Projetos de IA falham nas empresas por causas que o Gartner nomeia de forma consistente em duas previsões diferentes: qualidade ruim de dado, controle de risco insuficiente, custo crescente e valor de negócio pouco claro. Nenhuma delas é um problema do modelo. Todas são problemas do que existe antes dele — dado desorganizado, escopo mal definido e ausência de número de referência.
Este artigo separa as causas citadas pelas fontes das causas que estão atrás delas, oferece um teste de uma pergunta para saber se o seu caso é de tecnologia ou de processo, e diz em que situações o diagnóstico “é processo” está errado. Declaro o interesse: a Audatia vive de desenhar processo e implantar plataforma de gestão, então eu lucro quando a conclusão é “organize a base primeiro”. É por isso mesmo que este texto registra as fragilidades metodológicas dos números que ele cita e dedica uma seção inteira aos casos em que a culpa é mesmo da tecnologia.
O modelo não sabe o que ele não recebeu. Ele responde com a mesma fluência sobre informação completa e sobre informação parcial — e é essa simetria, não a falta de inteligência, que derruba projeto.
Quantos projetos falham, segundo quem mede
Três números públicos delimitam o problema, e vale olhar cada um com a ressalva que ele merece.
O Gartner projetou que ao menos 30% dos projetos de IA generativa seriam abandonados após a prova de conceito até o fim de 2025, atribuindo isso a qualidade ruim de dado, controle de risco insuficiente, custo crescente ou valor de negócio pouco claro. Em previsão posterior, estimou que mais de 40% dos projetos de IA com agentes serão cancelados até o fim de 2027, com três das quatro causas anteriores: custo crescente, valor pouco claro e controle de risco insuficiente.
A ressalva metodológica que quase ninguém reproduz junto: a base declarada da segunda previsão inclui uma enquete com 3.412 participantes de um webinar sobre postura de investimento. Isso é sondagem de audiência, não estudo controlado. O número é útil como indicador de direção e frágil como medida de magnitude — e quem o cita como se fosse a segunda coisa está esticando a fonte.
A McKinsey mede o outro lado do mesmo fenômeno: 88% das organizações relatam uso regular de IA em pelo menos uma função, e apenas 7% dizem tê-la escalado por completo. Cerca de um terço começou a escalar pela empresa, o que deixa quase dois terços que não começaram. E, entre as que atribuem algum impacto de IA no resultado operacional, a maioria coloca esse impacto abaixo de 5%.
Repare no padrão que os três números formam: a adoção é quase universal e a escala é quase inexistente. O problema não é convencer empresa a experimentar IA. É atravessar da experiência para a operação — e é exatamente aí que as causas do Gartner mordem.
Por que projetos de IA falham: as causas, e as causas das causas
Cinco, e a ordem importa porque duas delas produzem as outras três.
| Causa | Como se manifesta | O que estava faltando |
|---|---|---|
| Dado desorganizado | A IA responde com confiança sobre algo que não é verdade | Fonte única sobre o estado do trabalho |
| Escopo grande demais | Deu morno e ninguém sabe por quê | Um processo só, escolhido antes de começar |
| Valor pouco claro | Ninguém consegue dizer quanto melhorou | Um número medido antes de começar |
| Custo crescente | A conta do mês surpreende | Teto definido e entendimento de como a cobrança funciona |
| Controle de risco insuficiente | Uma saída errada chegou ao cliente | Regra escrita de revisão humana e alguém com autoridade para desligar |
A leitura que essa tabela permite: as duas primeiras causam as três últimas. Escopo grande é o que impede medir valor, porque não há um antes e um depois comparáveis. Dado desorganizado é o que produz a saída errada que estoura o controle de risco. E as duas juntas são o que faz o custo escalar sem contrapartida visível, porque se paga por volume enquanto o retorno segue não observável.
Vale notar que a primeira delas não é invenção minha: o Gartner nomeia poor data quality como a primeira das quatro causas na previsão sobre IA generativa. Na previsão sobre agentes, essa causa some da lista e ficam as três consequências. Não é contradição — é o que acontece quando se descreve um fenômeno mais tarde, já pelos sintomas.
Há ainda uma sexta causa que o Gartner registra e que não é da empresa compradora: o agent washing, isto é, a rebatização de assistentes, automação robótica de processo e chatbots como se fossem agentes. A consultoria estima que apenas cerca de 130 dos milhares de fornecedores que se apresentam como agênticos entregam de fato essa capacidade. Parte dos projetos que falham não falhou por má execução: falhou porque o que foi comprado nunca foi o que o rótulo dizia.
