Por que 95% dos projetos de IA não dão retorno, e o que as empresas podem aprender com isso

Renê Fraga
26 min de leitura

Principais destaques

95%
dos projetos analisados pelo estudo do MIT não apresentaram impacto financeiro mensurável.

80%+
das organizações já haviam explorado ou testado IA generativa, mas a adoção não significava transformação.

O problema não é apenas o modelo
A maior dificuldade aparece quando a IA precisa entrar em processos reais, receber feedback, manter contexto e gerar resultado para o negócio.

A inteligência artificial chegou às empresas com uma velocidade que poucas tecnologias conseguiram acompanhar.

Em praticamente todos os setores, funcionários já usam ferramentas capazes de escrever textos, resumir documentos, analisar informações, criar imagens, programar, pesquisar e automatizar tarefas. Executivos discutem agentes de IA, copilotos e automação em reuniões estratégicas. Departamentos de marketing, vendas, tecnologia e atendimento experimentam novas aplicações quase todos os dias.

Mas existe uma pergunta incômoda por trás de toda essa empolgação:

quanto dinheiro essa inteligência artificial está realmente gerando ou economizando?

Um estudo produzido pelo Project NANDA, ligado ao MIT, trouxe um número que rapidamente chamou atenção do mercado. O relatório The GenAI Divide: State of AI in Business 2025 conclui que cerca de 95% dos projetos analisados não apresentaram retorno financeiro mensurável, enquanto apenas uma parcela pequena conseguiu transformar a implementação de IA em impacto significativo sobre o negócio.

Mas existe uma ressalva importante.

O número de 95% não deve ser interpretado como “95% de toda inteligência artificial criada no mundo fracassa” ou mesmo como “95% das empresas perdem dinheiro com IA”. O relatório é um conjunto de achados preliminares, baseado em mais de 300 iniciativas divulgadas publicamente, entrevistas com representantes de 52 organizações e respostas de 153 líderes seniores.

Ainda assim, a mensagem central é poderosa.

As empresas estão adotando IA muito mais rápido do que estão aprendendo a transformar essa tecnologia em processos capazes de produzir valor.

E é justamente aí que começa o verdadeiro problema.


O grande abismo entre usar IA e ganhar dinheiro com IA

Imagine duas empresas.

A primeira distribui uma ferramenta de IA para seus funcionários. O time de marketing passa a criar textos mais rapidamente. O RH resume currículos. O jurídico consegue analisar documentos em menos tempo. Os programadores usam IA para escrever trechos de código.

Todo mundo está mais rápido. Mas a receita não mudou.

Os custos não caíram de maneira significativa. A margem continua praticamente igual.

A segunda empresa começa de outro ponto.

Ela identifica um processo que custa milhões de reais por ano. Mede quanto tempo é gasto, quantas pessoas participam, onde estão os gargalos e quais erros acontecem. Depois disso, procura descobrir se a IA consegue alterar aquele processo de maneira mensurável.

A diferença entre as duas empresas não está necessariamente no modelo de IA utilizado.

Está na pergunta que cada uma fez antes de começar.

A primeira perguntou: “Onde podemos colocar IA?”

A segunda perguntou: “Qual problema de negócio queremos resolver e onde a IA pode ser útil?”

Essa distinção ajuda a explicar o chamado GenAI Divide, o abismo entre alta adoção de inteligência artificial e baixo impacto empresarial descrito pelo estudo.

A armadilha da produtividade individual

Existe uma forma de IA que funciona muito bem e, ainda assim, pode não aparecer imediatamente nos resultados financeiros da companhia.

É a IA como ferramenta individual.

Um funcionário que levava 40 minutos para produzir um relatório pode fazê-lo em 15. Um profissional de vendas consegue preparar uma reunião em metade do tempo. Um desenvolvedor reduz o trabalho repetitivo de programação.

São ganhos reais.

O problema é que produtividade individual não se transforma automaticamente em resultado financeiro.

