA.

Como pontuar impacto (1 a 5 em cada critério)

• Ganho financeiro ou de tempo: quanto o projeto economiza ou gera, em horas de trabalho ou receita direta, em 12 meses.
• Valor estratégico: o quanto o projeto avança uma prioridade que já está no radar da diretoria, não uma iniciativa isolada.
• Redução de risco: o quanto o projeto resolve uma exposição já identificada (shadow AI, processo manual sujeito a erro, dependência de uma única pessoa).

Some os três critérios e divida por três para chegar à nota de impacto.

Como pontuar esforço (1 a 5 em cada critério, invertido: 5 = mais fácil)

• Maturidade dos dados: os dados necessários já existem, estão limpos e acessíveis, ou precisam ser criados do zero?
• Complexidade técnica: o projeto usa uma ferramenta ou modelo já validado no mercado, ou exige desenvolvimento sob medida?
• Gestão de mudança: quantas pessoas ou áreas precisam mudar de comportamento para o projeto funcionar no dia a dia?

Some e divida por três para chegar à nota de esforço.

Passo a passo: exemplo prático de pontuação

Imagine uma empresa de médio porte avaliando três iniciativas de IA candidatas ao próximo trimestre.

Projeto A: assistente de atendimento para dúvidas recorrentes de clientes. Impacto: ganho financeiro 4, valor estratégico 3, redução de risco 3 (média 3,3). Esforço: dados 4 (histórico de conversas já existe), complexidade técnica 4 (ferramenta madura no mercado), gestão de mudança 4 (afeta só o time de atendimento) (média 4).

Projeto B: automação de relatórios financeiros mensais com IA. Impacto: ganho financeiro 3, valor estratégico 2, redução de risco 2 (média 2,3). Esforço: dados 2 (planilhas dispersas em formatos diferentes), complexidade técnica 3, gestão de mudança 3 (média 2,7).

Projeto C: agente de IA para qualificação de leads de vendas. Impacto: ganho financeiro 5, valor estratégico 5, redução de risco 3 (média 4,3). Esforço: dados 3 (CRM existe mas com dados incompletos), complexidade técnica 2 (integração com múltiplos sistemas), gestão de mudança 2 (muda o processo comercial inteiro) (média 2,3).

Plotados na matriz, o Projeto A cai em alto impacto e baixo esforço (execução imediata), o Projeto C cai em alto impacto e alto esforço (aposta estratégica, precisa de plano de mais de um trimestre) e o Projeto B cai em impacto e esforço médios para baixos (fica na fila, não é prioridade).

Os 4 quadrantes e o que fazer em cada um

• Alto impacto, baixo esforço (execução imediata): comece por aqui sempre. São os projetos que constroem confiança interna na IA e geram caso de uso real em semanas, não meses.
• Alto impacto, alto esforço (aposta estratégica): vale investir, mas com patrocínio executivo formal, orçamento dedicado e plano de fases. Não trate como projeto de time.
• Baixo impacto, baixo esforço (preenchimento): só execute se sobrar capacidade depois dos dois quadrantes acima. Não é onde a empresa deveria estar gastando energia de liderança.
• Baixo impacto, alto esforço (evitar): descarte ou reformule o escopo. É o quadrante que mais aparece nas estatísticas de projetos de IA abandonados.

Erros comuns ao priorizar projetos de IA

Em conversas recentes de diagnóstico, um padrão se repete: o time está motivado e já testando IA por conta própria, mas falta uma estrutura formal para organizar os projetos e medir o retorno de cada um. O resultado é um portfólio de iniciativas soltas, sem ordem de prioridade clara e sem dono definido para decidir o que continua e o que para.

Outros erros frequentes:

• Priorizar por entusiasmo de quem pediu, não por impacto medido.
• Ignorar o esforço de dados na pontuação, o que infla artificialmente o placar de projetos inviáveis.
• Não revisar a priorização: o framework não é um exercício único, precisa ser refeito a cada trimestre conforme os projetos avançam e o contexto muda.
• Rodar sem patrocínio executivo os projetos do quadrante de aposta estratégica, o que explica boa parte do abandono relatado pelo MIT.