Como tirar projetos de IA do papel

Hoje em dia é muito fácil começar uma iniciativa de IA pelo lugar errado. Aparece uma ferramenta nova, alguém testa, o resultado parece interessante, a equipe se empolga e, em pouco tempo, a conversa vira: "como podemos usar isso aqui?".

Eu entendo esse movimento, porque ele acontece mesmo. A tecnologia impressiona. Um bom modelo de linguagem consegue resumir, escrever, organizar, comparar, explicar, revisar e gerar ideias em poucos segundos. Para quem trabalha com educação, gestão, conteúdo, projetos ou qualquer área baseada em conhecimento, isso abre muitas possibilidades.

Mas foi trabalhando com projetos de IA que eu aprendi uma coisa importante: uma boa ferramenta não compensa um problema mal definido. Talvez esse seja um dos maiores erros quando falamos de IA. A gente acha que o projeto começa quando escolhe a tecnologia, mas, na prática, ele começa antes. Começa quando entendemos o que precisa melhorar, qual contexto existe, quem precisa participar e como vamos saber se funcionou.

O erro de começar pela ferramenta

Dizer "vou usar IA para resolver isso" pode parecer uma decisão estratégica, mas muitas vezes é só uma escolha de ferramenta. É como escolher um martelo antes de entender o que precisa ser consertado. O martelo pode ser ótimo, mas ele não resolve tudo. Se o problema pede uma chave de fenda, uma régua, uma cola ou uma reforma inteira, insistir no martelo só cria outro problema.

Com IA acontece a mesma coisa. ChatGPT, Claude, Gemini, NotebookLM, Lovable, Perplexity, Gamma, Canva e tantas outras ferramentas podem ajudar bastante, mas nenhuma delas sabe, sozinha, qual é a prioridade do seu contexto. Nenhuma delas entende, por padrão, seus critérios de qualidade, seus limites, sua rotina, seus riscos e o impacto que você quer gerar.

A ferramenta pode acelerar. Mas, se a direção estiver errada, ela só faz você se afastar mais rápido do lugar certo.

O que vem antes da IA

Antes de escolher qualquer ferramenta, eu gosto de começar com três perguntas simples: qual problema precisa ser resolvido, que dados, recursos e limitações já existem, e como vamos saber se funcionou.

Essas perguntas parecem básicas, mas mudam completamente a conversa. Em vez de partir de "qual IA vamos usar?", você começa a pensar em direção, contexto e resultado. Se o problema é criar materiais pedagógicos com mais velocidade, a conversa é uma. Se o problema é apoiar alunos em recuperação, é outra. Se o problema é organizar dados da gestão, melhorar comunicação com famílias ou acompanhar evolução por habilidade, o caminho também muda.

A IA pode aparecer em todos esses casos, mas ela não aparece do mesmo jeito. E é aí que muita gente se perde. Porque começa pela ferramenta, faz um teste interessante, se empolga com a primeira versão e chama isso de projeto. Só que um projeto precisa de mais do que uma boa demonstração. Precisa de objetivo, contexto, responsáveis, critérios de qualidade, adoção e avaliação.

Onde o GUIDDE entra

Foi aqui que o GUIDDE fez muito sentido para mim. O GUIDDE é um framework criado pelo André Lopes para estruturar projetos de IA com mais clareza, governança e foco em resultado. Para quem quiser se aprofundar direto na fonte, o André explica o framework neste artigo: https://andrelopes.ai/blog/framework-guidde-do-hype-ao-roi-com-ia

O que eu gosto no GUIDDE é que ele não trata IA como mágica, nem como uma lista de ferramentas. Ele trata IA como projeto. E isso muda a postura.

O framework organiza a iniciativa em seis fases: Goal, Understand, Innovate, Develop, Deploy e Evaluate. Em português, podemos pensar assim: definir o objetivo, entender o contexto, testar hipóteses, desenvolver a solução, implantar na rotina e avaliar os resultados.

Parece simples, mas essa sequência evita muita coisa errada. Evita escolher tecnologia antes do problema. Evita criar solução sem entender contexto. Evita desenvolver algo grande antes de testar pequeno. Evita lançar uma ferramenta que ninguém usa. E evita manter uma iniciativa só porque ela parece moderna, mesmo sem gerar valor real.

