O entusiasmo em torno da inteligência artificial nas TI há muito que ultrapassou os limites do razoável. Líderes empresariais, executivos e equipas operacionais procuram integrar a IA em todos os processos de gestão de serviços, convencidos de que esta trará eficiência, automatização e redução de custos imediatas.
No entanto, quando as aplicações de IA começam efetivamente a ser utilizadas, a realidade é muitas vezes bem diferente: projetos-piloto que não conseguem ganhar escala, um ROI difícil de demonstrar e agentes de IA que falham sempre que os processos em que se apoiam são frágeis.
Na maioria dos casos, a origem destas dificuldades não está na tecnologia, mas no contexto organizacional em que esta é implementada.
O verdadeiro efeito da IA no ITSM é contrário à narrativa dominante: em vez de substituir os seus fundamentos, está a tornar ainda mais evidente a importância de regressar a eles.
Workflows documentados, ownership clara, adoção consistente das boas práticas ITIL e maturidade operacional: sem estas bases, qualquer iniciativa de preparação do ITSM para a IA corre o risco de gerar mais custos e complexidade do que resultados.
1. O que significa AI readiness em ITSM?
O ITSM funciona como um sistema de registo: gere workflows estruturados e reúne o contexto operacional da organização. Por esse motivo, deveria constituir naturalmente a base para a utilização da IA nas operações de TI.
No entanto, para que este potencial se traduza em resultados concretos, o ITSM tem de reunir determinadas condições.
AI readiness em ITSM significa ter processos documentados digitalmente, ownership clara, uma adoção consistente das boas práticas ITIL e indicadores mensuráveis de maturidade operacional.
Estas são as condições mínimas para que uma iniciativa de IA aplicada ao ITSM produza resultados, em vez de acrescentar custos.
O estado atual do ITSM: implementações frágeis sob a pressão da IA
Cada vez mais organizações estão a alargar a sua plataforma ITSM a workflows que vão além das funções tradicionais de TI, incluindo áreas como os Recursos Humanos, a gestão de instalações e a segurança.
Neste sentido, o ITSM tornou-se uma peça central das operações da organização — a sua espinha dorsal operacional.
O problema é que, em muitas empresas, essa espinha dorsal continua a ser frágil. Existem quatro problemas recorrentes:
- Processos não documentados: os mesmos workflows variam de equipa para equipa e muitos procedimentos operacionais existem apenas na cabeça das pessoas mais experientes.
- Ownership pouco clara: não está definido quem é responsável por um serviço, por um processo ou pela qualidade de um determinado conjunto de dados.
- Adoção inconsistente das boas práticas ITIL: a gestão de incidentes, problemas, alterações e pedidos de serviço não segue padrões consistentes ao longo do tempo.
- Maturidade operacional desigual: algumas equipas trabalham com processos estruturados e procedimentos formalizados, enquanto outras atuam de forma reativa e sem normalização. Como resultado, o nível global da organização acaba por ser condicionado pela equipa menos madura.
Estes problemas já existiam, mas, até agora, eram relativamente fáceis de contornar. Graças à experiência e ao bom senso, os operadores conseguiam compensar as ambiguidades dos processos e adaptar-se às exceções.
A IA altera esta dinâmica. Um agente automatizado não consegue tomar decisões inteligentes com base num processo que nunca foi documentado, preencher lacunas de responsabilidade ou compensar um nível insuficiente de maturidade organizacional.
Sem estas condições — workflows documentados, ownership clara, adesão às boas práticas ITIL e maturidade operacional — a IA não corrige a instabilidade dos processos. Pelo contrário, torna-a mais visível e amplifica os seus efeitos.
O que antes era uma fragilidade que as equipas conseguiam absorver passa agora a constituir um verdadeiro bloqueio operacional.
A promessa da IA e a realidade dos números
Os dados de mercado de 2025 revelam uma contradição clara.
Por um lado, a adoção da IA já está generalizada. Segundo um estudo recente da EasyVista, 95% das grandes organizações já utilizam IA no ITSM de alguma forma. Entre as PME, a percentagem continua igualmente elevada, situando-se nos 90%.
Por outro lado, os resultados financeiros contam uma história bastante diferente.
Um inquérito da Gartner realizado junto de mais de 500 CIO revelou que 72% das organizações mal conseguem recuperar o investimento ou estão efetivamente a perder dinheiro com as suas iniciativas de IA.
