©2026 MIT Sloan Management Review Brasil. Todos os direitos reservados. A reprodução, total ou parcial, é proibida sem a autorização prévia e expressa do CNEX.

Nova estrutura

Backbone de IA: como criar valor em escala com a IA generativa

Empresas que expandem a tecnologia por toda a organização recorrem a estruturas como o backbone para coordenar esses esforços

Kevin Schmitt, Gregory Vial e Ivo Blohm

31 de julho de 2026 e atualizado em 13 de agosto de 2026

29 min de leitura

A inteligência artificial generativa apresenta um enigma organizacional. Empresas investiram, coletivamente, bilhões de dólares para oferecer aos funcionários acesso a grandes modelos de linguagem (LLMs) de uso geral, com o objetivo de aumentar a produtividade individual. No entanto, na maioria dos casos ainda encontram dificuldades para desenvolver e adotar aplicações mais estratégicas da tecnologia. Obter retorno significativo sobre esse investimento – e, mais ainda, construir uma vantagem competitiva – continuará sendo um desafio enquanto as organizações não conseguirem usar a IA generativa para promover melhorias em processos que possam ser escalados, ou seja, que sejam aplicados em diferentes áreas e unidades de negócio.

Nossas entrevistas com 87 profissionais de 23 grandes organizações mostram que os líderes mais bem-sucedidos na ampliação da geração de valor com IA generativa adotam três práticas fundamentais:

• Primeiro, expandem o foco das iniciativas para abranger processos completos, em vez de se limitarem a tarefas isoladas.
• Segundo, tratam essas iniciativas como projetos em constante evolução, aperfeiçoados continuamente.
• Por fim, identificam rapidamente quais delas não geram valor mensurável para a organização e as descontinuam.

No entanto, a maioria das empresas tradicionais não é estruturada para institucionalizar essas três práticas. Muitas operam como organizações multidivisionais, em que unidades de negócio funcionam de maneira relativamente independente, com funções duplicadas, pouco compartilhamento de informações e competição interna por recursos. Essa configuração dificulta a expansão de aplicações de IA generativa entre processos, áreas e unidades de negócio.

Em nossa pesquisa, constatamos que os poucos líderes que conseguem superar esses desafios estão indo além do tradicional modelo hub-and-spoke, adotado por muitas organizações para conectar uma equipe central de especialistas em IA às diferentes unidades de negócio. Em seu lugar, estão desenvolvendo uma nova estrutura organizacional, que chamamos de backbone de IA.

Essa estrutura oferece uma base central flexível para implementar, aprimorar e descontinuar aplicações de LLMs em larga escala, mantendo o portfólio de IA generativa focado e atualizado. Mas sua principal diferença está na composição da equipe:notavelmente, em vez de implantar tecnólogos em unidades de negócio, como é comumente feito, essa estrutura traz profissionais com profundo conhecimento dos processos de negócio para o núcleo e os torna parte do time central.

Um banco de varejo que estudamos ilustra o tipo de escalonamento e criação de valor que um backbone de IA é capaz de sustentar. Inicialmente, a estrutura liderou a implementação de um assistente de e-mail para os funcionários de atendimento ao cliente. Em uma aplicação inicial e limitada, aqueles que usavam o assistente economizaram coletivamente cerca de 700 horas de trabalho.

À medida que seu uso foi ampliado, o tempo necessário para processar e-mails caiu 15%, liberando os funcionários para se dedicar a casos mais complexos. Animado com esse resultado, o banco passou a usar o backbone de IA para resumir conversas por e-mail, transcrever chamadas e fazer análises com tecnologia de LLM. Os dados gerados por essas aplicações forneceram novos insights às equipes de atendimento, levando o banco a reformular sua estratégia de gestão do relacionamento com o cliente. As informações também serviram de base para aprimorar as versões seguintes da ferramenta.

Observamos outro exemplo em uma empresa de codificação médica, responsável por atribuir códigos alfanuméricos padronizados à documentação de diagnósticos, tratamentos e procedimentos para fins de faturamento e gestão em saúde. Nesse caso, o backbone de IA forneceu a estrutura necessária para transformar sua primeira aplicação de LLM voltada à codificação automatizada em uma nova linha de negócios. Uma aplicação interna reduziu o tempo de codificação de 25 minutos por caso para apenas 2 segundos, diminuindo os custos em 60% em comparação com a codificação realizada por pessoas – que, por sua vez, puderam ser realocadas para outras atividades.