Goal: onde o projeto ganha direção

A primeira fase é Goal. É aqui que a iniciativa deixa de ser uma intenção genérica, como "queremos usar IA", e vira um objetivo claro de projeto.

Um exemplo simples: professores gastam muito tempo criando atividades e materiais. Esse é um problema real em muitos contextos. Mas, se eu digo apenas "vamos usar IA para criar atividades", ainda não tenho um projeto. Tenho uma ideia de uso.

Um Goal melhor seria algo como reduzir em 30% o tempo de criação de atividades para uma turma piloto, mantendo alinhamento ao objetivo da aula, clareza para o aluno, adequação à turma, curadoria docente, qualidade percebida e uso real pelos professores.

Percebe a diferença? Agora existe direção. Existe métrica. Existe escopo. Existe critério de qualidade. E a ferramenta precisa servir a esse objetivo, não o contrário. Esse é o alicerce do projeto. Se isso não está bem definido, a fase de experimentação perde foco. A equipe pode até criar algo tecnicamente interessante, mas fora do objetivo.

Understand: entender antes de construir

Depois vem Understand. Essa fase existe para evitar uma armadilha comum: sair desenvolvendo uma solução antes de entender a realidade onde ela vai funcionar.

No exemplo dos materiais pedagógicos, talvez a escola já tenha currículo, materiais anteriores, rubricas e critérios pedagógicos. Mas talvez tudo isso esteja espalhado. Talvez cada professor use um modelo diferente. Talvez não exista clareza sobre quais dados podem ou não ser colocados em uma ferramenta de IA. Talvez o maior problema não seja criar uma atividade do zero, mas transformar referências já existentes em algo pronto, claro e adequado para a turma.

Esse diagnóstico muda o projeto. Sem Understand, a solução tende a nascer bonita no papel, mas desconectada da rotina. Com Understand, você começa a enxergar o que existe, o que falta, quais riscos precisam ser considerados e que tipo de contexto a IA precisa receber para ajudar de verdade.

A IA melhora quando recebe bom contexto. Projetos também.

Innovate: testar antes de investir

A terceira fase é Innovate. Aqui, a ideia não é desenvolver a solução completa. É testar hipóteses pequenas com usuários reais antes de investir mais tempo, dinheiro e energia.

No nosso exemplo, uma primeira hipótese poderia ser: se a IA gerar atividades a partir de tema, série e habilidade curricular, os professores vão criar materiais mais rápido sem perder qualidade.

Parece uma boa hipótese. E ela provavelmente funciona em parte. A IA acelera a primeira versão. O professor sai da página em branco. Mas, ao testar, talvez a equipe perceba que ainda há muita revisão. A atividade vem rápida, mas não considera bem o nível real da turma, os critérios da escola, o tempo disponível de aula ou o jeito que o professor precisa aplicar.

Então o aprendizado aparece: gerar rápido não é o mesmo que reduzir retrabalho. A segunda hipótese já nasce melhor: se a IA usar exemplos reais da escola, critérios de qualidade, contexto da turma, formato esperado e revisão docente, os materiais ficarão mais adequados ao uso real do professor e exigirão menos retrabalho.

Esse é o valor de testar pequeno. Você não testa para provar que estava certo. Você testa para aprender o que precisa mudar.

Develop: transformar teste em processo

Quando uma hipótese começa a provar valor, vem Develop. Essa fase é onde o teste validado deixa de depender de improviso e começa a virar uma solução confiável, repetível e segura.

No exemplo, isso poderia significar centralizar currículo, exemplos de atividades, rubricas e critérios pedagógicos no Google Drive da instituição. Depois, criar um template de prompt para o Gemini, caso essa seja a IA homologada pela escola e integrada ao Drive. O professor acessa o material, gera uma primeira versão da atividade, revisa com uma checklist pedagógica, ajusta clareza, nível da turma e objetivo da aula, e compartilha a versão final em um canal combinado com a coordenação.

A atividade só chega aos alunos depois da validação docente e sem uso de dados sensíveis. Isso é muito diferente de simplesmente dizer: "usem IA para criar atividades".

Aqui existe fluxo de trabalho, templates, referências, critérios de revisão, privacidade e governança. É nesse ponto que a IA começa a virar capacidade organizacional, e não só curiosidade individual.