Se o funcionário economiza duas horas por semana usando IA, mas continua executando exatamente o mesmo processo, utilizando os mesmos sistemas e dependendo das mesmas aprovações, talvez a empresa tenha ganhado velocidade sem mudar sua estrutura de custos.

É aqui que muitas iniciativas param.

A IA acelera a tarefa, mas não transforma o processo.

E essa diferença pode ser enorme.


O que o estudo realmente mediu?

Antes de usar o número de 95% em uma apresentação para a diretoria, existe uma lição importante de alfabetização em IA: leia o denominador.

O relatório do NANDA é uma pesquisa preliminar, e análises posteriores chamaram atenção para diferentes unidades de análise utilizadas ao longo do documento. O número viralizado como “95% dos projetos de IA falham” simplifica uma conclusão que originalmente está relacionada à ausência de impacto financeiro mensurável.

Isso faz diferença.

Um projeto pode:

  • funcionar tecnicamente;
  • ser utilizado pelos funcionários;
  • aumentar produtividade;
  • melhorar a experiência do usuário;
  • reduzir tempo de execução;
  • gerar aprendizado organizacional;

e ainda assim não apresentar, naquele momento, um impacto claro no demonstrativo financeiro.

Portanto, “não apresentar ROI mensurável” não é exatamente a mesma coisa que “fracassar”.

Essa distinção é fundamental para qualquer profissional que trabalhe com IA.

O que podemos aprender com isso?

A primeira lição é simples:

defina o que significa sucesso antes de começar o projeto.

Se uma empresa diz que quer “usar IA para melhorar o marketing”, não existe uma métrica clara.

Mas se ela diz:

“Queremos reduzir em 30% o tempo necessário para produzir campanhas, mantendo ou aumentando a taxa de conversão.”

agora existe um objetivo.

E existe algo que pode ser medido.


PROMPT PARA APRENDER A TRANSFORMAR UMA IDEIA DE IA EM PROJETO

Copie e cole em seu modelo de IA preferido:

Quero avaliar uma ideia de projeto de inteligência artificial para uma empresa.

Minha ideia é:

[DESCREVA A IDEIA]

Analise essa iniciativa como um consultor de estratégia e IA.

Responda:

1. Qual problema de negócio essa iniciativa realmente resolve?
2. Qual é o processo atual?
3. Qual parte desse processo poderia ser melhorada com IA?
4. Quais pessoas seriam afetadas?
5. Quais sistemas e dados precisariam ser integrados?
6. Qual métrica financeira poderia ser impactada?
7. Quais métricas operacionais deveriam ser acompanhadas?
8. Como eu poderia criar um piloto pequeno antes de fazer um investimento maior?
9. Quais são os principais riscos?
10. Qual seria um critério objetivo para decidir se o projeto deve continuar, ser ajustado ou ser encerrado?

Não tente vender a ideia. Seja crítico e procure motivos pelos quais ela pode não funcionar.

Esse tipo de prompt muda a conversa.

Em vez de pedir para a IA “dar ideias”, você está usando a ferramenta para questionar uma ideia.

Essa talvez seja uma das habilidades mais importantes para profissionais que trabalham com inteligência artificial.


Por que tantos pilotos não chegam ao resultado?

Um piloto de IA costuma ser sedutor.

É relativamente simples mostrar um chatbot respondendo perguntas, um gerador criando campanhas ou um assistente produzindo código.

A demonstração funciona.

Todo mundo fica impressionado.

Então aparece a pergunta:

“Quando colocamos isso para funcionar na empresa inteira?”

É nesse momento que a realidade aparece.

O protótipo pode não estar integrado aos sistemas internos. Os dados podem estar espalhados. Os funcionários podem não confiar na ferramenta. Não existe responsável pelo resultado. Ninguém definiu quem corrige os erros. Não há monitoramento. O processo original continua existindo ao lado da nova ferramenta.

O projeto que parecia tecnológico se transforma rapidamente em um projeto de mudança organizacional.

