Etapa 1 para 2: De Ad-Hoc para Piloto, O Ponto de Estagnação Mais Comum em AI

Sua equipe já usa AI. ChatGPT, Copilot, Gemini, Perplexity, talvez uma dúzia de outros. Ninguém sabe exatamente quais. Não há política. Não há linha de budget. Parte disso roda em contas pessoais. E você não tem ideia do que está funcionando, do que está expondo a empresa a riscos ou se alguma coisa disso impulsiona o negócio. Isso é a Etapa 1.

É também onde a maioria das empresas em 2026 se encontra. Pesquisa da McKinsey revelou que apenas 11% das empresas adotaram AI generativa em escala, e quase dois terços não escalaram além de alguns pilotos. Você não está atrasado. Você está na maioria.

A transição da Etapa 1 para a Etapa 2 não é glamourosa. Não envolve comprar uma nova plataforma ou anunciar uma iniciativa de AI em uma reunião geral. Envolve fazer uma única escolha intencional: escolher um caso de uso, nomear um responsável, definir o que é sucesso e medir. Só isso.

Mas este é exatamente o passo que a maioria das empresas pula. Em vez disso, anunciam mais pilotos, formam um comitê ou continuam esperando que a estratégia de AI "certa" surja. O resultado é o travamento na Etapa 1: o problema de shadow AI cresce, o risco de conformidade se acumula e 12 meses depois o conselho pergunta o que a empresa realmente fez.

Este artigo traz o playbook concreto para realizar a transição.

O que a Etapa 1 realmente parece

Fatos Essenciais: A Realidade da Etapa 1

• 78% dos trabalhadores do conhecimento usam ferramentas de AI pessoais no trabalho sem aprovação explícita do empregador, e a maioria das organizações não sabe quais ferramentas estão em uso na sua força de trabalho (Microsoft Work Trend Index, 2024)
• 60% dos projetos de AI sem suporte de dados preparados para AI serão abandonados até 2026, tornando a auditoria de prontidão de dados a ação de maior alavancagem na Etapa 1 antes de qualquer piloto ser lançado (Gartner, 2025)
• Apenas 11% das empresas adotaram AI generativa em escala; quase dois terços não escalaram além de alguns pilotos, o que significa que a transição da Etapa 1 para a Etapa 2 ainda é o ponto de estagnação mais comum em AI corporativa (McKinsey, 2025)

Antes de sair da Etapa 1, você precisa reconhecer que está nela. Confira os sinais diagnósticos.

Uso individual de ferramentas sem inventário. Funcionários usam ferramentas de AI que você não aprovou, algumas que você nem conhece. Alguns pagam do próprio bolso. Outros usam versões gratuitas. Ninguém foi orientado a não usar, pois não há política.

Nenhuma linha de budget formal para AI. Qualquer gasto com AI está enterrado em relatórios de despesas individuais, assinaturas de software ou budgets departamentais que não o chamam de AI. O CFO não consegue dizer quanto a empresa gasta com AI.

TI e Jurídico estão preocupados, mas sem poder de ação. TI ouviu falar de dados entrando no ChatGPT. O Jurídico tem uma preocupação vaga sobre propriedade intelectual. Mas nenhuma das equipes tem autoridade, mandato ou diretrizes para agir ainda.

Nenhum dado de ROI. Funcionários individuais dirão que AI "economiza tempo", mas ninguém consegue quantificar quanto ou vinculá-lo a resultados de negócio. Os ganhos de produtividade são anedóticos.

Assinaturas de ferramentas concorrentes. Várias equipes estão avaliando ou usando diferentes ferramentas para o mesmo problema. Vendas está olhando para uma ferramenta de AI de vendas. Marketing acabou de se cadastrar em outra diferente. Elas não conversam entre si.

Nenhuma revisão de segurança de ferramentas de AI. Os fornecedores não passaram pela revisão de segurança de procurement padrão que se aplica a outros SaaS. Eles simplesmente receberam um cartão de crédito de funcionário.

Se três ou mais desses itens são verdadeiros, você está na Etapa 1. Tudo bem. A maioria das empresas em 2026 está. Mas não é um estado estável.

Por que a Etapa 1 é normal e arriscada ao mesmo tempo

A Etapa 1 não é um fracasso. É como AI entra em toda organização. Funcionários experimentam antes que a liderança tenha um framework. Isso é saudável nos estágios iniciais. O problema é permanecer lá.

O risco se acumula em três dimensões. E o risco é real: a Gartner descobriu que organizações abandonarão 60% dos projetos de AI sem suporte de dados preparados para AI até 2026, o que significa que empresas na Etapa 1 que pulam governança e trabalho de dados estão preparando falhas dispendiosas.