Deploy: colocar na rotina

Depois vem Deploy. E aqui existe outro erro comum. Muita gente acha que implantar é disponibilizar. Criou o fluxo, mandou o link, fez uma apresentação e pronto.

Só que adoção não acontece sozinha. Se os professores não entendem como usar, se não existe formação prática, se as dúvidas não são acompanhadas, se ninguém observa o uso nas primeiras semanas, a solução pode simplesmente desaparecer da rotina.

No nosso exemplo, Deploy poderia ser uma turma piloto durante quatro semanas. Professores multiplicadores participam de uma oficina prática. As dúvidas são acompanhadas em um canal combinado com a coordenação. O uso é monitorado pelo número de atividades criadas, revisadas, aplicadas em sala e ajustadas após feedback.

Isso parece simples, mas muda tudo. Uma solução boa que não entra na rotina continua sendo só uma solução bonita.

Evaluate: medir, aprender e ajustar

Por fim, vem Evaluate. Essa fase é onde o projeto deixa de ser opinião e começa a virar aprendizado.

Voltamos ao Goal. A meta era reduzir em 30% o tempo de criação de atividades sem perder qualidade pedagógica e curadoria docente. Então precisamos medir.

O tempo caiu quanto? A qualidade foi percebida como boa? Os professores continuaram usando depois da novidade inicial? O que precisa ser ajustado antes de expandir?

Talvez o primeiro ciclo mostre que o tempo caiu 28%, a qualidade foi aprovada, mas o uso caiu na terceira semana. Isso não significa fracasso. Significa que o projeto aprendeu. A equipe simplifica o template, reforça exemplos práticos e roda mais um ciclo. Depois, o tempo cai 32%, a qualidade continua aprovada e o fluxo segue sendo usado após quatro semanas.

Esse é o ponto: um projeto de IA não precisa nascer perfeito. Ele precisa medir, aprender e melhorar.

O que esse exemplo mostra

O exemplo dos materiais pedagógicos é só um recorte. O mesmo raciocínio vale para muitos outros projetos: apoiar alunos em recuperação, adaptar atividades para diferentes níveis da turma, organizar relatórios pedagógicos, melhorar comunicação com famílias ou criar experiências em que alunos usem IA para investigar problemas, comparar respostas e justificar decisões.

O padrão continua o mesmo. A IA entra como ferramenta. O projeto precisa de método. Sem método, a IA vira experimento solto. Com método, ela pode virar processo, rotina, aprendizagem e resultado.

Essa foi uma das mensagens centrais que eu quis levar para a Bett Brasil: o objetivo não é dominar IA como se fosse uma coleção infinita de ferramentas. Até porque a ferramenta muda o tempo todo. Hoje é uma. Amanhã é outra. O que permanece é a capacidade de entender problemas, estruturar contexto, testar hipóteses, criar processos, gerar adoção e avaliar resultados.

Como isso se conecta com você

Você não precisa trabalhar em uma empresa de IA para usar essa lógica. Se você é professor, gestor, coordenador, empreendedor ou trabalha em qualquer área onde a IA começou a aparecer, já existe um projeto possível perto de você.

Talvez ele ainda esteja escondido dentro de uma rotina repetitiva. Talvez esteja em uma atividade que consome tempo demais. Talvez esteja em uma dificuldade de comunicação, organização, avaliação ou acompanhamento.

O primeiro passo não é abrir uma ferramenta. O primeiro passo é perguntar: qual problema eu quero resolver? Depois vem o contexto. Depois o teste. Depois a solução. Depois a adoção. Depois a avaliação. A ferramenta entra no caminho, mas não substitui o caminho.

O que de fato fica

O que fica, para mim, é uma mudança de postura. IA não deve ser tratada como atalho para parecer inovador. Também não deve ser ignorada como se fosse só mais uma moda.

Ela precisa ser colocada no lugar certo: dentro de projetos bem definidos, com objetivos claros, contexto suficiente, critérios de qualidade, responsáveis, adoção real e avaliação contínua.

O GUIDDE me ajuda a enxergar esse caminho com mais clareza. Porque, no fim, bons projetos de IA não nascem da pergunta "qual ferramenta vamos usar?". Eles nascem da pergunta "qual problema vale a pena resolver?". A IA impulsiona. Mas quem dá direção continua sendo o projeto bem feito.