Por que 95% dos pilotos de IA fracassam antes de produzir um único resultado
Existe uma cena que se repete em quase todas as empresas médias que conheço. A equipe de tecnologia apresenta um piloto de inteligência artificial. Os números iniciais são promissores. O conselho aprova o investimento. E seis meses depois, o piloto ainda continua sendo um piloto. Ninguém o encerra oficialmente. Tampouco avança. Simplesmente... ocupa espaço no roadmap e nas reuniões de acompanhamento.
Dennis Woodside, presidente e CEO da Freshworks, publicou há alguns dias uma análise na Fortune que dá nome a esse fenômeno. E embora o artigo sirva também como posicionamento comercial para a sua empresa, o diagnóstico que oferece merece ser levado a sério por uma razão simples: os dados externos que cita são incômodos para qualquer C-Level que há mais de um ano promete resultados de IA ao seu conselho.
O MIT constatou que 95% dos pilotos de IA generativa fracassam antes de chegar à produção. O Boston Consulting Group publicou em setembro de 2025 que 60% das empresas não geram nenhum valor material com IA, e esse percentual piorou em relação ao ano anterior, apesar de os modelos terem melhorado e a experiência acumulada ter aumentado. A Freshworks acrescenta seu próprio dado: um quarto do orçamento de IA nas PMEs é consumido em integração, limpeza de dados e no esforço de fazer sistemas que nunca foram projetados para se comunicar dialogarem entre si.
O que esses três números têm em comum não é o modelo de IA escolhido. É o estado do ambiente operacional onde se tenta implementá-la.
A decisão que separa quem avança de quem fica estagnado
Woodside descreve o caso da Seagate Technology com uma precisão que se mostra útil justamente porque não tem glamour. A equipe de TI tinha três meses para migrar 30.000 funcionários para uma nova plataforma de gestão de serviços, forçada pelo vencimento de um contrato. A decisão óbvia, a que quase qualquer organização tomaria sob essa pressão, era mover as configurações existentes tal como estavam e resolver os problemas depois. É o caminho mais seguro no curto prazo. É também o que garante que qualquer camada de IA construída sobre essa base operará sobre fundamentos defeituosos.
A equipe da Seagate escolheu o caminho oposto. Reconstruiu do zero: reestruturou o catálogo de serviços, estabeleceu níveis de serviço consistentes entre regiões, reescreveu as hierarquias de categorias para que os tickets pudessem ser roteados automaticamente sem que um agente precisasse adivinhar. Fez isso no mesmo prazo de três meses. Um ano depois, o agente de IA implantado sobre essa base deflecte aproximadamente um terço dos tickets recebidos e a resolução no primeiro contato está 27% acima do padrão do setor.
Essa decisão — reconstruir em vez de replicar — é o eixo central do argumento de Woodside. E tem uma leitura organizacional que vai muito além da tecnologia.
O que a Seagate fez exigiu que alguém, em algum ponto do processo, tivesse uma conversa que ninguém queria ter: aquela que reconhece que os processos herdados não são apenas ineficientes, mas que são um obstáculo ativo para qualquer melhoria futura. Essa conversa tem um custo político. Dizer que os processos atuais não serão transferidos significa dizer que anos de trabalho de configuração, personalização e ajuste não vão sobreviver ao novo ambiente. Significa invalidar, ao menos parcialmente, decisões passadas. Poucas organizações têm apetite para isso sob pressão de tempo.
O que diferencia a Seagate não é ter tido mais recursos nem mais tempo. É ter tido a lucidez — ou a coragem diretiva — de não arrastar o passado para o futuro quando o contrato expirou. Essa é a variável que não aparece em nenhum manual de implementação de IA.
O imposto invisível que paga quem não olha para seus processos
Woodside introduz o conceito de "imposto de complexidade" para descrever o que acontece quando uma empresa tenta implementar IA sobre uma arquitetura fragmentada. Não é uma metáfora decorativa. É uma mecânica financeira concreta.
Se 25% do orçamento de IA se perde em integração e limpeza de dados antes que o modelo produza um único output útil, uma empresa que destina um milhão de dólares para IA está comprando, na prática, 750.000 dólares de capacidade. Os outros 25% são absorvidos pela dívida técnica acumulada. Para uma grande empresa com orçamentos de transformação de centenas de milhões, essa fração pode ser tolerada. Para uma empresa de 500 a 20.000 funcionários, com equipes de TI enxutas e margens de manobra menores, essa perda pode ser a diferença entre uma iniciativa que prospera e outra que é cancelada silenciosamente no próximo ciclo orçamentário.
O argumento de Woodside sobre as "empresas ágeis" — seu termo para esse segmento de organizações médias — tem uma lógica que a grande mídia costuma ignorar porque o segmento não é tão fotogênico quanto as histórias de transformação digital das Fortune 500. Mas é precisamente onde a batalha de produtividade prometida pela IA será ganha ou perdida. As PMEs representam a maioria do tecido empresarial global. Se a IA não funcionar aí, a promessa de produtividade agregada não se materializa, independentemente do que Google, Microsoft ou Amazon façam com seus próprios modelos.
O que torna a análise ainda mais interessante é que o problema não está na seleção do modelo. Está em uma camada anterior e mais difícil de resolver: a qualidade do ambiente operacional. Dados dispersos em sistemas que não se comunicam. Fluxos de trabalho definidos pela história da empresa mais do que por sua lógica. Taxonomias de tickets, categorias de serviços ou hierarquias de produtos que ninguém revisou porque sempre "funcionaram suficientemente bem". Quando se pede a um agente de IA que opere sobre essa infraestrutura, ele não falha porque o modelo seja ruim. Ele falha porque o ambiente lhe entrega informações ambíguas, incompletas ou contraditórias — e nenhum modelo consegue compensar isso.