O backbone de IA também permitiu desenvolver essa aplicação até transformá-la em um produto voltado às seguradoras, capaz de verificar se as contas médicas haviam sido codificadas corretamente. Com isso, a empresa ampliou sua presença no mercado de seguros de saúde e criou uma nova fonte de receita.

Conectando esforços em toda a empresa

O backbone de IA é uma estrutura transversal dedicada a disseminar e expandir casos de uso de LLMs em toda a organização, com foco na redução de esforços duplicados e na obtenção de economias de escala à medida que as soluções se expandem pelas unidades de negócio e processos. Por ser um ponto central de colaboração entre especialistas em tecnologia e “donos” do conhecimento nos processos do negócio, o backbone concentra a expertise necessária para redesenhar e aprimorar continuamente os processos de ponta a ponta e entre funções, como no exemplo do banco acima. Conforme identificamos na empresa de codificação médica, essa estrutura pode ser implementada não apenas em grandes organizações, mas também em pequenas e médias empresas.

Nos casos que observamos, o financiamento do backbone de IA vinha da alta administração, que também destinava a ele uma parcela maior da receita gerada ou dos custos reduzidos pelas aplicações implementadas. Esse mecanismo cria os incentivos adequados: obriga a organização a medir o retorno sobre o investimento (ROI), a manter o foco e a evitar gastos excessivos com casos de uso de “conveniência” que parecem úteis, mas não geram impacto significativo em custos ou receita.

Ao ser financiada de modo independente, a estrutura mantém autonomia na tomada de decisão em relação a outras divisões, permitindo identificar e incentivar usos que tenham potencial para melhorar processos que atravessam diferentes áreas. Um centro de excelência em IA mais tradicional, baseado no modelo “hub-and-spoke”, tende a se concentrar mais em casos de uso restritos a unidades de negócios individualmente do que em aplicações que integrem diferentes partes da organização.

O backbone é supervisionado por um líder sênior, responsável por manter seus esforços alinhados aos objetivos estratégicos da organização. Esse papel pode ser exercido pelo diretor de tecnologia, diretor digital ou por um de seus subordinados diretos. A estrutura conta ainda com desenvolvedores de IA, profissionais de risco e compliance e um responsável pela área de tecnologia [veja quadro abaixo].

O responsável pela tecnologia atua para evitar a fragmentação dos fluxos de dados e das ferramentas. Em geral, ele supervisiona a criação de plataformas de dados centralizadas, bibliotecas de prompts, modelos e métricas de avaliação e desempenho técnico, incluindo consumo de tokens e custos financeiros. Essa supervisão reduz retrabalho e diminui custos marginais à medida que as aplicações se disseminam pela organização.

Para garantir que o risco e o compliance sejam gerenciados ao longo de cada iteração de um caso de uso, a pessoa que os administra é uma presença constante no backbone. Tornar esse papel permanente agiliza a resolução de questões de compliance e centraliza o aprendizado e a memória organizacional, para que possam ser rapidamente aplicados a outras situações. Isso significa que a governança é menos ad hoc do que em outras estruturas de organização do trabalho com a IA, nas quais uma área geral de risco e compliance fica à margem e frequentemente se vê sobrecarregada por questões específicas de IA.

Situados nas unidades de negócio, mas trabalhando em estreita colaboração com o backbone de IA, estão os responsáveis pelo negócio, os especialistas e os usuários finais designados. Os responsáveis pelo negócio – ou seja, os líderes das unidades que trabalham com o backbone nos casos de uso – são a principal ponte entre sua unidade e a estrutura. Cabe a eles identificar processos onde seja possível desenvolver uma boa aplicação da IA generativa e definir baselines e metas não técnicas (por exemplo, avaliações em uma escala de estrelas atribuídas pelos usuários finais, onde o objetivo seria mínimo 3 de 5 estrelas).

Esses profissionais também respondem pela implementação dos casos de uso validados nos processos identificados e por garantir que os casos com menor rendimento sejam descontinuados. Isso evita que as provas de conceito se arrastem indefinidamente ou permaneçam restritas a uma única unidade de negócio. Por fim, o responsável pelo negócio também recruta representantes de cada unidade para atuar como detentores do conhecimento e usuários finais capazes de fornecer feedback, assegurando que as novas aplicações gerem valor real para a empresa.

