Por que 97% das empresas têm projetos de IA e apenas 5% tem dados prontos para utilizá-los
Há uma estatística que deveria interromper qualquer reunião de conselho de administração sobre inteligência artificial: de acordo com uma pesquisa da Dun & Bradstreet realizada com 10.000 empresas em 2026, 97% declaram ter iniciativas ativas de IA, enquanto apenas 5% considera que seus dados estão realmente preparados para sustentá-las. Essa lacuna não é um detalhe técnico menor. É a distância entre investir em infraestrutura e ter algo que funcione de forma confiável em produção.
O que esse número descreve é um padrão conhecido por quem já observou como as decisões de tecnologia são tomadas em grandes organizações: primeiro o piloto é aprovado, depois se busca o problema que justifique tê-lo aprovado. A demonstração impressiona. A sala aplaude. O projeto recebe orçamento. E em algum ponto entre esse momento e a operação cotidiana, algo se interrompe sem que ninguém tenha declarado formalmente o fracasso.
A BCG documentou isso com precisão: apenas 5% das empresas obtêm valor substancial com a IA, enquanto 60% reportam nenhum impacto material. A McKinsey, por sua vez, constatou que mais de 80% dos entrevistados não estava vendo nenhum efeito tangível no EBIT proveniente de inteligência artificial generativa, mesmo quando a adoção declarada continuava crescendo. Esses números não são uma condenação à tecnologia. São uma fotografia de como o investimento está sendo gerenciado.
A ilusão do piloto perpétuo
Existe uma forma silenciosa de fracasso organizacional que não aparece nos balanços nem gera comunicados à imprensa: o piloto que não morre. Ele se instala sob o nome de "inovação", consome recursos técnicos e humanos de forma crônica, produz apresentações internas razoavelmente atraentes e nunca chega a se transformar em algo que mude uma linha da demonstração de resultados. As organizações com maior maturidade em transformação digital levam anos aprendendo que essa dinâmica não é acidental, mas estrutural.
O problema começa na origem do projeto. Quando uma iniciativa de IA é aprovada porque "o caso de uso é interessante" ou porque um fornecedor fez uma demonstração convincente, ela carece desde o início de algo que todo programa de investimento deveria ter: uma linha de base mensurável, um responsável pelo resultado e um critério de saída caso o valor não apareça. Sem esses três elementos, o piloto não tem como morrer com dignidade nem escalar com rastreabilidade.
A BCG identificou que as empresas com melhores resultados em IA priorizam entre três e quatro casos de uso em média, em comparação com seis ou sete nas organizações com piores retornos. Essa diferença não surge do orçamento disponível nem do tamanho da equipe técnica. Surge da disposição para rejeitar iniciativas que não conseguem demonstrar alinhamento estratégico e viabilidade econômica desde o momento em que solicitam financiamento. O foco não é uma virtude gerencial abstrata; neste contexto, é a única condição que torna viável a escala.
O que os dados da BCG e da McKinsey revelam de forma combinada é que a maioria das organizações está em uma fase que poderia ser chamada de teatro de IA: alta atividade visível, baixa transformação operacional. Os comunicados falam de adoção. As métricas internas dizem outra coisa.
O problema não está no modelo, está abaixo do modelo
Há uma tendência compreensível de analisar o desempenho da IA pelo ângulo do modelo: qual arquitetura foi utilizada, qual fornecedor, qual versão do sistema. Essa análise tem utilidade em contextos de pesquisa, mas na maioria dos ambientes empresariais o gargalo não está no modelo. Está naquilo que o modelo precisa para funcionar de forma confiável: dados limpos, definições compartilhadas, fluxos de trabalho redesenhados e responsabilidade clara sobre as decisões que o sistema deve apoiar.
A pesquisa da Dun & Bradstreet citada anteriormente coloca isso em termos que não admitem muita interpretação alternativa: se quase nenhuma empresa considera que seus dados estão prontos, então o problema massivo não é de experimentação tecnológica, mas de fundamentos. Uma IA que recebe dados fragmentados, sem uma fonte única de verdade, com regras de negócio enterradas em planilhas e processos de exceção que ninguém documentou, não gera recomendações mais confiáveis do que o sistema que pretende melhorar. Em muitos casos, simplesmente acelera os erros existentes.
