Por que projetos de IA falham, e o que os 5% fazem diferente

A cena se repete em empresa de 30 a 200 pessoas. O sócio aprova a assinatura de uma ferramenta de IA depois de uma demonstração boa. Nas primeiras semanas, três ou quatro pessoas usam todo dia e levam exemplo para a reunião. No terceiro mês, sobrou uma pessoa usando, e ninguém sabe dizer o que mudou no número da empresa.

Quando o financeiro pergunta o que a assinatura entregou, a resposta honesta costuma ser: ninguém mediu. O piloto começou sem linha de base, sem dono e sem um número combinado antes de começar. Ele não fracassou em uma reunião de encerramento, ele foi perdendo uso até virar uma cobrança mensal que ninguém defende.

Uma pesquisa do MIT encontrou essa mesma história em escala, e o número que ela produziu correu o mundo em agosto de 2025. Vale olhar o que o estudo mediu, onde ele é frágil, e o que separa quem teve retorno de quem não teve.

O que o estudo do MIT mediu, exatamente?

O relatório se chama The GenAI Divide: State of AI in Business 2025 e saiu em julho de 2025 pela iniciativa NANDA, do MIT Media Lab. A base declarada: 153 respostas de executivos, 52 organizações entrevistadas em profundidade e mais de 300 iniciativas públicas de IA generativa revisadas, com coleta entre janeiro e junho de 2025.

A frase que virou manchete é mais estreita do que a manchete. Segundo a cobertura da Fortune de 19 de agosto de 2025, 95% das organizações estudadas não conseguiram apontar impacto no demonstrativo de resultado vindo dos seus projetos formais de IA generativa, depois de US$ 30 a 40 bilhões investidos. Do outro lado da linha, 5% extraem valor relevante.

O relatório chama esse desnível de GenAI Divide e resume o quadro com uma expressão que explica melhor do que qualquer percentual: adoção alta, transformação baixa. A maioria das empresas ouvidas já testou alguma ferramenta, e quase nenhuma transformou isso em uma linha do resultado que o financeiro reconheça.

O número de 95% é confiável?

É um termômetro, não um veredito. Três ressalvas precisam estar na mesa antes de esse número entrar em qualquer decisão de orçamento.

1. A amostra é pequena para a generalização que se fez dela. Cinquenta e duas organizações entrevistadas não descrevem o mercado global de software corporativo, e boa parte do resto é resposta autodeclarada de executivo sobre o próprio projeto.
2. A definição de fracasso é generosa. Todo piloto que não chegou à produção plena entrou na conta como fracasso, inclusive a prova de conceito que existia para responder se valia a pena seguir. Um teste que respondeu "não vale" e economizou seis meses aparece na estatística do mesmo jeito que um projeto abandonado no meio.
3. Há crítica pública e direta. O consultor Arnon Shimoni reclassificou os mesmos casos separando exercício de aprendizado, avaliação de fornecedor e descoberta legítima de um problema sem solução, e chegou a uma taxa de fracasso real na faixa de 25% a 30%.

Nada disso desmonta o estudo. O que a ressalva faz é mudar o uso dele. O número não serve como manchete de choque para paralisar investimento, serve como pergunta: se tanta gente competente tentou e não conseguiu mostrar resultado, o que está errado no desenho do projeto, não no modelo.

O que os 5% fizeram diferente?

Lendo o relatório pelo lado de quem deu certo, o padrão é chato de tão simples, e nenhuma das escolhas é sobre tecnologia.

A primeira é escopo. Os 5% escolheram um processo com começo e fim, não uma área inteira. Cobrança de inadimplente acima de 15 dias é um projeto com dono e com número. IA no financeiro é um orçamento sem dono e sem número.

A segunda é onde o agente mora. Quando a IA entra no canal e no sistema que a equipe já abre de manhã, ela é usada. Quando ela mora em uma janela nova, o uso depende de a pessoa lembrar de visitar, e é isso que some no terceiro mês.

A terceira é comprar em vez de construir. Segundo a leitura do relatório publicada pelo VentureBeat em agosto de 2025, parceria com fornecedor externo chegou a 67% de sucesso na implantação, contra 33% de quem construiu por dentro. Não é argumento contra time técnico bom, é constatação sobre onde o tempo de um time bom rende mais. Resolver o processo da empresa, em vez de reconstruir do zero a camada que já existe pronta.

A quarta é onde o dinheiro entra. Ainda segundo a mesma leitura, cerca de metade dos orçamentos foi para vendas e marketing, as áreas mais visíveis e mais fáceis de aprovar, enquanto os ganhos medidos apareceram na automação de back office, com contrato de terceirização encerrado e queda em honorários. O investimento foi para a vitrine e o retorno estava no estoque.

Por que a ferramenta genérica para de ser usada no terceiro mês?

O relatório dá nome ao mecanismo. Learning gap, a lacuna de aprendizado. Os sistemas que as empresas compraram não guardam retorno de uso, não se adaptam ao contexto e não melhoram com o tempo. A ferramenta parece esperta na demonstração e burra no terceiro mês, porque ela recomeça do zero a cada conversa.

Quem trabalha em operação reconhece a cena. No primeiro mês alguém alimenta o contexto à mão: cola o histórico do cliente, explica a regra de desconto, lembra o que foi combinado na reunião passada. No terceiro mês essa pessoa voltou a ter as próprias metas, ninguém alimenta mais nada, e a ferramenta responde como se fosse o primeiro dia.

