16 de fev. de 2026/Leitura: 13 minIA ML

Do projeto piloto a 6.000 usuários: como adicionar escalabilidade aos agentes de IA para as empresas

Em meados de 2025, lançamos o Snowflake GTM AI Assistant para cerca de 6.000 usuários em nossa organização de vendas e marketing, nossa primeira implementação corporativa em grande escala do Snowflake Intelligence. Até o fim de ano, o assistente já tinha respondido a mais de 330.000 perguntas, ajudando os usuários a trabalhar mais rápido e a tomar decisões melhores.

Durante os últimos meses, lançamos várias publicações voltadas para desenvolvedores explicando as bases técnicas para criar um assistente de IA corporativa: como estruturar dados de vendas, possibilitar a recuperação de conhecimento para conteúdo não estruturado, comportamento do agente de teste e refinar instruções. Essas publicações foram úteis, mas as perguntas que continuamos recebendo não eram puramente técnicas:

Como foi montada a equipe do projeto?
Qual foi o cronograma de desenvolvimento?
Como o lançamento foi feito sem perder a confiança?
Que táticas de gestão de mudanças funcionaram de verdade?
Que resultados foram observados após o lançamento?

Este artigo se concentra nos componentes não técnicos: estrutura das equipes, fases de lançamento, estratégia de escopo e como fomos de MVP (Minimum Viable Product) para um recurso corporativo confiável.

Equipe de desenvolvimento e fases de lançamento

O projeto teve início no final de fevereiro de 2025 com um objetivo claro: criar um assistente de conhecimento com base em RAG para que as equipes de GTM (Go To Marketing) pudessem encontrar os documentos certos em ferramentas fragmentadas, páginas da web e drives. Na época, o projeto contava com um cientista de dados dedicado.

No final de maio de 2025, tomamos a decisão de criar um assistente completo de IA para a equipe de GTM usando o Snowflake Intelligence, não apenas para indexar conteúdo de conhecimento, mas também para integrar dados estruturados de vendas e marketing. Essa mudança mudou o padrão de qualidade e confiabilidade, então dimensionamos a equipe para três ou quatro cientistas de dados e adicionamos um gerente de produtos dedicado.

Desde o primeiro dia, tratamos a qualidade e a confiança do usuário como P(-1). Entrevistas com usuários e experiência anterior de projetos de IA mostraram um fato claro: a primeira impressão determina a adoção. Se as experiências iniciais forem pouco confiáveis, reconstruir a confiança requer um esforço consideravelmente maior do que começar a trabalhar imediatamente.

Por isso, escolhemos uma estratégia de implementação em fases: comece com tarefas de pequeno porte, valide a qualidade e os fluxos de trabalho e expanda.

Veja, a seguir, a análise de nossas fases de lançamento:

Dica: um erro comum que notamos foi precipitar um agente em um uso amplo antes que ele atenda consistentemente ao nível de qualidade exigido. Desenvolver protótipos de agentes de IA é fácil. Lançar agentes confiáveis para milhares de usuários é a parte difícil. Dar às equipes o tempo e o espaço necessários para ganhar a confiança delas desde o início é um esforço que se paga mais adiante.

De um MVP limitado à expansão dos recursos

Ambientes corporativos são complexos. Em toda a nossa organização de vendas e marketing, oferecemos suporte a mais de 15 perfis distintos, cada um com fluxos de trabalho e necessidades diferentes:

Executivos de contas (account executives, AEs)
Engenheiros de soluções (solution engineers, SEs)
SDRs
Gerentes de marketing de produto
Gerentes de parceiros/alianças
Especialistas em serviços profissionais
Diretores de vendas e marketing
Gestores de campanha
E muito mais!

Assim como acontece com qualquer produto, evitamos a armadilha de "conectar tudo e esperar que os usuários saibam o que fazer". Em vez disso, de modo intencional, começamos com um MVP mais limitado direcionado aos perfis nos quais era possível oferecer mais valor, com maior rapidez.