Exposição de dados. Funcionários colam conteúdo em ferramentas de AI públicas sem saber se esse conteúdo é sensível. Registros de clientes, projeções financeiras, contratos em rascunho, documentos de estratégia interna. Cada colagem é uma exposição de dados potencial. Sem uma política definindo o que pode e o que não pode entrar nas ferramentas de AI, o padrão é "tudo entra".

Risco de propriedade intelectual e conformidade. Se um funcionário usa AI para gerar conteúdo, código ou análises, questões sobre propriedade de IP, viés e conformidade regulatória não têm uma resposta sancionada pela empresa. O funcionário agiu sozinho. A empresa é responsável.

Custo de oportunidade. Quanto mais equipes experimentam sem coordenação, menos aprendizado organizacional se acumula. Cada equipe reinventa os mesmos prompts. Ninguém compartilha o que funciona. A empresa paga pelo esforço de AI sem obter valor de AI.

A boa notícia é que você não precisa resolver tudo isso para avançar para a Etapa 2. Você precisa resolver o suficiente para tornar um piloto estruturado possível.

Critérios de saída da Etapa 2

A Etapa 2 não é um destino. É um novo patamar. Aqui estão os três requisitos para se chamar de organização Etapa 2.

Os três precisam ser verdadeiros. Se você tem uma política mas nenhum piloto, você está na Etapa 1 com melhor governança. Se você tem um piloto mas nenhuma política, você está na Etapa 1 com melhor experimentação. A Etapa 2 exige ambos.

Como escolher o primeiro piloto

A seleção de caso de uso é onde a maioria das transições da Etapa 1 para a Etapa 2 falha. As equipes escolhem o caso de uso mais empolgante (voltado ao cliente, maior visibilidade, problemas de dados mais difíceis) ou deixam o departamento mais barulhento conduzir a escolha. Nenhuma das abordagens funciona.

O framework correto tem três filtros. Aplique-os em ordem.

Filtro 1: Prontidão de dados. Antes de escolher qualquer caso de uso, pergunte se você tem dados limpos, acessíveis e aprovados por política para apoiá-lo. Prontidão de dados é o assassino silencioso mais comum de pilotos de AI. Um caso de uso com grande apelo de negócio, mas fraca prontidão de dados, falhará. Um caso de uso com menor apelo mas dados sólidos ensinará algo real. Comece com os dados que você tem, não com os dados que deseja ter.

Filtro 2: Perfil de risco. Para seu primeiro piloto, evite capacidades Execute voltadas ao cliente. Ações de Execute têm consequências diretas e visíveis: e-mails enviados, registros atualizados, negócios alterados, respostas entregues. Quando algo der errado em um piloto, você quer que o impacto seja interno. Avalie cada caso de uso em uma escala de risco simples: baixo (apenas interno, humanos revisam outputs), médio (voltado ao cliente, AI elabora mas humano envia), alto (interação automatizada com o cliente). Escolha um caso de uso de baixo risco para o Piloto 1. A fronteira entre Generate e Execute explica por que essa distinção importa para seu primeiro piloto.

Filtro 3: Potencial de impacto. Entre as opções de baixo risco e com dados prontos, escolha aquela com o impacto de negócio mais claro: horas economizadas, taxa de conversão melhorada, taxa de erro reduzida. Isso não precisa ser enorme. Precisa ser mensurável.

Um exemplo concreto. Uma empresa SaaS de 50 pessoas aplica esse framework e identifica três candidatos: (1) scoring de leads assistido por AI usando dados do CRM, (2) sequências de e-mail de saída em primeiro rascunho geradas por AI para SDRs e (3) categorização e roteamento de tickets de suporte por AI.

O scoring de leads (opção 1) falha no Filtro 1. O CRM tem dados incompletos para 40% dos registros. A opção 3 falha no Filtro 2 para a tolerância ao risco deles, pois toca na resposta ao cliente. A opção 2 passa pelos três filtros. O CRM e o sistema de e-mail têm dados limpos. É interno à equipe de SDR. E eles podem medir diretamente a taxa de resposta e a taxa de reuniões agendadas. O Piloto 1 são sequências de e-mail de SDR geradas por AI.

Esse é o framework completo de seleção.

Construindo o charter do piloto

Depois de escolher o caso de uso, formalize-o. O charter do piloto não precisa ser longo. Precisa existir.

Um charter de piloto da Etapa 2 tem cinco elementos:

1. A hipótese. Declare o que você acredita que acontecerá e por quê. "Acreditamos que e-mails de SDR assistidos por AI aumentarão a taxa de resposta em 15% porque nossos SDRs gastam 40% do tempo de prospecção em personalização de e-mail que AI pode fazer mais rápido."