E essa é uma diferença que empresas frequentemente subestimam.

Um chatbot não é uma transformação

Imagine uma empresa que recebe milhares de perguntas de clientes todos os dias.

Ela cria um chatbot com IA.

O chatbot responde rapidamente.

Mas quando encontra uma situação fora do padrão, encaminha o cliente para um funcionário.

Esse funcionário precisa abrir outro sistema.

Consultar informações.

Confirmar dados.

Voltar para o cliente.

Registrar o atendimento.

Nesse caso, a IA melhorou uma etapa.

Mas não necessariamente redesenhou o atendimento.

Uma implementação mais madura poderia conectar a IA ao sistema de CRM, consultar informações autorizadas, classificar a solicitação, executar determinadas ações e encaminhar somente casos realmente complexos para humanos.

Agora temos algo diferente.

A IA deixou de ser uma ferramenta isolada e passou a fazer parte do fluxo de trabalho.


A pergunta que empresas deveriam fazer antes de escolher um modelo

O mercado de inteligência artificial frequentemente começa a conversa pelo modelo.

GPT ou Claude?

Modelo aberto ou fechado?

Context window maior?

Mais parâmetros?

Mais velocidade?

Mais barato?

Essas perguntas são importantes.

Mas, para uma empresa, podem não ser as primeiras.

A pergunta deveria ser:

“Qual parte do trabalho queremos mudar?”

Essa inversão parece pequena, mas muda completamente um projeto.

Uma empresa que começa pelo modelo tende a procurar problemas para justificar a tecnologia.

Uma empresa que começa pelo processo procura tecnologia para resolver problemas.

O modelo é um componente. O processo é o produto.

Esse princípio também ajuda a entender por que soluções aparentemente menos sofisticadas podem gerar mais valor do que modelos de última geração.

Se uma IA simples consegue classificar corretamente 98% das solicitações de um departamento e encaminhá-las automaticamente, ela pode ser mais valiosa para aquele negócio do que um modelo muito mais poderoso que responde perguntas complexas, mas não está integrado a nenhum processo.


IA generativa + IA analítica: uma combinação ainda subestimada

Outro ponto interessante é que a discussão empresarial sobre inteligência artificial muitas vezes fica excessivamente concentrada na IA generativa.

Mas a IA analítica já movimenta negócios há anos.

Sistemas de recomendação, previsão de demanda, segmentação de consumidores, detecção de fraude e modelos de propensão fazem parte de operações maduras.

A oportunidade aparece quando os dois mundos começam a conversar.

Imagine uma empresa de varejo.

A IA analítica pode identificar:

Quem tem maior probabilidade de comprar.

Quando essa pessoa provavelmente comprará.

Qual produto tem maior chance de interesse.

Qual canal apresenta maior probabilidade de conversão.

A IA generativa pode entrar depois:

Qual mensagem devemos enviar?

Qual argumento é mais relevante para essa pessoa?

Como adaptar a linguagem para cada canal?

Nesse cenário, uma tecnologia decide o que fazer e com quem, enquanto outra ajuda a decidir como comunicar.

É uma arquitetura muito mais interessante do que simplesmente pedir para uma IA escrever milhares de anúncios.


O aprendizado mais importante: IA precisa de feedback

Existe outro problema recorrente em projetos corporativos.

A empresa implementa a ferramenta e considera o trabalho concluído.

Mas inteligência artificial aplicada a processos reais precisa de avaliação contínua.

Imagine um sistema que responde perguntas de funcionários.

Na primeira semana, ele funciona muito bem.

No terceiro mês, uma política interna mudou.

No sexto mês, um novo produto foi lançado.

Depois de um ano, os processos da empresa já são diferentes.

Se o sistema não recebe contexto atualizado, avaliação e mecanismos de correção, sua qualidade pode cair.

É por isso que a ideia de feedback loop é tão importante.

O sistema precisa responder.

Alguém precisa avaliar.

Os erros precisam ser registrados.

As causas precisam ser investigadas.

