O teatro da IA: 95% dos projetos nas empresas não entregam retorno nenhum

Bilhões de dólares foram investidos globalmente em projetos de inteligência artificial generativa nos últimos dois anos. Segundo o estudo mais citado sobre o tema em 2025 e 2026, 95% desses projetos não produziram nenhum impacto mensurável no resultado financeiro das empresas que os patrocinaram. Não "impacto pequeno". Nenhum impacto detectável.

O dado vem do relatório "The GenAI Divide: State of AI in Business 2025", do NANDA, iniciativa de pesquisa do MIT Media Lab, assinado por Aditya Challapally, Chris Pease e Ramesh Raskar. A metodologia combinou 52 entrevistas com executivos, uma pesquisa com 153 líderes empresariais e a análise de 300 implementações públicas de IA generativa em empresas de diferentes setores — um dos levantamentos mais amplos já feitos sobre o que realmente acontece depois que uma empresa aprova orçamento para um projeto de IA.

Por que o termo é "GenAI Divide", e não simplesmente "fracasso de IA"?

Porque o estudo não descreve um fracasso generalizado da tecnologia — descreve uma divisão nítida entre dois grupos muito diferentes de empresas. De um lado, a maioria: organizações que rodam pilotos de IA generativa que nunca saem da fase de experimentação, ou que saem e não sobrevivem ao primeiro trimestre de operação real. Do outro lado, uma minoria pequena, mas lucrativa: empresas que integraram IA de forma profunda em processos de alto valor e conseguem apontar, com números, o retorno gerado.

Essa divisão é o que dá nome ao relatório — e é também o motivo pelo qual "todo mundo está usando IA" e "quase ninguém está lucrando com IA" podem ser verdadeiros ao mesmo tempo.

Onde exatamente esses projetos travam?

No momento em que deixam de ser demonstração e precisam virar operação. O relatório encontrou que apenas 5% das ferramentas de IA generativa construídas sob medida sobrevivem ao que os autores chamam de "penhasco" entre piloto e produção. Chatbots genéricos, por comparação, alcançam 83% de adoção para tarefas triviais — mas estagnam justamente quando a tarefa exige contexto específico do negócio, memória de interações anteriores ou personalização mais profunda.

Ou seja: o problema não é a IA generativa em si. É a diferença entre uma ferramenta genérica, fácil de adotar e fácil de abandonar quando a tarefa fica complexa, e um sistema construído para reter contexto, aprender com o uso real e se adaptar ao processo específico daquela empresa — o segundo tipo é raro, caro de fazer direito, e é exatamente o que separa os 5% de sucesso dos 95% de piloto eterno.

O que as empresas do grupo vencedor fizeram diferente?

Três coisas, segundo o próprio estudo. Primeiro, integraram a IA profundamente em fluxos de trabalho de alto valor, em vez de espalhá-la superficialmente por múltiplas áreas ao mesmo tempo — foco em vez de dispersão. Segundo, priorizaram sistemas com memória e capacidade de aprendizado contínuo, não ferramentas estáticas que respondem sempre da mesma forma independentemente do contexto acumulado. Terceiro — e talvez o dado mais desconfortável para quem tem orgulho técnico interno —, parcerias externas de implementação tiveram taxa de sucesso duas vezes maior que desenvolvimento interno, especialmente quando aplicadas a operações de back-office.

Esse último ponto contraria um instinto comum de liderança: a crença de que construir a solução internamente garante mais controle e, portanto, mais chance de sucesso. Os números do MIT sugerem o oposto na prática — ao menos na fase de implementação, o conhecimento de quem já passou por esse penhasco de piloto-para-produção outras vezes vale mais do que a familiaridade com os sistemas internos da própria empresa.

Isso é um problema de tecnologia ou de governança?

É, na maior parte dos casos analisados, um problema de governança disfarçado de problema técnico. Uma empresa que aprova dezenas de pilotos de IA em paralelo, sem critério unificado de o que conta como sucesso, sem revisão de portfólio e sem descontinuar rapidamente o que não funciona, está estruturalmente destinada a produzir a estatística que o MIT documentou. A tecnologia raramente é o gargalo real — a ausência de um processo de decisão que force cada piloto a provar valor antes de receber mais orçamento, sim.

Por que isso deveria preocupar diretamente um conselho de administração?

Porque conselho existe, entre outras funções, para exigir que capital investido produza retorno auditável — e a maioria está aprovando, ano após ano, linhas de orçamento de "transformação digital com IA" sem cobrar do time executivo a mesma disciplina de métrica que exigiria de qualquer outro investimento de capital relevante. Um projeto de expansão de fábrica ou uma aquisição passam por análise de retorno rigorosa antes da aprovação. Orçamento de IA, na prática da maioria das empresas hoje, frequentemente não passa pelo mesmo crivo — é aprovado por entusiasmo estratégico, não por disciplina financeira.

O conselho da sua empresa sabe distinguir entusiasmo por IA de retorno real gerado por IA?

É a pergunta que, segundo o próprio MIT, separa a minoria que está lucrando da maioria que está apenas gastando com aparência de inovação. Cobrar essa disciplina — pedir não "quantos projetos de IA temos rodando" mas "qual desses projetos já provou valor auditável, e o que fizemos com os que não provaram" — é função central de governança, não detalhe operacional. É exatamente esse tipo de rigor na supervisão de investimento tecnológico que o Board Program prepara conselheiros para exercer, antes que o orçamento de IA da própria empresa vire mais uma linha nas estatísticas do próximo relatório.