2. A métrica de sucesso. Uma métrica primária. Não cinco. Uma. Para o exemplo de SDR: taxa de resposta em sequências assistidas por AI vs. sequências do grupo de controle ao longo de 60 dias.

3. A medição de referência. O estado atual, medido antes do piloto começar. Se você não medir antes, não pode provar depois. Extraia os dados de taxa de resposta atual antes de mudar qualquer coisa.

4. O limite de tempo. Pilotos sem data de término rodam para sempre. Defina 60 ou 90 dias. No final, você decide: escalar, estender ou encerrar. Os três resultados são válidos. Rodar indefinidamente não é.

5. O responsável nomeado. Uma pessoa é responsável pelos resultados do piloto. Não um comitê. Não um grupo de trabalho. Uma pessoa que apresenta os resultados ao final do limite de tempo.

Se você não consegue preencher os cinco, não está pronto para iniciar o piloto.

"A transição da Etapa 1 para a Etapa 2 exige exatamente uma coisa: um piloto com uma hipótese, uma referência mensurável e um responsável nomeado. Não um deck de estratégia, não um comitê de governança, não um contrato de plataforma de AI corporativa. Um experimento delimitado e mensurável. Esse é o critério completo." (Rework)

O Teste de Travessia da Etapa 1 para 2

Um diagnóstico de quatro perguntas que confirma se uma organização genuinamente cruzou da Etapa 1 para a Etapa 2, em vez de apenas renomear suas atividades da Etapa 1. Pergunta 1: Existe uma política escrita de uso de AI e todos os funcionários confirmaram o recebimento? Pergunta 2: Há exatamente um piloto nomeado com hipótese documentada e métrica de sucesso? Pergunta 3: A medição de referência foi capturada antes do piloto começar? Pergunta 4: O piloto tem um responsável nomeado e uma data de término definida? Se alguma resposta for "não", a organização ainda está na Etapa 1. O Teste de Travessia é deliberadamente rigoroso: é fácil reivindicar o status de Etapa 2 com base em atividade. O Teste de Travessia mede governança e estrutura, não volume de atividade.

Governança mínima viável para a Etapa 2

Sua política de AI na Etapa 2 não precisa ser um documento legal de 40 páginas. Precisa cobrir cinco pontos.

Lista de ferramentas aprovadas. As ferramentas de AI específicas que os funcionários têm permissão para usar, com as condições de uso. Comece com o que as pessoas já estão usando e torne isso oficial. Adicione critérios de aprovação para novas ferramentas.

Restrições de dados. Quais categorias de dados não podem ser inseridas em ferramentas de AI externas sem aprovação explícita. No mínimo: informações de identificação pessoal (PII) de clientes, projeções financeiras, conteúdo relacionado a fusões e aquisições e contratos confidenciais. Essa única decisão elimina a maioria do risco de conformidade na Etapa 1.

Processo de solicitação de nova ferramenta. Como um funcionário obtém aprovação para uma nova ferramenta de AI. Mantenha simples: um formulário, um revisor nomeado (TI ou Jurídico) e um prazo de 5 dias úteis. O objetivo não é bloquear a adoção. É criar um registro.

Relato de incidentes. O que os funcionários devem fazer se uma ferramenta de AI fizer algo errado: output incorreto enviado a um cliente, dados expostos inadvertidamente, modelo produz conteúdo discriminatório. Mesmo um simples "envie e-mail para [nome] imediatamente" cria responsabilidade.

Zonas de não uso. Decisões específicas que AI não pode tomar sem revisão humana. Decisões reguladas (crédito, contratação, médico) são o piso. Adicione o que for específico ao seu setor.

Essa política não precisa de aprovação jurídica para ser útil. Precisa existir e ser compartilhada. Você a refina conforme aprende.

Criando Sua Política de Uso de AI cobre isso em detalhes completos com orientação seção por seção.

A verificação de prontidão de dados antes de se comprometer

A maioria das empresas na Etapa 1 se surpreende com o quão despreparados estão seus dados para pilotos de AI. Antes de se comprometer com um caso de uso, execute uma auditoria de cinco perguntas.

1. Você consegue acessar os dados que a AI precisaria hoje, sem um projeto de TI de várias semanas?
2. Os campos-chave têm pelo menos 70% de preenchimento, ou há lacunas nulas significativas?
3. Os dados são recentes o suficiente para refletir a realidade atual do negócio?
4. Há uma fonte autoritativa, ou sistemas concorrentes com registros conflitantes?
5. O Jurídico ou a Segurança liberou esta categoria de dados para uso em ferramentas de AI externas?

