A maioria dos times que dizem ter "adotado IA" não adotaram IA, distribuíram licença de Copilot, abriram conta de ChatGPT pro time e marcaram a tarefa como concluída. Seis meses depois o resultado é previsível: dois ou três devs entusiastas extraindo valor real, o resto produzindo PRs com o mesmo bug genérico que o LLM hallucinou em três repositórios diferentes, nenhum dado que sustente conversa com a diretoria, e um custo de API que ninguém sabe explicar. A IA não falhou. O método de adoção falhou.
O framework Steply de adoção corporativa de IA tem 7 fases organizadas em 3 movimentos: Fundação (estamos prontos? quem é dono?), Estrutura (como adotar sem amplificar caos?) e Sustentação (como manter funcionando em escala?). Não é receita de bolo, é sequência obrigatória, pular o Movimento 1 e ir direto pro Movimento 3 é exatamente o que produz o caos amplificado que esse framework existe pra evitar. Este post percorre cada fase, o que ela entrega, e o sintoma que aparece quando ela é ignorada.
Por que pular fase amplifica caos em vez de gerar produtividade
IA não é ferramenta neutra que melhora o que está bom e piora o que está ruim por igual. IA é multiplicador. Joga o sinal do time pra cima quando há clareza de processo e pra baixo quando há ambiguidade. Um time que já produz código sem dono claro, sem padrão de revisão, sem critério de done, vai produzir mais código sem dono, sem padrão e sem critério, agora gerado em segundos em vez de horas. O bug é o mesmo, só que escala.
É por isso que a ordem dos movimentos não é estética. Fundação primeiro porque sem diagnóstico você não sabe o que está otimizando, sem AI enablers você não tem infraestrutura pra rodar nada sério, e sem piloto você está apostando o budget anual em hipótese. Estrutura depois porque só faz sentido remover gargalos quando você já mediu onde eles estão, e adoção progressiva só funciona quando há um piloto bem-sucedido pra usar como prova. Sustentação por último porque governar e escalar coisa que não está rodando é teatro de processo, você está documentando expectativa em vez de realidade.
Movimento 1, Fundação: estamos prontos? Quem é dono?
É a fase onde a maioria das empresas trapaceia. "Já estamos prontos, o time é sênior, dispensa diagnóstico", frase que precede 100% dos projetos de IA que naufragam em 4 meses. A Fundação responde duas perguntas que ninguém quer responder com honestidade: onde dói de verdade, e quem assume o resultado. Sem essas duas respostas, todo o resto é improviso.
Fase 1, Diagnóstico
Não é workshop de meio dia com post-it colorido. É mapeamento honesto de três coisas: (1) onde o time gasta tempo que não entrega valor (revisão circular, debugging de regressão, build quebrado, reunião sobre reunião), (2) quais processos têm regra clara mas execução manual repetitiva (triagem de issue, classificação de ticket, geração de release notes, escrita de documentação a partir do código), e (3) qual a tolerância real da liderança a risco, risco de erro do modelo, risco de exposição de dado, risco de mudança de processo. Sem diagnóstico, qualquer ferramenta parece boa porque não há critério de comparação.
Fase 2, AI Enablers
Antes de qualquer caso de uso, é preciso ter o que torna IA possível dentro da empresa: política de dados clara (o que pode ir pro modelo externo, o que precisa ficar in-house), contratos com provedores (Anthropic, OpenAI, Google ou self-hosted) com cláusula de não-treinamento, controle de custo (limite por chave, alerta por consumo, atribuição por time), e acesso técnico (proxy corporativo, gateway de modelo, observabilidade de chamadas). Empresa que entra em IA sem enablers descobre, dois meses depois, que o consumo de tokens dobra a cada quinzena e ninguém sabe quem está chamando qual API com qual dado.
Fase 3, Piloto
Um único caso de uso, com escopo curto, prazo curto, sucesso mensurável. Não é "vamos ver onde IA ajuda", é "vamos resolver este problema específico em 6 semanas e medir antes/depois". O piloto serve a três propósitos: prova de valor concreto pra liderança, aprendizado operacional pro time técnico, e geração de evidência interna pra vencer a resistência cultural que sempre existe na próxima fase. Piloto sem métrica é demo bonita que ninguém leva a sério.
