Como adotar inteligência artificial numa PME

Hoje, 2 de agosto de 2026, o AI Act passa a ser genericamente aplicável na União Europeia. Há seis dias entrou em vigor o Regulamento (UE) 2026/1744, que empurrou as obrigações mais pesadas dos sistemas de alto risco de hoje para 2 de dezembro de 2027. Se leste algures que a partir desta manhã a tua PME passa a ter deveres de documentação e supervisão sobre a IA que usa, essa informação envelheceu mal.

Quase todos com quem falei esta semana leram o adiamento como um alívio. Eu leio ao contrário. Dezasseis meses é o tempo certinho que uma empresa demora a não fazer nada.

E o problema anterior continua todo lá, que não é legal nem técnico. Quando alguém me diz que quer adotar IA, faço sempre a mesma pergunta: que trabalho queres deixar de fazer da forma antiga? Se a resposta vier com "ganhar eficiência" ou "ser mais digital", já sei como acaba.

Acaba decorativo. E o dinheiro sai na mesma.

Uma resposta útil soa a outra coisa. Quero propostas comerciais no próprio dia em vez de dois dias depois. Quero deixar de ter uma pessoa a consolidar à mão relatórios de teste que ninguém quer escrever, quero saber com uma semana de antecedência que vai faltar stock de uma referência.

"Eficiência" não tem dono, não tem número e não tem prazo. "Propostas no próprio dia" tem as três coisas e obriga alguém a assinar por baixo.

O que conta como adoção

Existe adoção quando uma pessoa ou equipa usa IA repetidamente em trabalho real e isso produz uma alteração mensurável no tempo, na qualidade, no custo, no risco ou no serviço ao cliente. Uso repetido e não experimental, trabalho real e não demonstração, alteração com um valor anterior conhecido. Tudo o resto é curiosidade, que não aparece nas contas.

A definição é exigente de propósito. Sem ela, cada um declara sucesso e ninguém tem de provar nada, o que é confortável para todos e mau para a empresa. Já tinha escrito uma versão mais curta disto em usar a IA não é adotar a IA.

Onde a conversa se engana

A maior parte das empresas que me diz que já está a usar IA está a descrever outra coisa qualquer. Comprou licenças e distribuiu-as. Fez uma demonstração impressionante numa sala com 30 pessoas.

Contratou uma formação de três horas. Montou uma biblioteca de prompts num documento partilhado que ninguém abre desde a semana em que foi criada. Tem meia dúzia de curiosos a usar um chatbot quando se lembram.

Nada disto é adoção. É preparação, às vezes nem isso, porque a IA não entra com discursos.

Um caso a sério tem sete marcas: um processo que ficou diferente do que era, uso repetido por quem faz o trabalho, um responsável com nome, métricas com valor de partida, regras escritas sobre dados e validação, a ajuda a aparecer dentro da ferramenta onde a tarefa acontece e alguém encarregue de manter aquilo vivo daqui a seis meses.

Falta uma das sete e a coisa apodrece devagar, sem ninguém dar por ela. Sem um responsável, não há quem repare quando o uso cai de 40 utilizações por semana para 6. Sem métricas, a discussão sobre continuar ou parar decide-se por quem fala mais alto na reunião.

Os números de mercado dizem o mesmo com outra linguagem. O relatório State of AI da McKinsey aponta que 88% das organizações já usam IA em pelo menos uma função, mas só 39% reportam algum impacto no EBIT e apenas 5,5% dizem que mais de 5% do EBIT é atribuível à IA. O estudo do MIT sobre projetos de IA generativa, de julho de 2025, chegou lá pelo lado negativo: em 95% dos pilotos analisados não houve efeito mensurável na demonstração de resultados.

Quando quase todas as empresas usam e quase nenhuma consegue mostrar o efeito, o problema já não está na tecnologia.

Nove perguntas antes das ferramentas

Antes de escolheres fornecedor, modelo ou plataforma, há trabalho de gestão que ninguém pode fazer por ti. São nove perguntas e, sinceramente, a maior parte das empresas não passa das quatro primeiras:

• Que problema queremos resolver, dito em linguagem de negócio e não de tecnologia?
• Qual é o processo atual, passo a passo, como acontece hoje e não como está no manual?
• Onde se perde tempo lá dentro e quanto?
• Que dados entram e de onde vêm?
• Que resultado queremos alterar e em quanto?
• Quem é o dono? Nome próprio, não nome de departamento.
• Como medimos, com que fonte, com que frequência?
• Que risco existe se a IA errar e ninguém der por isso?
• A partir de que valor paramos para reavaliar?

A do processo atual é a que dói. Já vi uma empresa a tentar desenhar o percurso de uma reclamação para dar contexto a um assistente e descobrir, a meio, que havia três caminhos diferentes conforme quem recebia o email. Ninguém sabia disso.

