95% dos pilotos de IA empresarial não entregam resultados e o problema não é a tecnologia
A cifra é difícil de ignorar: 95% dos pilotos empresariais de inteligência artificial generativa não produz nenhum impacto financeiro mensurável. Não se trata de uma estimativa pessimista de analistas críticos da tecnologia. É a descoberta central do relatório The GenAI Divide: State of AI in Business 2025, elaborado pela iniciativa NANDA do MIT, com base em cerca de 300 implementações públicas e mais de 150 entrevistas executivas. Para contextualizar a magnitude do fracasso: projetos tecnológicos comuns falham a uma taxa de 25%. A IA quadruplica esse número.
O dado da BCG aponta na mesma direção: 74% das empresas reportam que não obtiveram nenhum valor de seu investimento em IA. A S&P Global registrou que a proporção de companhias que abandonaram a maioria de suas iniciativas de IA saltou de 17% para 42% em apenas um ano. E a Gartner projeta que mais de 40% dos projetos de IA agentiva serão cancelados antes do final de 2027, sufocados por custos excessivos, ROI difuso e ausência de controles de risco.
Esses números descrevem uma tecnologia que funciona sendo implantada por organizações que não estão projetadas para utilizá-la. Aí está a fissura. Não nos modelos, não nos algoritmos, não na capacidade computacional. A fissura está em como as empresas estruturam — ou não estruturam — a maneira pela qual a IA se integra às suas operações reais.
Automatizar um processo quebrado produz mais erros, mais rápido
O padrão de fracasso documentado pelo MIT, pela BCG e pela S&P Global não é aleatório. Possui uma mecânica específica que se repete com consistência suficiente para ser chamada de design defeituoso.
A sequência típica é esta: uma empresa adquire uma ferramenta de IA, lança um piloto em algum processo existente e aguarda resultados. O que ela não faz é se perguntar se esse processo possui a estrutura necessária para que a IA opere de maneira confiável. E quase sempre essa estrutura não existe.
Todo processo de negócio contém fissuras. Uma cotação aprovada verbalmente. Um arquivo de cliente que vive na memória de um vendedor. Uma lista de preços desatualizada que continua circulando em cadeias de e-mail. Os funcionários humanos tampam essas fissuras constantemente: perguntam a um colega, aplicam critério, percebem quando algo parece errado. A IA não faz nada disso. Ela introduz mais volume, mais velocidade, no mesmo processo com as mesmas rachaduras. O resultado é uma propagação de erros em velocidade de máquina.
O caso do chatbot da Air Canada ilustra isso com consequências legais concretas. O sistema informou a um passageiro identificado nos documentos do tribunal como Jake Moffatt que ele poderia solicitar uma tarifa de luto após realizar a viagem, quando a política real exigia que o pedido fosse feito antes. A Air Canada argumentou que o chatbot era uma entidade separada e que a companhia aérea não poderia ser responsabilizada pelo que o sistema dissesse. O Tribunal de Resolução Civil da Colúmbia Britânica rejeitou esse argumento: a empresa tinha um dever de cuidado perante o usuário e não tomou medidas razoáveis para garantir que seu chatbot fosse preciso. O tribunal ordenou o reembolso acrescido de juros e custas. O sistema não falhou em sentido técnico. Ele fez exatamente aquilo para o qual foi configurado, que era responder sem limites nem verificação.
Outro caso citado em análises da Forbes envolve uma rede de restaurantes cujo sistema de IA no autoatendimento aceitou um pedido de 18.000 garrafas de água porque ninguém programou um limite máximo de quantidade. O sistema não interpretou mal o pedido. Ele o executou. Porque ninguém lhe deu a instrução de questionar algo assim.
Ambos os casos compartilham uma arquitetura idêntica: nenhum limite definido, nenhum ponto de supervisão humana, nenhuma cadeia de responsabilidade clara sobre o output. A ferramenta funcionou. O design falhou.
O especialista em operações Tim Mobley, citado na Inc., articula o diagnóstico com precisão: a maioria das empresas não tem um problema de IA, tem um problema de design de fluxo de trabalho. E o fracasso vive nas transições: o momento entre a IA produzir algo e um humano agir sobre isso, onde a accountability desaparece silenciosamente.
Uma sequência de quatro etapas que a história já conhece
O que está ocorrendo com a IA não é novo em sua estrutura. É a mesma sequência que acompanhou cada onda tecnológica relevante dos últimos trinta anos, com atores diferentes e números atualizados.
Nos anos 1990, as empresas deram aos sistemas de e-mail poder de envio ilimitado sem nenhum tipo de governança. O resultado foram colapsos de servidores, tempestades de respostas em massa e uma crise de spam que terminou em legislação federal. No período do boom das pontocom, a Boo.com queimou 135 milhões de dólares construindo um site de comércio eletrônico tecnicamente sofisticado demais para as conexões dial-up que 90% de seus clientes potenciais utilizavam. Na década de 2010, a JCPenney apostou bilhões em uma transformação digital que forçou seus clientes para canais que ninguém havia pedido, e perdeu metade de seu valor de mercado.