Robert Lyons, diretor de tecnologia da Katz Media Group, uma unidade de negócios de 800 pessoas dentro de uma empresa de 10.000 funcionários, oferece na análise de Woodside o que talvez seja o conselho mais prático de todo o artigo: antes de implantar qualquer ferramenta de IA, sua equipe limpou e rotulou os dados, e realizou um seminário de introdução à IA para todos os funcionários da empresa — ministrado não pela equipe de TI, mas por uma firma de pesquisa independente. A distinção importa. Quando o TI apresenta a IA, o faz com o viés implícito de quem tem interesse no resultado. Quando um terceiro neutro o faz, a mensagem chega de forma diferente e a resistência organizacional diminui.
Lyons também descreve uma matriz de valor/esforço para priorizar projetos de IA: facilidade de implementação em um eixo, valor para o negócio no outro. Ele começa pelo quadrante de alto valor e baixo esforço. Seu aviso — "não comece pelo pior problema, você não vai gerar valor" — é uma crítica direta a um padrão que vejo com frequência em organizações que tratam a IA como uma oportunidade para resolver os problemas que nenhuma outra iniciativa conseguiu resolver. Essa lógica é compreensível, mas contraproducente. Os projetos de IA mais visíveis e ambiciosos são também os mais frágeis, pois operam sobre os ambientes de dados mais desorganizados e os fluxos de trabalho menos estruturados.
O que a Nucor e a New Balance têm em comum com uma empresa de aço
Woodside cita duas comparações que merecem atenção separada. A primeira é entre a Nike e a New Balance. A Nike opera com 80.000 funcionários; a New Balance, com 9.000. Woodside sustenta que a New Balance está ganhando terreno competitivo ao consolidar sua infraestrutura de TI em uma única plataforma com uma fonte de verdade centralizada, liberando as equipes do trabalho de manutenção e reconfigurando a forma como o negócio opera. A segunda comparação envolve a Nucor e a Steel Dynamics, duas das quatro maiores fabricantes de aço dos Estados Unidos, que segundo Woodside acumulam décadas de disciplina operacional, produzindo ambientes que a IA pode otimizar diretamente.
O padrão que conecta esses casos é o mesmo que aparece na Seagate: a IA funciona onde o ambiente operacional estava pronto para recebê-la. Não perfeito. Pronto. Dados consolidados, fluxos de trabalho definidos, sistemas capazes de trocar informações sem intervenção manual e um resultado mensurável que o agente de IA precisa melhorar.
Isso tem uma implicação diretiva que poucos estão nomeando com clareza. As empresas que mais dificuldades têm para implementar IA não são as que escolheram o modelo errado ou contrataram os consultores errados. São as que durante anos tomaram decisões tecnológicas priorizando a continuidade operacional em detrimento da coerência arquitetural. Cada vez que alguém disse "vamos adicionar este sistema porque ele resolve este problema agora" sem perguntar como esse sistema se integraria com o restante, estava acumulando um passivo que hoje se cobra na forma de orçamento de IA consumido em integração.
Esse passivo não é uma falha técnica. É o resultado acumulado de conversas sobre arquitetura que não aconteceram, de avaliações de dívida técnica que foram adiadas porque o trimestre exigia velocidade, de configurações herdadas que ninguém quis revisar porque o custo político de questioná-las era alto.
O que os casos de sucesso descritos por Woodside têm em comum é que alguém, em algum momento, tomou a decisão de pagar esse passivo. A Seagate o fez sob a pressão de um contrato que expirava. A New Balance o fez como parte de uma aposta estratégica de velocidade. A Nucor e a Steel Dynamics o fizeram durante décadas, sem saber que estavam construindo a base de uma vantagem competitiva em IA.
Quem lidera precisa pagar o custo de olhar para o que a organização evita nomear
Há um elemento no argumento de Woodside que o artigo aborda tangencialmente, mas que merece ser nomeado diretamente: a maioria das organizações que está estagnada em pilotos de IA sabe disso. Não é ignorância técnica. É que a conversa sobre o estado do ambiente operacional tem um custo político que ninguém quer pagar.
Admitir que 25% do orçamento de IA se perde em integração e limpeza de dados é admitir que as decisões arquiteturais do passado foram custosas. Admitir que os processos herdados não podem ser transferidos para o novo ambiente é admitir que anos de configuração não sobrevivem à mudança. Admitir que os dados estão em mau estado é admitir que as iniciativas de qualidade de dados dos últimos anos não entregaram o que prometiam.
Essas admissões exigem algo que a dinâmica de muitos conselhos de administração desincentiva: a capacidade de nomear um problema estrutural sem que a pessoa que o nomeia fique associada ao fracasso que descreve.
O trabalho de quem lidera nesse contexto não é técnico. É criar as condições para que essas conversas aconteçam sem que o mensageiro seja o custo. As organizações que estão gerando resultados com IA — os casos que Woodside descreve — não têm ambientes perfeitos. Têm líderes que decidiram pagar o custo da clareza antes de pagar o custo da implementação fracassada.
Essa sequência não é intuitiva sob pressão. Mas é a única que produz resultados que não desaparecem no próximo ciclo de revisão orçamentária.
