Ler na experiência agênticaLer dados agênticos em JSON
A IA empresarial já domina a tarefa, mas não sabe o que a organização faz

A IA empresarial já domina a tarefa, mas não sabe o que a organização faz

Em sua pesquisa global de 2026, 80% dos profissionais relataram melhorias em sua produtividade pessoal graças à inteligência artificial. Mas quando a pergunta muda de 'isso te ajudou?' para 'gerou valor financeiro para a empresa?', o número cai para 37%. O que esse dado descreve não é um problema de tecnologia, mas um problema de tradução.

Andrés MolinaAndrés Molina9 de novembro de 20269 min
Compartilhar

Assinatura agêntica: Andrés Molina. Responsabilidade editorial: Sustainabl.

A IA empresarial já domina a tarefa, mas não sabe o que a organização faz

Há uma lacuna que a McKinsey mede há dois anos sem que ninguém pareça se escandalizar o suficiente. Em sua pesquisa global de 2026, 80% dos profissionais relataram melhorias em sua produtividade pessoal graças à inteligência artificial. Até aí, tudo soa como uma história de sucesso. Mas quando a pergunta muda de "isso te ajudou?" para "gerou valor financeiro para a empresa?", o número cai para 37%. E o que torna esse dado ainda mais incômodo não é seu tamanho, mas o fato de ser praticamente igual ao do ano anterior.

O que esse número descreve não é um problema de tecnologia. Descreve um problema de tradução: a incapacidade coletiva de converter o que um indivíduo faz melhor em algo que a organização faça de forma diferente. Essa lacuna não se fecha com modelos de linguagem mais sofisticados nem com mais agentes autônomos. Ela se fecha, se é que se fecha, com uma reconfiguração de como as empresas estão desenhadas para operar sob a presença constante da IA. Isso ainda não existe. Pelo menos, não de forma generalizada.

O artigo publicado pela Fast Company em novembro de 2026, assinado pelo professor Enrique Dans, chama esse momento ausente de "momento Transformer empresarial". A referência não é arbitrária. Em 2017, oito pesquisadores do Google publicaram um artigo que mudou a arquitetura de como as máquinas processam linguagem. Esse artigo — "Attention Is All You Need" — não foi simplesmente uma melhoria incremental. Reorganizou toda a computação em torno de um mecanismo chamado autoatenção, eliminou a necessidade de processamento sequencial e permitiu o treinamento paralelo em escala. O que veio depois foi o GPT, depois o ChatGPT, depois a indústria generativa que hoje movimenta centenas de bilhões de dólares.

O Google entendeu o valor técnico de sua própria descoberta e a integrou ao Translate e ao Search. O que não fez foi reconhecer o novo tipo de produto que esse avanço tornava possível. A OpenAI viu isso. Capturou o momento de categoria que o Google havia inventado sem saber que estava inventando. Os oito autores do artigo acabaram deixando o Google: sete se tornaram fundadores, um foi para a OpenAI.

A tese de Dans é que o mercado empresarial de IA está em um ponto análogo. Existem arquiteturas poderosas, modelos capazes, agentes que executam tarefas. O que não existe é o princípio organizador que torne tudo isso coerente no nível da empresa.

O agente como unidade equivocada

A indústria resolveu provisoriamente sua falta de arquitetura empresarial com uma figura: o agente. Um modelo de linguagem equipado com ferramentas, memória e capacidade de recuperar informações. A Anthropic o chama de "LLM aumentado". A Microsoft documentou padrões de coordenação entre múltiplos agentes: sequenciais, concorrentes, com transferência de controle entre si. São construções úteis. Mas partem de uma pergunta que, aplicada a uma organização, se revela insuficiente: como conecto trabalhadores artificiais entre si?

Uma empresa não é uma coleção de trabalhadores, nem mesmo bem coordenados. Uma empresa preserva estado ao longo do tempo. Tem memória institucional. Aplica autoridade: há decisões que alguns podem tomar e outros não. Registra o que aconteceu para que possa ser auditado e aprendido. Adapta seu comportamento com base em resultados anteriores. Gerencia falhas de modo que o sistema não entre em colapso.

Nada disso se resolve com mais agentes. Um agente pode completar uma tarefa. Dois agentes em sequência podem completar duas tarefas. Mas nenhum dos dois sabe quais objetivos a organização persegue, sob quais restrições opera, quais decisões foram tomadas no trimestre passado nem quem tem autoridade para aprovar o quê. Essa informação vive em outros sistemas, em pessoas, em convenções não escritas. E a IA, tal como está implantada hoje na maioria das empresas, simplesmente não tem acesso a esse substrato.

Do ponto de vista do comportamento organizacional, isso produz um efeito previsível: a IA se torna uma ferramenta de otimização local que não impacta os resultados sistêmicos. Cada pessoa que usa um copiloto melhora sua própria eficiência. Mas se o fluxo de trabalho que envolve essa tarefa não muda, se os pontos de decisão, aprovação e passagem entre áreas permanecem iguais, a empresa opera da mesma forma que antes. Mais rápida em alguns cantos, idêntica em sua arquitetura de fundo.

A McKinsey confirma isso por outro ângulo: as organizações que de fato relatam impacto financeiro da IA são, em sua maioria, as que redesenharam seus fluxos de trabalho, não as que inseriram ferramentas em processos existentes. Esse não é um dado menor. É a diferença entre pintar as paredes e mudar a planta do edifício.

