Gerenciamento de projetos de IA: o que muda no ciclo de vida
O gerenciamento de projetos de IA cuida de um tipo específico de entrega: um sistema cujo comportamento é aprendido a partir de dados, como um classificador de chamados, uma previsão de demanda ou um assistente que responde perguntas sobre documentos internos. É um assunto diferente de usar IA para gerenciar projetos comuns (tema do guia de inteligência artificial na gestão de projetos). Aqui, a IA é o produto, e isso muda o plano desde o primeiro dia.
O gerente que conduz esse tipo de projeto com as mesmas premissas de uma implantação de sistema costuma tropeçar no mesmo lugar: promete uma data de entrega para algo que ainda não se sabe se é possível. Em projetos de IA, a pergunta "os dados que temos permitem resolver isso com a qualidade necessária?" só tem resposta depois de algum trabalho, e o plano precisa ser montado em torno dela.
Formação relacionada
Gestão de Projetos 360° com PMBOK 8 e IA
Formação completa sobre o guia mais recente do PMI, com uso de inteligência artificial no dia a dia da gestão.
O que é um projeto de IA, e o que não é
Projeto de IA é aquele em que a entrega principal depende de um modelo que faz previsões, classificações, recomendações ou gera conteúdo com base em dados. Dois tipos aparecem com mais frequência:
- Projetos de machine learning: a equipe treina um modelo com dados históricos da organização. Exemplos: prever atraso de fornecedor, classificar notas fiscais, estimar a chance de cancelamento de um contrato.
- Projetos com IA generativa: a equipe usa um modelo pronto, de um fornecedor, e constrói em volta dele a busca em documentos, as instruções, as integrações e os controles. Exemplo: um assistente que responde dúvidas de servidores sobre normas internas de um órgão público.
Não é projeto de IA, no sentido usado aqui, comprar uma ferramenta de gestão que tem recursos de IA e configurá-la. Isso é um projeto de implantação de software, com seus próprios cuidados.
Por que o ciclo de vida de projetos de IA é diferente
Quatro características explicam quase todas as adaptações que o plano precisa:
- Incerteza sobre os dados. Até alguém olhar os dados de verdade, ninguém sabe se eles existem com o volume, a qualidade e a permissão de uso necessários. Em projetos de sistema, a dúvida costuma ser "quanto tempo leva"; em projetos de IA, é "dá para fazer".
- Resultado probabilístico. O modelo acerta uma parte dos casos e erra outra. O critério de aceite deixa de ser "funciona" e passa a ser "acerta pelo menos tanto, com este custo de erro".
- Experimentação. O desenvolvimento do modelo é uma sequência de testes, alguns sem sucesso. Um experimento negativo é informação útil, não atraso.
- Vida depois da entrega. O desempenho do modelo cai quando o mundo muda (novos produtos, nova regra fiscal, novo perfil de cliente). Alguém precisa medir isso e agir.
As fases do ciclo de vida de um projeto de IA
As duas referências mais usadas são o CRISP-DM, modelo de processo para mineração de dados com seis fases (entendimento do negócio, entendimento dos dados, preparação dos dados, modelagem, avaliação e implantação), e o CPMAI, a metodologia do PMI para projetos de IA, que se apoia no CRISP-DM e em práticas ágeis e acrescenta decisões formais de seguir ou parar e cuidados de IA responsável. Ambos preveem idas e voltas entre as fases. A tabela resume o que o gerente de projetos deve exigir em cada uma.
| Fase | Pergunta de decisão | O que sai da fase |
|---|---|---|
| Entendimento do negócio | O problema vale a pena e a IA é a abordagem certa? | Declaração do problema, linha de base atual, critério de sucesso |
| Entendimento dos dados | Existem dados suficientes, acessíveis e com uso permitido? | Inventário de fontes, avaliação de qualidade, análise de privacidade |
| Preparação dos dados | Os dados estão limpos, rotulados e representam bem os casos reais? | Base preparada, dicionário de dados, regras de rotulagem |
| Desenvolvimento do modelo | Algum modelo supera a linha de base com folga suficiente? | Modelos candidatos, registro de experimentos |
| Avaliação | O modelo atende ao critério de negócio e quanto custa errar? | Relatório de avaliação, decisão de seguir ou parar |
| Operação | Quem roda, monitora e corrige o modelo, e como voltar atrás? | Plano de implantação, monitoramento e transição |
Cada linha da tabela é um ponto de decisão. Trate-os como portões formais, com patrocinador presente: é ali que se decide continuar, ajustar o escopo ou encerrar o projeto antes de gastar o orçamento inteiro.
Projetos de machine learning e projetos com IA generativa
Os dois tipos seguem o mesmo ciclo, com ênfases diferentes.
| Aspecto | Machine learning com dados próprios | IA generativa com modelo de fornecedor |
|---|---|---|
| Esforço maior | Coleta, preparação e rotulagem de dados | Organização dos documentos, instruções, integração e controles |
| Como se mede | Taxas de acerto em base de teste separada | Conjunto de perguntas de avaliação com respostas esperadas, revisado por especialistas |
| Risco típico | Viés nos dados históricos, perda de desempenho com o tempo | Resposta inventada com aparência correta, vazamento de informação, mudança de versão do modelo pelo fornecedor |
| Dependência | Equipe interna de dados | Contrato, preço e continuidade do fornecedor |
Nos projetos com IA generativa, o erro mais comum de gestão é aceitar uma demonstração bem-sucedida como prova de qualidade. Uma demonstração mostra dez perguntas escolhidas; a avaliação precisa de um conjunto representativo, montado antes, com casos difíceis e perguntas que o sistema deveria se recusar a responder. Os riscos desse tipo de projeto estão em riscos em projetos de IA.