Se você responder "não" ou "não sei" a duas ou mais perguntas, o caso de uso tem uma dependência de prontidão de dados que se manifestará como falha no piloto. Corrija os dados primeiro ou escolha um caso de uso diferente. O artigo sobre Prontidão de Dados traz o framework completo de auditoria.

Modos de falha comuns na transição da Etapa 1 para a Etapa 2

Modo de falha 1: Escolher o piloto inicial errado. O caso de uso de maior visibilidade e mais empolgante quase nunca é o piloto inicial correto. Voltado ao cliente, alto risco, dados ruins. Escolha enfadonho e mensurável em vez de empolgante e complexo.

Modo de falha 2: Pular a referência. "Descobriremos o ROI depois do piloto" produz argumentos, não evidências. Sempre meça antes de mudar qualquer coisa. Se você esqueceu de medir antes e o piloto já está em execução, pare e meça agora. Qualquer referência é melhor do que nenhuma.

Modo de falha 3: Paralisia de política. Algumas organizações tentam escrever a política de AI perfeita antes de iniciar qualquer piloto. Consultam o Jurídico, TI, Conformidade, RH. A revisão da política leva seis meses. Enquanto isso, o shadow AI se expande. Um rascunho funcional com lacunas conhecidas supera uma política perfeita que ainda não existe.

Modo de falha 4: Muitos pilotos. "Devemos rodar cinco pilotos em paralelo para aprender mais rápido." Não. Cinco pilotos sem responsável único, sem grupos de controle e sem infraestrutura compartilhada produzem cinco pontos de dados inconclusivos. Um piloto bem executado com medição adequada produz uma resposta real.

Modo de falha 5: Mudar a métrica durante o piloto. Se o piloto não está produzindo os resultados esperados, a tentação é mudar de métrica. Não faça isso. A métrica foi definida no charter. Se o piloto falhar pela métrica original, isso é informação útil. "As sequências de e-mail de AI não melhoraram a taxa de resposta" é um achado real. Mudar para uma métrica diferente no meio do caminho para salvar um piloto em queda produz dados enganosos.

O que a Etapa 2 realmente parece

Uma organização na Etapa 2 tem uma política postada em algum lugar (drive compartilhado, manual da empresa), um piloto com charter e responsável, uma data de início, uma leitura agendada e uma medição de referência registrada. É genuinamente isso.

Não parece uma transformação. Parece um pequeno projeto gerenciado corretamente. Esse é o ponto.

A transformação acontece porque este único piloto, bem executado, produz dados reais que constroem o argumento para a Etapa 3. Empresas que avançam rapidamente para a Etapa 3 sem uma base da Etapa 2 se encontram com múltiplas ferramentas de AI, sem infraestrutura compartilhada e sem evidências de que qualquer coisa funciona. Elas construíram a complexidade da Etapa 3 sobre uma base de dados da Etapa 1.

Análise Rework: Com base em padrões de transição de AI corporativa, o tempo mediano para completar o Teste de Travessia da Etapa 1 para a Etapa 2 para uma empresa de mercado médio é de 8 a 14 semanas quando o CEO estabeleceu o mandato. A causa mais comum de atraso é o requisito de medição de referência: equipes que descobrem que não conseguem extrair facilmente a métrica pré-piloto percebem que têm um problema de prontidão de dados que deve ser resolvido antes que o piloto comece. Esse atraso é na verdade valioso. Ele expõe a lacuna de dados antes que ela mate o piloto, não depois.

A Etapa 2 não é glamourosa. Faça mesmo assim.

O que vem a seguir

Assim que seu primeiro piloto for concluído e você tiver tomado a decisão de escalar, estender ou encerrar, você está pronto para pensar em avançar do piloto para a produção. Essa transição (avançar para a Etapa 3) tem seus próprios requisitos, decisões de infraestrutura e modos de falha. O próximo passo é o mais difícil de toda a curva de maturidade.

Leia: Etapa 2 para 3: Do Piloto para o Escalado para o checklist de implantação em produção e requisitos de infraestrutura.

Leia: As 5 Etapas de Maturidade em AI para ver onde essa transição se encaixa no modelo completo de maturidade.

E se você está se perguntando se sua transformação vai se sustentar: Por Que Maioria das Transformações de AI Falha cobre as razões estruturais pelas quais a maioria das organizações estagna entre etapas.

Veja também:

• A Agenda de AI de 18 Meses para o CEO: como a Fase 1 (Avaliar e Governar) mapeia para a transição da Etapa 1 para a Etapa 2
• O ACE Framework: o vocabulário de capacidades que o charter do seu piloto deve usar ao definir a tarefa de AI