Gestor de TI precisa saber programar para entender IA?

Não. Um gestor de TI precisa entender o suficiente para tomar boas decisões: avaliar viabilidade de projetos, identificar riscos, questionar estimativas, alocar recursos. Isso não requer saber programar — requer entender os princípios de como os sistemas funcionam e quais perguntas fazer.

O que é RAG e por que gestores de TI precisam saber?

RAG (Retrieval-Augmented Generation) é uma técnica que conecta um modelo de linguagem a uma base de dados ou documentos específicos, permitindo que ele responda perguntas sobre informações que não estavam no seu treinamento original. Gestores precisam entender isso para avaliar projetos de IA que usam documentos internos da empresa, como assistentes para suporte ou para consultas em bases de conhecimento.

Como avaliar se um projeto de IA generativa vale o investimento?

As perguntas essenciais são: Qual é o problema específico que isso resolve? Já tentamos resolver esse problema de outra forma? O modelo vai alucinar em um contexto onde errar tem custo alto? Existe dado suficiente para validar o resultado? Como vamos medir o sucesso? Um projeto sem respostas claras para essas perguntas é um risco alto.

IA para Gestores de TI: O Que Você Precisa Saber (Sem Virar Engenheiro)

O problema que ninguém fala em voz alta

Existe um gestor de TI em quase toda empresa de médio e grande porte que está vivendo a seguinte situação: seu time fala de LLMs, agentes, RAG, fine-tuning, embeddings. As reuniões estão cheias de termos que ele não domina completamente. E tomar decisões de alocação, priorização e avaliação dessas iniciativas ficou mais difícil.

O problema não é falta de inteligência. É que a formação de gestores de TI não incluiu IA generativa. Esse campo explodiu em 2022 e a maioria das pessoas que ocupa cadeiras de liderança hoje não teve tempo de se atualizar de forma estruturada.

A resposta errada é fingir que entende. A resposta também errada é ignorar e deixar o time decidir tudo. A resposta certa é desenvolver o nível de compreensão suficiente para fazer as perguntas certas — sem precisar virar engenheiro de IA.

"O gestor não precisa saber construir um modelo. Precisa saber quando o time está construindo a coisa certa."

O que você precisa saber versus o que não precisa

Vamos ser diretos sobre o que está e o que não está no escopo de um gestor de TI em relação à IA generativa.

Você não precisa saber:

Como treinar um modelo de linguagem do zero
Implementar algoritmos de embeddings
Configurar pipelines de dados para fine-tuning
Escrever código Python para chamar APIs de IA

Você precisa saber:

O que cada tecnologia faz e em quais casos faz sentido usar
Quais são os riscos reais de um projeto de IA (alucinação, custo, latência, dados)
Como avaliar se uma estimativa técnica é razoável
Quais perguntas fazer antes de aprovar um projeto de IA
Como medir o sucesso de uma iniciativa de IA generativa

O vocabulário mínimo que você precisa dominar

Não é necessário memorizar tudo de uma vez. Mas ter clareza sobre esses termos vai mudar a qualidade das suas conversas com o time:

LLM (Large Language Model)

Um modelo de IA treinado em grandes volumes de texto para gerar e compreender linguagem. GPT-4, Claude, Gemini são exemplos. A base de quase tudo em IA generativa hoje.

RAG (Retrieval-Augmented Generation)

Técnica que conecta um LLM a uma base de dados específica. Permite que o modelo responda perguntas sobre documentos internos da empresa sem precisar ser retreinado.

Fine-tuning

Processo de ajustar um modelo pré-treinado com dados específicos da sua empresa para que ele responda de forma mais alinhada ao seu contexto. Mais caro e complexo que RAG.

Alucinação

Quando o modelo gera informação falsa com confiança. Não é um bug que será corrigido — é uma característica estrutural dos LLMs. Projetos de alto risco precisam de mitigações explícitas.

Agente de IA

Um LLM capaz de executar ações além de gerar texto — buscar informações, chamar APIs, escrever e rodar código. Um agente age no mundo, não só responde perguntas.

Prompt Engineering

A prática de estruturar as instruções dadas ao modelo para obter melhores resultados. Mais simples que fine-tuning e frequentemente suficiente para a maioria dos casos de uso.

Token

A unidade de processamento dos LLMs (aproximadamente 4 caracteres). A maioria das APIs de IA cobra por token. Um projeto de IA com alto volume de uso precisa de estimativa de custo de tokens.

Embedding

Representação numérica de um texto que permite comparar semanticamente documentos. A base técnica do RAG. Você não precisa implementar, mas entender o conceito ajuda a avaliar propostas técnicas.

Diagnóstico gratuito

Descubra o que a IA vai automatizar no seu trabalho

O Mapa de Obsolescência analisa seu cargo, skills e responsabilidades e mostra o que muda nos próximos 2 e 5 anos. Gratuito, resultado em 2 minutos.

Ver meu mapa →

As quatro perguntas que todo gestor de TI deve saber responder sobre IA

Estas são as perguntas que diretores, conselhos e clientes fazem quando uma iniciativa de IA é apresentada. Se você não consegue responder com clareza, você não tem controle suficiente sobre o projeto.

1. "Qual é o problema específico que isso resolve?"

IA generativa resolve problemas específicos muito bem e outros muito mal. Um assistente que ajuda analistas a resumir relatórios longos — excelente. Um sistema que toma decisões financeiras autônomas — alto risco.

Antes de aprovar qualquer iniciativa, o problema precisa estar definido com precisão. "Usar IA para melhorar a produtividade" não é um problema. "Reduzir de 4 horas para 30 minutos o tempo de análise de contratos de fornecedores" é um problema.

2. "Qual é o plano para lidar com alucinações?"

Todo LLM alucina. A questão não é se vai acontecer, é quando e com que custo. Em contextos de baixo risco (geração de rascunhos, resumos), alucinação é aceitável com revisão humana. Em contextos de alto risco (decisões médicas, análise jurídica, comunicação com clientes), é necessário ter camadas de validação explícitas no design do sistema.

Se seu time não tem uma resposta clara para essa pergunta, o projeto não está pronto para ir para produção.

3. "Como vamos medir o sucesso?"

Projetos de IA têm uma tendência peculiar de ser difíceis de avaliar objetivamente. As métricas precisam ser definidas antes do projeto começar, não depois. Isso inclui: baseline atual (quanto tempo leva hoje sem IA?), meta (quanto tempo vai levar com IA?), e como você vai verificar a qualidade dos outputs.

4. "Qual é o custo real, incluindo operação contínua?"

O custo de build de um projeto de IA frequentemente é menor que o custo de operate. Chamadas de API custam por token, escala em produção amplifica esse custo. Um MVP que funciona com 100 usuários pode se tornar proibitivo com 10.000 se o design não considerar eficiência de tokens desde o início.

Como avaliar uma iniciativa de IA proposta pelo seu time

Quando seu time chega com uma proposta de usar IA generativa, você precisa de um framework de avaliação que não dependa de entender cada detalhe técnico.

Framework de avaliação

Peça ao time para responder por escrito: (1) qual problema específico resolve, (2) qual é a alternativa sem IA e por que é insuficiente, (3) qual é o plano de mitigação para erros do modelo, (4) quais são as métricas de sucesso e como serão medidas, (5) qual é o custo estimado em produção com N usuários/mês. Se o documento não responde claramente essas cinco perguntas, o projeto não está maduro o suficiente para aprovação.