Quatro pesquisas independentes (MIT, S&P Global, Gartner e PwC) apontam a mesma conclusão: a maioria dos projetos de IA nas empresas falha, e o motivo não é a qualidade dos modelos, mas a desorganização dos dados e da documentação que deveria alimentar esses sistemas. O MIT encontrou 95% de pilotos de IA generativa sem impacto mensurável no lucro.
A análise vem de Eshaan Jain, gerente sênior de produto para clientes de telecom via Mphasis, com foco em estratégia de CRM orientada por IA e fluxos corporativos, em artigo publicado no Forbes Technology Council. Jain relata ter assistido a dezenas de demonstrações de agentes de IA que funcionam perfeitamente em demo: leem contratos, preenchem campos e escalam exceções. Depois, ou nunca entram em produção, ou são desativados em poucos meses.
O que os quatro estudos mostram sobre o fracasso dos pilotos
A iniciativa NANDA do MIT, em relatório coberto pela Fortune em agosto de 2025, concluiu que 95% dos pilotos corporativos de IA generativa não entregaram efeito mensurável no resultado financeiro. O relatório descreve o problema como uma lacuna na forma como as organizações integram as ferramentas aos fluxos de trabalho existentes, algo separado da qualidade dos modelos em si.
Um dado chama atenção nesse estudo: entre os pilotos que funcionaram, ferramentas compradas e integradas deram certo em cerca de 67% dos casos, contra apenas 33% das soluções construídas internamente. Comprar pronto, quando bem integrado, supera o desenvolvimento caseiro.
A pesquisa 2025 da S&P Global Market Intelligence, com mais de mil empresas na América do Norte e Europa, chegou ao mesmo padrão por outro ângulo. A parcela de empresas que abandonaram a maior parte das iniciativas de IA saltou de 17% para 42% em um ano, e a organização média descarta 46% das provas de conceito antes da produção. Custo, privacidade de dados e risco de segurança lideram os motivos citados pelos executivos.
# publicidade
Já a Gartner, em junho de 2025, projetou que mais de 40% dos projetos de IA agentiva serão cancelados até o fim de 2027, citando custos crescentes, valor de negócio nebuloso e controles de risco fracos. A consultoria também apontou que, dos milhares de fornecedores que se vendem como "IA agentiva", apenas cerca de 130 oferecem capacidade real; o resto é ferramenta existente com um rótulo novo.
Atenção: segundo a Gartner, a maioria do que é vendido como "IA agentiva" não executa ações autônomas de verdade. Na avaliação de um fornecedor, pergunte o que o agente faz sem revisão humana a cada passo, e o que acontece quando ele encontra um caso inédito.
Quanto confiança os executivos realmente têm nos agentes
A hesitação aparece com clareza na pesquisa da PwC de abril de 2025, com 308 líderes empresariais dos Estados Unidos, reportada pelo Digital Commerce 360: das empresas já usavam agentes de IA, mas apenas 35% tinham chegado a um deployment amplo, e 68% admitiram que menos da metade dos funcionários usa os agentes regularmente.
Quando perguntados sobre quais tarefas confiariam a um agente, só 20% dos executivos citaram transações financeiras, contra 38% para análise de dados. Esse descompasso confirma o padrão: os agentes avançam rápido onde os dados subjacentes já estão limpos e travam em todo o resto.
Ao mesmo tempo, o estudo Build for the Future da BCG, de setembro de 2025, baseado em mais de 1.250 empresas no mundo, mostrou que apenas 5% geram valor de IA em escala, enquanto 60% não reportam valor mensurável algum. Dos bloqueios citados pelos outros 95%, apontaram falta de expertise na gestão de dados não estruturados e 68% a falta de acesso a dados de qualidade. Ambos superaram preocupações com alucinações, precisão dos modelos e riscos de segurança.
Quatro estudos, quatro métodos diferentes, uma constatação: o problema dos dados aparece antes do modelo.