Já os especialistas trabalham com os responsáveis pela área de tecnologia para garantir que tanto o conhecimento crítico explícito quanto o tácito, essenciais para o caso de uso, sejam compreendidos pelos tecnólogos e capturados pela aplicação. Eles fazem a curadoria do ground truth (dados de referência, em livre tradução) e fornecem feedback relevante sobre os componentes de IA generativa que se tornarão repositórios do conhecimento organizacional.

Bibliotecas de prompts, por exemplo, precisam estar atualizadas com as políticas da empresa e os limites de segurança para gerar respostas apropriadas. Esses “donos” do conhecimento conseguem identificar rapidamente problemas em seu domínio, reduzindo retrabalho e encaminhamentos mais caros à medida que os casos de uso da IA generativa são implementados e evoluem.

Eles também ajudam a frear o trabalho da IA generativa quando o desempenho de uma ferramenta é suficientemente bom, do ponto de vista empresarial, independentemente do desempenho técnico. Em outras palavras, uma solução pode não ser tecnicamente perfeita, mas ainda assim boa o suficiente para que os funcionários percebam que ela facilita o trabalho.

Usuários finais selecionados de soluções de IA generativa trabalham com o backbone para validar que um caso de uso será útil para seus usuários-alvo. Isso é importante porque casos com baixo desempenho levam a baixas taxas de adoção, soluções alternativas e, em alguns casos, IA paralela. Os usuários finais também fornecem feedback crítico sobre o desempenho pós-implementação, como a identificação de casos extremos (situações limítrofes). Suas contribuições orientam a próxima iteração de melhorias da aplicação.

O backbone de IA funciona como ponto central para reuniões rápidas de alinhamento realizadas regularmente, a cada duas semanas. No banco, os membros do backbone usam esses encontros para compartilhar lições aprendidas, discutir prioridades em curso e futuras, e comunicar alterações feitas nos repositórios de conhecimento, como as bibliotecas de prompts. Mensalmente, realizam um evento de cúpula e convidam os usuários finais para mantê-los atualizados sobre o progresso, apresentar demonstrações e coletar feedback. Esses eventos permitem os ajustes necessários durante o processo de desenvolvimento, evitando que as aplicações precisem ser refeitas após serem lançadas. Eles também ajudam a gerenciar as expectativas e apreensões dos usuários.

Reunir os cinco papéis acima e os desenvolvedores de IA em uma estrutura autônoma e altamente integrada contribui para alinhar efetivamente os interesses dos stakeholders, garantir que o conhecimento relevante da organização seja direcionado para onde terá impacto, facilitar a colaboração entre funções e difundir conhecimento e valor de modo mais eficaz pelas unidades de negócio. Essas atividades sustentam as práticas-chave de escalonamento de IA generativa apresentadas no início deste artigo: selecionar casos de uso para implementação; expandir gradualmente seu escopo pelos processos; aprimorar continuamente cada caso de uso; e agir rapidamente diante de casos de uso com desempenho abaixo do esperado. Os exemplos a seguir mostram como o backbone de IA funciona na prática.

Respeito à experiência para ajustar o desempenho

Quando o banco desenvolveu seu assistente de e-mail, o foco inicial estava em questões técnicas, como integrar ao sistema informações relevantes para o atendimento ao cliente disponíveis no site da empresa e em documentos internos. Embora a ferramenta funcionasse conforme o esperado do ponto de vista técnico, ela não atendeu às expectativas dos agentes de atendimento. Eles relataram que as respostas geradas para as consultas dos clientes eram plausíveis, mas frequentemente incompletas ou sutilmente desalinhadas com os padrões do banco, além de apresentarem um tom inconsistente. Por isso, os agentes precisavam, com frequência, revisar as mensagens antes de enviá-las aos clientes.

