Quanto tempo leva para tirar um caso de IA do piloto e colocar em produção?

Para um caso bem escopado, de 6 a 12 semanas até a primeira versão em produção, e de 12 a 24 meses para internalizar a capacidade no time. O que mais atrasa não é o modelo, e sim acesso a dados, integração com sistemas legados e definição de dono.

Preciso de um time de ciência de dados para colocar IA em produção?

Não necessariamente. Boa parte dos casos hoje usa modelos de fundação via API. O que você precisa é de alguém que conheça o processo de negócio, alguém que integre sistemas e disciplina de avaliação. A senioridade em IA pode ser plugada temporariamente.

Por que 95% dos pilotos de IA não viram produção (e como furar essa estatística)

A maioria dos projetos de IA morre no piloto. O gargalo não é o modelo, é operação, dados e dono. Um roteiro prático para colocar IA em produção e mantê-la lá.

Quase toda empresa já rodou um piloto de IA. Quase nenhuma colhe valor recorrente dele. A distância entre "funcionou na demo" e "roda todo dia na operação" é onde a maioria dos projetos morre, e raramente por culpa do modelo.

O piloto resolve a pergunta errada

Um piloto responde "isso é tecnicamente possível?". Produção responde "isso aguenta segunda-feira de manhã, com dado sujo, volume real e ninguém olhando?". São perguntas diferentes, e otimizar para a primeira não te aproxima da segunda.

Três coisas que pilotos quase nunca têm, e produção exige:

Dono. Um piloto pertence a quem teve a ideia. Um sistema em produção precisa de alguém responsável por mantê-lo vivo, com tempo alocado e métrica no bônus.
SLA. Demo pode falhar e todo mundo ri. Produção que falha gera ticket, retrabalho e desconfiança. Isso muda o nível de robustez exigido.
Dados confiáveis. No piloto você curou a amostra. Na operação, o dado chega quebrado, atrasado e fora do formato.

Comece pelo atrito, não pelo brilho

O instinto é escolher o caso mais impressionante para mostrar à diretoria. É o erro mais comum. O caso certo para o primeiro deploy tem duas propriedades: alto atrito (dói todo dia) e baixo risco (errar não quebra nada crítico).

Triagem de chamados, classificação de documentos, primeira resposta de atendimento, extração de dados de notas, casos chatos, repetitivos e tolerantes a erro. É aí que a IA paga a conta rápido e ensina o time a operar o sistema antes de subir a aposta.

Sem instrumentação, tudo degrada no escuro

Todo sistema de IA em produção piora com o tempo: o mundo muda, os dados mudam, o comportamento dos usuários muda. Se você não está medindo, não vai perceber, até alguém reclamar.

O mínimo viável de instrumentação:

Logs de toda entrada e saída, com versão do prompt/modelo.
Métricas de negócio (não só técnicas): quanto tempo economizou, quantos casos resolveu sozinho.
Avaliação contínua com um conjunto de exemplos rotulados que roda a cada mudança.

Se você não consegue responder "o sistema está melhor ou pior que semana passada?", você não tem um sistema em produção. Tem um piloto que ainda não falhou.

A capacidade precisa ficar na casa

Tirar a IA do piloto com um fornecedor é metade do trabalho. A outra metade é garantir que, quando o fornecedor sair, o time interno consiga manter, ajustar e expandir. Caso contrário, você só trocou um tipo de dependência por outro.

É por isso que tratamos transformação por IA com saída programada: fazemos junto, treinamos o time e saímos, deixando a capacidade instalada, não a fatura recorrente.

Tirar IA do piloto não é um problema de modelo. É um problema de operação, dono e disciplina. Resolva esses três e a estatística dos 95% deixa de ser sobre você.