O caso prático: taxonomia antes do modelo
Jain relata sua experiência na Amazon, onde co-construiu um sistema de extração de cláusulas de contratos de cadeia de suprimentos em uma carteira de US$ 40 bilhões anuais, atingindo 95% de precisão. Segundo ele, a maior parte do ganho veio de meses de trabalho construindo uma taxonomia estruturada para os tipos de cláusula.
Antes dessa taxonomia, o mesmo modelo produzia resultados inutilizáveis, porque "condições de pagamento" significava seis coisas diferentes conforme o template de cada contrato. O ponto crítico: esse tipo de trabalho raramente aparece como item próprio num roadmap. Vira "preparação de dados" com duas semanas previstas, quando a estimativa honesta é de um trimestre.
Info: entre os pilotos de IA generativa que prosperaram, ferramentas compradas e integradas tiveram 67% de taxa de sucesso, contra 33% das soluções construídas internamente, segundo o relatório do MIT coberto pela Fortune.
Por que fluxos de quote-to-cash concentram o problema
Nos fluxos de quote-to-cash e CPQ (configuração, preço, cotação), o problema se multiplica pelos sistemas envolvidos. Catálogos de produto atualizados em um lugar e consultados de memória em outro. Regras de desconto em um documento desatualizado por reorganizações. Termos contratuais que deveriam alimentar a renovação presos num PDF, em vez de um campo estruturado. Exceções de preço aprovadas por e-mail, sem retornar ao sistema de registro.
Que teste simples valida se um agente vai funcionar nesse ambiente? Jain propõe o que chama de teste do novo contratado: um funcionário recém-chegado conseguiria completar a tarefa usando apenas o que está documentado nos sistemas, sem perguntar a ninguém? Se a resposta for não, a documentação é o projeto a resolver primeiro. O agente vem depois.
Um agente diante desse cenário se comporta exatamente como um novato: chuta, pergunta a alguém ou segue em frente com confiança total e erra. Falha pelo mesmo motivo, pois a informação de que precisa não está onde a tarefa presume que esteja.
Na avaliação do Mercado de TI, essa conclusão se alinha ao que já observamos em riscos de qualidade de dados em modelos de IA em produção: empresas brasileiras que investem primeiro em saneamento de dados e em testes estruturados para agentes tendem a sair do piloto com menos retrabalho. O esforço de uniformizar taxonomias e sistemas de registro não rende slide bonito, mas é o pré-requisito que separa os 5% que geram valor dos 60% que não veem retorno algum.
Dica: antes de contratar ou desenvolver um agente para fluxos de receita, consolide uma única taxonomia de tipos de desconto e um único sistema de registro para limites de aprovação. É trabalho sem glamour, mas é onde estão os maiores ganhos, segundo a experiência relatada por Jain.
A síntese de Jain é direta: um agente performa tão bem quanto os dados e a documentação por trás dele. Acerte essa base primeiro, e a parte do agente fica muito mais fácil. Pule essa etapa, e nenhum upgrade de modelo conserta o que está embaixo.
Para lideranças de tecnologia que avaliam onde investir em 2025, a mensagem dos quatro estudos converge: o orçamento de IA pode precisar migrar do modelo para o saneamento dos dados que o alimentam.
Principais pontos
- 95% dos pilotos de IA generativa não entregaram impacto mensurável no lucro, segundo o relatório da iniciativa NANDA do MIT (Fortune, agosto de 2025).
- 42% das empresas abandonaram a maior parte das iniciativas de IA em 2025, ante 17% no ano anterior (S&P Global Market Intelligence).
- Mais de 40% dos projetos de IA agentiva serão cancelados até o fim de 2027, projeta a Gartner.
- Só 5% das empresas geram valor de IA em escala; 60% não veem valor mensurável (BCG).
- Falta de expertise em dados não estruturados é o bloqueio número um, citado por dos respondentes da BCG, acima de alucinações e segurança.
Fonte: Forbes Technology Council