Com base no tamanho do público-alvo e no esforço de desenvolvimento por perfis, focamos no lançamento em GA para AEs, SEs e SDRs. Esses três grupos representavam cerca de 50% do nosso público-alvo de 6.000 usuários, permitindo maximizar o impacto no início, mantendo um escopo gerenciável.

Após o GA, expandimos de forma intencional: desbloqueando aos poucos perfis e recursos adicionais, sem comprometer a confiança do público-alvo.

Veja um exemplo ilustrativo de como os recursos do nosso agente cresceram com o tempo:

Escopo de GA: assistente de conhecimento + dados essenciais de Salesforce, uso do produto e finanças.
Primeiro mês após o GA: correção de erros e cobertura mais ampla e detalhada das mesmas fontes.
Fases posteriores: novas fontes de dados, como dados de marketing, transcrições de chamadas e emails, dados de parceiros, suporte à pesquisa na web e muito mais.

Quando lançamos o assistente de IA em meados de setembro de 2025, ele contava com seis visualizações semânticas de 48 tabelas e cerca de 1.400 colunas. Após o GA, lançamos mais de 40 novos recursos/fontes de dados, expandindo a camada de dados para dez visualizações semânticas com 64 tabelas e mais de 1.750 colunas.

Dica: um escopo muito amplo é uma das razões mais comuns para que as iniciativas de IA para empresas fiquem paralisadas. Comece com um ambiente em que o agente responda a menos perguntas, mas retorne as respostas corretas. É mais fácil expandir os recursos após conquistar a confiança do que recuperar a adoção depois de tentativas mal-sucedidas.

Ativação de usuários e gerenciamento de mudanças

A implementação bem-sucedida de soluções empresariais leva algum tempo. Em geral, um trimestre completo ou mais. Como em qualquer lançamento de produto, os usuários naturalmente se distribuem ao longo da curva de adoção: inovadores, adotantes iniciais, maioria inicial e tardia, e retardatários.

Teoria da difusão de inovações de Everett Rogers.

Durante as fases de piloto e beta, o engajamento costuma vir de usuários mais avançados nessa curva, os que estão ansiosos para experimentar novas ferramentas. Quando você chega à GA e ajusta a escala para milhares de usuários, a realidade muda. Os adotantes tardios entram em cena, as expectativas aumentam e pode surgir frustração se a adoção pelos usuários não ocorrer rápido o suficiente.

É aí que muitas iniciativas de IA, que seriam sólidas, acabam estagnando, não porque a tecnologia não funciona, mas porque os usuários nunca a adotam totalmente.

Garantindo que os usuários realmente testem as soluções!

Usar um assistente de IA como parte do fluxo de trabalho diário representa uma grande mudança de hábito. A maioria dos usuários não muda a menos que sua solução seja dramaticamente melhor, 10 vezes mais rápida, 10 vezes mais fácil, ou que permita algo que simplesmente não era possível antes. A paridade de recursos com as ferramentas existentes raramente é suficiente, especialmente para os adotantes tardios.

Ainda assim, mesmo o melhor produto não consegue conquistar usuários se eles nunca chegarem a experimentá-lo.

Então, como garantir que os usuários tanto experimentem seu assistente de IA quanto continuem voltando?

Primeiro, valide a qualidade e otimize para a retenção

Nossa abordagem foi deliberada e sequencial, alinhada às nossas fases de lançamento:

Durante a fase piloto, concentramos nossos esforços exclusivamente em qualidade e confiança. Nosso principal objetivo era validar a precisão, a confiabilidade e a utilidade básica, lembrando que a qualidade é P(-1).

Na fase beta, depois de comprovar a qualidade, direcionamos o foco para a completude de recursos e a retenção. A pergunta passou a ser: esse agente resolve problemas reais o suficiente para que os usuários queiram voltar semana após semana?

Os resultados nos deram confiança:

NPS acima de 92% entre os usuários da fase beta.
Taxa de retenção de usuários ativos semanais (WAU) acima de 70%.

Essas métricas mostraram que valia a pena ajustar a escala do nosso produto.