Escopo, cronograma, custo e equipe: o que muda no plano
Escopo
O escopo de um projeto de IA tem duas partes. A parte determinística (integrações, telas, permissões, relatórios) se escreve como em qualquer projeto. A parte do modelo se escreve como hipótese com critério mensurável: "classificar automaticamente os chamados de TI nas 12 filas existentes, com acerto mínimo combinado com a área e encaminhamento para triagem humana quando a confiança for baixa". Sem esse critério, a discussão de aceite vira opinião. A escolha de indicadores é tema do artigo sobre KPIs de projetos de IA.
Cronograma
Para as fases de dados e modelo, funciona melhor planejar ciclos com duração fixa e critério de parada do que estimar a duração da tarefa. Exemplo: "três ciclos de duas semanas para superar a linha de base; se nenhum superar, reunião de decisão". As fases de integração e implantação podem ser estimadas normalmente. Antes de comprometer o cronograma completo, muitas organizações fazem uma prova de conceito em projetos de IA, que responde à pergunta "dá para fazer" com custo limitado.
Custo
O orçamento costuma subestimar o que não aparece na demonstração: extração e limpeza de dados, rotulagem manual (muitas vezes feita por especialistas da área, que deixam o trabalho normal), infraestrutura de processamento, custo por uso de modelos de fornecedores, integração com sistemas legados, segurança, revisão jurídica e, principalmente, a operação depois da entrega. O business case de projeto de IA, assunto de outro artigo desta série, detalha como montar essa conta.
Equipe
Além dos papéis de qualquer projeto, um projeto de IA precisa de pessoas que normalmente não estão no termo de abertura de um projeto de sistema: especialista de negócio que conhece os casos e valida os rótulos, responsável pelos dados de origem, cientista ou engenheiro de dados, engenheiro de machine learning ou de plataforma, segurança da informação, encarregado de dados pessoais e, depois da entrega, um dono do modelo na operação. A divisão de responsabilidades está detalhada em papéis em projetos de IA.
O ponto de atenção para o gerente é a disponibilidade do especialista de negócio. Ele é quem decide se uma classificação está certa, e projetos de IA param quando essa pessoa só consegue dedicar uma hora por semana.
O encerramento não é o fim: operação e monitoramento
Em um projeto de sistema, o encerramento transfere a solução para a sustentação e o trabalho de projeto acaba. Em um projeto de IA, a transferência precisa incluir:
- Indicadores de desempenho em produção, comparáveis aos da avaliação, com quem os acompanha e com que frequência.
- Gatilhos de revisão, como queda de acerto abaixo de um limite, mudança relevante no perfil dos dados de entrada ou troca de versão do modelo do fornecedor.
- Plano de retorno, ou seja, como a operação volta ao processo manual se o modelo precisar ser desligado.
- Registro de decisões, com os dados usados, os experimentos feitos e as limitações conhecidas, para quem for revisar o modelo daqui a um ano.
Sem esses itens, o modelo vira um sistema que ninguém sabe se ainda funciona.
Exemplo ilustrativo: triagem de chamados em um órgão público
Imagine um órgão estadual que recebe pedidos de suporte de TI por formulário e quer classificá-los automaticamente por fila. Um plano adaptado ficaria assim:
- Entendimento do negócio (2 semanas): medir o tempo atual de triagem e a taxa de chamados encaminhados à fila errada; combinar com a área o acerto mínimo e o que acontece quando o modelo não tem confiança.
- Entendimento e preparação dos dados (4 semanas): extrair o histórico de chamados, verificar se a fila final registrada está correta, remover dados pessoais desnecessários, pedir ao especialista que revise uma amostra.
- Ciclos de modelo (3 ciclos de 2 semanas): comparar abordagens com a linha de base; portão de decisão ao fim.
- Integração e piloto (4 semanas): ligar ao sistema de chamados com triagem humana em paralelo, comparando as duas classificações.
- Operação: painel de acerto semanal, dono do modelo na equipe de sustentação, gatilho de revisão definido.
Os prazos são ilustrativos. O que importa é a estrutura: pontos de decisão claros, critério medido contra a situação atual e operação planejada desde o começo.
Por onde começar o gerenciamento de projetos de IA
Se você vai assumir um projeto de IA, comece pela primeira linha da tabela: escreva a declaração do problema, meça a situação atual e combine com o patrocinador o critério de sucesso e os portões de decisão, antes de qualquer conversa sobre ferramenta. Para unir essa adaptação do ciclo de vida a uma base sólida de gerenciamento de projetos, conheça o curso Gestão de Projetos 360° com PMBOK 8 e IA, que trata o Guia PMBOK 8ª edição com a inteligência artificial aplicada ao dia a dia da gestão.