O processo precisa ser ajustado.

E o desempenho precisa ser medido novamente.

É quase um ciclo:

usar → medir → corrigir → testar → usar novamente

Essa lógica é muito mais próxima de uma operação contínua do que de um projeto tradicional de software.


PROMPT PARA CRIAR UM SISTEMA DE FEEDBACK DE IA

Estou implementando uma solução de IA para:

[DESCREVA O CASO DE USO]

Crie um sistema de feedback contínuo para essa solução.

Quero que você defina:

1. Quais métricas devem ser acompanhadas diariamente, semanalmente e mensalmente.
2. Como identificar respostas incorretas.
3. Como classificar os erros por gravidade.
4. Como coletar feedback dos usuários.
5. Quais situações exigem revisão humana.
6. Como identificar queda de qualidade ao longo do tempo.
7. Quando devemos atualizar os dados ou instruções do sistema.
8. Quando devemos trocar o modelo.
9. Como criar uma rotina de melhoria contínua.
10. Quais indicadores mostram que a solução está realmente gerando valor para o negócio.

Apresente tudo em uma tabela com: indicador, frequência, responsável, meta e ação quando o resultado estiver abaixo do esperado.

Esse é o tipo de habilidade que diferencia o usuário de IA do profissional que sabe operar IA.


O paradoxo dos projetos internos

O estudo também aponta uma diferença interessante entre projetos desenvolvidos internamente e aqueles realizados com parceiros externos. Na análise apresentada pelo NANDA, iniciativas com parceiros tiveram uma taxa de chegada à produção superior à dos projetos conduzidos internamente, algo próximo de 67% contra cerca de 33%.

Mas esse número precisa ser tratado com cuidado.

Ele não prova que contratar terceiros é sempre melhor.

Existe um possível efeito de seleção: empresas que desenvolvem internamente podem estar tentando resolver problemas mais complexos, específicos ou estratégicos.

Ou seja:

correlação não significa causalidade.

Ainda assim, existe uma lição interessante.

Parceiros especializados podem trazer experiências que a empresa ainda não acumulou.

Eles já viram projetos falharem.

Conhecem problemas de integração.

Sabem onde avaliações precisam ser criadas.

Conhecem limitações dos modelos.

E podem ajudar a empresa a evitar erros que custariam meses.

Isso não significa terceirizar o pensamento.

Pelo contrário.

Uma empresa madura precisa desenvolver capacidade interna de entender IA, mesmo quando utiliza fornecedores externos.


Learning: a habilidade que pode decidir o sucesso da IA

É aqui que a discussão fica especialmente importante para profissionais.

Durante muito tempo, empresas compravam software e treinavam funcionários para utilizar o sistema.

Com IA, essa lógica começa a mudar.

Não basta ensinar onde clicar.

É preciso ensinar como pensar com IA.

Um profissional precisa saber:

  • quando usar IA;
  • quando não usar;
  • como formular uma boa solicitação;
  • como fornecer contexto;
  • como avaliar uma resposta;
  • como detectar uma alucinação;
  • como proteger informações sensíveis;
  • como comparar respostas;
  • como transformar uma resposta em ação;
  • como medir o resultado.

Isso significa que letramento em IA não deveria ser tratado como um treinamento isolado.

Ele precisa fazer parte da forma como a empresa trabalha.


Um exercício rápido para o profissional

Escolha uma tarefa que você realiza toda semana.

Agora responda:

1. Quanto tempo ela consome?

2. Quantas etapas possui?

3. Quais etapas são repetitivas?

4. Quais exigem julgamento humano?

5. Quais dependem de informações estruturadas?

6. Quais poderiam ser feitas por IA?

7. Quais precisam continuar sendo feitas por uma pessoa?

8. Como saberíamos se o processo ficou melhor?

Essa última pergunta é a mais importante.

Sem ela, existe automação.

Com ela, começa a existir gestão de desempenho.