Movimento 2, Estrutura: como adotar sem amplificar caos?
Com Fundação no lugar, o problema deixa de ser "se IA funciona" e vira "como expandir sem quebrar o que já está bom". É aqui que o framework se diferencia da abordagem ingênua de "libera Copilot pra geral e reza". A Estrutura é deliberada sobre onde aplicar (gargalos reais, não modas) e como aplicar (progressivamente, por anel, não em big-bang).
Fase 4, Gargalos
Com o piloto entregue, você tem um mapa muito mais honesto de onde IA realmente move o ponteiro. Agora a pergunta é: quais são os 2 ou 3 gargalos do fluxo de engenharia que, se removidos, liberam o maior throughput? Costuma ser código boilerplate, geração de teste, documentação de API, triagem de bug, escrita de migration, refactor mecânico. Não é "todo dev usa IA o tempo todo", é "os gargalos identificados passam a usar IA com processo bem definido". Aplicação cirúrgica vence aplicação difusa em todo cenário onde a métrica importa.
Fase 5, Adoção Progressiva
Anéis concêntricos. Anel 1: o time do piloto vira squad de referência, opera com IA em produção, documenta padrão e antipadrão. Anel 2: dois ou três times adjacentes adotam o mesmo padrão sob mentoria do Anel 1. Anel 3: rollout geral, com material de onboarding pronto e canal de suporte interno funcionando. Cada anel só abre depois que o anterior estabilizou. Big-bang de adoção ("semana que vem todo mundo está usando") é a forma mais cara conhecida de queimar credibilidade de IA dentro da empresa, quando uma equipe não treinada falha em público, a narrativa que sobra é "IA não funciona aqui", não "a adoção foi mal feita".
Movimento 3, Sustentação: como manter funcionando em escala?
É a fase ignorada com mais frequência, e a que mais cobra juros depois. Adoção sem sustentação degrada em 6 a 12 meses, o padrão se dilui, o custo escapa, o entusiasmo inicial vira frustração quando o modelo muda de versão e quebra o fluxo, e a empresa volta praticamente ao estado pré-IA com a diferença de ter uma fatura mensal pra justificar.
Fase 6, Governança
Governança aqui não é comitê. É um conjunto pequeno e operacional de coisas: (1) dono nomeado pra cada uso de IA em produção (com nome, não com cargo), (2) política de revisão de prompts e system instructions versionada em git como qualquer outro código, (3) auditoria mínima de saídas críticas (amostragem de 1-5% por uso), (4) processo de aprovação pra novos casos de uso (não pra travar, pra registrar e medir), e (5) revisão trimestral do que ainda faz sentido. Governança boa é a que cabe em uma página. Governança ruim é a que precisa de comitê pra explicar por que existe.
Fase 7, Escala
Escala não é "mais IA em mais lugares", é tornar o uso de IA tão rotineiro quanto usar CI/CD. Significa: padrão de prompt versionado em biblioteca interna, gateway de modelo com fallback e roteamento por custo, observabilidade de latência/custo/qualidade por caso de uso, plano de migração entre versões de modelo (porque vai mudar), e onboarding de novo dev que inclui IA como qualquer outra ferramenta da stack. Quando a fase 7 está madura, ninguém na empresa fala mais sobre "projeto de IA". Fala sobre o produto. A IA virou substrato.
O que esse framework explicitamente não é
Não é metodologia ágil renomeada. Não é certificação. Não tem nível Bronze/Prata/Ouro. Não vende treinamento. É um diagnóstico de ordem. Se a sua empresa está na fase 6 sem ter passado pela 1, o sintoma vai aparecer em 90 dias na forma de fadiga de processo sobre tecnologia que ninguém entende direito. Se está na fase 4 sem ter passado pela 3, vai escolher gargalo errado e queimar o orçamento do piloto na fase errada. A ordem é a contribuição.
Para o time técnico que lê isso e pensa "a gente está claramente na fase 5 mas pulamos a 1 e a 2", esse é exatamente o diagnóstico mais comum e o mais corrigível. Voltar não é retrocesso, é desbloqueio. A alternativa, continuar sem fundação, é o cenário em que se gasta o ano inteiro otimizando algo que ninguém consegue explicar pra liderança no Q4. O framework existe pra evitar essa conversa.