Por que a base de dados vem antes do modelo
Porque o modelo não distingue ausência de informação de ausência de fato. As três colunas abaixo mostram a mesma pergunta feita a três situações diferentes.
| Pergunta de operação | IA sem contexto devolve | IA sobre operação dispersa devolve | IA com base organizada devolve |
|---|---|---|---|
| “Em que pé está o projeto?” | Um modelo de relatório para você preencher | O que apareceu nas conversas, sem saber o que ficou de fora | Entregas, responsáveis e o que está aberto desde quando |
| “Quem está sobrecarregado?” | Critérios genéricos de avaliação de carga | Impressão a partir de quem falou mais | Volume de trabalho aberto por pessoa, com prazos |
| “O que atrasou e por quê?” | Causas comuns de atraso | Um atraso citado, sem histórico | A data que mudou, quando mudou e o motivo registrado |
A coluna do meio é a que mata projeto, e é a única das três que não parece erro. A primeira coluna é obviamente inútil, e todo mundo percebe. A terceira funciona. Já a do meio parece resposta: tem forma de resposta, tom de resposta e detalhe suficiente para convencer. A empresa passa a decidir sobre resumo confiante de informação incompleta, e quando alguém percebe, a confiança na ferramenta foi embora junto com o orçamento.
Daí a regra que eu aplico em toda implantação: IA não roda sobre caos. A camada de IA é o quinto passo do Método Núcleo→Escala, nunca o primeiro — e isso é decisão prática, não estética. Na prática, “base organizada” significa uma coisa concreta e chata: que exista um lugar único onde tarefa, responsável, prazo e status são atualizados por quem faz o trabalho. Quem quiser testar o que muda quando esse lugar existe consegue montar uma rotina real numa conta gratuita e comparar a resposta que a IA dá antes e depois — é o experimento mais barato que existe para esta discussão.
O que a governança formal diz sobre isso
O NIST, agência de padrões e tecnologia do governo americano, publica o AI Risk Management Framework, gratuito e organizado em quatro funções: governar, mapear, medir e gerenciar. Ele não trata de ferramenta; trata de estrutura.
Uma subcategoria da função de gerenciar endereça exatamente o ponto que mais falta nas empresas. A MANAGE 2.4 exige que haja mecanismos aplicados e responsabilidades atribuídas e compreendidas para “supersede, disengage, or deactivate AI systems” que apresentem desempenho ou resultado inconsistente com o uso pretendido.
Traduzindo para uma empresa de trinta pessoas: existe alguém com autoridade e com o botão para desligar, e todo mundo sabe quem é? Na maioria dos projetos que travam, a resposta é não. E quando algo sai errado, o desligamento leva dias porque ninguém sabe de quem é a decisão. Isso não custa contrato nem licença: custa uma linha num documento e uma conversa.
É falha de tecnologia ou de processo?
Há um teste de uma pergunta que separa as duas coisas. Pegue o caso concreto que deu errado e pergunte: se uma pessoa competente e bem-intencionada tivesse feito esse trabalho manualmente, com as mesmas informações disponíveis, ela teria acertado?
- Se sim, a informação existia e o problema é de configuração, de instrução ou de escopo do que a IA acessa. É corrigível em dias.
- Se não — a pessoa também não teria como saber —, a informação não existia. Nenhum ajuste de modelo resolve, porque o que falta não está na ferramenta. É corrigível em meses, e é trabalho de processo.
A segunda resposta é a mais comum e a menos aceita, porque transfere o problema de um lugar onde se compra para um lugar onde se trabalha.
Quando a causa é mesmo a tecnologia
Seção obrigatória por aqui, porque eu acabei de passar seis parágrafos argumentando que o problema é processo — e alguém precisa dizer quando esse diagnóstico está errado.
Quando o que foi vendido não existia. É o caso do agent washing descrito acima. Se o fornecedor prometeu execução autônoma e entregou um chatbot com gatilho, nenhum desenho de processo conserta isso, e o diagnóstico correto é contratual.
Quando a tarefa está fora do que o modelo faz bem. Cálculo exato, conformidade normativa com responsabilidade legal, decisão que exige auditoria determinística. Existe trabalho para o qual a resposta certa é software convencional, e insistir em IA ali é escolha errada de ferramenta, não de processo.
Quando o custo por unidade não fecha em nenhum cenário. Se a operação precisa de milhares de execuções por dia e cada uma consome crédito, a conta pode simplesmente não fechar — independentemente de quão bem organizada esteja a base.
Quando o dado existe, está limpo, e a resposta continua errada. Aí é o modelo, ou a forma como ele foi conectado. Acontece, e insistir em culpar o processo nesse cenário é desonestidade de quem vende consultoria de processo.
Repare no padrão: as quatro têm em comum o fato de a organização da base já estar resolvida. É por isso que o teste da pergunta única vem antes — ele existe para não deixar ninguém pagar por reorganização de processo que não vai mudar nada.
Por que o piloto funciona e a produção não
Porque piloto e produção rodam sobre condições diferentes, e três delas mudam ao mesmo tempo.
