IA na empresa: onde gera valor real e onde é puro ruído (guia sem hype)
Inteligência Artificial · · por Gabriel Bertagnolli
Série: Decisões que movem o ponteiro: Artigo 6 de 10
Nenhuma tecnologia recente pressionou tanto os executivos quanto a IA generativa. A pressão não vem apenas do mercado: vem das reuniões, dos clientes que perguntam "vocês já usam IA?", da própria equipe que lê manchetes sobre empresas que "transformaram tudo". Nesse clima, adotar por medo de ficar de fora tornou-se mais comum do que adotar por diagnóstico.
Os números disponíveis desenham um contraste que convém ler por completo antes de investir um centavo. Por um lado, a adoção é massiva: 88% das organizações declaram usar IA em pelo menos uma função de negócio, segundo a pesquisa global da McKinsey (McKinsey, The State of AI 2025). Por outro, o impacto econômico é esquivo: nessa mesma pesquisa, apenas 39% dos entrevistados relatam impacto no EBIT no nível da empresa (McKinsey, 2025). O relatório do MIT NANDA colocou isso em números mais duros: apesar de um investimento empresarial de entre US$30.000 e US$40.000 milhões em IA generativa, 95% das organizações obtinham zero retorno mensurável (MIT NANDA, 2025; Fortune, 2025).
Este guia existe para esse gap: a distância entre "usar IA" (88%) e "ganhar dinheiro com IA" (39% ou menos). Vamos percorrer onde está o valor real, onde está o ruído e como decidir isso na sua empresa específica: sem hype em nenhuma direção.
O mapa do terreno: adoção alta, impacto concentrado
Três dados ordenam o cenário.
Primeiro: a maioria dos pilotos não chega à produção. O Gartner previu que pelo menos 30% dos projetos de IA generativa seriam abandonados após a prova de conceito até o final de 2025, por má qualidade de dados, controles de risco inadequados ou custos crescentes (Gartner, 2024). Seu acompanhamento posterior elevou essa estimativa: no fechamento de 2025, pelo menos 50% dos projetos de IA generativa teriam sido abandonados após a PoC (Gartner, 2026).
Segundo: o valor se concentra em poucas empresas, mas existe. A análise do BCG constatou que apenas 4% das empresas haviam gerado valor significativo com IA, enquanto 22% haviam implementado uma estratégia e construído capacidades avançadas com algum valor (CFO Dive sobre BCG, 2024). Esse 4% não tem melhor tecnologia: tem melhor implementação.
Terceiro: o fator determinante não é o algoritmo. A regra 10-20-70 do BCG resume isso: do esforço de uma implementação de IA, 10% vão para os algoritmos, 20% para a tecnologia e os dados, e 70% para pessoas, processos e gestão de mudanças (BCG, 2026). Se o seu plano de IA divide o esforço ao contrário (90% na escolha do modelo), você já sabe em qual coorte de estatísticas vai terminar.
Onde gera valor real (e por quê)
1. Tarefas de volume, critério e documentação: o coração da IA generativa
A IA generativa é, tecnicamente, uma máquina de produzir e resumir texto e conteúdo com critério humano de supervisão. Por isso o valor aparece primeiro onde há volume de escrita/leitura com estrutura repetível: rascunhos de propostas e orçamentos, respostas de primeiro nível no atendimento ao cliente, resumos de reuniões e de documentos longos, reescrita de conteúdos para diferentes formatos. O padrão de valor é consistente: a IA produz o rascunho avançado, o especialista o leva ao padrão de publicação, e o tempo do especialista é liberado para o julgamento, não para a digitação.
2. O processo existente, não o processo sonhado
As implementações que geram valor quase nunca "reinventam o negócio": inserem a IA em um processo que já funciona e já é medido. Se o seu processo de orçamentos leva 3 dias e é medido, um assistente que o reduza para 1 dia é um caso de negócio. Se o seu processo comercial é um caos não documentado, a IA não vai organizá-lo: vai produzir caos mais rápido. (Este princípio é o mesmo que aplicamos a qualquer investimento tecnológico no artigo sobre as 7 perguntas antes de investir: primeiro o processo e sua métrica, depois a ferramenta.)
3. Dados próprios, disciplinados
O ativo diferencial não é o modelo (acessível para todos), mas sim os dados próprios bem organizados: preços, clientes, histórico de atendimento, catálogo, prazos. As causas do abandono de projetos que o Gartner menciona (má qualidade de dados, entre outras) são a face visível disso. A pergunta de filtro é simples: onde estão hoje os seus dados operacionais e o quanto estão limpos? Se a resposta for "em cinco planilhas e no WhatsApp da equipe", o seu projeto de IA começa por organizar isso, não por contratar um modelo.
Onde é puro ruído (os três ralos de orçamento clássicos)
- O piloto eterno. O projeto que "está em testes" há dois trimestres, sem critérios de sucesso nem data de decisão. Com 30–50% das PoCs de IA generativa sendo abandonadas segundo o Gartner (Gartner, 2024; Gartner, 2026), o piloto sem data de conclusão não é uma etapa: é a forma que o abandono assume antes de ser reconhecido.