Criar impulso e entusiasmo organizacional

Na fase de GA, nossa principal pergunta ficou simples: Os usuários sabem da existência do GTM AI Assistant? E estão realmente experimentando-o?

Para promover a adoção, trabalhamos em estreita parceria com nossa equipe de capacitação de vendas e garantimos que os fundamentos estivessem em prática:

Uma página interna dedicada ao produto.
Guias claros para usuários e documentação de instruções.
Vídeos curtos de usuários destaque compartilhando boas práticas.
Um canal dedicado no Slack para feedback e solicitações de recursos.

A partir daí, construímos impulso de forma ativa:

E-mails de lançamento e demonstrações em tempo real com equipes individuais.
Menções regulares de executivos de vendas, incluindo nosso CEO, em reuniões gerais e de equipe.
Relatórios semanais de adoção compartilhados com a liderança de vendas, para que pudessem incentivar a participação em suas equipes.

Essa combinação de capacitação, visibilidade e apoio da liderança se mostrou essencial.

O resultado: adoção mantida em escala

Por meio de uma ativação disciplinada e de uma gestão de mudanças eficaz, impulsionamos uma adoção significativa do GTM AI Assistant nos três meses seguintes ao GA.

Todo esse esforço valeu a pena. Nas primeiras duas semanas após o GA, aproximadamente 25% dos usuários que receberam acesso já tinham testado o agente pelo menos uma vez. Até o final do ano, esse número tinha crescido para quase 77% no geral e mais de 90% entre as nossas personas principais (AEs, SEs e SDRs).

Para nós, isso reforçou uma lição fundamental: Ajustar a escala da IA para empresas não é apenas um desafio técnico, mas também um problema de ativação de produto e gestão de mudanças.

Estratégia de produto pós-lançamento

A mudança é uma via de mão dupla.

Transformar os fluxos de trabalho de go-to-market com agentes de IA para empresas é uma mudança significativa, não apenas para os usuários, mas também para as equipes de dados que criam esses agentes.

Tradicionalmente, as equipes de dados estão acostumadas a trabalhar em projetos relativamente contidos: criar pipelines de dados, treinar modelos ou lançar dashboards, muitas vezes com evolução limitada após o lançamento. Depois de implantados, esses ativos geralmente exigem apenas manutenção incremental.

Os agentes de IA são fundamentalmente diferentes.

Um assistente de IA para empresas é um produto vivo. Ele interage continuamente com os usuários, se adapta a novos dados, evolui com a mudança dos fluxos de trabalho e precisa acompanhar o ritmo acelerado de inovação da plataforma e dos modelos. Isso exige uma mudança em direção ao pensamento de produto, ao design em nível de sistema e à colaboração sustentada da equipe ao longo do tempo.

Adaptando a equipe após o GA

Após um lançamento de GA bem-sucedido, precisamos evoluir a forma como trabalhávamos em equipe.

Quase imediatamente, percebemos:

Um aumento nas solicitações de recursos vindas dos usuários.
Expectativas maiores em relação à capacidade de resposta e à confiabilidade.
Uma necessidade crescente de equilibrar iterações rápidas com a manutenção da confiança.
Mudanças contínuas na plataforma de IA subjacente que exigiram repensar decisões de design anteriores.

Ao mesmo tempo, a qualidade não podia cair. Era necessário corrigir os bugs rapidamente, evitar regressões e lançar melhorias sem desestabilizar a experiência na qual os usuários confiavam.

Ajustar a escala do produto significava ajustar a escala do nosso modelo operacional.