O prompt que transforma uma tarefa em oportunidade de automação

Vou descrever uma tarefa que realizo no meu trabalho.

Tarefa:
[DESCREVA A TAREFA]

Quero que você faça uma análise de automação com inteligência artificial.

Divida a tarefa em etapas.

Para cada etapa, informe:

• objetivo
• tempo estimado
• nível de repetição
• necessidade de julgamento humano
• dados necessários
• possibilidade de usar IA
• risco de erro
• necessidade de revisão humana

Depois classifique cada etapa em:

A. Automatizar completamente
B. Automatizar parcialmente
C. Usar IA como copiloto
D. Manter exclusivamente com humanos

No final, proponha um novo fluxo de trabalho utilizando IA.

Não presuma que automatizar tudo é melhor. Priorize segurança, qualidade e impacto financeiro.

Esse exercício pode ser aplicado praticamente a qualquer departamento.

Marketing.

Vendas.

Financeiro.

RH.

Jurídico.

Atendimento.

Tecnologia.

Operações.


E existe ainda um problema que não aparece na demonstração

A inteligência artificial pode produzir um texto excelente e ainda criar um problema enorme.

Pode gerar uma imagem impressionante e trazer risco jurídico.

Pode escrever código funcional e introduzir uma vulnerabilidade.

Pode responder uma pergunta corretamente nove vezes e errar justamente na décima.

Por isso, governança não é o inimigo da inovação.

Ela é o que permite que a inovação seja utilizada em escala.

Um bom programa corporativo de IA precisa estabelecer pelo menos:

quem pode usar IA;

quais dados podem ser enviados;

quais modelos são aprovados;

quais decisões exigem revisão humana;

como os resultados são registrados;

como incidentes são tratados;

como propriedade intelectual é protegida.


Conteúdo gerado por IA também precisa de procedência

A discussão sobre imagens, vídeos e outros conteúdos sintéticos adiciona outra camada.

O problema não é simplesmente descobrir se algo foi criado por inteligência artificial.

Também importa saber como aquele conteúdo foi produzido e modificado ao longo do caminho.

É nesse contexto que entra o C2PA, padrão técnico aberto voltado à procedência e autenticidade de conteúdo digital. O sistema de Content Credentials funciona como uma espécie de histórico verificável associado ao conteúdo, registrando informações sobre sua origem e modificações.

A iniciativa reúne empresas e organizações importantes do ecossistema tecnológico, incluindo Adobe, Google, Microsoft e outras participantes.

Para empresas que trabalham intensamente com marketing, publicidade, jornalismo, entretenimento e comunicação, esse tipo de infraestrutura tende a ganhar importância.

Não basta perguntar:

“Podemos gerar isso com IA?”

A pergunta também precisa ser:

“Podemos usar isso comercialmente, sabemos de onde veio e conseguimos demonstrar sua procedência?”


A cultura pode ser o maior gargalo

Existe uma ironia na transformação digital.

A empresa pode comprar a melhor tecnologia disponível e continuar trabalhando exatamente da mesma maneira.

Isso acontece porque processos são difíceis de mudar.

Um departamento cria uma solução.

Outro departamento não sabe que ela existe.

A equipe de tecnologia desenvolve uma ferramenta.

Os funcionários não confiam nela.

A liderança determina uma meta.

Ninguém sabe exatamente quem é responsável por alcançá-la.

A empresa cria um piloto.

Depois de seis meses, ninguém sabe quem deveria continuar o projeto.

Nesse cenário, não existe necessariamente um problema de inteligência artificial.

Existe um problema de organização.


O que diferencia os 5%?

Se o número de 95% deve ser interpretado com cautela, a pergunta mais interessante não é “por que 95% falharam?”.

É:

“O que os projetos que deram certo fizeram diferente?”

A resposta que emerge da análise é bastante consistente:

1. Começaram por um problema real

Não pela tecnologia.

2. Definiram uma métrica

Não apenas “melhorar produtividade”.

3. Integraram a IA ao processo

Não deixaram a ferramenta isolada.

