95% dos modelos de IA que as empresas constroem jamais chegam à produção
O diretor de tecnologia de uma grande corporação global contou recentemente a Abhijit Kakhandiki, vice-presidente sênior da BMC Software, algo que resume o estado do mercado com uma precisão desconfortável: suas equipes de ciência de dados tinham construído mais de 200 modelos de inteligência artificial. Menos de dez estavam em produção.
Uma taxa de conversão inferior a cinco por cento. Não em uma empresa pequena experimentando com tecnologia nova, mas em uma organização com os recursos, o talento e a pressão competitiva necessários para fazer isso direito. O número não é uma anomalia: é o padrão.
A McKinsey confirmou isso em sua pesquisa global de 2025: embora o uso de IA fosse generalizado, apenas um terço das organizações havia começado a escalar programas de inteligência artificial de forma transversal. O Gartner, por sua vez, projetava um gasto global em IA de aproximadamente 2,59 trilhões de dólares em 2026, um incremento de 47 por cento em relação ao ano anterior. O dinheiro continua fluindo. A produção, não.
Essa contradição é o estudo de caso que merece atenção, porque não aponta um problema de talento nem de tecnologia. Aponta algo mais difícil de admitir para quem lidera essas investimentos.
O experimento mais caro do mercado não tem dono de resultado
A narrativa dominante sobre IA empresarial continua girando em torno dos modelos: o quão precisos são, qual arquitetura usam, quantos parâmetros têm. As conversas técnicas são sofisticadas. O que falta, com frequência, é uma resposta clara a uma pergunta muito mais básica: qual indicador de negócio isso vai melhorar e em quanto?
Kakhandiki documenta um caso que se repete sem variações: uma equipe constrói uma solução de IA generativa com pipelines de recuperação aumentada, bases de dados vetoriais com atualização periódica e modelos ajustados. Quando se pergunta qual métrica de negócio está sendo melhorada, não há resposta concreta. Meses depois, com investimento significativo acumulado, o sistema ainda está em piloto.
O problema não é a tecnologia. É que ninguém definiu o limiar de sucesso antes de construir nada.
"Melhorar a produtividade" é a resposta mais ouvida quando se pede esse limiar. Mas um modelo que aumenta a precisão de uma classificação em cinco pontos percentuais não tem valor por si mesmo. Esse valor aparece quando é possível traduzi-lo em tempo de ciclo reduzido, em custo operacional evitado, em uma taxa de descumprimento de acordos de serviço que deixa de ocorrer. Sem essa tradução, o piloto não tem argumento para se tornar operação.
O Gartner identificou uma correlação relevante: as organizações com maior maturidade em IA são, consistentemente, aquelas que definem suas iniciativas em função do valor de negócio e da viabilidade técnica antes de construir, não depois. Essa inversão da ordem das decisões — primeiro o resultado, depois a arquitetura — é o que distingue quem escala de quem acumula projetos estagnados.
A lacuna entre o modelo que funciona em um ambiente controlado e o sistema que roda em produção não é, em sua maioria, técnica. É organizacional. Falta dono do resultado. Falta métrica que obrigue a tomar uma decisão. Falta, em muitos casos, a pergunta sobre se alguém pagaria por esse resultado se tivesse que fazer isso.
Confiar em um sistema que não consegue se explicar tem um limite operacional preciso
Há um segundo mecanismo de bloqueio que opera em paralelo e que não tem solução técnica simples: as organizações não implantam o que não conseguem controlar.
Quando um modelo nega uma solicitação de crédito, o banco deve ser capaz de responder com exatidão quais dados foram usados, qual versão do modelo estava rodando naquele momento, como se chegou a essa recomendação e quem aprovou esse processo. Não como exercício de transparência voluntária, mas porque marcos como a Lei de IA da União Europeia e o Marco de Gestão de Risco de IA do NIST exigem isso de forma explícita. A rastreabilidade e a explicabilidade deixaram de ser características opcionais e se tornaram condições de operação.
O erro que se repete é tratar a governança como uma camada que se adiciona quando o modelo está pronto para produção. Isso não funciona. A linhagem de dados e modelos, o monitoramento de desvio estatístico, os mecanismos de detecção de viés: nada disso pode ser construído retroativamente com a mesma solidez do que se fizer parte do design desde o início.
O Gartner aponta que as organizações com alta maturidade em IA têm maior probabilidade de relatar que suas unidades de negócio confiam nos sistemas implantados e estão dispostas a usá-los. A confiança não é uma consequência automática de o modelo funcionar bem em métricas de desempenho. É o resultado de poder auditar cada decisão que esse modelo toma.
