A IA empresarial sai do laboratório e expõe quem tem alicerces e quem tem slides
O momento em que uma tecnologia abandona o modo piloto e entra em operações reais é, também, o momento em que as arquiteturas frágeis ficam expostas. A Accenture vem repetindo essa mensagem na região há meses: 2026 marca o ano em que a inteligência artificial empresarial deixa de ser um experimento interno e se torna a linha de frente voltada ao cliente. A consultora apresenta isso como um avanço do setor. É também, se lido com mais atenção, uma descrição precisa da fratura que divide as empresas que possuem uma espinha dorsal tecnológica daquelas que construíram sobre premissas não verificadas.
Anoop Sagoo, diretor executivo da Accenture para o Sudeste Asiático, colocou a questão sem rodeios ao Bangkok Post: a adoção de inteligência artificial está migrando da experimentação para a implantação em larga escala, com sistemas agênticos e soluções orientadas ao cliente entrando em operações reais. A declaração não é neutra. Vem de uma firma que se posiciona explicitamente como a integradora dessa transição, e que tem todos os incentivos para que esse passo seja percebido como urgente, tecnicamente exigente e difícil de executar sem ajuda externa. Mas isso não significa que o diagnóstico esteja errado.
Três barreiras que revelam onde estão as lacunas reais
Sagoo identifica três obstáculos que freiam a implementação empresarial em escala. Vale decompô-los, porque cada um aponta para uma peça diferente do modelo e para uma falha de natureza distinta.
O primeiro é a ausência de uma base de dados e infraestrutura sólida. Os pilotos de inteligência artificial funcionam em isolamento: contam com dados limpos, ambientes controlados e equipes dedicadas. Escalar para operações reais exige migração para a nuvem, modernização de aplicações e ambientes de dados padronizados que nenhum piloto precisa. Muitas empresas da região chegaram a 2026 com pilotos funcionando e sem terem resolvido essa infraestrutura. O piloto foi real; a promessa de escala não tinha base material.
O segundo obstáculo é a ausência de bases de conhecimento empresarial, o que a Accenture chama de "cérebro de IA". Para que um sistema de inteligência artificial opere com precisão em um contexto empresarial, ele precisa ter acesso a procedimentos internos, políticas, fluxos de trabalho e regras de conformidade. Uma IA conversacional que desconhece as regras de conformidade da empresa ou os processos do atendimento ao cliente não pode ser implantada diante de clientes reais sem risco. Essa lacuna é menos visível do que a infraestrutura tecnológica, mas mais custosa de preencher: exige trabalho organizacional profundo, não apenas software.
O terceiro é a governança e a transformação da força de trabalho. Sagoo diz de forma direta: muitas empresas subestimam a escala da mudança organizacional que a adoção de inteligência artificial exige. Isso não é um problema de tecnologia. É um problema de arquitetura operacional: os fluxos de trabalho projetados para humanos não se transferem automaticamente para sistemas que incluem agentes autônomos. Redesenhar esses fluxos, retreinar o pessoal e construir controles de uso responsável leva tempo e vontade política interna que os pilotos nunca colocaram à prova.
O que esses três obstáculos revelam em conjunto não é apenas uma lista de tarefas pendentes. Eles revelam que a maioria dos pilotos de inteligência artificial empresarial foi construída deliberadamente para evitar exatamente esses três problemas. Foram escolhidos casos de uso que não exigiam dados integrados, que não dependiam de conhecimento institucional profundo e que não ameaçavam o fluxo de trabalho existente. Foram bem-sucedidos precisamente porque esquivaram as condições reais de operação. Agora que o setor tenta escalar, essas condições não podem mais ser contornadas.
A IA agêntica como teste de estresse do modelo operativo
Além dos pilotos, a Accenture posiciona a inteligência artificial agêntica como o próximo limiar de complexidade. Ao contrário da IA generativa convencional, que responde perguntas ou gera conteúdo sob instrução humana, os sistemas agênticos tomam decisões, coordenam múltiplos agentes e executam tarefas complexas de forma autônoma: desde gerenciar campanhas de marketing até otimizar cadeias de suprimentos. A promessa é real. O ponto de tensão estrutural também.
Um sistema agêntico implantado em operações reais não conta com um humano revisando cada passo. Isso significa que os erros de dados, os vieses do modelo e as lacunas nas políticas de governança não são detectados antes de causar danos: são detectados depois. Para uma empresa com dados fragmentados, sem uma base de conhecimento institucional integrada e com uma força de trabalho que não foi retreinada para trabalhar com agentes autônomos, implantar inteligência artificial agêntica não acelera as operações. As expõe.
Esta é a leitura que a Accenture não formula explicitamente, mas que o próprio diagnóstico das três barreiras implica: a transição para a IA agêntica é simultaneamente a maior alavanca de valor e o maior amplificador de fragilidades estruturais. As empresas que resolveram a infraestrutura, que construíram bases de conhecimento governadas e que redesenharam seus fluxos de trabalho podem usá-la para comprimir ciclos operacionais que antes levavam semanas. As que não o fizeram estão transformando-a em um vetor de erro em escala.
A Accenture implantou internamente entre 70 e 100 agentes de inteligência artificial em recursos humanos, finanças e marketing. Na Tailândia, utilizou inteligência artificial para filtrar 7.000 candidaturas a estágios para 70 vagas. Não são dados de clientes: são dados da própria firma. O que revelam é que a adoção não é apenas uma mensagem de vendas. A Accenture está construindo evidências internas de que a arquitetura que promove funciona sob condições reais. Isso não elimina o interesse comercial do diagnóstico, mas o torna verificável em termos operacionais.
