O debate sobre inteligência artificial nas empresas finalmente começa a sair do campo da promessa e entrar no terreno mais difícil: o da operação real. Já não há espaço para entusiasmo ingênuo nem para ceticismo defensivo, mas para uma visão mais madura e, em muitos aspectos, mais desconfortável. A IA já entrega ganhos concretos de produtividade, mas esses avanços vêm acompanhados de um aumento relevante da complexidade operacional, o que cria um tipo de desafio para as lideranças de tecnologia.

A primeira evidência clara é que a produtividade, de fato, avançou. Equipes de desenvolvimento, atendimento e operações relatam aceleração relevante nas entregas e redução de tempo gasto em tarefas repetitivas. No entanto, esse ganho não se traduz automaticamente em eficiência líquida. Ele traz novas camadas de decisão, como a escolha de ferramentas, a gestão de custos, a definição de governança e os mecanismos de controle de qualidade, que não existiam anteriormente, ou eram menos relevantes.

Esse aumento de complexidade é agravado por um segundo fator crítico: o modelo econômico da IA ainda não está plenamente adaptado à realidade corporativa. A lógica de cobrança por consumo, especialmente baseada em tokens, reduz a previsibilidade e dificulta a construção de business cases robustos. No Brasil, essa fricção é ainda mais evidente, diante da sensibilidade a variações cambiais e das restrições orçamentárias.

Ao mesmo tempo, cresce o desalinhamento entre a expectativa executiva e a realidade da operação. Conselhos e CEOs partem do pressuposto de que a IA já está madura e deveria produzir reduções expressivas de custo e ganhos de eficiência em larga escala. Na prática, porém, o cenário ainda é de experimentação contínua, com ferramentas em rápida evolução e resultados que, embora relevantes, ainda carecem de consistência. Os relatórios de 2025 da Gartner sobre inteligência artificial e IA generativa reforçam essa leitura ao indicar que várias aplicações ainda se encontram em estágios intermediários de maturidade, longe da plena estabilização operacional.

Esse contexto desloca o foco do debate. A questão central deixou de ser adotar IA e passou a ser operar com IA. A tecnologia, por si só, não produz transformação se os modelos de trabalho permanecem inalterados. Equipes que não evoluem sua capacidade de formular problemas, estruturar tarefas e revisar criticamente os resultados tendem a capturar apenas uma fração do valor potencial. Organizações com maior maturidade em práticas de trabalho estruturado, portanto, serão as mais aptas a extrair valor de iniciativas desse tipo.

Outro ponto relevante é que o aumento de velocidade veio antes do aumento de qualidade. Muitos CTOs relatam entregas mais rápidas, mas também maior incidência de falhas, retrabalho e inconsistências. Esse fenômeno gera um gargalo: garantir qualidade em um ambiente de produção ampliada. Como resposta, práticas como revisão automatizada de código, definição de guardrails técnicos e reforço dos processos de QA ganham protagonismo.

Em paralelo, surge um desafio menos visível, mas igualmente crítico: a transferência de conhecimento. A interação com sistemas de IA envolve decisões, caminhos e lógicas que nem sempre ficam explicitados no produto final. Com isso, parte do conhecimento permanece tácita, concentrada nos indivíduos que conduziram a interação. O efeito é a

redução da reprodutibilidade e o aumento da dificuldade para escalar soluções, o que abre espaço para uma nova forma de dependência organizacional ainda pouco enfrentada pelas empresas.

Esse conjunto de mudanças também redesenha o perfil do desenvolvedor. A fragmentação tradicional entre funções técnicas começa a perder relevância e cede espaço a um profissional mais híbrido, mais próximo de produto, arquitetura e tomada de decisão. A IA desloca o foco da execução pura para a capacidade de orquestrar soluções, interpretar contextos e validar resultados.

Apesar do interesse crescente em agentes autônomos, a realidade atual ainda é dominada por assistentes e copilotos. A adoção de soluções mais autônomas esbarra em limitações de custo, complexidade e confiabilidade, o que mantém a maioria das empresas em um estágio intermediário de maturidade. Nesse cenário, o uso mais consistente de IA tem ocorrido em ambientes internos, como backoffice, atendimento e processamento de documentos, em que o risco é menor e o controle, maior.

Por fim, persiste uma lacuna importante: a mensuração de valor. Mesmo com a IA já inserida na operação, muitas organizações ainda não conseguem responder com precisão quanto estão ganhando ou perdendo com essa adoção. Métricas indiretas, como indicadores de produtividade percebida ou DORA metrics, ajudam a sustentar uma narrativa, mas ainda não substituem uma visão financeira consolidada. Esse descompasso entre adoção e mensuração tende a se tornar um dos principais desafios estratégicos dos próximos anos.

O que emerge desse cenário é um momento típico de transição tecnológica. A IA já é relevante demais para ser ignorada, mas ainda imatura demais para ser tratada como solução trivial. O risco, portanto, não está apenas em não adotar, mas também em adotar sem critério. As organizações que conseguirão capturar valor real não serão necessariamente as que mais investirem em IA, mas as que forem capazes de reorganizar processos, estruturas e modelos de decisão em torno dela.