▶ Veja o resumo em vídeo no YouTube: assista aqui
A tecnologia mais financiada da década também é a que mais morre logo depois do primeiro protótipo. Executivos da SAP e da Infosys ouvidos pela MIT Technology Review Insights descrevem empresas que acumulam provas de conceito sem conseguir levá-las à operação [1]. Os números confirmam o quadro. Em 2024, o Boston Consulting Group ouviu cerca de mil executivos de alto escalão e concluiu que 74% das empresas ainda não conseguiam gerar nem escalar valor tangível com IA [2]. Em 2026, um levantamento da HFS Research com a Infosys, com mais de 500 empresas do ranking Global 2000, olhou só para os agentes autônomos e encontrou apenas 14% delas com a tecnologia de fato escalada [3]. Segundo a Infosys, só 8% das companhias se qualificam hoje como "AI native", e esse grupo obtém da IA uma contribuição de receita quatro vezes maior que a dos retardatários [1].
Esses números não indicam uma tecnologia imatura. Indicam uma tecnologia madura entrando em organizações que não estão prontas para recebê-la. A tese deste artigo é que modelos melhores não bastam para levar o piloto à escala. É preciso reconstruir três camadas que vêm antes do modelo: uma fundação de dados conectada e com significado de negócio, processos desenhados de ponta a ponta e governança embutida no ciclo de vida. Quem trata IA como plataforma operacional acumula vantagem. Quem a trata como uma coleção de projetos acumula risco.
A aritmética do piloto eterno
Thorsten Leiduck, vice-presidente sênior e chefe global do ecossistema da SAP Business AI Platform, descreve o mecanismo sem rodeios. Segundo ele, programas demais começam como provas de conceito isoladas, sobre tecnologias de IA diferentes e uma base de dados inconsistente e fragmentada, o que gera duplicação, desempenho irregular e nenhum caminho claro para escalar [1]. Não se trata de incompetência técnica. A estrutura de decisão premia o anúncio e pune a paciência que a integração exige.
Satinder Pal Singh, vice-presidente associado da Infosys para a América do Norte nas frentes de SAP Business AI e estratégia de IA, dá nome ao padrão: a "armadilha da IA como departamento". A empresa cria um time ou centro de excelência de IA e o isola do negócio. O resultado são soluções de IA em busca de problemas [1]. A formulação inverte a causa que se costuma apontar. O problema não é falta de casos de uso, e sim casos de uso demais sem um dono no negócio.
Há ainda uma evidência que costuma passar batida. Em junho de 2025, a Gartner previu que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027. As causas apontadas não são limitações dos modelos, e sim custos crescentes, valor de negócio pouco claro e controles de risco inadequados [4]. Ou seja, a maior parte do desperdício acontece longe da pesquisa, no ponto em que alguém precisa prestar contas do custo e do risco.
A fartura de pilotos também funciona como anestésico. Cada prova de conceito bem-sucedida serve de argumento para financiar a próxima, e nenhuma passa pelo teste que importa, que é a replicação. Singh resume o critério numa frase: "um piloto que não consegue escalar é apenas um experimento" [1].
O alicerce invisível: por que o dado vem antes do agente
Para Leiduck, a IA é "absolutamente dependente da fundação de dados". Antes de pôr agentes em processos críticos, as empresas precisam de uma camada de dados conectada e semanticamente rica, que reflita o negócio [1]. "Semanticamente rica" pesa mais do que parece. Volume, limpeza e catálogo não bastam. O dado precisa carregar o significado do processo a que pertence: o que é um pedido, o que é uma exceção, o que é um cliente inadimplente naquele setor e sob aquelas regras.
Em fevereiro de 2025, a Gartner estimou o custo de ignorar essa camada: até o fim de 2026, as organizações abandonarão 60% dos projetos de IA que não tiverem dados prontos para IA [5]. É uma projeção de consultoria e deve ser lida com cautela, mas coincide com o que relatam os profissionais da área. O próprio Leiduck cita uma pesquisa da Anthropic segundo a qual 42% das organizações têm dificuldade com o acesso aos dados e com a qualidade deles [1].
O nível de precisão exigido também varia muito conforme o processo. Leiduck oferece a distinção mais útil do material: em algumas aplicações do dia a dia, 80% de acerto "pode ser bom o suficiente", mas em cadeias de suprimentos ou no fechamento financeiro esse mesmo nível é "um resultado terrível" [1]. Isso contraria a ideia de "qualidade de dados" como exigência igual para tudo. O investimento na fundação deve ser proporcional à criticidade do processo, e essa calibragem é uma decisão de gestão, não de engenharia de dados.
Pesquisas de fornecedores ajudam a medir a lacuna, com a ressalva de que têm interesse comercial. Em 2025, um levantamento da Semarchy com 1.050 líderes empresariais nos Estados Unidos, no Reino Unido e na França mostrou que 74% das empresas planejavam investir em IA naquele ano, mas apenas 46% confiavam na qualidade dos próprios dados [6]. A distância entre a intenção de investir e a confiança na base resume bem o piloto eterno.