A IA não causou aquilo. Só acendeu a luz.

Se não consegues descrever o processo atual numa folha, ainda não tens um caso de uso. Tens uma vontade.

Isto custa dinheiro que nunca aparece em lado nenhum. É sobre esse dinheiro que escrevi em o custo de continuar igual. Em muitas PME portuguesas, a inércia é o concorrente mais perigoso que existe.

E vejo isto com frequência suficiente para o escrever assim.

A escada de adoção de IA

Uso cinco degraus para pensar isto: conhecimento, investigação, adoção, integração e otimização. Nada disto veio de um livro nem de slides. É a ordem que, na minha experiência, evita os erros que mais custam.

O erro que mais custa é sempre o mesmo, saltar degraus.

Vejo empresas a pedir agentes autónomos sem terem um único caso simples fechado com um dono e métricas. Depois estranham a fatura.

Degrau 1, conhecimento

Antes de qualquer coisa, a empresa tem de perceber o que a IA faz e o que não faz, com exemplos do próprio setor. Sessões curtas com casos reconhecíveis. Nada de palestras sobre o futuro do trabalho, que só servem para as pessoas saírem convencidas e não mudarem nada.

Este degrau está feito quando os líderes de área conseguem dar, sem ajuda, dois exemplos concretos do trabalho deles onde a IA encaixava.

O que costuma acontecer em vez disso é alguém voltar de uma conferência entusiasmado, fazer uma apresentação, receber aplausos e na segunda-feira seguinte estar tudo igual. Entusiasmo não chega. Passa depressa e não deixa nada atrás.

O que resulta é rasteiro: numa reunião de direção, cada pessoa traz um documento que escreveu na semana anterior e testa-se ali o que a IA faria com ele. O que se mede neste degrau é pouco glamoroso, percentagem de líderes que conseguem indicar casos concretos do trabalho deles.

Para quem quiser fazer isto a sério sem gastar orçamento, deixei um roteiro em aprender inteligência artificial em profundidade, uma lista de cursos gratuitos em inteligência artificial e um caminho mais informal em aprender IA com o YouTube.

Degrau 2, investigação

Agora procura-se onde a tecnologia encaixa. E aqui há uma regra que aprendi a pagar: observar em vez de perguntar.

Já pedi ideias numa sala. Saiu uma lista pobre, cheia de "podíamos usar para fazer resumos".

Ninguém teve má vontade. As pessoas não conseguem imaginar o que nunca viram.

Uma hora sentado ao lado de quem faz o trabalho vale mais do que três workshops.

Sabes que acabaste quando tens 8 a 15 candidatos escritos, cada um com o processo atual descrito e uma estimativa grosseira do tempo que consome. O que se mede é isso, número de candidatos com processo documentado. Não número de ideias, que é o indicador mais inflacionado que existe nesta fase.

Degrau 3, adoção

Deixa-se de falar sobre IA e começa-se a trabalhar com ela. Tarefas reais, pessoas reais e um piloto com prazo, teto de consumo e regras de continuação definidas antes de começar.

Está feito quando o uso se aguenta quatro semanas seguidas sem ninguém andar a lembrar as pessoas.

O erro clássico é abrir acessos à empresa toda de uma vez. Muito barulho em janeiro, uso quase nenhum em março.

Na PHC, o piloto que correu melhor foi o da equipa de controlo de qualidade, que perdia entre 10% e 15% do tempo em manuais e relatórios de teste. Trabalho necessário e detestado, o que não é coincidência nenhuma, porque a IA devia começar na tarefa que todos odeiam. O que se mede aqui é o uso repetido, quantas pessoas usaram em pelo menos quatro das últimas cinco semanas.

Degrau 4, integração

Este é o degrau que a maior parte das empresas salta e é o que mais defendo.

Muda-se o sítio onde a ajuda aparece. É trabalho técnico, chato, sem nada para mostrar numa apresentação, meter a IA dentro da ferramenta onde a tarefa já acontece. Está feito quando a pessoa deixa de precisar de se lembrar de usar a IA, porque ela já está no caminho.

Durante bastante tempo achei que o problema era formação. Formávamos, as pessoas percebiam, passadas duas semanas estavam outra vez a fazer à mão. Demorei a aceitar que nenhuma formação compete com um dia cheio e um telefone a tocar.

Na equipa de controlo de qualidade, o rascunho da documentação passou a ser gerado sozinho quando o teste terminava, dentro do fluxo que já existia. Em quatro semanas recuperaram perto de 15% do tempo total. Mede-se a percentagem de execuções do processo em que a IA foi usada, medida no sistema, não perguntada às pessoas, porque o que as pessoas dizem sobre o que usam não bate certo com o que fazem.

