Por Marko · 5 min de leitura

Por que projetos de IA fracassam e qual etapa é pulada

Por que projetos de IA fracassam e qual etapa é pulada

A demo funciona em uma noite. O chatbot responde aos clientes, o agente monta o relatório, a equipe fica empolgada. Dois meses depois, o projeto some da pauta sem alarde. Parece familiar? É assim que termina a maioria dos projetos de IA, e quase nunca por causa do modelo.

A seguir: o que dizem as pesquisas, de onde vem o famoso número de 95% e em que etapa os projetos quebram.

Por que a maioria dos projetos de IA fracassa?

A maioria dos projetos de IA fracassa porque a equipe pula para a automação antes que a IA conheça o contexto do negócio e antes de combinar o que conta como um bom resultado. As pesquisas repetem as mesmas causas: um problema mal definido, dados ruins, valor pouco claro. O modelo raramente é o problema principal. O problema é aquilo em que ele se apoia.

Segundo estimativas citadas pela RAND, mais de 80% dos projetos de IA fracassam, o dobro dos projetos de TI sem IA. Os pesquisadores da RAND entrevistaram 65 cientistas de dados e engenheiros experientes, e a primeira causa apontada foi esta: quem pede o projeto entende mal, ou não consegue explicar, qual problema a IA deve resolver.

Em 2024 a Gartner previu que pelo menos 30% dos projetos de IA generativa seriam abandonados após a prova de conceito até o fim de 2025. Os motivos: baixa qualidade dos dados, controles de risco insuficientes, custos crescentes e valor de negócio pouco claro.

É verdade que 95% dos projetos de IA fracassam?

O número de 95% vem do relatório "The GenAI Divide" do MIT NANDA, de 2025, e mede algo mais estreito do que parece. 95% das empresas da amostra não viram impacto mensurável da IA generativa no resultado financeiro. É uma conclusão sobre uma amostra específica e sobre dinheiro. Estendê-la a todos os projetos de IA do mundo é ir longe demais.

O relatório do MIT é compartilhado sob pedido, por isso aqui nos baseamos no relato da Fortune. Vale olhar também o quadro geral. Os números variam de 30% a 95% porque medem coisas diferentes: pilotos abandonados, projetos que não atingiram a meta, empresas sem lucro com IA. Concordam em um ponto: o fracasso é mais comum que o sucesso, e as causas são quase sempre as mesmas.

As causas, etapa por etapa

No nosso artigo sobre o modelo de maturidade de IA descrevemos quatro etapas: Prompt, Context, Harness e Loop. Cada uma se apoia na anterior. Coloque as causas das pesquisas ao lado das etapas, e quase toda causa se revela uma etapa que a equipe pulou.

EtapaO que deveria existirComo o fracasso aparece nas pesquisasO sinal na sua equipe
Promptregras comuns para trabalhar com IAobservação nossa: o piloto depende de uma só pessoasó quem lançou o piloto tem resultados
Contextuma base de conhecimento do negóciobaixa qualidade dos dados (Gartner), dados insuficientes (RAND)é preciso explicar à IA toda vez quem vocês são e como trabalham
Harnessuma definição de "pronto" e uma verificaçãovalor pouco claro (Gartner), problema mal compreendido (RAND)ninguém sabe dizer se o piloto deu certo
Looptrabalho de rotina que roda sem lembretes manuaiscustos crescentes e valor pouco claro (Gartner)a automação multiplica erros mais rápido do que alguém percebe
Why AI projects fail: teams jump from Prompt straight to Loop, skip Context and Harness, and the project falls into the gap between them
FIG. 01

Context e Harness são as etapas mais puladas. São as menos visíveis: não têm demo impressionante, só acordos escritos e critérios claros. Mesmo assim, decidem se um piloto sobrevive ao contato com o trabalho real. Context significa uma base de conhecimento para IA da qual a equipe e a IA trabalham. Harness significa que cada tarefa tem critérios de aceitação e que o resultado é verificado com base neles.

Pular direto para a quarta etapa é o que mais custa. A Gartner prevê que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027. Um agente sem base de conhecimento trabalha às cegas, e um agente sem verificação dos resultados simplesmente erra mais rápido.

Por que a IA parece mais fácil do que é

No começo, a IA parece onipotente. Um protótipo fica pronto em uma noite, e logo surgem planos para mais alguns sistemas, às vezes até um produto próprio. A IA imita a simplicidade: o primeiro resultado aparece rápido, e o volume real de trabalho fica fora de vista.

Esse trabalho está no último trecho: reunir o contexto, integrar a IA ao processo, verificar os resultados, acostumar a equipe. É aí que os projetos param, no meio do caminho, com uma dúzia de ideias pela metade.

Vemos isso todos os dias no nosso próprio trabalho. Levar um projeto de IA até o fim é possível, e exige um sistema em que cada próximo passo possa se apoiar.

Como fazer um projeto de IA dar certo?

Comece por um único processo. Escreva o contexto com o qual a IA vai trabalhar. Antes de começar, combinem o que conta como resultado pronto e verifiquem cada resultado com esse critério. Automatize só o que já funciona bem à mão. Assim o projeto passa pelas etapas em ordem, e nenhuma fica de fora.

Antes de lançar um piloto, responda a cinco perguntas:

  • Qual processo específico vamos mudar, e quem é o responsável por ele?
  • Onde está escrito o contexto com o qual a IA vai trabalhar?
  • Como saberemos que um resultado está pronto?
  • Quem verifica um resultado, e como, antes de aceitá-lo?
  • O que precisa funcionar à mão antes de automatizarmos?

Se uma única pergunta ficar sem resposta, o piloto corre o risco de virar mais uma demo bonita.

Resumo

A maioria dos projetos de IA fracassa pelos mesmos motivos: a equipe pula para a automação e deixa de lado a base de conhecimento e a verificação dos resultados. As pesquisas dão números diferentes e o mesmo quadro. A forma mais barata de ficar fora da estatística é passar pelas etapas em ordem.

Para saber por qual etapa começar, faça o teste rápido no nosso artigo sobre o modelo de maturidade de IA. E se quiser ver como as etapas funcionam em um sistema real, mostramos em uma chamada de 20 minutos.

Fontes