Os três filtros: impacto, viabilidade e escalabilidade
A contribuição mais prática do material é o modelo que Singh propõe para decidir onde um agente vale a pena. Cada candidato passa por três filtros. O primeiro é o impacto: o agente move métricas de negócio relevantes? O segundo é a viabilidade: os dados e o talento disponíveis sustentam o caso? O terceiro é a escalabilidade: o que deu certo pode ser replicado? [1]. Para não começar do zero, a Infosys mantém uma biblioteca com mais de 300 casos de uso empresariais [1].
Os três filtros precisam ser aplicados juntos, e não um depois do outro. Um caso de altíssimo impacto e baixa viabilidade consome orçamento e vira troféu de demonstração. Um caso de baixo impacto e alta viabilidade gera uma eficiência marginal que não paga o custo de coordenação. O mais perigoso tem alto impacto, alta viabilidade e baixa escalabilidade: passa pelos dois primeiros filtros e só morre no terceiro, depois de já ter consumido capital político.
Leiduck acrescenta uma camada econômica. Se os agentes forem vistos como trabalhadores digitais que executam tarefas específicas dentro de um processo, fica claro que nem toda tarefa justifica automação, e às vezes o trabalho humano continua mais barato ou mais eficaz [1]. Custos de tokens, desempenho do modelo, segurança e responsabilização ganham peso à medida que o volume cresce [1].
Uma ressalva: um catálogo extenso de casos prontos é ao mesmo tempo ativo e risco. Ele tende a empurrar a empresa para o ajuste forçado, em que se escolhe o caso que cabe no catálogo, e não o que resolve o problema local.
Governança como acelerador, não como obstáculo
Nas áreas de negócio, a intuição dominante vê a governança de agentes como o preço que se paga pela segurança. Aqui ela aparece como a infraestrutura que torna a velocidade possível. Singh é direto: a ausência de governança não acelera a adoção de IA. Ela cria um passivo de risco que, cedo ou tarde, obriga a uma parada para auditoria [1].
A leitura corrente diz o oposto e trata políticas, controles de acesso, monitoramento e supervisão como atritos a reduzir para "não travar a inovação". As previsões da Gartner, porém, incluem controles de risco inadequados entre as principais causas de cancelamento de projetos agênticos [4]. O freio evitado na fase de piloto acaba imposto na fase de escala, quando parar custa muito mais.
Disso decorre uma consequência de arquitetura: a governança precisa estar embutida no ciclo de vida, com políticas e supervisão desenhadas junto com o agente, e não depois. Leiduck descreve essa ambição como o framework de "empresa autônoma" da SAP, em que uma camada de dados unificada se liga ao contexto de processo das aplicações e a IA é governada ao longo de todo o ciclo de vida [1].
Cabe outra ressalva. A "governança embutida" também é o argumento de venda dos fornecedores de plataforma, e há conflito de interesse em deixar o fornecedor definir o que precisa ser governado. Responsabilização legal, auditoria de decisões automatizadas e limites de autonomia são decisões da organização, do regulador e, em alguns setores, do cliente. A plataforma é o meio, e a definição desses limites é uma escolha política.
A vantagem que se acumula, e o preço de não construí-la
Singh também apresenta um argumento de urgência. Segundo ele, quem sai na frente constrói uma vantagem que não se compra depois: 18 meses de dados sobre o comportamento dos agentes, um grafo de conhecimento calibrado e uma força de trabalho que de fato incorporou a IA [1]. Um estudo de 2025 da HFS Research com a Infosys, com 553 executivos de empresas do Global 2000, mediu algo próximo: 88% das empresas estavam presas ao básico e só 12% haviam integrado a IA em toda a organização [7]. Esses números medem coisas diferentes do índice de "AI native" citado na introdução e não devem ser somados.
A tese da vantagem acumulada é plausível, mas tem uma condição: o que se acumulou precisa continuar relevante. Um grafo de conhecimento calibrado ao longo de dois anos vale muito quando o negócio e as regras são estáveis. Em setores que mudam rápido, parte desse acervo perde valor. A McKinsey oferece o contrapeso. No levantamento de 2025, 39% dos respondentes atribuíam algum impacto no EBIT da empresa à IA, e a maioria deles dizia que esse impacto ficava abaixo de 5% do EBIT total [8]. Na edição de 2026, a fatia ficou em 37%, praticamente estável [9]. Entre as empresas com receita acima de US$ 1 bilhão, 40% disseram estar escalando agentes, contra 27% no ano anterior [9]. O avanço é real, mas está longe de ser regra.