A soberania de dados como filtro de posicionamento, não apenas de regulação
Uma das dimensões mais interessantes da análise da Accenture na região é a que cerca a inteligência artificial soberana. Sagoo descreve uma corrida regional na qual os governos competem para controlar seus próprios dados, modelos e infraestrutura, pressionados por fricções geopolíticas e preocupações com a residência de dados. Singapura lidera em supervisão administrativa e políticas avançadas. A Malásia questiona se os centros de dados estrangeiros com alta demanda de recursos oferecem retorno econômico suficiente. A Indonésia mantém seu foco na localização de dados. A Tailândia aproveita sua posição estratégica para atrair tanto atores tecnológicos ocidentais quanto chineses.
Lido sob a perspectiva do modelo de negócios da Accenture, o fenômeno da IA soberana não é apenas uma tendência regulatória: é um mecanismo de segmentação. As empresas que precisam cumprir requisitos de residência de dados, que operam sob regulações setoriais rígidas ou que possuem sensibilidade geopolítica explícita não podem simplesmente adotar a solução de inteligência artificial mais barata ou mais disponível. Precisam de arquiteturas que satisfaçam condições específicas de controle e localização. Isso estreita o campo de fornecedores qualificados e eleva o valor dos integradores capazes de navegar essa complexidade.
A colaboração que a Accenture anunciou com a Mistral AI em fevereiro de 2026, embora centrada na Europa, aponta nessa direção: o argumento explícito foi habilitar as organizações para avançar em direção a implantações de inteligência artificial em larga escala com autonomia estratégica e sem depender de um único fornecedor de infraestrutura. Esse mesmo argumento tem peso na Ásia, onde a dependência de um único provedor de nuvem ou de um único fornecedor de modelos pode se tornar uma vulnerabilidade regulatória ou geopolítica. A Accenture está construindo uma proposta que mistura capacidade técnica com gestão de risco de soberania. Para determinados segmentos de clientes, essa combinação justifica um preço e uma relação de longo prazo que nenhum provedor de plataforma pode oferecer sozinho.
O banco como validação e o varejo como próxima aposta
O setor financeiro lidera a adoção de inteligência artificial na região, impulsionado pelo investimento tecnológico sustentado e pela pressão competitiva de bancos digitais e virtuais. Não é coincidência. O setor bancário possui três condições estruturais que facilitam a escala da inteligência artificial: dados históricos abundantes e relativamente estruturados, processos repetíveis com regras claras e uma regulação que, paradoxalmente, obriga a documentar o que os sistemas fazem. Essas três condições são exatamente as que outros setores ainda não possuem.
O varejo e a energia aparecem como setores de alto potencial, mas em fases anteriores. No varejo, Sagoo aponta que o mercado de consumo da Tailândia poderia se beneficiar das inovações habilitadas por inteligência artificial que a China já está implementando no comércio varejista. A referência não é decorativa: o comércio eletrônico chinês utiliza há anos inteligência artificial para personalização, gestão preditiva de estoque e otimização de preços em tempo real em uma escala que a maioria dos operadores do Sudeste Asiático ainda não alcançou. A lacuna não está nas ferramentas disponíveis, mas nos dados integrados e na vontade organizacional de redesenhar fluxos que funcionam de outra forma há décadas.
No setor de energia, o argumento é mais específico: análise de vídeo, dados operacionais e sensores para prever falhas de equipamentos e otimizar a manutenção. É um caso de uso em que a inteligência artificial agêntica tem vantagem clara sobre a supervisão humana: pode processar simultaneamente mais sinais do que uma equipe de engenheiros consegue monitorar. Mas também é um caso de uso em que uma falha tem consequências físicas, não apenas comerciais. A governança do sistema não é opcional; é a condição de possibilidade da implantação.
O que a corrida pela adoção não garante por si só
Patama Chantaruck, diretora-geral da Accenture na Tailândia, resume a posição do país com uma formulação que merece atenção: a Tailândia tem ambição de usar a inteligência artificial para melhorar a experiência do cliente, fortalecer a resiliência operacional e desbloquear o crescimento, mas o sucesso dependerá de conectar estratégia com execução e de construir as bases necessárias para escalar o impacto.
A segunda metade dessa frase é mais importante do que a primeira. A ambição regional em inteligência artificial é documentável: estratégias nacionais, investimento em infraestrutura de nuvem, programas de formação, marcos regulatórios em desenvolvimento. O que não está garantido por essa ambição é a capacidade de execução no nível de cada empresa individualmente. Uma empresa pode operar em um país com política de inteligência artificial avançada e ainda assim ter dados fragmentados, processos sem documentação e uma força de trabalho sem retreinamento. A política nacional não resolve a arquitetura interna do negócio.
A Accenture sabe disso e constrói sua proposta em torno dessa lacuna. Não compete no mercado de modelos de inteligência artificial nem no de infraestrutura de nuvem. Compete no mercado da execução: na capacidade de mover uma organização desde uma arquitetura projetada para operar sem inteligência artificial para uma que consegue operá-la em escala, com governança, com dados integrados e com uma força de trabalho que compreende seu novo papel. É um espaço de alto valor e alta fricção, onde o preço de entrada é a confiança institucional acumulada ao longo de anos de presença nos mesmos clientes.
Os dados que a própria firma apresenta apontam em uma direção precisa: as empresas que escalaram pelo menos uma iniciativa estratégica de inteligência artificial têm quase três vezes mais probabilidade do que seus pares de ver retornos que superam as expectativas. Não é um argumento sobre quem possui a tecnologia mais avançada. É um argumento sobre quem tem a arquitetura para que essa tecnologia opere em condições reais. Essa distinção — entre ter acesso à inteligência artificial e ter a estrutura para operá-la — é a linha que separa as empresas que vão capitalizar o ciclo daquelas que vão continuar acumulando pilotos sem retorno mensurável.