O estudo Build for the Future 2025, da BCG, realizado junto de 1.250 empresas, apresenta uma conclusão ainda mais expressiva: apenas 5% consegue gerar resultados substanciais com a aplicação da IA em grande escala, enquanto 60% não obtém qualquer impacto material.
Uma investigação da MIT NANDA Initiative, citada pela Fortune, indica ainda que 95% dos projetos-piloto empresariais de IA generativa não gera qualquer retorno mensurável na demonstração de resultados.
A questão central, por isso, não é apenas saber se a tecnologia funciona. É perceber por que razão, quando é aplicada, tantas vezes não consegue produzir resultados concretos.
A resposta é desconfortável, mas deve ser assumida: na maioria dos casos, a IA falha por razões operacionais e relacionadas com os processos, não por limitações tecnológicas.
A IA não é um atalho, é um amplificador
Uma das ideias mais difundidas — e mais erradas — é a de que a IA pode compensar restrições orçamentais, falta de competências ou ausência de rigor na execução dos processos.
Esta lógica parte de um pressuposto incorreto.
A IA é realmente útil quando acelera tarefas que as equipas já sabem executar bem. Não substitui competências que a organização nunca desenvolveu.
Quando aplicada a processos maduros, amplifica a qualidade. Quando aplicada a processos frágeis, amplifica a desorganização.
Keith Andes, Head of Product Marketing da EasyVista, resume esta realidade de forma clara:
«Se o encaminhamento de incidentes já é inconsistente, a IA limitar-se-á a encaminhá-los incorretamente, mas mais depressa. Se a Configuration Management Database (CMDB) — o repositório central que acompanha os ativos de TI de uma empresa e as relações entre eles — estiver desorganizada, os insights gerados pela IA irão simplesmente refletir esse ruído de fundo.»
Aplica-se aqui o conhecido princípio garbage in, garbage out, com uma dificuldade adicional: os resultados da IA surgem frequentemente revestidos de uma aparência de autoridade, o que torna os erros mais difíceis de detetar.
O princípio 10–20–70 do Boston Consulting Group ajuda a quantificar esta realidade: o sucesso da IA depende 10% dos algoritmos, 20% dos dados e da tecnologia e 70% das pessoas, dos processos e da cultura.
O estudo State of AI 2025, da McKinsey, aponta no mesmo sentido. As empresas que redesenham os workflows de ponta a ponta antes de escolher modelos ou ferramentas têm uma probabilidade quase três vezes superior de obter retornos financeiros significativos do que aquelas que se limitam a acrescentar IA aos processos existentes.
Os quatro pilares da AI readiness em ITSM
O Great ITSM Reset representa um regresso consciente e direcionado aos fundamentos do ITSM — uma condição necessária para que a IA possa funcionar de forma eficaz.
Trata-se de um processo de consolidação que envolve pessoas, processos e dados e que exige tempo e disciplina. No entanto, é também o único caminho que permite transformar os investimentos em IA em resultados mensuráveis e sustentáveis.
Este trabalho assenta em quatro pilares profundamente interligados.
1. Workflows documentados digitalmente
Um agente de IA não pode executar uma tarefa que não consegue interpretar.
Para cada serviço crítico, os passos, as decisões, os eventos que desencadeiam uma ação e os critérios de encerramento devem estar representados de forma estruturada na plataforma ITSM.
É este o conceito de digital twin of work: uma representação de como o trabalho acontece realmente, e não de como a organização gostaria que acontecesse.
2. Ownership clara de serviços, processos e dados
Sem uma pessoa claramente responsável, todos os serviços tendem a degradar-se ao longo do tempo.
A IA apenas agrava este problema. Sem ownership definida, ninguém é responsável por validar os resultados, intervir quando as sugestões estão sistematicamente erradas ou autorizar a aplicação da IA a novos processos e áreas de trabalho.
Definir claramente quem é responsável por cada serviço, processo e área da base de conhecimento é, antes de tudo, um requisito de governação — e só depois um requisito tecnológico.
3. Adesão às boas práticas ITIL
As práticas ITIL fornecem uma linguagem comum que torna os processos previsíveis, mensuráveis e repetíveis.
Quando a gestão de incidentes, problemas, alterações e configurações segue padrões consistentes, a plataforma ITSM gera dados estruturados e de qualidade. São precisamente esses dados que servem de matéria-prima à IA.