A distância entre os 14% que escalaram agentes [3] e os 40% das grandes empresas que dizem escalá-los [9] não vem só da diferença de método. Há uma diferença entre "ter agentes em produção em algum lugar" e "ter reconfigurado o modelo operacional". A primeira é uma conquista de engenharia. A segunda é uma conquista de gestão, e é ela que aparece no EBIT.
Discussão: o que os indicadores de maturidade não medem
Juntas, as evidências formam um quadro coerente e incômodo: 74% sem valor em escala [2], só 14% com agentes escalados [3], 60% dos projetos sem dados prontos para IA sob risco de abandono [5] e mais de 40% dos projetos agênticos com cancelamento previsto até 2027 [4]. São medições e projeções diferentes que apontam o mesmo gargalo, a camada organizacional entre o modelo e o processo.
Esse conjunto tem limites. A maior parte das evidências vem de consultorias e fornecedores que vendem a solução para o problema que diagnosticam. O próprio material de origem é conteúdo patrocinado, produzido em parceria com a Infosys, com executivos da SAP e da Infosys como entrevistados [1]. Isso não invalida os números, mas pede a mesma desconfiança que se teria diante de um estudo sobre as vantagens de comprar o produto do patrocinador.
Também há um limite de medição. Os índices de maturidade medem o estágio que a empresa declara, não o valor que ela captura. O próprio material aponta o antídoto: definir antes de começar métricas de processo como redução do tempo de ciclo, ganho de acurácia, custo por transação e aumento de receita [1]. Quem mede maturidade sem medir o processo está só se olhando no espelho.
Conclusão: três frentes para sair do piloto
Os dados levam a uma conclusão menos inspiradora e mais útil do que o habitual. A IA empresarial não está travada por falta de capacidade técnica, e sim por falta de estrutura de decisão. Três frentes se impõem.
A primeira é tratar a fundação de dados como infraestrutura do negócio, e não como requisito de cada projeto de IA. O nível de rigor deve acompanhar a criticidade do processo, porque aplicar a mesma régua a um resumo de reunião e ao fechamento contábil é desperdício num caso e descuido no outro [1][5]
.
A segunda é submeter cada piloto a um teste de replicação antes de uma nova rodada de financiamento. Se ele não passa pelos três filtros (impacto mensurável, viabilidade de dados e talento, escalabilidade comprovada), não é um avanço, é custo afundado [1].
A terceira é parar de tratar governança como despesa de conformidade. Os cancelamentos previstos e as paradas forçadas para auditoria têm a mesma origem: limites de autonomia mal definidos [1][4]. Governança desenhada junto com o agente é o que permite dar a ele mais autonomia, e não menos.
Os entrevistados preveem agentes coordenando o trabalho entre aplicações, grafos de conhecimento específicos de cada cliente tratados como ativos centrais e a IA deixando de ser ferramenta de produtividade para virar "parceira de decisão" [1]. Esse futuro é plausível, mas não vem sozinho. Ele depende de uma escolha que nenhuma plataforma entrega pronta: reconfigurar de forma deliberada o modelo operacional. Enquanto essa escolha não for feita, os pilotos vão continuar nascendo saudáveis e morrendo de velhice no caminho entre a equipe de inovação e a área de negócio.
Referências
[1] MIT Technology Review Insights (2026). Building AI that can work across the enterprise. MIT Technology Review (conteúdo patrocinado, em parceria com a Infosys). https://www.technologyreview.com/2026/11/16/1146070/building-ai-that-can-work-across-the-enterprise/
[2] Boston Consulting Group (2024). AI Adoption in 2024: 74% of Companies Struggle to Achieve and Scale Value. BCG Press Release. https://www.bcg.com/press/24october2024-ai-adoption-in-2024-74-of-companies-struggle-to-achieve-and-scale-value
[3] Infosys (2026). Infosys–HFS Report Shows Only 14% of Enterprises Have Scaled Agentic AI; IT Operations (50%) and Customer Support (42%) Lead Outcomes. Infosys Newsroom. https://www.infosys.com/newsroom/features/2026/enterprises-scaled-agentic-ai.html
[4] Gartner (2025). Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027. Gartner Newsroom. https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
[5] Gartner (2025). Lack of AI-Ready Data Puts AI Projects at Risk. Gartner Newsroom. https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk
[6] Semarchy (2025). 74% of Businesses Will Invest in AI this Year – But Data Quality Issues Threaten Their Ambitions. Semarchy Press Release. https://semarchy.com/press-releases/ai-data-quality-gap-study/
[7] HFS Research e Infosys (2025). Enterprises AI maturity leaders: only 12% of enterprises have cracked the AI maturity code. Infosys Topaz Insights. https://www.infosys.com/services/data-ai-topaz/insights/enterprises-ai-maturity-leaders.pdf
[8] McKinsey & Company (2025). The state of AI in 2025: Agents, innovation, and transformation. McKinsey QuantumBlack. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-2025
[9] McKinsey & Company (2026). The state of AI in 2026: On the road to ROI. McKinsey QuantumBlack. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai