O MIT publicou em 2025 um relatório, The GenAI Divide: State of AI in Business 2025, que analisou mais de 300 implantações públicas de IA, entrevistou representantes de 52 organizações e ouviu 153 executivos. A conclusão: só cerca de 5% dos pilotos de IA generativa estavam gerando impacto mensurável no resultado financeiro. Os outros 95% gastaram tempo e dinheiro sem mover o ponteiro. Entender por que projetos de IA falham nessa proporção é o primeiro passo para ficar no grupo menor.
A boa notícia é que os motivos se repetem, e quase nenhum deles tem a ver com a qualidade do modelo de IA.
O que os números dizem
O relatório do MIT não está sozinho. Em julho de 2024, o Gartner previu que pelo menos 30% dos projetos de IA generativa seriam abandonados depois da prova de conceito até o fim de 2025. Os motivos listados pelo instituto foram dados de baixa qualidade, controles de risco insuficientes, custos crescentes e valor de negócio pouco claro.
Vale ler os dois números com cuidado. O do MIT mede impacto no resultado financeiro, e um piloto pode ter trazido algum ganho que ninguém mediu. O do Gartner é uma previsão sobre abandono. Mesmo com essas ressalvas, os dois apontam na mesma direção: a maior parte das empresas testa IA e não consegue levar o teste para a operação.
O que os 95% fizeram de errado
Compraram tecnologia como se fosse produto. Escolheram uma plataforma de IA, contrataram um fornecedor e esperaram que a solução aparecesse. Sem conectar ao processo. Sem definir métrica. Sem integrar aos dados reais.
O resultado é uma demonstração bonita que ninguém usa no dia a dia. Para usar, alguém precisa copiar o dado, colar na ferramenta, processar e transferir o resultado de volta para o sistema. Quando o esforço de usar a IA é maior que o de fazer na mão, a equipe volta a fazer na mão.
Os cinco motivos que mais derrubam um projeto
Olhando para os projetos que param no meio do caminho, cinco causas aparecem com frequência:
- Começar pela ferramenta. A decisão nasce de uma apresentação de fornecedor ou de uma notícia, e só depois alguém procura onde encaixar a tecnologia.
- Nenhum número de sucesso. O piloto começa sem uma medida do processo atual. No fim, ninguém sabe dizer se melhorou.
- Dado ruim. A IA depende do dado que recebe. Cadastro duplicado, informação espalhada em planilhas e campo preenchido de três jeitos diferentes derrubam qualquer modelo.
- IA fora do fluxo. A ferramenta roda numa tela separada, sem ligação com o ERP, o CRM ou a caixa de e-mail onde o trabalho acontece.
- Ninguém responsável depois do piloto. O teste termina, o fornecedor entrega o relatório, e não existe dono na operação para manter, ajustar e cobrar o resultado.
Repare que só o terceiro item é, em parte, técnico. Os outros quatro são decisões de gestão tomadas antes da primeira linha de código.
O que os 5% fizeram diferente
Três coisas, principalmente.
Primeiro, começaram pelo processo. Identificaram a tarefa que mais consumia horas da equipe e colocaram a IA ali. A tecnologia veio depois da escolha do problema.
Segundo, definiram a métrica antes de começar. Um critério do tipo: se a IA reduzir o tempo de análise de cada documento de 12 minutos para menos de 1 minuto, o projeto avança; se não reduzir, para. Com o critério escrito, a decisão de continuar deixa de ser opinião.
Terceiro, conectaram a IA ao fluxo real desde o primeiro dia. Dados reais, sistemas reais, usuários reais. O piloto rodou dentro da rotina, com as mesmas pessoas que vão usar a solução depois.
O relatório do MIT traz um dado que reforça o terceiro ponto: projetos feitos em parceria com fornecedores externos chegaram à implantação completa com frequência cerca de duas vezes maior do que os construídos só dentro de casa. Uma leitura possível: quem já fez vários projetos parecidos chega com o hábito de integrar e medir desde o começo.