Degrau 5, otimização

Afinar o que já funciona, fechar o que não compensa. Rever prompts, trocar modelos dispendiosos por modelos baratos onde a tarefa é simples e alargar às áreas vizinhas.

Está feito quando existe uma revisão mensal a correr com decisões escritas. Se a revisão existe mas ninguém decide nada, não conta.

O erro aqui é otimizar antes de haver uso. Já vi passarem-se semanas a melhorar um prompt que duas pessoas abriam. As métricas são duas, custo por unidade de trabalho e valor mantido.

A leitura é simples: se o custo desce e o valor se aguenta, o degrau está a cumprir.

Uma coisa atravessa os cinco e não é opcional. Envolver as pessoas, lidar com o que elas sentem, aceitar que algumas não vão querer. Falha isso e podes ter a tecnologia impecável, com a adoção parada na mesma.

Em que degrau está mesmo a tua empresa e não em que degrau achas que devia estar?

Onde procurar casos de uso

Pedir casos de uso em abstrato falha quase sempre. Já expliquei porquê. Vale a pena repetir de outra maneira: numa sala sai uma lista vaga, ao lado de alguém durante uma hora aparecem oportunidades que nenhum consultor te vendia.

Estas dez perguntas servem para decidir onde te sentares:

• Quem escreve mais do que devia?
• Quem procura informação o dia inteiro?
• Quem responde sempre às mesmas perguntas?
• Quem documenta e justifica trabalho que já fez?
• Onde chegam pedidos repetidos, quase iguais, com pequenas variações que obrigam a tratar cada um à mão?
• Onde há atrasos que já ninguém questiona?
• Onde há erros de classificação, de encaminhamento ou de triagem?
• Onde se copia e cola de um sistema para outro?
• Onde a informação está espalhada por sítios que ninguém consegue enumerar todos?
• E onde uma primeira versão imperfeita já criaria valor?

A última é a mais subestimada de todas. Há trabalho em que 70% de qualidade em dois minutos vale mais do que 95% em duas horas, porque o que estava a atrasar era o arranque, não a qualidade.

Já vi uma equipa abrir um documento antigo, copiar blocos, mudar duas frases e mandar para aprovação como se fosse novo. O ficheiro chamava-se "final_v3_agora_sim". Pôr IA nesta tarefa não torna ninguém moderno, torna a manhã de alguém disponível para outra coisa.

E um cuidado, que é onde muita gente se atrapalha. Um caso de uso descreve-se assim: uma tarefa dentro de um processo, ou o processo inteiro, em que a parte humana passa a ser substituída ou completada pela IA, com o processo atual e o processo novo escritos lado a lado.

Casos de uso por área

A tabela serve para reconheceres o teu caso e perceberes o que ele te vai pedir, não para copiares linhas. Complexidade 1 é uma pessoa a resolver com um chatbot decente ainda esta semana. Complexidade 3 é integração, dados e projeto, com tudo o que isso arrasta.

Duas leituras interessam mais do que as linhas. Quase tudo o que está em complexidade 1 pode arrancar esta semana sem um projeto e sem orçamento novo, o que costuma surpreender quem estava à espera de um investimento grande.

E as duas linhas de risco alto, triagem de candidaturas e análise de crédito, são precisamente as que caem na lista de sistemas de alto risco do AI Act. Muda a conversa antes de mudar o processo.

Como escolher o primeiro piloto

O primeiro piloto não deve ser o mais sofisticado. Deve ser o mais útil e o mais fácil de provar, o que contraria o instinto de quem quer mostrar serviço à administração.

Pontua cada candidato de 1 a 5 em nove pontos:

• Impacto. Quanto muda no negócio se isto correr bem?
• Frequência. Quantas vezes por semana acontece?
• Investimento. Quanto custa montar, em dinheiro e em horas de gente que já está ocupada?
• Dados disponíveis. Existe a informação de que a IA precisa, num sítio identificável?
• Risco. O que acontece de pior se errar e ninguém der por isso?
• Facilidade de medição. Consegues medir o antes e o depois com uma fonte que já existe?
• Dono. Há uma pessoa com nome que quer isto?
• Atrito de adoção. Quantos passos extra a pessoa tem de dar?
• Tempo até valor. Quantas semanas até haver algo observável?

Um bom primeiro caso costuma ter impacto médio, frequência alta, investimento baixo, risco baixo e medição fácil. O caso que quase todos querem escolher tem impacto alto, frequência baixa e medição difícil. Esse fica para o segundo semestre.

Há um destes pontos que vale mais do que os outros oito juntos. Demorei a perceber isto. É existir alguém que queira mesmo aquilo resolvido.

Um caso tecnicamente perfeito sem dono interessado morre em seis semanas. Um caso mediano com alguém chateado o suficiente para insistir costuma sobreviver ao primeiro contratempo, que é onde quase tudo se decide.

Como medir o retorno da IA

Se me disseres que a adoção está a correr bem, pergunto como sabes. "As pessoas estão a usar" fica-se pela conversa.

Cada caso precisa de dez linhas fechadas antes de arrancar:

• Métricas de valor. O que mede o efeito no negócio.
• Baseline. O valor atual, medido, não estimado por alguém que acha que são umas duas horas.
• Meta. Para onde queres ir, com prazo.
• Fonte. Que sistemas ou evidências dão o número.
• Frequência. Semanal, mensal ou por ciclo.
• Definição. O que conta e o que não conta.
• Métricas de uso consistente. Quantas pessoas usam e com que regularidade.
• Custo total. Licenças, consumo, horas de quem manteve aquilo a andar.
• Regras para continuar.
• Regras para parar.

A regra para parar é a que quase ninguém escreve e é a mais importante da lista. Sem ele os pilotos não morrem, arrastam-se. E um piloto que se arrasta ocupa atenção que devia estar noutro sítio.

Donos, métricas e cadência de revisão não são invenção da IA. É o mesmo problema de execução que faz com que a estratégia raramente chegue a março. Quando um caso de IA passa a ser prioridade do trimestre, o lugar dele é dentro dos objetivos da empresa, com a mecânica que descrevo em fazer a estratégia acontecer com OKRs.

Depois há três números que parecem métricas e não são. Número de prompts mede curiosidade e sobe sempre nas primeiras semanas, por razões que nada têm que ver com trabalho.

Tempo na ferramenta pode significar que a pessoa está a lutar com ela. Licenças atribuídas mede o que compraste, não o que aconteceu. Servem para detetar quedas de uso, o que já é alguma coisa, mas não justificam investimento nenhum perante quem assina cheques.

Se tiveres de escolher só duas coisas, escolhe uma de valor e uma de uso. Horas entre pedido de proposta e envio, mais percentagem de propostas preparadas com apoio de IA. Com estas duas distingues o caso que funciona daquele em que apenas se fala muito.

Porque é que as pessoas recuam

Aqui está a parte que me custou mais a perceber. Vou ser direto sobre isso.

Nos primeiros meses em que tentei promover a IA internamente, apanhei uma muralha educada de silêncio. As pessoas acenavam nas sessões, abriam a ferramenta uma ou duas vezes e voltavam ao que faziam antes. Andei semanas a achar que era falta de formação.

Não era.

Há medo de perder utilidade. Ninguém gosta de sentir que a parte do trabalho que domina passou a fazer-se em nove segundos. Há medo de errar, maior em quem tem mais anos de casa e mais reputação a proteger.

Há uso escondido, que é o caso mais interessante de todos. Pessoas que usam IA diariamente e não dizem, porque não sabem se é permitido ou porque preferem que o mérito fique com elas. Se ainda não escreveste regras, presume que isto já está a acontecer aí.

E há resistência silenciosa, que nunca chega a confronto. Acena-se na sessão e espera-se que a moda passe.

O episódio que me ensinou mais foi o piloto de suporte. Pusemos o sistema a sugerir respostas antes de o técnico responder. Durante um mês os técnicos classificaram 95% das sugestões como não úteis.

Estava tudo pronto para desligar aquilo.

Depois medimos a semelhança semântica entre a sugestão da IA e a resposta que o técnico acabava por enviar. Havia cerca de 70% de sobreposição.

Aquilo tinha pouco de rejeição. Era resistência inconsciente com aproveitamento real. Desmontei o caso todo em a resistência silenciosa à inteligência artificial.

Há ainda falta de imaginação sobre casos de uso, que se resolve com exemplos e nunca com argumentos. E falta de talento interno para experimentar e puxar pelos outros, que é um problema real em PME e não se resolve com boa vontade nem com um workshop.

Sobre tudo isto paira uma coisa que os líderes tendem a não ver. Para ti, mais produtividade é mais lucro. Para quem trabalha contigo, produtividade soa sempre a palavra da empresa.

As pessoas querem estabilidade, reconhecimento e a sensação de que o trabalho conta. Se a IA só serve para produzir mais, resistir é a resposta racional. Racional, sublinho, não teimosa.

Isto tem consequência imediata. Se a tua equipa poupar 15% do tempo e tu encheres esse tempo com mais tarefas administrativas, a adoção morre na semana seguinte. Na equipa de controlo de qualidade o tempo libertado foi devolvido a trabalho técnico e foi por isso que aquilo aguentou.