- A adoção por pressão competitiva. "A concorrência já usa IA" não é um caso de uso. É a versão 2026 do objeto brilhante, e produz exatamente aquele 95% de retorno zero medido pelo MIT NANDA (MIT NANDA, 2025): ferramentas contratadas, processos intactos, ninguém as usando com critério.
- A busca pela disrupção total. O projeto que vai "transformar a empresa" e por isso mexe em tudo ao mesmo tempo, nada é medido e depende de todos. O índice de 70% de fracasso das grandes transformações documentado pela McKinsey (McKinsey) aplica-se com juros aos projetos de IA desenhados como missões civilizatórias.
Guia funcional: por onde começar segundo a área
| Área | Casos de uso de entrada (volume + critério) | Métrica a mover | Sinal de que NÃO é o seu caso |
|---|---|---|---|
| Vendas / comercial | Rascunhos de propostas, acompanhamento de leads, resumo de chamadas | Tempo de resposta e de geração de propostas | Se o processo comercial não está definido nem é medido |
| Atendimento / operações | Respostas de primeiro nível, base de conhecimento, resumo de tickets | Tempo de primeira resposta; casos resolvidos no primeiro contato | Se não há registro histórico de consultas |
| Marketing | Versões de conteúdos, adaptação de campanhas, pesquisa de mercado assistida | Custo por consulta qualificada; tempo de produção de conteúdo | Se o rendimento dos canais atuais não é medido |
| Administração / finanças | Conciliação assistida, extração de dados de documentos, rascunhos de relatórios | Horas dedicadas a tarefas repetitivas | Se os dados de origem estão dispersos e sem dono |
Regra transversal: um caso de uso por área, com métrica e dono, antes de adicionar o segundo. A disciplina do foco que recomendamos para ferramentas e estratégias vale o dobro em IA, onde a novidade é máxima e a tentação de coleccionar pilotos também.
Checklist de decisão: é valor real ou é ruído?
| # | Pergunta de filtro | Se a resposta for "não"... |
|---|---|---|
| 1 | O processo onde a IA entra já existe, está documentado e é medido? | Organize o processo primeiro; a IA não é um substituto do diagnóstico |
| 2 | Há um dono humano do resultado (qualidade, erros, decisões)? | A IA sem dono de qualidade produz conteúdo sem accountability |
| 3 | Os seus dados próprios do caso de uso estão acessíveis e razoavelmente limpos? | Comece organizando os dados: são os 20% do esforço que sustentam tudo |
| 4 | Você definiu a métrica que deve mover e o horizonte (90 dias)? | Sem métrica nem horizonte, você está financiando um piloto eterno |
| 5 | Você reservou 70% do esforço para pessoas e processos, não para a ferramenta? | Rebalanceie: o algoritmo é o 10%, não o projeto |
| 6 | O piloto tem data de decisão e critério de abandono explícito? | Defina-os hoje: as PoCs sem encerramento são a via para o 50% de abandono que o Gartner mede |
A leitura correta dos 95%
O dado do MIT NANDA é usado quase sempre em tom alarmista ("a IA não funciona"). É a leitura equivocada. O mesmo corpo de evidências mostra que existem empresas gerando valor real com IA: um 4% com valor significativo segundo o BCG (CFO Dive, 2024), um 39% com impacto no EBIT segundo a McKinsey (McKinsey, 2025), e que a diferença está nos fatores que nenhuma dessas cifras exclui: processos mensuráveis, dados organizados, pessoas com critério e foco de implementação. Os 95% (MIT NANDA, 2025) não descrevem uma tecnologia que falha; descrevem uma forma de adotá-la que falha. Essa forma tem nome (piloto eterno, adoção por FOMO, disrupção total) e tem antídoto (caso de uso, métrica, dono, data). A IA é a primeira grande tecnologia em que a vantagem competitiva não é dada por adotá-la: é dada por adotá-la bem.
Fontes consultadas
- McKinsey & Company (2025). The State of AI: Global Survey 2025 (5 de novembro de 2025). Consultado em 14 de outubro de 2026: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-2025
- MIT NANDA (2025). The GenAI Divide: State of AI in Business 2025. Consultado em 14 de outubro de 2026: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf
- Fortune (2025). MIT report: 95% of generative AI pilots at companies are failing (18 de agosto de 2025). Consultado em 14 de outubro de 2026: https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo
- Gartner (2024). Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept By End of 2025 (comunicado, 29 de julho de 2024). Consultado em 14 de outubro de 2026: 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 (2026). Why 50% of GenAI Projects Fail: And How to Beat the Odds. Consultado em 14 de outubro de 2026: https://www.gartner.com/en/articles/genai-project-failure
- CFO Dive (2024). Only 4% of companies reap full value from AI: BCG (24 de outubro de 2024). Consultado em 14 de outubro de 2026: https://www.cfodive.com/news/only-4-companies-reap-full-value-ai-bcg-artificial-intelligence/730982
- BCG (2026). The Formula for Agentic AI Value. Consultado em 14 de outubro de 2026: https://www.bcg.com/publications/2026/the-formula-for-agentic-ai-value
