Por Marko · 5 min de leitura
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.
| Etapa | O que deveria existir | Como o fracasso aparece nas pesquisas | O sinal na sua equipe |
|---|---|---|---|
| Prompt | regras comuns para trabalhar com IA | observação nossa: o piloto depende de uma só pessoa | só quem lançou o piloto tem resultados |
| Context | uma base de conhecimento do negócio | baixa qualidade dos dados (Gartner), dados insuficientes (RAND) | é preciso explicar à IA toda vez quem vocês são e como trabalham |
| Harness | uma definição de "pronto" e uma verificação | valor pouco claro (Gartner), problema mal compreendido (RAND) | ninguém sabe dizer se o piloto deu certo |
| Loop | trabalho de rotina que roda sem lembretes manuais | custos crescentes e valor pouco claro (Gartner) | a automação multiplica erros mais rápido do que alguém percebe |
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
- RAND Corporation, "The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed", 13.08.2024: https://www.rand.org/pubs/research_reports/RRA2680-1.html
- Gartner, "Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept By End of 2025", 29.07.2024: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025
- Gartner, "Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027", 25.06.2025: https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
- Fortune, on MIT NANDA "The GenAI Divide", 18.08.2025: https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/