4. Criaram feedback

Não trataram o lançamento como ponto final.

5. Definiram responsáveis

Alguém precisava acompanhar o resultado.

6. Permitiram experimentação

Mas dentro de limites.

7. Envolveram as pessoas

Porque mudança de processo também é mudança de comportamento.

8. Pensaram em escala desde o início

Não necessariamente para lançar grande, mas para saber o que seria necessário caso o piloto funcionasse.


Um framework simples para avaliar qualquer projeto de IA

Antes de aprovar uma iniciativa, use estas cinco perguntas:

PerguntaSe a resposta for “não”
Existe um problema de negócio claro?Reformule o projeto
Existe uma métrica de sucesso?Defina antes de começar
Temos os dados necessários?Resolva a camada de dados
Sabemos como integrar ao processo?Desenhe o workflow
Existe alguém responsável pelo resultado?Defina um owner

Se várias respostas forem “não”, talvez ainda não exista um projeto de IA.

Existe apenas uma ideia interessante.

E isso é completamente diferente.


PROMPT FINAL: transforme uma ideia em um plano de aprendizado

Quero transformar um caso de uso de inteligência artificial em um projeto de aprendizado dentro da empresa.

Caso de uso:
[DESCREVA]

Meu objetivo de negócio:
[DESCREVA]

Contexto da empresa:
[DESCREVA]

Crie um plano em 30 dias dividido em quatro etapas:

Semana 1: entender o problema e estabelecer métricas.
Semana 2: testar a solução em pequena escala.
Semana 3: medir resultados e coletar feedback.
Semana 4: decidir se devemos escalar, ajustar ou abandonar.

Para cada semana, defina:

• objetivo
• atividades
• pessoas envolvidas
• dados necessários
• prompts que podem ser usados
• métrica de sucesso
• riscos
• resultado esperado

No final, crie um quadro de decisão com três possibilidades:

1. ESCALAR
2. AJUSTAR
3. ENCERRAR

Se o projeto não tiver potencial claro de gerar valor, diga isso explicitamente.

A próxima fase da IA pode ser menos glamourosa

A indústria de inteligência artificial ainda está fascinada por modelos maiores, mais rápidos e mais inteligentes.

É compreensível.

Cada novo lançamento parece prometer uma nova fronteira.

Mas, para as empresas, talvez a próxima grande vantagem não venha simplesmente do próximo modelo.

Ela pode vir de algo muito menos chamativo:

uma empresa que sabe onde aplicar IA.

Uma equipe que sabe avaliar resultados.

Um processo que consegue incorporar feedback.

Uma liderança que entende que piloto não é produto.

Um funcionário que sabe quando confiar na IA e quando questioná-la.

Um sistema que conversa com os outros sistemas.

E uma cultura que permite experimentar sem transformar cada erro em desastre.

Esse é o verdadeiro aprendizado por trás do chamado “GenAI Divide”.

A tecnologia já chegou.

Agora começa a parte mais difícil: aprender a trabalhar com ela.

E talvez seja justamente essa capacidade de aprendizado contínuo que determine quais empresas ficarão do lado dos experimentos esquecidos e quais conseguirão transformar inteligência artificial em resultado.

Apoie o Eurisko
Este conteúdo é independente, sem anúncios e feito por pessoas.
A inteligência artificial e as mudanças recentes do Google reduziram significativamente o alcance dos sites independentes. Se este conteúdo foi útil para você, considere apoiar o Eurisko e todo o ecossistema de projetos com qualquer valor.
Quero apoiar
Seguir:
Renê Fraga é fundador e editor-chefe do Eurisko, ecossistema editorial independente dedicado à inteligência artificial, código aberto, tecnologia e cultura digital. Atuando com projetos online desde 1996, escreve há mais de 20 anos sobre tecnologia e inovação, acompanhando a evolução da internet e o impacto das novas tecnologias na forma como vivemos, trabalhamos e pensamos.
Nenhum comentário