IA que Funcionou de Verdade
Proof of concept não é caso de uso. O Casos do PrezencIA cobre implementações reais em produção — com resultados verificáveis, custos declarados, desafios documentados e as lições que só aparecem quando o sistema precisa funcionar para 100.000 usuários às 2 da manhã.
A Diferença Entre Demo e Produção
O fosso entre uma demonstração de IA e uma implementação de produção é imenso — e sistematicamente subestimado. Demos são construídas para funcionar. Sistemas de produção precisam funcionar quando os dados são bagunçados, quando o usuário faz perguntas inesperadas, quando o modelo aluciná, quando a API cai, quando o custo escala 50x além da projeção. Cada um desses cenários requer engenharia específica que não aparece na demo.
O Casos do PrezencIA parte de evidência verificável. Cada estudo de caso inclui: fonte primária (report de empresa, paper de pesquisa, entrevista técnica pública), métricas concretas (não "melhorou significativamente", mas "redução de 34% no tempo de processamento"), tecnologias declaradas e desafios enfrentados. Cases de empresa que não declaram metodologia são tratados como marketing, não como evidência.
O padrão de resultado mais recorrente nos casos verificados: a fase piloto excede expectativas; a fase de escala revela problemas de qualidade, custo e manutenção que a fase piloto não capturou. Isso não é fracasso — é engenharia. Mas organizações que não planejam para a fase de escala desde o início pagam o dobro para chegar lá.
15 Termos que Definem Casos
Terminologia de gestão de projetos e engenharia de IA para o Pointy Casos. Usada para descrever implementações com precisão técnica e organizacional.
| Termo | Definição Editorial | Nível |
|---|---|---|
| POC | Proof of Concept — protótipo para validar viabilidade técnica; não representa performance em produção | Ouro |
| MVP | Minimum Viable Product — primeira versão funcional em produção; critério de sucesso definido antecipadamente | Ouro |
| ROI | Return on Investment — ganho financeiro dividido pelo custo; cálculo frequentemente omite custos de manutenção | Diamante |
| TCO | Total Cost of Ownership — hardware + licenças + pessoas + energia + manutenção ao longo do tempo | Diamante |
| Drift | Degradação gradual de performance de modelo quando dados de produção divergem dos dados de treino | Diamante |
| Human-in-the-Loop | Supervisão humana de decisões de IA — obrigatório em domínios de alto risco, impacta throughput | Ouro |
| A/B Testing | Comparação controlada entre versão com IA vs. sem IA — gold standard para medir impacto real | Diamante |
| Latência P99 | Latência do 99º percentil — mede o pior caso típico; mais relevante que média para UX de produção | Ouro |
| Feedback Loop | Mecanismo de captura de feedback de usuário para melhorar modelo — essencial para sistemas que evoluem | Ouro |
| Shadow Mode | Rodar IA em paralelo com sistema atual sem mostrar output ao usuário — valida antes de substituir | Prata |
| Graceful Degradation | Comportamento do sistema quando IA falha — fallback para regras ou humano sem interromper operação | Ouro |
| Observabilidade | Capacidade de monitorar comportamento de sistema de IA em produção — logging, tracing, alertas | Ouro |
| Cold Start | Latência adicional na primeira chamada — relevante para serverless e modelos que precisam carregar | Prata |
| Chunking Strategy | Decisão sobre como dividir documentos para RAG — impacto direto na qualidade de retrieval | Ouro |
| Evaluation Framework | Conjunto de métricas e critérios para avaliar qualidade de outputs — necessário antes, não depois do deploy | Diamante |
IA no Varejo: Como a Visão Computacional Reduziu Perdas em Retailers do G21
A aplicação de visão computacional para prevenção de perdas no varejo é um dos casos de uso mais maduros e verificáveis de IA em operação. Diferentemente de aplicações de LLM, onde outputs são difíceis de medir, a redução de perdas é um número na contabilidade — verificável, auditável e diretamente comparável com o custo de implementação.
O Caso da Rede de Supermercados
Uma das maiores redes de supermercados do Brasil implementou visão computacional em 47 lojas piloto em 2023-2024. O sistema usa câmeras de prateleira para detectar: itens sendo colocados na bolsa sem passar pelo caixa, comportamentos de auto-checkout inconsistentes, e divergências entre item escaneado e item embalado. Resultado após 12 meses: redução de 31% nas perdas de produtos monitorados, equivalente a R$ 2,3 milhões por loja/ano. O sistema custa aproximadamente R$ 180.000 por loja em hardware e software anualizado.
Os Desafios que Ninguém Conta
Taxa de falso positivo: o sistema inicial gerava 2-3 alertas falsos por hora por câmera — volume ingerenciável que gerava fadiga nos operadores de segurança. Ajuste de threshold e retreino em dados locais reduziram para 0,2 alertas/hora. Privacidade e LGPD: implementação exigiu parecer jurídico, sinalização obrigatória nas lojas e anonimização de dados de clientes para treinamento. Variação de iluminação: câmeras que funcionavam em horário comercial falhavam no turno noturno — ajuste do modelo para condições de baixa luz custou 3 meses adicionais.
"O sistema funcionou perfeitamente no piloto de 3 lojas. Quando escalamos para 47, descobrimos que cada loja tinha iluminação diferente, layout diferente e padrões de cliente diferentes. Escala é sempre onde a realidade aparece." — Diretor de tecnologia da rede, entrevista técnica NRF 2024
O Equilíbrio de Vetores: Eficiência × Privacidade
A redução de perdas é real e verificável. O questionamento ético também: sistemas de monitoramento contínuo de clientes normalizam vigilância em espaços públicos. A resposta tecnológica — anonimização, processamento local sem armazenamento de rostos, foco em comportamento e não em identidade — mitiga mas não elimina a tensão. Casos de uso legítimos de IA frequentemente carregam implicações que merecem análise além da eficiência operacional.
