Relatórios do MIT, S&P Global, Gartner, PwC e BCG mostram que 95% dos pilotos de IA generativa não impactam o lucro e que o gargalo real é a falta de dados estruturados, não a qualidade dos modelos.
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.
Leia também · há 3 semanas
Meta lança Muse Glimmer, IA de código aberto para agentes pessoais
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.
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
Quem escreveu
Dagmar Cirino · Editor-chefe
Especialista em tecnologia, criador de conteúdo e fundador do portal Mercado de TI e Casa do Dev. Analiso tendências de mercado, Inteligência Artificial e carreira, entregando informações precisas, transparentes e acessí...