Contexto Contínuo é a camada que guarda o que a empresa combinou, em qual canal, com quem e sob qual regra, e entrega isso pronto ao agente na tarefa seguinte, sem depender de alguém colar nada. É a diferença entre uma ferramenta que responde bem e uma que trabalha dentro da sua operação. A versão desconfortável do mesmo problema é o que acontece quando a pessoa resolve a lacuna sozinha, com a conta pessoal dela, e foi sobre isso que escrevemos em shadow AI nas empresas.

E no Brasil, a gente está onde nessa curva?

O KPMG Global Tech Report 2026, publicado em abril de 2026 com 2.500 executivos de tecnologia de 27 países, entre eles 150 líderes brasileiros, encontrou 45% dos executivos com vários projetos de IA operando de maneira desconectada. É o retrato da adoção sem aterrissagem: iniciativa em toda área, nenhuma conversando com a outra, e nenhuma com dono do número.

Do lado da adoção, a pesquisa TIC Empresas do Cetic.br, na 16ª edição, com coleta entre fevereiro de 2025 e janeiro de 2026, mostra o uso de inteligência artificial nas empresas brasileiras saindo de 13% em 2024 para 17% em 2025. Entre as grandes, com mais de 250 pessoas, foi de 38% para 50%. Entre as pequenas, de 10 a 49 pessoas, de 10% para 15%.

A leitura prática desses dois números é quase boa notícia para quem tem de 30 a 200 funcionários. A maior parte das empresas brasileiras ainda não fez o piloto que o MIT mediu. Elas estão chegando agora, depois da fatura da primeira onda, e podem começar pelo desenho que deu certo em vez de repetir o que deu errado lá fora em 2024.

Onde a IA não resolve

Vale dizer com todas as letras onde esse investimento não devolve nada, porque é aqui que a maioria dos pilotos morre sem que ninguém admita.

• Processo que não existe. Se cada pessoa da área faz de um jeito e não há regra escrita, a IA vai acelerar a bagunça em vez de organizar. O trabalho de desenhar o processo continua sendo humano.
• Dado que a empresa não tem. Um agente não inventa histórico de cliente que nunca foi registrado. Se a informação nunca entrou em lugar nenhum, ela não vai sair de lugar nenhum.
• Decisão com responsabilidade. Preço, prazo, cláusula contratual e comunicação com cliente são decisões que alguém assina. O desenho que sobrevive é sempre o mesmo. A IA prepara, a pessoa valida e assina.
• Documento ruim na entrada. Foto torta de pedido, planilha com três padrões de data e PDF digitalizado de fax continuam dando trabalho, e o ganho aparece na conferência, não na mágica.
• Conflito que é comercial, não operacional. Cliente que não responde por decisão, não por esquecimento, não é um problema de régua de cobrança. É uma conversa que alguém precisa ter.

Seis passos para não entrar na estatística

Este é o pedaço que dá para levar para a reunião de segunda. Se as seis respostas existirem antes de começar, a chance de o projeto virar estatística cai bastante.

1. Escolha um processo, não uma área. Ele precisa ter começo, fim e uma pessoa que responde por ele hoje.
2. Escreva a linha de base antes de qualquer ferramenta: quantas horas por semana, quantos dias de espera, quantos casos por pessoa. Sem isso, nenhum piloto prova nada.
3. Defina o número que vai se mover e quem vai olhar para ele. Um número, combinado com o gestor do processo, não um painel com doze indicadores.
4. Coloque o agente onde o trabalho já acontece, no canal e no sistema que a equipe abre de manhã. Ferramenta em janela nova morre de esquecimento.
5. Separe o que ele executa sozinho do que ele leva para aprovação. Tudo que vira promessa ao cliente passa por uma pessoa.
6. Marque a primeira medição para até oito semanas. Projeto sem entrega intermediária morre de silêncio, mesmo quando a tecnologia funciona.

Hendu LabsSeu processo precisa de um agente feito para a sua operação?A Hendu Labs mapeia o processo, define contexto, permissões e revisão humana e constrói agentes de IA conectados às ferramentas que sua equipe já usa.Falar com a Hendu LabsFalar com a Hendu Labs

Como a Hendu desenha para cair do lado dos 5%

A Hendu é uma camada de contexto operacional. Na prática, ela se conecta aos sistemas e aos canais que a empresa já usa, guarda o que foi combinado, entende o que importa para cada pessoa e roda agentes que executam enquanto o humano aprova. Foi construída no ponto que o estudo do MIT chama de lacuna de aprendizado, que é onde a maioria dos pilotos para de andar.

O desenho de projeto segue os mesmos seis passos acima, e começa por um processo só. Os casos de uso por área mostram como isso fica de pré-vendas a cobrança. Se o seu recorte é de mercado, IA na indústria aplica o mesmo raciocínio ao ciclo do pedido, do orçamento ao pós-venda.

Os seis passos acima viram trabalho concreto em três textos desta série: como calcular o ROI de IA monta a linha de base antes do orçamento, como implementar IA na empresa compara construir, comprar e customizar, e IA para CEO trata da decisão do ponto de vista de quem assina.

Se preferir entender a plataforma antes de qualquer conversa, comece pela plataforma de inteligência artificial da Hendu, que explica o que a camada guarda e o que os agentes fazem em cima dela. E o hub IA nas empresas reúne os artigos que tratam de retorno, governança e implantação.