Toda vez que alguém me apresenta uma iniciativa de IA, eu pergunto qual o problema que a empresa está tentando resolver antes de fazer qualquer análise. A resposta normalmente diz mais sobre o projeto do que a demonstração da ferramenta. Em muitos casos, ela ainda é vaga, e às vezes começa pela tecnologia antes de existir clareza sobre processo, prioridade ou objetivo operacional.

Em julho de 2025, o MIT NANDA realizou um estudo com mais de 300 iniciativas corporativas de IA generativa em empresas de diferentes setores. A partir das informações levantadas, concluiu que 95% dos pilotos não geraram impacto mensurável nos resultados financeiros e o valor acumulado dessas iniciativas sem retorno proporcional está entre US$ 30 e US$ 40 bilhões. A origem desse cenário é menos complexa do que parece.

Quando uma organização não consegue executar bem um processo no modelo tradicional, adicionar IA apenas acelera o que já está errado. Um time sem critério de priorização não fica mais organizado com um agente de IA — ele só ganha mais capacidade para tomar decisões ruins. Um processo de atendimento mal desenhado não melhora com automação, ganha escala com os mesmos defeitos. E se há viés nos dados de entrada, o modelo vai processar esse viés com uma eficiência que nenhum analista humano conseguiria igualar. A tecnologia amplifica o que já existe na organização. Isso vale para as competências e vale para os problemas.

Parte desse cenário fica evidente na popularização de ferramentas de desenvolvimento assistido por IA. Criar aplicações ficou mais rápido e mais acessível, inclusive para equipes com pouca experiência em arquitetura, integração ou segurança. Em muitos casos, o protótipo funciona bem na demonstração inicial, mas começa a apresentar fragilidade quando entra em contato com a operação real, principalmente quando o projeto nasce sem um objetivo claro de negócio ou sem definição do que precisa melhorar de fato.

Esse padrão aparece de forma consistente nas análises que fazemos na CTC. Depois de examinar mais de 700 ferramentas de IA — com testes práticos, leitura de papers e documentação técnica — os projetos mais consistentes raramente se destacam pela escolha da tecnologia. Normalmente são bem-sucedidos pela clareza sobre o problema que precisava ser resolvido, capacidade de conectar necessidade de negócio com execução técnica e uma preocupação real com integração, governança e acompanhamento do resultado.

O estudo do MIT NANDA também indica que iniciativas conduzidas por meio de parcerias estratégicas apresentam aproximadamente o dobro da taxa de sucesso em relação a desenvolvimentos internos.

A diferença provavelmente tem menos relação com a origem da ferramenta e mais com maturidade de implementação. Projetos conduzidos por equipes experientes costumam nascer com escopo mais claro, critérios objetivos de validação e uma leitura mais realista sobre limite técnico, custo operacional e necessidade de manutenção ao longo do tempo.

O avanço dos chamados agentes de IA e dos protocolos de integração também acelerou esse cenário. Ferramentas que antes exigiam desenvolvimento complexo agora conseguem se conectar com muito menos esforço técnico. Isso reduz barreiras importantes e amplia possibilidades de uso, mas também aumenta o risco de colocar em produção soluções que ainda não passaram por validação suficiente de processo, segurança ou governança.

A maturidade também está em reconhecer quando IA não é a resposta adequada. Às vezes o problema que uma organização tem é de processo, de governança de dados ou de gestão de time. Nesses casos, a tecnologia atua sobre sintomas operacionais enquanto o problema estrutural continua intacto. Também vale lembrar que IA pressupõe que a competência já exista, ou seja, se uma equipe não consegue executar algo no modelo tradicional, dificilmente vai conseguir especificar, validar e manter uma solução de IA para o mesmo problema.

O cenário de mercado adiciona outra camada de complexidade. Hoje, poucas empresas concentram boa parte do ecossistema global de IA, sustentadas por rodadas de investimento muito altas e por uma pressão crescente para transformar expectativa em retorno concreto. Ao mesmo tempo, aumentaram as discussões sobre consumo de energia, custo computacional e dificuldade de medir ROI das iniciativas.

Esse tipo de ajuste costuma acontecer em ciclos de tecnologia mais acelerados. Já aconteceu com RPA, com parte do mercado de blockchain corporativo e com outras ondas que chegaram acompanhadas de expectativa muito acima da capacidade real de implementação.

A tendência é que a discussão sobre IA fique menos concentrada na quantidade de pilotos lançados e mais em quantas iniciativas conseguiram se sustentar na rotina do negócio. As organizações que vão sair bem desse ciclo são as que construíram competência real, definiram problemas antes de escolher ferramentas e conseguiram medir o que suas iniciativas de fato entregaram. Uma questão mais de método do que de tecnologia.