O que costuma funcionar do outro lado não tem nada de original: dizer o que muda e o que não muda, formar com o trabalho real da pessoa em vez de exercícios genéricos, deixar que se diga que não está a resultar sem parecer do contra e reconhecer publicamente quem partilha o que descobriu. Nada disto é difícil. É só raramente feito.

Se amanhã a tua equipa recuperar dez horas por semana, o que é que vais fazer com elas?

O atrito vence sempre

Quando a IA fica ao lado do trabalho, o uso fica pelo básico. Resumos, textos e ideias. Tem valor, mas é pouco.

Conta os passos do caminho longo. Parar o que se está a fazer, abrir outra janela, copiar o texto, escrever o pedido, dar o contexto que a ferramenta não tem, esperar, ler, copiar de volta, colar, rever e corrigir a formatação que veio torta. Onze movimentos para uma tarefa que talvez demorasse quinze minutos à mão.

Ninguém faz isto num dia em que o telefone toca, entra um cliente e alguém quer uma resposta. A pessoa pensa "depois experimento".

Depois não experimenta. Chamar-lhe preguiça é errar o diagnóstico, aquilo é aritmética.

O salto dá-se quando a ajuda aparece onde a tarefa já acontece. O teste terminou e o rascunho do relatório está lá. O pedido do cliente chegou e a proposta de resposta está por baixo, sem ninguém ter de se lembrar de nada.

É por isso que a integração é o degrau mais mal tratado dos cinco. O menos vistoso, o mais trabalhoso, mas é o que separa o piloto simpático do processo que ficou mesmo diferente.

Quem propaga isto

Sem embaixadores, a adoção fica presa em meia dúzia de curiosos e não sai dali. Numa empresa de 40 pessoas chegam dois ou três. Funciona como um papel com tempo protegido, sem ser cargo nenhum, sendo esse tempo protegido a parte que as empresas cortam primeiro.

Um embaixador tem pouco que ver com entusiasmo pela tecnologia. É alguém que resolve trabalho real com IA, que tem credibilidade dentro da equipa, que explica em dez minutos sem fazer uma palestra, que conhece as regras de dados e as respeita e que ajuda colegas sem os fazer sentir atrasados.

A credibilidade não se negoceia. Se a pessoa não for respeitada no que faz, a mensagem não passa, por muito bem que ela domine a ferramenta.

Há um efeito lateral que vale mais do que a poupança de tempo. Quando o conhecimento sai da cabeça de uma pessoa e entra num processo escrito, a empresa fica menos dependente de quem sabe tudo. Se isto te soa a um problema que já tens, vê a tua empresa funciona sem ti e a tua equipa decide ou espera por ti.

Dá-lhes formação específica e uma obrigação, registar o que descobrem. Sem um registo, o conhecimento evapora-se assim que a pessoa muda de função.

Uma biblioteca de prompts viva

A framework que uso tem cinco partes: papel, instrução, formato, informação e refinamento. Papel é quem a IA está a ser, instrução é o que tem de fazer, formato é como devolve e informação é o contexto. Refinamento é o que se corrige depois de ver a primeira resposta, a parte que quase ninguém faz.

A partir daí faz sentido montar uma biblioteca, com uma condição. Tem de estar ligada aos casos escolhidos e ter dono, revisão e limpeza, senão fica um armazém de exemplos que ninguém abre.

Cada entrada precisa de doze campos:

• Nome do caso e para quem serve.
• Quando usar.
• Quando não usar.
• Dados permitidos.
• Dados proibidos.
• Prompt base, com papel, instrução, formato e informação.
• Exemplo de resposta boa.
• Exemplo de resposta perigosa, aquela que parece impecável e está errada.
• Checklist de validação antes de enviar.
• Versão.
• Data da última revisão.
• Dono.

O campo da resposta perigosa é o que mais ensina e é o que ninguém preenche. Uma proposta comercial com um prazo de entrega inventado parece perfeita até chegar ao cliente. É esse exemplo que as pessoas precisam de ver, não o bonito.

Se uma entrada não for usada em três meses, apaga-se. Quinze entradas vivas valem mais do que cento e vinte abandonadas. A segunda hipótese é a que acontece quase sempre.

A conta que aparece tarde

Os custos da IA raramente são os que vêm na proposta do fornecedor. São quinze linhas de custo e a maior parte das empresas orçamenta três.

As visíveis: licenças por utilizador, consumo por token via API, chamadas a APIs de terceiros, integrações com o ERP ou o CRM, mais a preparação e limpeza de dados.

As previsíveis mas esquecidas: formação, tempo gasto a construir e afinar prompts, infraestrutura, armazenamento, controlos de segurança adicionais e supervisão humana dos resultados.

