Estudos do MIT e do Gartner revelam que a maioria dos projetos corporativos de inteligência artificial não chega a gerar resultados relevantes. Um levantamento da iniciativa NANDA, do Massachusetts Institute of Technology (MIT), apontou que 95% das iniciativas de IA generativa nas empresas não produzem ganhos significativos de receita ou eficiência. A consultoria Gartner estima que pelo menos 30% desses projetos sejam abandonados logo após a fase de prova de conceito, por problemas de qualidade de dados, governança e ausência de valor de negócio claramente definido.
Os dados expõem um paradoxo conhecido do mercado: embora os modelos de linguagem tenham atingido níveis de capacidade sem precedentes, a maior parte das iniciativas não sobrevive ao contato com a operação real das organizações. Pesquisadores do MIT identificaram que o principal obstáculo não está na capacidade técnica dos modelos, mas na falta de integração com os processos internos das companhias. Ferramentas genéricas não se adaptam a fluxos de trabalho específicos nem dialogam com os sistemas já existentes.
A análise retrospectiva da Mind Group, software house brasileira sediada em Sorocaba, no interior paulista, com mais de uma década de operação e mais de 250 projetos entregues, reforça essa leitura. Em cerca de 70% dos casos de fracasso ou retrabalho observados no mercado, a causa-raiz não estava na tecnologia, mas na comunicação entre as equipes técnicas e as áreas de negócio. A empresa atende clientes no Brasil e nos Estados Unidos com cerca de 100 profissionais especializados em desenvolvimento de software sob medida e IA generativa.
José Gonçalves, CEO da Mind Group, sintetiza o problema com uma afirmação direta: setenta por cento dos projetos de inteligência artificial falham na comunicação, não na tecnologia. Segundo ele, o modelo de linguagem funciona. O que não funciona é a empresa contratante não saber explicar o próprio processo, enquanto o fornecedor não faz as perguntas adequadas antes de escrever a primeira linha de código.
A falha em projetos de inteligência artificial raramente se manifesta como um sistema fora do ar. Na maioria dos casos, o software é entregue, funciona do ponto de vista técnico e perde utilidade em silêncio. Os usuários não adotam a ferramenta, as respostas não refletem a realidade do negócio ou o sistema acaba resolvendo um problema que não era prioridade. Esse padrão de obsolescência silenciosa é o que mais compromete o retorno sobre o investimento.
Há um dado relevante para quem toma decisões. O estudo do MIT indica que empresas que recorrem a fornecedores especializados em regime de parceria alcançam taxa de sucesso de aproximadamente 67%. As que tentam desenvolver tudo internamente obtêm resultado positivo em apenas um terço dos casos. O formato de contratação, portanto, pesa tanto quanto a competência técnica da equipe envolvida.
Quando o time técnico está distante da área de negócio, tende a construir exatamente o que foi pedido, que quase nunca corresponde ao que a empresa realmente precisava. Requisito mal definido, na avaliação de Gonçalves, não é um detalhe de projeto: é a causa de morte mais comum. Para o executivo, quem domina o negócio precisa ter ao menos conhecimento superficial do aspecto técnico, uma habilidade cada vez mais requisitada no mercado profissional.
A resposta da Mind Group para esse gargalo foi estrutural. Em vez do modelo tradicional de fábrica de software, no qual o fornecedor recebe um escopo fechado, entrega e encerra o contrato, a empresa opera com squads dedicados. São equipes multidisciplinares alocadas integralmente para cada cliente, presentes desde as discussões iniciais de negócio até a operação em produção. O modelo encarece a operação, mas reduz o ruído de comunicação que os estudos apontam como principal fator de fracasso.
A diferença é mais perceptível em projetos de IA generativa, nos quais os requisitos mudam ao longo do desenvolvimento e o ajuste fino depende de ciclos curtos de feedback. Foi nesse formato que a software house atendeu organizações de alta complexidade no Brasil, entre elas Itaipu Binacional, Universidade de São Paulo, rede de ensino Fisk, Febracis, Lojas Torra e a multinacional Henkel. São projetos em setores nos quais erro de entendimento custa caro, seja por regulação, seja pela escala da operação.
Uma experiência interna ilustrou o problema com clareza. O LawrAI, plataforma jurídica com IA generativa desenvolvida pela Mind Group como demonstração de competência técnica, atende mais de 20 mil usuários. A ferramenta utiliza RAG, sigla para geração aumentada por recuperação, técnica que permite ao modelo de linguagem consultar bases de documentos legais antes de responder. Levar a plataforma à produção exigiu menos esforço de modelagem e mais trabalho de curadoria com especialistas do domínio jurídico.
Gonçalves observa que existe uma distância enorme entre conectar uma API do GPT e colocar inteligência artificial em operação para 20 mil pessoas. A API qualquer um integra em uma tarde, afirma. O difícil é garantir que a resposta esteja correta, rastreável e dentro do que a regulação permite. Segundo ele, isso não se resolve com tecnologia, mas com convivência entre desenvolvedor, área de negócio e especialista do domínio.
Para o executivo que decide o orçamento, a lição dos números é de gestão de portfólio, não de tecnologia. O erro mais frequente observado pela Mind Group é a pulverização: empresas lançam dezenas de pilotos para não ficar para trás e não levam nenhum à maturidade. Gonçalves defende que três iniciativas que chegam à produção, com responsável definido, indicador claro e orçamento para evoluir, valem mais do que trinta provas de conceito que morrem na demonstração.
A disciplina é conhecida, mas pouco seguida. Escolher poucos casos de uso com retorno mensurável, nomear um responsável de negócio, definir previamente qual indicador a IA deve mover e tratar qualidade de dados como pré-requisito são etapas fundamentais. O Gartner estima que 85% das iniciativas fracassem por dados inadequados. O MIT, por sua vez, indica que os maiores ganhos estão em áreas administrativas e de suporte, não em vendas e marketing, onde se concentra mais da metade dos orçamentos corporativos.
Gonçalves alerta ainda para a tentação do momento. Com ferramentas de IA gerando código em segundos, cresce o impulso de jogar o projeto inteiro em um modelo, sem engenharia por trás. O resultado engrossa as estatísticas de insucesso: protótipos que impressionam na demonstração e desmoronam diante de dados reais, regulação e usuários. A IA escreve código melhor a cada mês, reconhece o executivo, mas não assume responsabilidade pelo resultado. Quando o sistema cai numa sexta-feira à noite, o prompt não atende o telefone. O que separa um projeto que gera resultado de uma estatística de fracasso, conclui, é traduzir o negócio em arquitetura que aprende — e isso continua sendo gente conversando com gente.
