Stanford: 95% dos fracassos de IA nas empresas são organizacionais, não técnicos

Todo mês surge uma nova pesquisa sobre adoção de IA nas empresas, mas a maioria mede intenção, sentimento ou expectativa. O Enterprise AI Playbook, publicado em abril de 2026 pelo Stanford Digital Economy Lab, fez outra coisa: entrevistou executivos por trás de 51 implementações reais de IA, em 41 organizações, 9 setores e 7 países, todas com valor de negócio já comprovado e sustentado por pelo menos três meses de uso ativo.

O ponto de partida da pesquisa é uma estatística que já circula no mercado — um estudo de 2025 do MIT NANDA concluiu que 95% dos projetos-piloto de IA generativa não produzem impacto financeiro mensurável, e atribuiu esse fracasso não à qualidade dos modelos, mas à má integração com fluxos de trabalho e a incentivos organizacionais desalinhados. A equipe de Stanford decidiu investigar o outro lado dessa estatística: o que fazem diferente as organizações que conseguem escapar desse padrão de fracasso.

O achado central: a tecnologia é consistentemente a parte mais fácil

Quando perguntados sobre qual foi a coisa mais difícil de resolver em cada implementação, 77% das respostas dos executivos apontaram para custos invisíveis: gestão de mudança, qualidade de dados e redesenho de processo — não para limitação técnica do modelo. Segundo um executivo de uma empresa de telecomunicações entrevistado no estudo, todo o trabalho difícil está na documentação de processo e na arquitetura de dados; resolvidos esses dois pontos, o resto se torna simples.

Esse padrão se conecta a outro dado revelador: 61% das implementações bem-sucedidas tiveram pelo menos um projeto de IA fracassado antes de chegar ao resultado atual — um custo afundado que nunca aparece no cálculo final de retorno sobre investimento. O padrão de fracasso também se repete: equipes trataram IA como projeto de tecnologia, e não como projeto de redesenho de processo e gestão de mudança, aplicando o modelo a fluxos de trabalho já quebrados, ou pressupondo que a IA corrigiria sozinha um processo que precisava, antes de tudo, ser redesenhado.

Por que projetos idênticos levam semanas numa empresa e anos em outra

Um dos achados mais contundentes do estudo é a variância dramática de cronograma entre organizações que implementam exatamente o mesmo caso de uso. Uma fintech usou um agente de IA para migrar milhões de linhas de código legado em questão de semanas. Um banco de grande porte, tentando o mesmo tipo de migração, relata que projetos assim levam múltiplos anos para sequer serem colocados de pé.

Os pesquisadores identificaram três fatores que aceleram consistentemente o tempo até gerar valor: patrocínio executivo ativo (43% dos casos), construção sobre infraestrutura já existente (32%) e disposição genuína do usuário final em adotar a solução (25%). Do lado oposto, curva de aprendizado, qualidade de dados, exigência regulatória e lacunas de documentação de processo — cada um citado por cerca de 21% dos casos — foram os fatores que mais atrasaram projetos. Em todos os casos onde foi possível identificar a metodologia de desenvolvimento, 100% usaram abordagem iterativa; nenhum usou planejamento em cascata tradicional.

O nível certo de supervisão humana depende da tarefa, não de cautela genérica

O estudo classificou cada implementação segundo o grau de envolvimento humano: modelo de escalonamento, em que a IA executa mais de 80% do trabalho de forma autônoma e humanos revisam apenas exceções; modelo de aprovação, em que a IA prepara e o humano aprova cada saída antes da ação; e modelo de colaboração contínua entre humano e IA em cada tarefa.

O modelo de escalonamento entregou o maior ganho mediano de produtividade, 71%, contra 30% do modelo de aprovação tradicional. Mas os próprios pesquisadores fazem uma ressalva importante: essa diferença reflete, em parte, o tipo de tarefa em que cada modelo é aplicado — escalonamento tende a ser usado em tarefas de alto volume e erro recuperável, enquanto aprovação e colaboração servem trabalho regulado ou de alto risco, como documentação clínica, que por exigência legal precisa de revisão médica em cada nota gerada.