A sequência é sempre a mesma: tratar a nova tecnologia como magia, implantá-la sem limites nem governança, observar como pequenas falhas se acumulam até se tornarem grandes problemas e, em seguida, receber a correção — do mercado, dos reguladores ou de ambos.
Segundo as análises da Gartner e o próprio relatório do MIT, a IA empresarial está atualmente entre a segunda e a terceira etapa dessa sequência. Muitas empresas já implantaram de forma agressiva e estão começando a absorver as consequências: cancelamentos, write-offs, exposição legal e revisões de portfólio. As que sobreviveram às ondas anteriores não o fizeram por se moverem mais rápido nem por gastarem mais. O fizeram porque se perguntaram o que a tecnologia não deveria fazer antes de se perguntarem o que ela poderia fazer.
Essa pergunta — o que não deveria fazer — não é instintiva para organizações orientadas à execução. Requer um tipo de disciplina de design que a maioria das empresas não exerce em seus processos internos e muito menos quando adota uma nova tecnologia. A pressa em demonstrar que "já estão usando IA" tende a deslocar esse trabalho.
Os 5% que funcionam não têm acesso a uma tecnologia melhor
O que separa os 5% de implementações bem-sucedidas dos 95% restantes não é o modelo de IA, o orçamento nem o tamanho da empresa. É um conjunto de decisões de design que a maioria das organizações jamais toma porque as considera administrativas, não estratégicas.
Os limites são definidos antes de ativar as capacidades. Um agente de cotação tem um preço mínimo. Um bot de atendimento ao cliente tem uma lista fechada de políticas que pode discutir e uma regra explícita para escalar tudo o mais. Um sistema de pedidos tem validações de senso: nenhum cliente jamais pediu 18.000 garrafas de água. Os limites não restringem a utilidade da IA. São o que torna a IA operável em um negócio real com consequências reais.
Os humanos são redesenhados dentro do fluxo, não eliminados dele. A pergunta de partida nas implementações bem-sucedidas não é "o que podemos automatizar". É onde o critério humano cria valor que a máquina não pode replicar e como o trabalho é estruturado em torno disso. A IA gerencia volume: consultas rotineiras, classificação, recuperação de informações, primeiros rascunhos. Os humanos gerenciam exceções: o cliente cuja situação não se encaixa em nenhum modelo, a reclamação com risco legal, o número que parece ligeiramente errado. As empresas que invertem essa atribuição obtêm os fracassos que merecem.
A supervisão é um trabalho formal, não um pressuposto implícito. O relatório de supervisão de IA da Connext Global para 2026 constatou que 28% dos usuários afirmam que a IA ainda precisa de supervisão ativa para produzir resultados confiáveis. Esse dado não descreve uma limitação técnica temporária. Descreve uma função permanente que alguém deve ocupar de maneira formal. Revisar, corrigir e retroalimentar o sistema é trabalho real que requer um responsável nomeado. Uma implementação de IA sem um responsável humano identificado não é automação. É abandono de responsabilidade.
Cada output tem uma cadeia de accountability. O caso da Air Canada encerrou a discussão sobre se uma empresa pode apropriar-se dos sucessos de sua IA enquanto desconhece seus erros. Não pode. Se o sistema faz uma promessa, a empresa a cumpre. Construir o registro de auditoria — o que a IA disse, com que base, revisado por quem — é mais barato antes do litígio do que depois.
Nenhum desses hábitos é glamoroso. Nenhum gera um comunicado à imprensa sobre transformação digital. Todos são trabalho de design organizacional que ocorre antes de a ferramenta ser visível externamente.
Esperar não é mais a posição mais segura
Os dados de adoção cruzaram o limiar em que ficar de fora deixou de ser prudência para se tornar risco competitivo ativo.
O uso de IA generativa entre pequenas empresas norte-americanas passou de 40% para 58% em um ano. As empresas que usam IA têm 2,3 vezes mais probabilidade de reportar crescimento de receita do que as que não a utilizam. Entre as pequenas empresas que já a adotaram, 91% reportam aumentos mensuráveis de receita. São números da Câmara de Comércio dos Estados Unidos e de pesquisas da Salesforce compiladas em 2026.
Do outro lado, 77% das empresas que ainda não adotaram IA citam como razão principal que "não se aplica ao seu negócio". Essa frase tem um histórico conhecido. Com exatamente essas palavras, trocando apenas o nome da tecnologia, justificou-se não ter site, não vender on-line, não migrar para a nuvem. As empresas que a disseram são as que hoje protagonizam os estudos de caso sobre o que não fazer.
A escolha que uma empresa enfrenta em 2026 não é se implementar IA. É se implementá-la da maneira como o fazem os 95% — ferramenta primeiro, design de processo nunca, accountability em lugar nenhum — ou da maneira como opera os 5% que geram resultados: processo redesenhado, limites estabelecidos, humanos posicionados onde o critério importa e um nome vinculado a cada output que o sistema produz.
A tecnologia nunca foi o obstáculo. O que falha é a estrutura organizacional construída ao redor dela — ou que se decide não construir. Isso não é um problema de IA. É um problema de design, e as organizações que não o tratarem como tal continuarão acumulando fracassos em velocidade de máquina.
