PM2ALL - Gestão de Projetos | Agile Management | Outsourcing | Procurement | Contracting

FinOps for AI — Article 3 of 5 Visibility tells an organisation where AI money is going. Governance clarifies who owns it. Neither, by itself, changes the cost curve. That happens when economic discipline is built into the architecture: into the model selected, the context retrieved, the agent allowed to reason, the tools it can invoke, and the infrastructure used to serve the workload. The previous article established the governance and measurement foundations of FinOps for AI: why traditional FinOps teams are structurally unprepared for AI cost governance, how to build cost visibility that resolves the phantom bill problem, and how unit economics and adaptive budgeting replace input metrics with outcome-oriented financial intelligence.

Porque o verdadeiro valor do PMBOK não está em ser seguido como metodologia, mas em servir de base para abordagens adaptadas, maduras e, cada vez mais, inteligentes. Durante muitos anos, o PMBOK foi visto por muitos gestores de projeto como uma espécie de manual oficial da profissão. Para quem estava a aprender gestão de projetos, essa perceção era compreensível. O guia oferecia uma estrutura clara, organizada, previsível e relativamente fácil de ensinar. Havia grupos de processos, áreas de conhecimento, entradas, ferramentas, técnicas e resultados. Havia uma lógica sequencial que, mesmo não correspondendo sempre à realidade dos projetos, ajudava a compreender a disciplina. Contudo, usar o PMBOK como ferramenta de aprendizagem é bastante diferente de usar o PMBOK como metodologia de gestão de projetos, e essa diferença nem sempre foi bem compreendida.

FinOps for AI — Article 2 of 5 The previous article in this series established the diagnosis: AI workloads have broken the traditional cloud cost model, and the FinOps practices inherited from the infrastructure era are structurally inadequate to govern the economics of tokens, inferences, and autonomous agents. The deterioration of the Cloud Efficiency Rate is not a tooling problem. It is a governance model problem. If the first article explained why the cloud efficiency paradox exists, this article explains why solving it requires a new governance and measurement foundation. The article does not yet describe the full operating model of FinOps for AI. It defines the foundation on which such an operating model must be built: governance, visibility, attribution, unit economics, and adaptive budgeting.

FinOps for AI — Article 1 of 5 For more than a decade, cloud efficiency has been treated mainly as a problem of infrastructure discipline. Right-sizing virtual machines. Reducing idle capacity. Optimizing storage tiers. Using reserved instances and savings plans. Improving tagging. Allocating costs to teams, products, applications and environments. All these practices still matter. But they were designed for a world in which the main units of cost were relatively familiar: servers, containers, databases, storage, network traffic and managed cloud services. Artificial intelligence changes that equation.

Durante décadas, os PMIS foram apresentados como sistemas de suporte à gestão de projetos. Na prática, em muitas organizações, nunca passaram de uma combinação incompleta de repositórios, dashboards, folhas Excel, apresentações de reporting e práticas administrativas mais ou menos normalizadas. A designação PMIS ( Project Management Information System )  sempre sugeriu uma ambição maior: criar um sistema capaz de organizar, integrar e disponibilizar a informação necessária à gestão eficaz dos projetos. Mas essa ambição raramente se concretizou plenamente.

A gestão de stakeholders, alinhamento de expectativas e comunicação continuam provavelmente a ser os fatores mais críticos para o sucesso, ou falha, da maioria dos projetos. Aliás, tenho escrito várias vezes exatamente sobre isso: o verdadeiro trabalho de um gestor de projeto nunca foi atualizar cronogramas, preencher templates ou produzir documentação. A verdadeira função de um gestor de projeto é gerir expectativas, comunicar, congregar esforços e fazer isso em ambientes normalmente cheios de ambiguidade, prioridades contraditórias, dependências complexas e pressão política.

Há perguntas que continuam atuais independentemente das metodologias, das ferramentas ou das modas de gestão que vão surgindo ao longo do tempo. Uma delas é esta: Quando começa um novo projeto, está realmente a planear… ou está apenas a preparar-se para começar rapidamente a trabalhar? A diferença entre as duas coisas pode parecer subtil. Mas não é.

E a maioria das organizações ainda não percebeu isso. A maioria das organizações está a gerir projetos de inteligência artificial como se fossem projetos de IT tradicionais. E esse é, precisamente, o ponto onde tudo começa a correr mal. Não se trata de falta de investimento. Nem de ausência de talento técnico. O problema está a montante: está no modelo mental com que as lideranças abordam estas iniciativas. Quando uma organização trata um projeto de IA como um projeto de software, está implicitamente a assumir que sabe o que vai construir, como vai construir, e quando vai estar pronto. Está a assumir previsibilidade onde existe, fundamentalmente, incerteza. Este pressuposto acaba por ter quase sempre um custo elevado em tempo, em dinheiro, e na confiança que os sponsors depositam neste tipo de iniciativas e, para piorar, esse impacto negative não é imediato nem dramático. É lento, cumulativo, e muitas vezes confundido com problemas técnicos quando, na verdade, é um problema de ...