As que ninguém põe no mapa: a alteração dos processos, o tempo dos utilizadores enquanto ainda são lentos, o talento especializado que é escasso e dispendioso, mais o custo dos erros que passaram sem revisão.

Vi um agente configurado para ajudar utilizadores nos primeiros passos de uma plataforma, sem teto de tokens, sem alerta de consumo e sem ninguém a olhar para o painel. Em 24 horas a conta passou para centenas de euros. Não falhou a IA, falhou o controlo que não existia.

Uma nota técnica com efeito prático: o mesmo texto em português consome mais tokens do que em inglês, porque os caracteres acentuados tendem a contar como token próprio. Em uso individual não interessa nada. Em volume, mede-se.

E há uma escolha simples que quase ninguém faz. Usar sempre o modelo mais capaz para tudo é como ligar o ar condicionado industrial para arrefecer um copo de água. Segundo a FinOps Foundation, escolher o modelo certo por tipo de tarefa, escrever prompts mais precisos e cortar contexto desnecessário pode reduzir o consumo de tokens entre 40% e 50%.

O padrão repete-se sempre: entusiasmo, fatura inesperada e travão brusco. E o travão brusco mata os casos que funcionavam junto com os que nunca funcionaram, porque na pressa ninguém distingue uns dos outros. A mecânica dos tokens está toda em a conta de inteligência artificial que ninguém te mostrou.

Por isso defendo que o responsável financeiro devia entrar mais cedo na conversa da IA. Não para bloquear. Para pôr limites antes de existir fatura.

Governance, risco e AI Act

Esta parte muda depressa e vale a pena separar obrigação de boa gestão.

Fui verificar hoje, 2 de agosto de 2026, nas fontes oficiais, porque não me fio no que já escrevi antes. O AI Act, Regulamento (UE) 2024/1689, é genericamente aplicável a partir de hoje. As proibições do artigo 5.º e o dever de literacia em IA do artigo 4.º aplicam-se desde 2 de fevereiro de 2025.

As obrigações dos fornecedores de modelos de uso geral aplicam-se desde 2 de agosto de 2025. As de transparência do artigo 50.º, que incluem dizer que um conteúdo foi gerado por IA e que se está a falar com um sistema, entram hoje, com a exceção do n.º 2 desse artigo, adiado para 2 de dezembro de 2026.

O que mudou há seis dias. O Regulamento (UE) 2026/1744, o omnibus digital sobre IA, foi publicado no Jornal Oficial a 24 de julho e entrou em vigor a 27.

Adiou as obrigações centrais dos sistemas de alto risco do Anexo III de hoje para 2 de dezembro de 2027 e as do Anexo I para 2 de agosto de 2028. Mudou também a redação do dever de literacia, que passou de "garantir" um nível suficiente para "apoiar o desenvolvimento" de literacia em IA.

Um verbo mais fraco. Nota-se.

Na prática, para ti. Se usas IA em triagem de candidatos, avaliação de trabalhadores, decisões de crédito ou acesso a serviços essenciais, estás no Anexo III e tens até dezembro de 2027 para ter documentação, gestão de risco e supervisão humana.

Não estás dispensado. Tens mais tempo, que não é a mesma coisa. E se produzes conteúdo gerado por IA para o exterior ou tens um assistente a falar com clientes, as obrigações de transparência aplicam-se a partir de hoje.

O RGPD não mudou nada e continua a ser a parte que apanha mais PME. Dados pessoais colados num prompt são um tratamento de dados como outro qualquer, com base legal, finalidade e limite de conservação.

O Comité Europeu para a Proteção de Dados publicou orientações práticas sobre risco de privacidade em sistemas baseados em modelos de linguagem. A CNPD tem sinalizado o uso de IA em recrutamento como área de atenção.

As regras internas mínimas cabem numa página e qualquer PME as consegue escrever:

• Dados permitidos. O que pode ir para uma ferramenta de IA, com exemplos reais e não com princípios.
• Dados proibidos. Dados pessoais de clientes e trabalhadores, dados de saúde, informação contratual sensível, código proprietário e credenciais.
• Ferramentas aprovadas, com contrato e tratamento de dados definido. As outras não.
• Validação humana obrigatória antes de seja o que for sair para o exterior.
• Alucinações. Nunca aceitar números, citações, referências legais ou nomes sem confirmar na fonte.
• Propriedade intelectual. Não colar material protegido de terceiros, não publicar output sem revisão de originalidade.
• Registo das decisões relevantes tomadas com apoio de IA, com quem decidiu.
• Quem aprova os casos de maior risco antes de arrancarem.
• Quem responde quando corre mal. Uma pessoa. Não um comité.

A supervisão humana vale por si. É a diferença entre apanhar internamente uma proposta com um prazo inventado e ser o cliente a apanhá-la.