- Quem participa muda. O piloto é feito por gente interessada, que releva atrito. A produção inclui quem não pediu para participar.
- O dado muda de qualidade. No piloto alguém arruma os dados de entrada, às vezes sem perceber que está arrumando. Em produção entra o que a operação produz de verdade.
- O custo muda de escala. O consumo de dez pessoas por seis semanas não projeta linearmente para duzentas pessoas por doze meses, especialmente onde a cobrança é por consumo.
Nenhuma das três é culpa do modelo, e as três são previsíveis — o que significa que dá para desenhar o piloto já sabendo delas. É o assunto de como implantar IA em um processo.
O que fazer quando o projeto já falhou
Não recomeçar do mesmo ponto com outra ferramenta. É o reflexo mais comum e o mais caro: trocar de fornecedor sem trocar de diagnóstico devolve o mesmo resultado com outro logotipo.
O roteiro de retomada tem quatro perguntas, nesta ordem:
- Qual era o número de antes? Se não havia, o projeto nunca teve como ser avaliado — e isso já explica boa parte do que aconteceu.
- A informação necessária existia em algum sistema? Se não, a causa está aqui e não adianta olhar mais nada.
- A saída errada tinha caminho para ser barrada? Se não, faltava regra de revisão, e ela custa uma tabela, não um contrato.
- Alguém era dono disso? Se o projeto era de todo mundo, era de ninguém.
Na prática, a maioria das retomadas descobre que precisa parar de falar de IA por um tempo e resolver registro. É um diagnóstico ingrato de entregar e é o que economiza mais dinheiro.
Perguntas frequentes
| Pergunta | Resposta curta |
|---|---|
| Por que projetos de IA falham? | Por qualidade ruim de dado, controle de risco insuficiente, custo crescente e valor pouco claro — nenhuma delas é problema do modelo. |
| Qual é a causa por trás das outras? | Dado desorganizado e escopo grande demais. As duas produzem as demais. |
| Quantos projetos falham? | O Gartner projeta mais de 40% de cancelamento em projetos com agentes até o fim de 2027, e projetou ao menos 30% de abandono em IA generativa após a prova de conceito. |
| Esses números são confiáveis? | São indicadores de direção. A base declarada da previsão sobre agentes inclui uma enquete com participantes de webinar, não um estudo controlado. |
| Quantas empresas já escalaram IA? | Pela McKinsey, 88% usam IA em alguma função e apenas 7% dizem tê-la escalado por completo. |
| Por que a base vem antes do modelo? | Porque o modelo responde com a mesma confiança sobre informação completa e sobre informação parcial. |
| É falha de tecnologia ou de processo? | Aplique o teste: uma pessoa competente, com as mesmas informações, teria acertado? Se não, faltava informação, não modelo. |
| Quando a culpa é mesmo da tecnologia? | Quando o produto não era o que o rótulo dizia, quando a tarefa pede software determinístico, quando o custo por unidade não fecha, ou quando o dado está limpo e a resposta segue errada. |
| O que é agent washing? | Rebatizar assistente, automação robótica ou chatbot como agente. O Gartner estima que cerca de 130 dos milhares de fornecedores agênticos entregam de fato a capacidade. |
| Por que o piloto funciona e a produção não? | Muda quem usa, muda a qualidade do dado de entrada e muda a escala de custo. |
| O que a governança formal exige? | Entre outras coisas, que exista alguém com autoridade atribuída e conhecida para desligar o sistema quando o resultado sai do esperado. |
| O que fazer depois de falhar? | Refazer o diagnóstico com as quatro perguntas antes de trocar de ferramenta. |
Próximo passo
Se as quatro perguntas de retomada levaram você para “a informação não existia em lugar nenhum”, o próximo trabalho não é de IA: é definir o que a empresa registra e onde. É o que eu faço em consultoria e desenho de processo, e é o passo que o método coloca antes da automação por um motivo prático.
Se elas levaram você para “o dado existia e a resposta ainda assim saiu errada”, o trabalho é outro e mais curto — configuração, escopo de acesso, regra de revisão — e não deveria ser vendido como transformação.
Se a sua dúvida específica é sobre o risco de a IA agir sozinha na operação, tenho medo de plugar IA na operação trata da objeção em detalhe, com o que as plataformas oferecem de barreira real.
Fontes
- Gartner — Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept
- Gartner — Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027
- McKinsey — The state of AI: agents, innovation, and transformation
- NIST — AI Risk Management Framework 1.0 e o playbook da função Manage
*As projeções citadas são de consultorias privadas, com metodologias declaradas de forma resumida e horizontes próprios; elas indicam direção, não medem magnitude com precisão. O framework do NIST é publicação de governo, de adesão voluntária, e não substitui exigência regulatória aplicável ao seu setor.