Um provedor de saúde com o qual a equipe da BMC trabalhou escolheu deliberadamente um modelo menos preciso porque era explicável para os médicos que precisavam agir com base em suas recomendações. Essa decisão acelerou a adoção e permitiu a implantação completa. Os modelos mais precisos, porém opacos, permaneceram em piloto. A precisão técnica perdeu para a capacidade de ser verificado.
O limiar real de produção não é a exatidão do modelo. É se alguém dentro da organização consegue assinar embaixo de cada decisão que esse modelo toma, com as informações disponíveis para fazê-lo.
Isso exige que o monitoramento de produção rode em paralelo com a inferência. Que a detecção de desvio estatístico e de viés não seja um processo periódico, mas contínuo. Que cada execução deixe um registro vinculado aos dados de treinamento e ao processo de desenvolvimento que o originou. Quando essa cadeia se rompe, o sistema deixa de ser confiável independentemente do seu desempenho médio.
Integrar um modelo ao negócio não é conectar uma API
A última barreira é a que mais surpreende quem vem do mundo do desenvolvimento de modelos, porque ocorre quando tudo o que foi mencionado antes já funciona. O modelo é preciso, consegue se explicar, passa pelos controles de governança. E ainda assim, o negócio continua sem melhorar.
Uma organização de serviços financeiros implementou um modelo de IA dentro do seu fluxo de processamento de transações. O modelo operou exatamente como foi projetado. Mas o serviço de IA não estava incorporado no marco de acordos de nível de serviço da empresa. Os prazos comprometidos com clientes foram descumpridos. O modelo teve sucesso. O sistema falhou.
Esse caso ilustra o problema com clareza: introduzir IA como uma capacidade autônoma em vez de integrá-la na estrutura operacional da empresa produz exatamente esse resultado. O modelo cumpre sua parte. A empresa não consegue sustentar a operação ao redor dele.
Os líderes que chegaram à produção em escala formulam um conjunto diferente de perguntas desde o início. Como o sistema de IA se orquestra com os processos em lote e os sistemas de negócio que já sustentam a operação. Como se garante a disponibilidade, a recuperação diante de falhas e a propriedade clara sobre os processos encadeados. Como se gerencia o custo, o desempenho e a escala quando a inferência e os agentes autônomos rodam sem interrupção.
A resposta que funciona trata a IA em produção exatamente como se trata qualquer capacidade crítica do negócio: com as mesmas disciplinas de orquestração, gestão de acordos de serviço, governança, monitoramento e controle de custos. Não como algo separado que se conecta ao negócio, mas como uma extensão da infraestrutura de automação na qual a organização já confia.
Isso se torna mais urgente à medida que os sistemas de IA evoluem de modelos passivos para agentes capazes de recomendar, iniciar e executar ações. Cada incremento de autonomia eleva o requisito de supervisão, capacidade de auditoria e mecanismos de controle. Um agente que pode executar não pode operar sem as mesmas salvaguardas que qualquer sistema que toca dinheiro, dados de clientes ou compromissos externos.
A vantagem competitiva está na operação, não no modelo
O padrão que separa as organizações que escalam das que acumulam pilotos não é o modelo mais sofisticado nem a maior equipe de ciência de dados. É a decisão de tratar a IA como infraestrutura de negócio com as mesmas exigências de qualquer outro sistema sobre o qual a operação repousa.
A Deloitte relatou que o acesso de trabalhadores à IA cresceu 50 por cento em 2025 e projetou que o número de empresas com pelo menos 40 por cento de seus projetos de IA em produção dobraria nos seis meses seguintes. Mas ter um sistema em produção e ter um sistema integrado ao tecido operacional do negócio são duas condições distintas. A primeira é relativamente fácil de alcançar. A segunda é onde se gera ou se destrói o retorno sobre o investimento.
Com o gasto global em IA projetado em 3,49 trilhões de dólares para 2027 segundo o Gartner, a pressão para justificar esse investimento com resultados mensuráveis só vai crescer. As organizações que têm mais de 200 modelos construídos e menos de dez em produção não têm um problema de capacidade técnica. Têm um problema de atribuição de responsabilidade sobre os resultados, de governança integrada ao design e de gestão operacional de sistemas críticos.
A conversa que está pendente em muitos C-levels não é sobre qual modelo escolher. É sobre o que é preciso mudar na forma como a organização assume propriedade, define sucesso e sustenta operações para que os modelos que já possui deixem de viver em pilotos e comecem a mover os números que importam.