Um aviso sobre o que se lê por aí, incluindo textos meus. Muito do que foi publicado antes de julho de 2026 ainda diz que as obrigações de alto risco começam hoje. Estava certo quando foi escrito, deixou de estar.

Eu próprio tenho um artigo à espera de correção.

Um plano de 90 dias

Chama-lhe trimestre, não projeto de transformação. Cinco janelas e decisões no fim.

Dias 1 a 15, diagnóstico. Observar o trabalho real em vez de perguntar por ideias, sentando ao lado de 6 a 10 pessoas de áreas diferentes, uma hora cada. Sair com uma lista de candidatos e com o processo atual de pelo menos cinco deles escrito.

Dias 16 a 30, escolha e métricas. Pontuar nos nove pontos e escolher um caso, no máximo dois. Fechar métricas de valor, baseline medida, meta, fonte, frequência e definição, escrever as regras de dados numa página, designar o dono e definir o teto de consumo e as regras de paragem.

Dias 31 a 60, piloto. Uma equipa, um caso e uso real, com registo do que funciona e do que irrita. Resistir à tentação de alargar a mais gente a meio do caminho, que é onde muitos se estragam.

Dias 61 a 75, medir e corrigir. Comparar com a baseline, ouvir quem usou, ajustar prompts e o ponto de integração. É normal descobrir aqui que o processo tinha um passo que ninguém tinha mencionado, coisa que acontece em quase todas as empresas, sem má-fé nenhuma.

Dias 76 a 90, decidir. Integrar, alargar ou parar. Se for parar, dizer porquê em público e sem tom de derrota, porque a próxima pessoa a propor um caso está a ver como é que este acabou.

Noventa dias chegam para um caso feito a sério. Não chegam para cinco ao mesmo tempo, que é o que a maioria tenta.

Depois do primeiro caso

Quando um caso funciona, a pergunta passa a ser como é que isto sai daquela equipa. Dez mecanismos que costumam resultar, por ordem de esforço:

• Embaixadores com tempo protegido e obrigação de registar.
• Biblioteca de prompts ligada aos casos, com limpeza trimestral.
• Assistentes especializados por função. Um para respostas comerciais, outro para estruturar feedback, outro para transformar notas em atas.
• Espaços de trabalho por tema ou equipa, com o contexto e os ficheiros já lá, para ninguém recomeçar do zero de cada vez.
• Voz. Muita gente pensa melhor a falar. Um comercial que faz o resumo da visita ao sair do carro entrega mais e melhor do que o mesmo comercial a escrever ao fim do dia.
• Coffee with AI. Na PHC, cada equipa mostrava à empresa o que já usava, com exemplos reais e sem pompa. Dava ideias a quem ainda não tinha começado e criava legitimidade, porque as pessoas viam colegas e não consultores.
• Hackathon interno, com equipas de áreas diferentes e problemas reais.
• Integração dentro do software que a empresa já usa, que é onde o atrito desaparece.
• Revisão mensal com decisões escritas e donos.
• Encerramento formal do que não funcionou, com a razão registada.

A regra é sempre a mesma. Não fazer coisas para parecer moderno, fazer coisas que aumentem a probabilidade de uso real.

Se um assistente não ajuda ninguém, fecha-se. Se o Coffee with AI passar a palco, perdeu a utilidade e mais vale acabar com ele.

Doze formas de estragar isto

Quase todos os erros que vejo cabem nesta lista. A maior parte das empresas comete três ou quatro ao mesmo tempo:

• Comprar antes de escolher o problema.
• Querer agentes autónomos antes de ter um caso simples fechado.
• Medir utilização em vez de valor.
• Ignorar os custos indiretos e depois bloquear tudo de repente.
• Implementar na empresa inteira ao mesmo tempo.
• Delegar tudo na área de sistemas de informação, que conhece a tecnologia e não conhece o processo.
• Não envolver o CEO.
• Não definir dados proibidos, o que empurra as pessoas para o uso escondido.
• Deixar a IA fora do fluxo de trabalho e depois queixar-se de que ninguém usa.
• Acumular prompts que ninguém abre.
• Não fechar pilotos, deixando-os a arrastar sem decisões.
• Confundir entusiasmo com estratégia.

O erro do CEO ausente é o que mais custa e o mais comum em PME portuguesas. Quando a IA é tratada como assunto técnico, fica em cima da mesa de quem não tem autoridade para mudar processos.

E sem mudar processos não há adoção. Há ferramentas.