Piloto que morre e piloto que vira operação
| Piloto que morre | Piloto que vira operação | |
|---|---|---|
| Ponto de partida | Ferramenta escolhida | Tarefa que consome horas |
| Métrica | Definida depois, ou nunca | Escrita antes, com medida atual |
| Dados | Amostra limpa, preparada para a demonstração | Dados reais, com os problemas que eles têm |
| Integração | Tela separada, copia e cola | Dentro do sistema onde o trabalho acontece |
| Usuários no teste | Time de inovação ou TI | Quem faz a tarefa todo dia |
| Depois do piloto | Relatório e apresentação | Dono na operação e indicador acompanhado |
A diferença entre as duas colunas está quase toda no desenho do projeto, e quase nada no modelo de IA escolhido.
Como montar um piloto com chance de dar certo
Um roteiro simples, que cabe em poucas semanas:
- Escolha uma tarefa. Repetitiva, com volume alto e regra razoavelmente clara. Conferência de documento, classificação de pedido, triagem de atendimento.
- Meça como ela é hoje. Tempo por unidade, volume por semana, taxa de erro. Sem isso, o resultado vira percepção.
- Escreva o critério de continuar ou parar. Qual número precisa mudar e em quanto.
- Garanta acesso ao dado real. Onde ele mora, em que formato, quem autoriza o uso. A Lei Geral de Proteção de Dados (Lei 13.709/2018) vale para o piloto também.
- Rode dentro do fluxo. A IA recebe e devolve informação no sistema que a equipe já usa.
- Compare e decida. Mesmo critério, antes e depois. Passou, escala. Não passou, para e registra o aprendizado.
A gente detalha esse formato no texto sobre POC de IA, e a conta de quanto isso custa em quanto custa implantar IA.
Sinais de alerta em um projeto que já começou
Para quem já tem um piloto rodando, algumas perguntas mostram de que lado ele está:
- Alguém consegue dizer, em uma frase, qual número o projeto precisa mudar? Se cada pessoa da reunião dá uma resposta diferente, o critério nunca foi combinado.
- Existe uma medida do processo antes da IA? Sem ela, o fim do piloto vai se resumir a uma discussão de impressões.
- A equipe que faz a tarefa participou do teste? Quando só o time de tecnologia testou, o uso real costuma cair na primeira semana depois do lançamento.
- O resultado da IA volta sozinho para o sistema? Se alguém precisa copiar a resposta e colar em outro lugar, o ganho de tempo some no caminho.
- O custo de operar está calculado? Assinatura, consumo por uso, manutenção e horas de ajuste. Projeto que só olhou o custo de construir costuma se assustar na terceira fatura.
- Existe um dono depois da entrega? Modelo de IA precisa de ajuste conforme o processo muda. Sem alguém responsável, a qualidade cai devagar e ninguém percebe até o uso parar.
Duas ou mais respostas negativas indicam que o projeto ainda pode ser corrigido, mas precisa voltar ao desenho antes de receber mais orçamento.
Quando a IA fica para depois
Uma parte dos projetos falha porque a tarefa escolhida nem precisava de IA. Regra fixa, com poucas exceções, costuma ser resolvida com automação tradicional, mais barata e mais previsível. Processo que muda toda semana, ou que ninguém consegue descrever do começo ao fim, ainda não está pronto para ser automatizado de forma nenhuma.
Nesses casos, o primeiro trabalho é organizar o processo. A IA entra depois, com chance muito maior de ficar.
A lição para a média empresa
A porta de entrada certa é a dor da operação. Qual tarefa consome mais horas da equipe em trabalho repetitivo? O projeto começa por ela. Depois vem o número de sucesso, e só então a escolha de tecnologia.
Em média empresa, de 50 a 500 funcionários, isso tem uma vantagem: o processo ainda é visível. Dá para sentar com as três ou quatro pessoas que fazem a tarefa, entender cada passo e medir o antes em poucos dias. Em empresa grande, só essa etapa leva meses.
Na Devvo, a implantação de IA segue essa ordem. Processo primeiro, tecnologia depois. A gente mede a tarefa como ela acontece hoje, combina com o cliente o número que precisa mudar e só então constrói, ligado aos sistemas que a empresa já usa. Quando a medida mostra que a IA não é o melhor caminho para aquela tarefa, a gente diz isso antes de gastar o orçamento.
Para um panorama de onde a IA costuma gerar resultado dentro de uma empresa, vale ler o guia de IA para empresas. Os 5% que dão certo raramente têm a ferramenta mais avançada. Eles escolheram melhor o problema.
