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.

Perguntas frequentes

Qual framework usar para priorizar projetos de IA: ICE, RICE ou impacto x esforço? Para a maioria das empresas, impacto x esforço é suficiente e mais rápido de aplicar. RICE (que soma alcance e confiança) vale para portfólios grandes, com muitos projetos concorrendo por orçamento ao mesmo tempo.

Quantos projetos de IA priorizar por vez? Entre dois e quatro por trimestre é o intervalo mais realista. Mais que isso costuma diluir atenção de liderança e capacidade técnica, dois fatores que pesam diretamente no sucesso do projeto.

Quem deve participar da priorização de projetos de IA? Pelo menos um executivo com orçamento, o dono da área afetada pelo projeto e alguém com visão técnica de dados. Sem essas três perspectivas, a pontuação de impacto ou de esforço costuma sair distorcida.

Próximo passo

Priorizar bem depende de saber, com dados, onde sua empresa realmente está em maturidade de IA antes de pontuar qualquer projeto. O diagnóstico gratuito de IA da ESV mapeia isso em poucos dias e já entrega um ponto de partida para aplicar este framework com sua própria lista de projetos.