Esse resultado evidenciou a importância de aproveitar melhor o conhecimento tácito dos agentes, que não estava registrado nos conjuntos de dados disponíveis. O feedback fornecido por esses profissionais deu à equipe do backbone de IA uma base sólida para as iterações seguintes. Como os usuários finais participavam das reuniões periódicas de revisão de projetos conduzidas pelo backbone – que tinha autoridade para barrar versões com desempenho insatisfatório e autorizar o avanço daquelas que atendiam a todos os critérios estabelecidos –, a empresa conseguiu aperfeiçoar a aplicação antes de sua adoção em larga escala.

O backbone de IA também lançou mão de mecanismos para capturar um volume maior de conhecimento tácito. Os funcionários de atendimento ao cliente eram remunerados para avaliar cada resposta gerada em uma escala de 1 a 5, e suas edições manuais nessas respostas eram registradas para revisão. Isso forneceu dados críticos para avaliar o desempenho do assistente de e-mail, criando um ciclo de feedback que revelou as normas não escritas da organização em relação a tom, intenção, limites de escalação e casos extremos, que podem demandar um tempo considerável para serem respondidos.

Desde então, o backbone de IA do banco institucionalizou o uso de avaliações e o registro de edições em conteúdos gerados por IA como métricas-chave para outros casos de uso, complementando as métricas técnicas. Essa prática permite identificar situações em que os esforços dedicados a corrigir deficiências de modelo ou de prompt têm maior probabilidade de gerar valor, concentrando o esforço humano onde ele será mais valioso. Por exemplo, o desempenho do assistente de e-mail melhorou significativamente quando os funcionários de atendimento ao cliente compartilharam seu conhecimento sobre como os clientes costumam formular suas solicitações.

Compensar os funcionários por seus esforços e direcioná-los para tarefas de maior valor reduziu a rotatividade e aliviou suas preocupações com a segurança do emprego. Reter profissionais com profundo conhecimento do domínio é fundamental para a IA generativa, pois eles ajudam a fazer a curadoria dos dados, refinar e atualizar prompts, além de fornecer feedback sobre os resultados. Quando a IA generativa é implantada em uma unidade de negócio com alta rotatividade de colaboradores, com o tempo há menos pessoas que conseguem validar os resultados com confiança sem precisar consultar documentação – um processo lento que atrapalha os ganhos de produtividade.

A estrutura traz questões tanto técnicas quanto de negócio em um único fórum e promove uma linguagem comum para que todos possam contribuir para uma discussão multifacetada sobre desempenho de aplicações. Isso aconteceu na empresa de codificação médica, em que o aplicativo inicialmente teve desempenho ruim e os desenvolvedores de IA viram o problema como técnico e que poderia ser resolvido por meio de coleta adicional de dados.

No entanto, participantes não técnicos do backbone de IA revisaram os resultados e questionaram os engenheiros. Em uma inspeção mais detalhada, eles descobriram que os labels de referência (ground truth) usados para treinar o modelo eram inconsistentes e que o sistema, de fato, estava superando os programadores humanos. Essas inconsistências nas classificações ocorreram porque diferentes grupos de codificadores tinham níveis distintos de formação médica.

A identificação dessas inconsistências permitiu que os desenvolvedores implementassem uma correção na versão seguinte da ferramenta, evitando desperdiçar tempo e recursos ao treinar o modelo com um conjunto de dados inadequadamente curado.

Alinhando stakeholders transversalmente nos processos

Tanto o banco quanto a empresa de codificação médica estabeleceram metas estratégicas para a adoção da IA generativa. Ainda assim, as unidades de negócio relutavam em financiar diretamente casos de uso da tecnologia devido ao elevado grau de incerteza associado a essas iniciativas, especialmente em razão da imprevisibilidade e da falta de confiabilidade características dos LLMs de base. Muitas ideias pareciam promissoras e, por vezes, funcionavam bem em pequena escala ou como provas de conceito, mas não conseguiam avançar além dessa etapa. Ao estabelecer o backbone de IA como uma estrutura independente, com conexão direta à alta liderança, as empresas conseguiram manter o alinhamento estratégico.

No banco, o backbone de IA financia as aplicações em múltiplas fases por meio de microssubsídios vinculados ao cumprimento de critérios técnicos e não técnicos de desempenho. Um padrão semelhante foi observado na empresa de codificação médica. Essa abordagem ajuda a construir soluções e gerir riscos de maneira incremental para iniciativas de longo prazo.