A PwC identificou esse padrão por outro ângulo: os resultados mais sólidos chegam quando as empresas redesenham os fluxos de trabalho em vez de sobrepor IA a processos legados. Essa distinção importa economicamente. Adicionar um componente de inteligência artificial a um processo ineficiente pode fazer com que esse processo seja mais rápido. Mas não muda a lógica de custo nem a estrutura da operação. A economia do trabalho permanece a mesma, apenas executada com maior velocidade.
O caso de ambientes de alta exigência regulatória é especialmente claro. Finanças, conformidade normativa, revisão jurídica, cadeia de suprimentos: são contextos nos quais duas respostas diferentes para a mesma consulta não são um sinal de flexibilidade do sistema, mas um problema de controle. A confiabilidade em produção tem um padrão diferente do da experimentação. E essa diferença é o que separa os sistemas que são adotados dos que são silenciosamente abandonados após o piloto.
Quando 70% do valor provém de fatores que não aparecem no roadmap tecnológico
A BCG documentou algo que costuma incomodar as equipes de tecnologia: nas transformações impulsionadas por IA que geraram resultados reais, 70% do valor veio de ações relacionadas a pessoas, não à tecnologia. Isso inclui redefinição de papéis, mudanças nos incentivos, gestão ativa do processo de adoção e construção de capacidades nas equipes que deveriam usar os sistemas em produção.
Esse achado não deve ser lido como um argumento contra o investimento técnico. Deve ser lido como um mapa de onde costuma estar o bloqueio real. Um modelo de linguagem pode processar milhares de contratos por hora; mas se a equipe jurídica não confia nos seus resultados, se os incentivos da área não mudaram, se ninguém redefiniu o que significa "revisar um contrato" quando há um sistema que faz a primeira passagem, a adoção não ocorre de forma sustentada. O sistema existe. O valor, não.
As empresas do Global 1000 que de fato estão reportando impactos mensuráveis compartilham algumas características operacionais: redesenharam processos específicos antes de implementar os sistemas, estabeleceram métricas em relação a linhas de base documentadas e atribuíram responsabilidade pelos resultados a pessoas com accountability real sobre esses números. Em alguns casos documentados, os resultados são materiais: incrementos da ordem de 30% em eficiência manufatureira, 80% de redução nos tempos de análise documental, melhorias de 1,7 vez nas taxas de conversão de vendas. Esses números não provêm de modelos superiores. Provêm de integrações superiores.
A diferença entre uma empresa que usa IA e uma empresa que opera com IA não está no fornecedor do modelo nem no tamanho do orçamento de inovação. Está em se a organização foi capaz de conectar a saída do sistema a uma decisão concreta, dentro de um processo redesenhado, com alguém responsável por medir se isso move o número que se supõe que deve mover.
O deslocamento real que esses números revelam
A fase atual do ciclo empresarial de inteligência artificial não está sendo definida pelos avanços nos modelos de base. Está sendo definida pela capacidade das organizações de passar da legitimidade do experimento para a exigência do resultado. E essa transição ainda não é majoritária.
O que os dados da BCG, McKinsey, PwC e Dun & Bradstreet descrevem em conjunto é um mercado com uma distribuição assimétrica: uma minoria pequena de empresas está gerando valor mensurável e composto com IA, enquanto uma maioria mais ampla continua acumulando projetos que não tocam a demonstração de resultados. Essa lacuna não se fecha com mais tecnologia. Fecha-se com disciplina de portfólio, com fundamentos de dados que hoje claramente faltam na maior parte do mercado, e com uma disposição organizacional para aceitar que a adoção real exige redesenho, não sobreposição.
O deslocamento que está ocorrendo, embora ainda incompleto, aponta em uma direção precisa: a IA está deixando de ser um sinal de modernidade para se tornar uma demanda de evidência. As organizações que não conseguirem responder com números à pergunta sobre o que mudou operacionalmente desde que implementaram seus sistemas enfrentarão pressão crescente — primeiro interna, depois de seus conselhos de administração e investidores. O capital que antes fluía para o experimento irá migrando para onde o experimento demonstrou ser algo mais.
