Toda semana surge uma nova empresa se declarando “pronta para IA”. Comitês de transformação ativos, fornecedores estratégicos contratados, licenças corporativas adquiridas, pilotos em andamento e apresentações impecáveis circulando no board. No discurso, a transformação parece consolidada.

Mas basta abrir o capô para encontrar a mesma cena, repetida em diferentes setores e portes. Quase nada do que realmente importaria está em produção em escala. E o motivo, invariavelmente, não é tecnológico.

Os números mais recentes deixam isso desconfortavelmente claro. A pesquisa “Gartner Says AI Projects in I&O Stall Ahead of Meaningful ROI Returns”, da Gartner, mostra que apenas 28% dos casos de uso de IA cumprem plenamente as expectativas de retorno de investimento (ROI), enquanto 20% falham por completo. E a projeção para os próximos anos é ainda mais incômoda. Mais de 40% dos projetos de IA agêntica devem ser cancelados até o final de 2027, pressionados por custos crescentes em licenças ou consumo de tokens, com valor de negócio pouco claro ou controles de risco inadequados.

E o mais importante: nenhum desses motivos é “o modelo não funcionou”. O mercado finalmente percebeu que o gargalo não está nos modelos. Está nos habilitadores invisíveis: dados, governança, arquitetura, responsabilidades. Mais da metade das organizações reconhece que seus próprios dados não estão prontos para sustentar IA em produção.

Quando se diz “dados não prontos”, o que se está dizendo, na prática, é que ninguém nas empresas foi formalmente definido como responsável por uma única versão da verdade. Que duas áreas usam definições diferentes para o mesmo cliente. Ou ainda, que ninguém quer assinar embaixo da decisão de qual sistema prevalece quando há conflito.

Dado ruim, na esmagadora maioria dos casos, é sintoma de governança ruim. Governança ruim é sintoma de autoridade não distribuída. E autoridade não distribuída é, no fim, decisão executiva adiada.

O modelo clássico do Hype Cycle, da própria Gartner, pressupõe uma trajetória linear. A tecnologia nasce, o entusiasmo, ou “hype”, explode, a desilusão chega e, depois, surge a maturidade. Mas o que estamos vendo é diferente. A tecnologia está atingindo maturidade técnica antes da maturidade organizacional. Os modelos funcionam. As ferramentas existem. O orçamento foi aprovado. E mesmo assim a operação não absorve.

Há ainda um efeito que poucos C-levels perceberam a tempo. O custo real de operação. No piloto, o consumo de tokens parece irrelevante (alguns centavos por interação, alguns dólares por dia). Em produção, multiplicado por milhares de usuários, centenas de casos de uso, chamadas recursivas de agentes e contextos cada vez mais extensos, esse valor deixa de ser ruído e passa a pressionar diretamente o resultado financeiro.

Projetos que pareciam viáveis na prova de conceito tornam-se buracos orçamentários quando entram em escala. E acabam cancelados não por falha técnica, mas por inviabilidade econômica que ninguém modelou adequadamente no início.

Há também um padrão que raramente é dito em voz alta dentro das companhias. A maioria dos projetos fracassados deveria ter sido encerrada muito antes. Não depois de 24 meses, mas em três, seis ou nove. O problema não era orçamento. Era a disciplina de admitir que o caminho escolhido estava errado.

Isso não é um problema de squad técnico. É um problema de governança executiva. Projetos de IA precisam de critérios formais de encerramento e de modelagem de custo total de operação. Sem isso, o efeito de custo afundado devora qualquer instinto correto.

Existe uma tentação confortável de delegar IA para a área técnica. “Temos um CIO sênior, um CDO competente, um head de IA contratado.” Mas o que esses líderes não conseguem fazer sozinhos é exatamente o que mais trava a operação. Redistribuir autoridade entre áreas que sempre se reportaram em paralelo, definir quem responde por decisões automatizadas equivocadas, formalizar o que pode e o que não pode ser delegado a um agente, e estabelecer teto de custo operacional aceitável por caso de uso.

São decisões de poder e de alocação de capital. E decisão de poder, em qualquer organização séria, não sai da mesa do C-level.

Entre as empresas que efetivamente colocaram IA em produção, o fator decisivo de sucesso quase nunca foi tecnológico. Foi a integração da IA aos fluxos de trabalho existentes e o apoio formal e visível dos executivos de negócio. Não foi o melhor modelo. Não foi o melhor fornecedor. O que fez diferença foi presença executiva e redesenho de fluxo.

As perguntas essenciais que separam uma empresa “pronta para IA” de uma empresa que tem um “teatro da IA”, são diretas:

1. Qual sistema é a fonte oficial da verdade para cliente, produto e receita?

2. Quem responde quando um agente de IA toma uma decisão errada?

3. Quem pode desligar um agente em produção, e em quanto tempo?

4. Quem arbitra quando duas áreas usam definições diferentes do mesmo dado?

5. Qual o critério formal para encerrar um piloto de IA, incluindo o limite de custo operacional aceitável?

Se as respostas vierem hesitantes, contraditórias ou dependerem de “uma reunião posterior para alinhamento”, o diagnóstico já está dado. A empresa não está atrasada em IA por falta de tecnologia. Está atrasada porque a alta liderança ainda não tomou as decisões estruturais necessárias para sustentar IA em escala.

Enquanto IA continuar sendo tratada como pauta de comitê de inovação, seguirá produzindo demonstrações elegantes. Quando passar a ser pauta de auditoria, risco e remuneração executiva, começará a gerar resultado.