Em que investimos após o lançamento

Para evitar a sobrecarga e manter o impulso, investimos desde o início nas seguintes áreas:

Uma forma ágil de trabalhar: passamos para um desenvolvimento baseado em sprints, com uma estrutura clara de entrada, triagem e priorização para equilibrar bugs, solicitações de recursos e melhorias de longo prazo.
Expandindo a equipe com conjuntos de habilidades complementares: além da ciência de dados, adicionamos capacidade de engenharia de análise de dados e engenharia de backend, alinhada às necessidades do roteiro e à complexidade do sistema.
Testes automatizados e CI/CD: pouco depois do GA, investimos em estruturas de testes automatizados e pipelines de CI/CD para aumentar a velocidade de implantação, mantendo um alto padrão de qualidade.
Tempo dedicado à integridade e à evolução da plataforma: cada sprint incluía capacidade explícita para refatoração, evolução da arquitetura e atualizações da plataforma, para evitar dívida técnica de longo prazo.

A principal lição

Lançar um agente de IA para empresas não é a linha de chegada, é o ponto de partida.

O sucesso a longo prazo exige tratar os agentes de IA como produtos, não projetos: com responsabilidade, iteração, rigor operacional e investimento contínuo. As equipes que adotam essa mudança estão em uma posição muito melhor para ajustar a escala de forma responsável, se adaptar às mudanças e continuar entregando valor, conforme as expectativas dos usuários e as capacidades de IA evoluem.

O impacto e o ROI

Neste momento, você deve estar se perguntando: quais foram os resultados reais, e isso valeu o investimento?

Vamos detalhar isso.

Até o final de 2025, o GTM AI Assistant estava respondendo mais de 35.000 perguntas por semana para mais de 2.500 usuários ativos semanais, em comparação com aproximadamente 10.000 perguntas semanais no lançamento inicial.

Esse crescimento não foi impulsionado apenas pela adoção.

Nos três meses após o GA, à medida que expandimos as capacidades do assistente e os usuários começaram a incorporá-lo em seus fluxos de trabalho diários, a intensidade de uso aumentou significativamente. O número médio de perguntas por usuário ativo semanal cresceu de 8,5 para 14, refletindo tanto uma confiança maior quanto uma integração mais profunda no trabalho real.

Ganhos de produtividade em escala empresarial

A economia de tempo variou de acordo com o caso de uso:

Minutos para recuperação simples de conhecimento ou dados.
Horas para análises mais complexas que, de outra forma, exigiriam SQL personalizado ou suporte de analistas.

Mesmo com uma estimativa conservadora de 5 minutos economizados por pergunta, o impacto se acumula rapidamente. Na nossa escala, isso se traduziu no equivalente à produtividade anual de mais de 65 funcionários em tempo integral, em uma organização de 6.000 pessoas.

E essa é apenas uma estimativa mínima.

Demonstrando o ROI em escala

No final de 2025, realizamos uma análise detalhada para entender tanto a estrutura de custos quanto o ROI do GTM AI Assistant.

A análise mostrou que o custo por usuário ativo era comparável ao de ferramentas de produtividade empresariais padrão, por usuário. Quando comparado aos ganhos de produtividade obtidos, o assistente gerou um ROI superior a 5x, mesmo antes de qualquer esforço dedicado de otimização de custos.

É importante destacar que essa estimativa reflete apenas a economia direta de produtividade. Ela exclui benefícios secundários, como a redução da carga de trabalho dos analistas, ciclos de negócios mais rápidos e uma melhor qualidade de decisão nas equipes de vendas e marketing. Em outras palavras, os números já eram convincentes bem antes de a solução atingir sua maturidade total ou eficiência operacional.

Pensamentos finais

A IA está transformando fundamentalmente as equipes empresariais e de go-to-market.

A era das demonstrações isoladas e dos experimentos de pequena escala está chegando ao fim. A IA para empresas agora está entregando um impacto real e mensurável em escala. Mas alcançar esse impacto exige mais do que modelos robustos ou prompts inteligentes: requer a mentalidade certa, execução disciplinada e um foco profundo na gestão de mudanças.

Como explicamos neste artigo, ajustar a escala de agentes de IA para empresas com sucesso significa:

Tratar a qualidade e a confiança como inegociáveis.
Lançar de forma deliberada e expandir o escopo de maneira intencional.
Investir em ativação e adoção, não apenas em tecnologia.
Evoluir as equipes de dados em direção à responsabilidade de produto de longo prazo.