Patrocínio executivo: a diferença está na ação, não na aprovação de orçamento

O estudo classificou o engajamento de patrocinadores em quatro níveis, do mais passivo ao mais profundo. Apenas 29% das implementações atingiram o nível mais alto — Integração Estratégica, em que a adoção de IA vira objetivo corporativo formal, ligado a bônus e métricas de sucesso da empresa. Mas todos os sete casos que alcançaram transformação em toda a organização, e não apenas em um departamento isolado, chegaram a esse nível.

O que mais separa um patrocinador eficaz de um que apenas aprova orçamento não é o volume de recurso alocado — isso apareceu em 59% dos casos e é considerado básico — mas a disposição de remover obstáculos ativamente, antes que a equipe precise escalar o problema, e de criar uma cultura onde falhar não tem consequência de carreira. Em todos os casos rastreáveis do estudo em que um projeto fracassou e depois foi refeito com sucesso, foi o mesmo executivo que liderou as duas tentativas — quando o patrocinador muda depois de uma falha, a memória institucional sobre o que não funcionou vai embora junto, e a mensagem que fica para o resto da organização é que fracasso tem custo de carreira.

A resistência mais frequente não vem de quem você imagina

O senso comum aponta o usuário final como principal fonte de resistência a projetos de IA. Os dados de Stanford contradizem essa expectativa: funções de suporte — jurídico, RH, risco e compliance — foram a fonte de resistência mais frequente, em 35% dos casos, à frente dos próprios usuários finais, com 23%. Cada grupo resiste por um motivo diferente e exige uma solução diferente: áreas de risco temem exposição regulatória e respondem melhor a mandato formal do que a persuasão; o C-level exige prova de retorno financeiro antes de aprovar expansão; usuários finais desconfiam da inconsistência de um sistema probabilístico depois de anos acostumados a sistemas determinísticos; e o medo de substituição entre trabalhadores de linha de frente, embora seja o mais discutido publicamente, apareceu em apenas dois dos 51 casos estudados.

O que acontece com o quadro de funcionários quando a produtividade sobe

Redução de headcount foi o desfecho mais comum, presente em 45% dos casos — mas não é maioria. As alternativas combinadas — evitar nova contratação, realocar equipe para outro gargalo, ou simplesmente não reduzir quadro — somam 55% dos casos. Três estratégias distintas emergiram: acelerar entrega em vez de cortar, realocar pessoal para trabalho de maior valor, ou reduzir quadro diretamente. Empresas em fase de crescimento tenderam a acelerar; empresas sob propriedade focada em corte de custo, como fundos de private equity, tenderam a reduzir.

Os próprios autores fazem um alerta importante sobre esse dado: ele reflete decisões tomadas numa fase inicial de adoção, entre agosto de 2024 e fevereiro de 2026. Dados complementares de folha de pagamento americana, também citados no estudo, mostram queda de 16% no emprego de trabalhadores no início de carreira em ocupações expostas à IA — o que sugere que o padrão atual de realocação predominante pode não se sustentar conforme os modelos amadurecem e a pressão de custo se intensifica. Os autores descrevem esse sinal como "canários no fundo da mina".

IA agêntica: menos adotada, mas com o maior retorno quando bem aplicada

Apenas 20% das implementações do estudo eram agênticas — sistemas que tomam ação autônoma e completam tarefas de ponta a ponta sem intervenção humana constante. Mas essa minoria entregou o maior ganho mediano de produtividade do estudo inteiro: 71%, contra 40% de implementações de alta automação com supervisão humana em exceções.

Um caso ilustra bem o potencial: uma rede de supermercados de médio porte, com poder de negociação com fornecedores próximo de zero comparado a grandes redes, substituiu completamente a função humana de compras por um agente autônomo que decide o que comprar, quando e de qual fornecedor, cruzando dados de estoque, vendas e previsão de demanda em tempo real. O resultado foi redução de 40% no desperdício, queda de 80% em rupturas de estoque, e duplicação da margem EBITDA — sem o poder de barganha das grandes redes, mas com inteligência operacional como substituto de escala.