Em ambas as empresas, o backbone atua como um catalisador para conquistas e lições que podem beneficiar todas as unidades de negócio. Embora transferir decisões de financiamento para iniciativas de IA generativa fora das unidades de negócios tenha sido inicialmente vista como problemática, com o tempo resultou em inovações mais ousadas.

Além disso, os membros do backbone de IA em cada empresa também perceberam que o conhecimento de processos era altamente fragmentado. Cada unidade de negócio tinha uma ideia bastante clara de como sua parte funcionava, mas faltava uma visão clara de todo o processo, de ponta a ponta entre as diferentes unidades. O backbone defendeu o mapeamento dos processos-chave onde os usos de IA generativa haviam sido propostos, envolvendo stakeholders de cada unidade de negócio até que essas etapas pudessem ser desenhadas com precisão.

Com essas representações, foi possível comunicar claramente o escopo de cada uso e sua expansão potencial, além de ver a aplicabilidade da IA generativa em múltiplos casos, como ilustrado pela criação de uma nova fonte de receita para a empresa de codificação médica. Ao contrário dos centros de excelência em IA, que são voltados principalmente para a centralização do conhecimento tecnológico, o backbone de IA centraliza o conhecimento dos processos de negócio para impulsionar a inovação.

Manutenção do impulso para melhoria contínua e difusão

O backbone de IA é configurado não para entregar soluções tecnológicas aos clientes internos como no clássico sistema hub-and-spoke, mas para desenvolvê-las em conjunto com representantes das unidades de negócio e refiná-las continuamente com base no feedback dos usuários e em outras métricas de desempenho. Isso significa que as unidades de negócio têm menos chance de acabar deixando de lado casos com desempenho inferior entregues por uma equipe que já passou para outra coisa.

O banco, por exemplo, aproveitou a capacidade de experimentação iterativa de seu backbone e tratou a IA generativa como um trabalho em andamento constante. Embora o assistente de e-mail tenha levado a uma economia significativa de tempo para os agentes de atendimento ao cliente, chegar “lá” exigiu múltiplas implementações incrementais que elevaram continuamente o resultado. Metas claras de desempenho técnico e de negócio definiam um objetivo claro para cada iteração, que determinava se a solução seria disponibilizada aos usuários finais.

Também deu tempo às equipes para aprender progressivamente e assimilar novos desenvolvimentos tecnológicos em um campo que evolui rapidamente. A incorporação de diferentes graus de automação do trabalho levou a uma visão mais granular do desempenho. Uma versão do assistente de e-mail era boa em extrair informações das mensagens dos clientes, mas a voz, o tom e o estilo das respostas escritas estavam errados. Mensagens que incluíam muitos tópicos e frases excessivamente familiares pareciam mais culturalmente sintonizadas com o mercado americano do que com a cultura suíça mais reservada.

Manter o impulso para continuar inovando com a IA generativa exige um equilíbrio cuidadoso entre a exploração dos usos existentes e de novas aplicações. A orientação do backbone de IA para os usuários, assim como a prioridade que sua estrutura dá à melhor compreensão de como os funcionários interagem com a tecnologia entre os processos, ajudaram o banco a desenvolver novos usos [veja “Escalando IA generativa em um banco suíço”].

Ao estudar essas interações dos usuários por meio de pesquisas com funcionários e sessões de acompanhamento, o banco conseguiu identificar oito novos usos potenciais, dois dos quais foram implementados junto com o assistente de e-mail: o chatbot AskHR, que responde perguntas relacionadas a RH sobre temas como benefícios para funcionários; e um chatbot do manual do funcionário que responde a perguntas sobre o que é permitido e proibido na execução de suas funções.

As limitações das estruturas mais simples

Entre as 23 organizações que participaram de nossa pesquisa, apenas duas conseguiram escalar significativamente a IA generativa para uma capacidade estratégica, e ambas criaram estruturas reconhecíveis como um backbone de IA. Embora essa seja uma base de evidências reconhecidamente pequena, as empresas que alcançam tais resultados atualmente são minoria, e acreditamos que suas práticas merecem maior atenção.

Construir um backbone de IA exige compromisso significativo, tempo, esforço e financiamento de alto nível. As outras organizações que participaram da nossa pesquisa adotaram uma de duas estruturas alternativas – o que chamamos de unidades IA gen e esquadrões IA gen – que vemos como construções potenciais para uma capacidade mais robusta. Elas ainda conseguiram explorar a IA generativa para alcançar algumas economias de escala, mas o escopo de seus esforços era mais restrito e as empresas enfrentaram desafios para expandir o uso da tecnologia.