O próprio framework ITIL 4 sublinha que o valor não resulta apenas da adoção formal de processos, mas da sua aplicação consistente ao longo do tempo.
4. Maturidade operacional mensurável
A maturidade não é um estatuto que, uma vez declarado, pode ser considerado permanente. É uma condição que deve ser medida continuamente.
Tempos de resolução consistentes, taxas de reabertura controladas, precisão da CMDB e conformidade verificada são alguns dos indicadores que permitem avaliá-la.
Um estudo recente da Gartner mostra uma diferença clara entre organizações maduras e menos maduras: nas primeiras, 45% das iniciativas de IA permanece em produção durante pelo menos três anos, enquanto nas organizações com baixa maturidade essa percentagem desce para 20%.
Como iniciar o reset, de forma concreta
Efetuar um reset significa tornar sustentável a introdução e utilização da IA sem abrandar a sua adoção.
O objetivo é criar as condições operacionais necessárias para que a IA produza resultados reais e mensuráveis, começando pelas áreas onde esses resultados são mais fáceis de demonstrar e alargando depois a sua utilização de forma progressiva.
Três passos ajudam a definir este percurso:
Identificar um ou dois workflows estáveis e de elevado volume
Estes são os candidatos naturais para os primeiros casos de utilização de IA.
Alguns exemplos incluem o encaminhamento de tickets com base em categorias fiáveis, o resumo automático de conteúdos de conhecimento já validados ou a síntese de tickets a partir de dados estruturados.
Organizar primeiro, automatizar depois e aplicar IA apenas no final
O primeiro passo consiste em documentar e digitalizar o workflow no sistema de registo.
O segundo é automatizar, através de regras simples e previsíveis, tudo aquilo que pode ser gerido com instruções do tipo «se acontecer X, fazer Y».
Só faz sentido introduzir IA nas atividades que são demasiado complexas para serem resolvidas através destas regras.
Definir métricas de impacto
Sem um conjunto inicial de KPI — como o tempo médio de resolução, a taxa de desvio para o self-service, a precisão ou a satisfação dos utilizadores —, não existe uma forma objetiva de saber se a IA está efetivamente a produzir resultados.
Tecnologias como o EV Pulse AI da EasyVista foram concebidas precisamente para apoiar este tipo de abordagem.
A solução integra a IA em workflows ITSM estruturados, através de casos de utilização definidos, métricas de resultados claras e supervisão humana contínua sobre todas as decisões críticas.
A IA não torna a disciplina dos processos desnecessária. Pelo contrário, depende dela para funcionar.
Nesta perspetiva, o Great ITSM Reset é, por si só, uma forma de inovação: o percurso através do qual as organizações de TI podem preparar o seu ITSM para a IA e evoluir de forma sustentável nos próximos anos.
FAQs
1. O que significa AI readiness em ITSM?
Significa ter processos documentados digitalmente, ownership clara, uma adoção consistente das boas práticas ITIL e indicadores mensuráveis de maturidade operacional.
Estas são as condições mínimas para que uma iniciativa de IA no ITSM possa gerar resultados, em vez de custos adicionais.
2. Por que razão tantas iniciativas de IA no ITSM falham?
Porque a IA é aplicada a processos frágeis, dados inconsistentes e workflows que não estão devidamente documentados.
Estudos da BCG e da McKinsey indicam que, em 60% das empresas, a IA não gera resultados materiais e que 95% dos projetos-piloto de IA generativa não produz um ROI mensurável.
Na maioria dos casos, a causa não é tecnológica, mas organizacional.
3. É necessário ter processos perfeitos antes de começar com a IA?
Não. No entanto, é importante começar pelas áreas onde os processos já são estáveis.
A IA funciona como um acelerador de workflows consistentes e robustos. Não resolve workflows desorganizados.
O princípio é simples: organizar primeiro, automatizar através de regras depois e aplicar IA apenas onde esta é realmente necessária.
4. Qual é a relação entre ITIL e IA?
As práticas ITIL fornecem a linguagem comum e a estrutura de dados de que a IA necessita para funcionar de forma fiável.
Quanto maior for a maturidade ITIL, mais sólida será a base sobre a qual a organização poderá desenvolver automatizações inteligentes e agentes de IA.