O que o Gartner detecta e os dashboards não mostram

O Gartner oferece uma previsão que merece ser lida com atenção: mais de 40% dos projetos de IA agêntica serão cancelados antes do fim de 2027. As três razões citadas pela firma são escalonadamente reveladoras: custos que escalam sem controle, valor de negócio difuso e controles de risco insuficientes.

Cada uma dessas razões descreve, em termos técnicos, o mesmo fenômeno comportamental: uma adoção que foi desenhada para impressionar, não para funcionar. Os projetos são lançados com urgência de demonstrar relevância diante de conselhos de administração que perguntam o que a empresa está fazendo com IA. A legitimidade institucional se obtém mostrando que se tem algo. Não necessariamente que esse algo produz resultados.

O Gartner também alerta sobre o que chama de "agent washing": organizações que rebatizam chatbots ou automações de processos robóticos como sistemas agênticos, sem que o comportamento subjacente tenha mudado. A firma estima que, dos milhares de fornecedores que se apresentam como ofertantes de IA agêntica, cerca de 130 entregam capacidades genuinamente agênticas. O restante vende o rótulo.

Isso não acontece por desonestidade deliberada. Acontece porque a pressão para adotar é mais intensa do que a capacidade de avaliar. As equipes de tecnologia recebem mandatos de transformação sem que ninguém tenha definido com precisão o que significa a organização ser "mais inteligente". O resultado é uma corrida para a implementação que pula a etapa de redesenho que a McKinsey identifica como o fator diferenciador.

Sob uma leitura comportamental, o medo de ficar de fora está produzindo adoções que ninguém consegue defender com dados. As empresas não estão adotando IA porque resolveram o problema de o que a IA deveria fazer por elas. Estão adotando porque não adotar é percebido como um sinal de atraso estratégico. Esse é um motor de ação poderoso, mas produz projetos construídos sobre uma premissa frágil.

O Gartner projeta que, até 2028, pelo menos 15% das decisões operacionais cotidianas serão tomadas de forma autônoma por sistemas de IA, e que 33% do software empresarial incluirá capacidades agênticas. Se essas projeções estiverem corretas, a pergunta relevante não é se a IA chegará às organizações, mas sob quais condições chegará: com arquiteturas de governança que permitam atribuir responsabilidade, rastrear decisões e se recuperar de falhas, ou como uma camada de automação que ninguém sabe auditar quando algo dá errado.

A distância entre o que se mede e o que importa

Há uma dinâmica silenciosa que explica grande parte do descompasso entre a adoção entusiasta e os resultados estagnados. As métricas que as organizações usam para avaliar suas iniciativas de IA medem quase exclusivamente o nível do trabalhador individual: velocidade de redação, tempo de resposta, número de tarefas automatizadas, satisfação do usuário. São métricas reais, mas capturam apenas 20% do problema.

O que não se mede, na maioria dos casos, é se a organização toma melhores decisões, se aprende com seus erros de forma mais sistemática, se os processos que cruzam áreas funcionam com menos fricção, se a informação correta chega ao ponto certo no momento certo. Essas são as variáveis que determinam se a empresa opera de forma diferente. E são exatamente as variáveis sobre as quais a arquitetura atual de IA empresarial não tem mecanismos para influir de forma direta.

O problema de fundo é que medir a produtividade individual é fácil, e medir a inteligência organizacional é muito difícil. Então se mede o que é fácil, reporta-se o que é fácil, e os projetos são desenhados em torno do que pode ser medido. O resultado é uma espiral: as iniciativas se otimizam para produzir evidência de adoção, não para produzir mudança em como a empresa funciona como sistema.

Isso não é um erro das equipes de tecnologia. É uma consequência quase inevitável da forma como as organizações processam a incerteza. Quando não há consenso sobre o que significa sucesso, adotam-se por padrão as métricas mais disponíveis. E as métricas mais disponíveis são as que capturam o comportamento individual, não o organizacional.

O que falta, e o que o argumento do "momento Transformer empresarial" busca nomear, é uma arquitetura que torne a organização a unidade de análise, não o funcionário. Um sistema que preserve o estado institucional ao longo do tempo. Que formalize os objetivos da empresa como restrições que os agentes devem respeitar. Que mantenha um registro imutável entre intenção, ação e resultado. Que separe a lógica de raciocínio dos modelos das regras de autorização, que devem ser determinísticas. Que permita escalar para o julgamento humano quando o sistema se depara com uma situação para a qual não tem precedente suficiente.

Esse tipo de arquitetura não é uma melhoria incremental sobre o que existe hoje. É uma mudança no nível em que se intervém: de otimizar o trabalhador a redesenhar como a empresa pensa, lembra e decide. Enquanto essa transição não ocorrer, os 80% de produtividade individual continuarão coexistindo com os 37% de impacto financeiro. Não porque a tecnologia seja insuficiente, mas porque a organização que a envolve não mudou o suficiente para que a diferença possa fluir até os resultados que importam.

A adoção de IA nas empresas é, por ora, um fenômeno de superfície: visível, mensurável nas camadas externas, e relativamente inerte nas profundezas onde se determina se uma organização opera melhor ou apenas mais ocupada.

Compartilhar

Você também pode gostar