Checklist de arranque

Antes de abrires a primeira licença, confirma que tens isto:

• Um caso de uso com o processo atual e o processo novo escritos.
• Métricas de valor com baseline medida, meta, fonte, frequência e definição.
• Um dono com nome e com tempo.
• Um piloto com prazo, teto de consumo e regras de paragem definidas antes de começar.
• Regras de dados numa página, com exemplos do que é proibido.
• Ferramentas aprovadas, com contrato e tratamento de dados definido.
• Dois ou três embaixadores identificados, com credibilidade na equipa.
• Uma revisão mensal marcada na agenda.
• Uma resposta honesta à pergunta do tempo libertado.
• Coragem para fechar o que não funcionar sem transformar isso numa derrota.

Perguntas que me fazem sempre

Por onde deve uma PME começar? Por observar o trabalho real durante duas semanas, não por escolher ferramenta. Senta-te ao lado de seis a dez pessoas de áreas diferentes e escreve o que vês. O primeiro caso costuma aparecer sozinho e quase sempre é uma tarefa que alguém detesta fazer.

Quanto custa implementar IA numa PME? Depende do caso e a licença é a parte pequena. Um caso simples arranca com as subscrições que já tens e algumas horas de configuração. Um caso integrado no ERP ou no CRM envolve consumo por token, integração, preparação de dados e supervisão. Nesse ponto a conta muda de escala. Define um teto de consumo antes de abrir acessos, porque o custo que dói é o que ninguém estava a ver.

Que processo escolher primeiro? Um que aconteça muitas vezes por semana, que consuma tempo, que tenha risco baixo se correr mal e que já tenha os dados de que precisa. E que tenha alguém a quem aquilo interesse mesmo. Entre o caso mais impressionante e o caso mais chato, escolhe o chato.

Como medir o retorno da IA? Com métricas de valor e de uso, ambas com valor de partida medido antes de começar. A de valor mede o efeito no negócio, horas até responder a um pedido ou dias até fechar contas. A de uso mostra se aquilo entrou mesmo no trabalho. Número de prompts ou licenças atribuídas não provam nada.

Que dados não devem ser enviados para uma ferramenta de IA? Dados pessoais de clientes e trabalhadores, dados de saúde, informação contratual sensível, código proprietário e credenciais. A regra prática é não colar nada que não escreverias num email para fora da empresa. E usar só ferramentas com contrato empresarial, onde o tratamento de dados está definido.

É preciso contratar especialistas em IA? Para os primeiros casos, normalmente não. É preciso alguém interno com tempo protegido, curiosidade e credibilidade, que conheça os processos da casa. Talento especializado justifica-se quando entras em integração profunda, fine tuning ou dados próprios, onde é escasso e dispendioso.

Como envolver a equipa na adoção? Mostra-lhes colegas a resolver trabalho real, não apresentações sobre o futuro. Responde cedo à pergunta que ninguém faz em voz alta, o que acontece ao meu lugar. E não encham o tempo libertado com mais tarefas administrativas, porque isso ensina a equipa a nunca mais libertar tempo nenhum.

Como cumprir o AI Act numa PME? Percebe primeiro em que categoria caem os teus usos. A maior parte do que uma PME faz com IA generativa não é alto risco e fica nas obrigações de transparência, aplicáveis desde 2 de agosto de 2026, mais o dever de apoiar a literacia em IA de quem usa. Se usas IA em recrutamento, avaliação de trabalhadores ou decisões de crédito, entras no Anexo III e tens até 2 de dezembro de 2027 para ter documentação, gestão de risco e supervisão humana. Confirma sempre na fonte oficial, porque o calendário mudou a 27 de julho de 2026 e muito do que anda por aí tem as datas antigas.

Quando faz sentido usar agentes de IA? Depois de teres pelo menos um caso simples a funcionar com uso repetido, dono, métricas e regras. Um agente executa passos sem alguém a validar cada um, o que multiplica o valor e multiplica o erro na mesma proporção. Sem um controlo de custos e sem limites definidos, um agente mal configurado gasta muito dinheiro em pouco tempo. Escrevi sobre a forma de pensar nisto em a tua empresa já tem empregados eletrónicos.

Como saber se existe adoção real? Olha para três coisas. O processo ficou diferente e consegues descrever a diferença. O uso mantém-se sem ninguém andar a lembrar as pessoas. Há um número melhor do que estava antes, com fonte identificada. Se falhar alguma destas, ainda estás em experiência, o que não tem mal nenhum desde que lhe chames isso.

Há uma parte disto que ainda não resolvi. Continuo sem saber medir o que se perde quando uma equipa deixa de escrever ela própria os documentos e passa a rever o que a máquina escreveu.

Desconfio que se perde alguma coisa. Ainda não consegui pôr um número nisso.

O que sei é o resto. A maior parte das empresas não falha a adoção de IA por falta de tecnologia. Falha porque a tecnologia continua mal gerida, mal medida e mal organizada.