Treze das organizações que estudamos montaram uma unidade de IA generativa central e independente. Elas são tipicamente focadas em tecnologia e encarregadas de fornecer soluções para as unidades de negócio. Embora muitas vezes seja a abordagem mais viável quando os recursos são limitados, essa unidade pode rapidamente revelar seus limites em relação ao desempenho empresarial (em vez de técnico) e à adoção dos usuários.

Uma seguradora de saúde suíça ilustra essa limitação. Sua unidade de IA generativa tentou implementar um assistente de e-mail para os agentes do centro de atendimento ao cliente. O modelo podia gerar respostas fluentes, mas especialistas em conformidade, consultados apenas após o piloto, apontaram que toda mensagem do cliente deveria seguir modelos de texto rigidamente regulados. Temendo não cumprir, os agentes do centro de atendimento ao cliente voltaram a usar textos aprovados; assim a adoção caiu e o projeto estagnou.

Sem um mecanismo para coordenar o trabalho entre múltiplas funções (neste caso, risco, jurídico e atendimento ao cliente), a organização ficou com um caso de uso genérico de IA zumbi, sem um caminho claro para seguir. Essa falha inicial aumentou o ceticismo organizacional em relação à IA generativa, tornando cada vez mais difícil obter apoio para usos futuros.

Uma unidade de IA independente pode ser útil nas fases iniciais e exploratórias da tecnologia: concentra talentos e permite que a organização explore o potencial da tecnologia antes de investir grandes recursos. No entanto, ela não pode avaliar adequadamente as necessidades específicas de cada unidade nem coordenar o trabalho entre múltiplos usos, e carece de uma visão completa dos processos que poderiam ser melhorados com a IA generativa.

Outra abordagem, adotada por oito organizações em nosso estudo, é incorporar pequenas equipes multifuncionais de IA generativa em cada unidade de negócio. As empresas que utilizavam esse formato conseguiram levar ideias para pilotos em funcionamento muito mais rapidamente do que aquelas que usavam unidades IA gen, porque conseguiam aproveitar melhor o know-how relevante de negócios e enfrentavam menos desafios de coordenação. No entanto, as equipes tiveram dificuldades para gerenciar os casos em graus diversos de maturidade.

A equipe de IA generativa de uma seguradora suíça lançou um chatbot voltado para o cliente com informações sobre produtos em tempo recorde. Apenas algumas semanas depois, usuários curiosos pediram ao chatbot que recomendasse receitas de pizza. Esse incidente levou a múltiplas iterações voltadas para fortalecer o sistema – e revelou como implementar inicialmente uma solução de IA generativa muitas vezes é mais fácil do que mantê-la e melhorá-la. À medida que o portfólio de casos de uso se expandiu, o aumento da demanda para atualizar fontes de dados e prompts levou a equipe de IA generativa ao limite, deixando pouca capacidade para explorar novas aplicações.

Como as equipes de IA generativa são financiadas e equipadas pelas unidades de negócio, elas podem levar a desigualdades e adoção inconsistente de tecnologia no nível empresarial. Algumas unidades têm meios para financiar múltiplos casos de uso e contratar sua própria equipe. Outras precisam baixar suas expectativas, independentemente do valor potencial de um uso. Essa estrutura perpetua silos e esforços duplicados.

A falta de uma visão completa dos processos de negócio limita a criação de valor no nível organizacional. Equipes de IA generativa podem ajudar a espalhar rapidamente a adoção da tecnologia “dentro” da organização, mas os líderes precisam de uma abordagem diferente se o objetivo for coordenar os possíveis usos “em toda” a organização.

CRIAR VALOR EM ESCALA COM IA GENERATIVA não vem de dar acesso a um LLM para todos e esperar que algo mágico aconteça. Em vez disso, aconselhamos líderes a começarem criando e apoiando visivelmente um pequeno backbone de IA transversal que possa coordenar todas as unidades de negócio. A estrutura deve ser encarregada de padronizar e centralizar os blocos fundamentais (processos, dados, avaliações, prompts e modelos).