Dado sujo não é motivo para adiar o projeto

Contrariando a expectativa comum de que IA exige dados limpos para funcionar, apenas 6% das implementações estudadas tinham dados totalmente prontos para uso. Em 88% dos casos, modelos de linguagem não foram apenas consumidores de dado limpo — foram parte da solução para o próprio problema de qualidade de dado, processando transcrição de voz, documento escaneado, código legado e base de conhecimento fragmentada que nenhuma tecnologia anterior conseguia aproveitar direito.

O ponto mais estratégico aqui: 75% das implementações citaram dado proprietário como fator-chave da estratégia de IA, e 47% descreveram explicitamente esse acervo de dados como vantagem competitiva defensável. Como resume um executivo de uma empresa de tecnologia de RH citado no estudo, o diferencial que leva cliente a comprar vem de treze anos acumulando um grafo de conhecimento com mais de 20 bilhões de pontos de dado — algo que nenhum laboratório de fronteira jamais vai replicar. A recomendação prática dos pesquisadores é direta: guarde tudo, mesmo dado imperfeito, porque o custo de armazenar é irrisório comparado ao custo de não ter o dado quando o caso de uso certo aparecer.

Segurança rigorosa não mata projeto — ela é o que permite escalar depois

Em nenhum dos casos estudados a segurança foi motivo isolado de cancelamento de projeto. Em todos os casos onde exigência de segurança criou barreira inicial, essa mesma exigência acabou permitindo que a organização manuseasse dado sensível que, de outra forma, estaria fora de alcance. Um banco de varejo americano, sob cultura extremamente avessa a risco após ordens de consentimento regulatório anteriores, levou anos para construir uma arquitetura de proteção de dados que permitisse usar modelo de IA em nuvem sem violar política de manter tudo dentro do próprio firewall — mas, uma vez construída, essa infraestrutura passou a servir de base para todo projeto seguinte, sem repetir o custo inicial.

A escolha do modelo de IA é, na maioria das vezes, irrelevante

Talvez o achado mais desconfortável para quem passa meses avaliando qual modelo de IA adotar: em 42% das implementações, a escolha do modelo era completamente intercambiável — trocar de fornecedor não mudava o resultado. Essa proporção varia fortemente com a complexidade da tarefa: entre tarefas rotineiras, 71% tratam o modelo como mercadoria e nenhuma o considera diferencial crítico; entre tarefas avançadas, que exigem raciocínio em múltiplas etapas, apenas 18% tratam como mercadoria, e 35% o consideram crítico. A vantagem durável, segundo os pesquisadores, está na camada de orquestração construída ao redor do modelo — não no modelo escolhido isoladamente.

O que isso muda para quem decide sobre IA na própria empresa

O recado prático desse conjunto de achados é que orçamento de IA está sendo mal alocado quando concentra atenção desproporcional na escolha de modelo e ferramenta, e atenção insuficiente em documentação de processo, arquitetura de acesso a dado e gestão de mudança organizacional — exatamente os itens que, segundo Stanford, respondem por 77% da dificuldade real de qualquer implementação. Isso também significa que aprovar orçamento de IA sem definir, desde o primeiro piloto, métrica clara de sucesso e critério de continuidade tende a produzir exatamente o padrão de fracasso descrito pelo MIT NANDA: iniciativa que nunca comprova valor porque ninguém mediu o lado certo do problema.

Estruturar essa jornada — da escolha certa de piloto à governança de escalonamento, passando pela gestão da resistência interna que normalmente não vem de onde se espera — é exatamente o tipo de trabalho que o AI Journey da StartSe ajuda lideranças a atravessar, com base em padrões documentados de quem já percorreu esse caminho, e não apenas em promessa de fornecedor de tecnologia.

Os 51 casos estudados por Stanford deixam uma conclusão difícil de contornar: a tecnologia de IA já está madura o suficiente para gerar valor real, comprovado e mensurável. O que ainda falta, na maioria das organizações, não é acesso a modelo melhor — é a disciplina organizacional de tratar redesenho de processo, dado e mudança cultural com a mesma seriedade dedicada à escolha do fornecedor de IA.