Nenhuma consultoria usa uma única matriz

Toda vez que se discute priorização de IA, alguém pergunta qual é "a melhor matriz".

É a pergunta errada. E as firmas que mais gerem portfólios estratégicos no mundo provam isso: nenhuma usa apenas uma.

• McKinsey combina Three Horizons + GE/McKinsey Matrix + bubble charts + análise financeira.
• BCG parte da BCG Matrix e acrescenta criação de valor, cenários e capacidades competitivas.
• Gartner trabalha a partir de capacidades, maturidade organizacional, risco e valor de negócio.
• Deloitte e Accenture abrem com Impacto × Viabilidade e depois somam capacidades, governança, arquitetura e roadmap.

Metodologias diferentes, um princípio comum:

As decisões estratégicas não são tomadas com uma única matriz.

Um excelente primeiro filtro

A matriz Impacto × Viabilidade é um excelente filtro inicial. Quatro quadrantes, decisão rápida:

• I. Alto impacto + alta viabilidade → executar primeiro
• II. Alto impacto + baixa viabilidade → apostas estratégicas, preparar
• III. Baixo impacto + alta viabilidade → melhorias incrementais, servem para aprender
• IV. Baixo impacto + baixa viabilidade → descartar ou repensar

O problema aparece quando esse filtro é usado como modelo de decisão completo. Porque há coisas que dois eixos não enxergam:

• Risco regulatório e ético
• Qualidade e disponibilidade de dados
• Reutilização de ativos de IA já existentes
• Capacidades organizacionais necessárias
• Dependências entre iniciativas
• Horizonte temporal (H1 / H2 / H3)
• Dívida técnica e escalabilidade

Um exemplo concreto do ponto cego: uma iniciativa de viabilidade média que instala um feature store reutilizável por outras oito iniciativas vale muito mais do que sua pontuação na matriz. A matriz a penaliza. O portfólio deveria premiá-la.

Seis frameworks contra as dimensões da IA

No carrossel que acompanhou esta série, revisei os seis frameworks de priorização mais usados (Impacto × Viabilidade, Impacto × Esforço, RICE, WSJF, Three Horizons e GE/McKinsey) contra as dimensões que uma iniciativa de IA realmente exige. O resultado é mais incômodo do que eu esperava: cada framework responde a uma parte do problema. Nenhum responde ao problema completo. Nenhum foi projetado para um mundo com dados, modelos, agentes e governança algorítmica.

A IA introduziu dimensões que não existiam quando esses frameworks foram concebidos: dados, modelos, agentes, governança algorítmica, reinvestimento de valor.

A evolução natural não é procurar uma matriz nova que substitua as anteriores. É construir AI Portfolio Decision Frameworks que as integrem como camadas de um mesmo processo de decisão. O artigo pilar da série desenvolve esse framework completo.

Com que critérios sua organização prioriza seus investimentos em IA?