O Gartner publicou um diagrama sobre o IT de 2030 que está circulando entre CIOs do mundo todo. De um lado, o "Pre-AI IT": o stack tradicional, com software corporativo, dados, BI e infraestrutura organizados do jeito que conhecemos há vinte anos. Do outro, o "AI-first IT": o mesmo stack, mas reinventado camada por camada. Software pronto para agentes, dados preparados para IA, infraestrutura reaproveitada, operações aumentadas.

A leitura fácil desse diagrama é a leitura errada. A maioria dos CIOs olha para ele e pensa em ferramentas: qual copilot adotar, qual modelo contratar, onde colocar um agente. É a pergunta que o próprio Gartner diz ser insuficiente.

Porque o dado que acompanha o estudo é desconfortável.

72% não estão tendo retorno

Em uma pesquisa de maio de 2025 com 506 líderes de tecnologia, o Gartner encontrou que 72% dos CIOs relataram que suas organizações estão empatando ou perdendo dinheiro com investimentos em IA. Não é falta de adoção. É falta de retorno sobre a adoção.

E o estudo é direto sobre a causa. As organizações que reportam iniciativas de IA bem-sucedidas investem até quatro vezes mais (como percentual da receita) em áreas fundacionais, qualidade de dados, governança, pessoas preparadas e gestão de mudança, comparadas às que têm resultados ruins.

Traduzindo para a linguagem de quem opera: o problema raramente é o modelo. É a fundação embaixo do modelo.

Quando o Gartner mostra o stack "AI-first", quase todo mundo presta atenção nas caixas novas (os agentes, os modelos, a infraestrutura de IA). Quase ninguém presta atenção em onde a decisão acontece. E é exatamente aí que mora o gargalo de quem está no grupo dos 72%.

A camada que o diagrama não nomeia

Vamos ser concretos com um exemplo generalista, fora de seguros.

Imagine uma operação de crédito que decide aprovar ou negar um pedido. Hoje, essa decisão pode estar espalhada em três lugares: um pedaço no código da aplicação, um pedaço numa planilha que alguém mantém, um pedaço na cabeça de um analista sênior. Funciona. Mal, mas funciona.

Agora chega a IA. Um modelo é colocado para "ajudar a decidir". O que acontece?

Se a regra de decisão continua espalhada e implícita, o modelo vira mais uma fonte de opinião dentro de um processo que já era opaco. Quando der errado (e vai dar, porque 72%), ninguém consegue responder a pergunta mais básica do regulador, do auditor ou do cliente: por que essa decisão foi tomada?

O modelo não sabe responder. O código não foi feito para responder. A planilha sumiu com a pessoa que saiu da empresa.

Essa é a camada que o diagrama do Gartner não nomeia explicitamente, mas que decide se a sua arquitetura AI-first vai gerar valor ou vai engrossar a estatística dos 72%: a camada de decisão.

O que muda quando a decisão vira um ativo de primeira classe

A proposta de um BRMS (Business Rules Management System, ou sistema de gestão de regras de negócio) é simples de enunciar e difícil de ignorar depois que você entende: tirar a lógica de decisão de dentro do código e da cabeça das pessoas, e colocá-la numa camada própria, versionada, testável e auditável.

Na arquitetura tradicional, isso já era recomendável. Na arquitetura AI-first do Gartner, vira condição de sobrevivência. Por três motivos.

Primeiro, governança. O Gartner é explícito: os modelos de governança precisam embutir controles diretamente nos fluxos de trabalho, com transparência e monitoramento contínuo como princípio central. Uma regra que mora numa camada própria, com histórico de versões e log de cada decisão, é governável por construção. Uma regra escondida no código não é.

Segundo, velocidade sem fragilidade. Quando o negócio precisa mudar uma política, mudar uma regra numa camada dedicada leva horas. Mudar a mesma lógica enterrada no código leva uma sprint, um deploy e um risco. Na velocidade que a IA impõe ao negócio, o time de TI não pode ser o gargalo de cada ajuste de regra.

Terceiro, separação entre o que aprende e o que decide. O modelo de IA é probabilístico por natureza, ele estima, sugere, pontua. A decisão final, em contextos críticos, precisa ser determinística e explicável. A camada de decisão é onde o output do modelo encontra a regra de negócio e vira uma resposta defensável. A IA propõe. A regra decide. E a decisão fica registrada.

A pergunta que separa os 28% dos 72%

O Gartner gastou um estudo inteiro dizendo que o vencedor não é quem tem o melhor modelo, é quem tem a melhor fundação. Dados confiáveis, governança embutida, controle.

A camada de decisão é parte dessa fundação. Talvez a parte menos discutida, porque não é glamourosa. Não tem demo de chatbot. Mas é ela que responde a pergunta que todo CIO vai ter que responder em algum momento dos próximos cinco anos: quando a IA decidir algo errado, você consegue mostrar exatamente por quê, e consertar em horas, não em semanas?

Quem consegue está construindo o stack AI-first de verdade. Quem não consegue está pintando caixas novas num diagrama velho.

A Abaccus é a camada de decisão para essa arquitetura. Uma plataforma low-code de regras de negócio onde a lógica de decisão vira ativo governável, versionado e auditável, separado do código e pronto para operar ao lado dos modelos de IA, não em vez deles. Com um modelo de cobrança por motor, não por transação, o que muda completamente a conta quando o volume de decisões escala (e na era da IA, ele escala).

Se o seu time está montando a arquitetura AI-first, vale conversar sobre onde a decisão vai morar antes de decidir qual modelo contratar.

Para ver como isso se desenha na prática, a Abaccus mantém uma página sobre arquitetura de IA determinística : onde a camada de decisão entra no stack e como ela opera ao lado dos modelos. E se você quer alinhar o time no conceito antes de discutir arquitetura, o nosso e-book sobre regras de negócio (Onde mora a regra de negócio) vai do que é uma regra de negócio até como funcionam os fluxos determinísticos, a base do que este artigo chama de camada de decisão.