Por que projetos empresariais de IA falham

Uma empresa contrata uma ferramenta de IA, monta um piloto, apresenta uma demonstração animadora e, meses depois, o projeto some. Nada quebrou de forma visível. Ele apenas não virou rotina nem gerou o resultado esperado.

Esse roteiro é comum o bastante para ter virado tema de pesquisa. Este texto reúne o que estudos e levantamentos datados dizem sobre por que projetos de IA nas empresas falham, e o que isso sugere para quem vai começar um.

Quanto fracassa, afinal

Não existe uma taxa oficial de fracasso de projetos de IA. Os números que circulam medem coisas diferentes.

• “Mais de 80%.” O relatório da RAND Corporation de agosto de 2024 cita estimativas segundo as quais mais de 80% dos projetos de IA fracassam, o dobro da taxa de projetos de tecnologia da informação sem IA (RAND, 2024). A própria RAND apresenta o número como estimativa de outras fontes, não como medição sua.
• 42% de abandono. Na pesquisa Voice of the Enterprise da S&P Global Market Intelligence, com 1.006 profissionais de TI e de negócios da América do Norte e da Europa, a parcela de empresas que abandonou a maioria das iniciativas de IA antes da produção subiu de 17% para 42% em um ano (S&P Global, maio de 2025). Em média, os respondentes disseram que 46% dos projetos são descartados entre a prova de conceito e a adoção ampla.
• 74% sem valor tangível. A pesquisa do Boston Consulting Group com 1.000 executivos de 59 países concluiu que 74% das empresas ainda não mostravam valor tangível com IA (BCG, outubro de 2024).
• Previsões. A Gartner previu, em julho de 2024, que pelo menos 30% dos projetos de IA generativa seriam abandonados após a prova de conceito até o fim de 2025 (Gartner, julho de 2024). Em junho de 2025, previu que mais de 40% dos projetos de IA agêntica seriam cancelados até o fim de 2027 (Gartner, junho de 2025).

Uma prova de conceito (PoC, na sigla em inglês) é um teste pequeno para ver se a ideia funciona antes de investir para valer. Abandonar uma PoC nem sempre é fracasso: às vezes, descobrir cedo que a ideia não serve é o resultado certo. O problema é quando o abandono vem depois de muito gasto, ou quando o projeto nem deveria ter começado.

Note também o tipo de cada número. S&P e BCG são pesquisas de opinião com executivos e profissionais. As da Gartner são previsões de analistas. Nenhum desses números foi medido no Brasil.

Causa 1: o problema errado, ou mal explicado

O relatório da RAND é um dos poucos que olham o tema de dentro dos projetos. Os autores entrevistaram 65 profissionais experientes, 50 da indústria e 15 da academia, entre agosto e dezembro de 2023. Uma ressalva importante: o estudo cobre projetos de aprendizado de máquina e deixa de fora os que só usavam modelos de linguagem prontos por meio de instruções.

A causa mais citada foi a liderança do negócio entender mal, ou comunicar mal, qual problema a IA deve resolver. Segundo a RAND, 84% dos entrevistados da indústria apontaram ao menos uma falha desse tipo como motivo principal de fracasso.

O relatório dá um exemplo simples. A diretoria pede um modelo que diga o preço de um produto. A equipe técnica otimiza o preço que vende mais unidades. O que a diretoria queria, porém, era o preço que dá mais margem de lucro. O modelo funciona e mesmo assim não serve.

A RAND descreve outras variações do mesmo erro:

• usar aprendizado de máquina onde algumas regras simples do tipo “se isto, então aquilo” bastariam;
• esperar certeza de um sistema que, por natureza, é probabilístico;
• subestimar o tempo para obter, limpar e explorar os dados (14 dos 50 entrevistados da indústria relataram isso);
• trocar de prioridade a cada poucas semanas, matando projetos antes de mostrarem resultado.

Causa 2: dados que não servem

A segunda causa mais citada pela RAND foram os dados. Trinta dos 50 entrevistados da indústria falaram de problemas persistentes de qualidade.

Ter muitos dados não basta. A RAND observa que bases antigas costumam ter sido montadas para registro ou conformidade, não para análise. Uma loja virtual pode registrar em qual link o cliente clicou, mas não o que estava na tela no momento nem qual busca o levou até ali. Para treinar um modelo, essa diferença é decisiva.

Outros problemas apontados:

• dados desbalanceados, com poucos exemplos do caso raro que mais importa, como uma doença incomum;
• falta de engenheiros de dados, profissionais que montam e mantêm as rotinas de coleta e limpeza;
• falta de conhecimento do negócio na equipe técnica, que não sabe quais campos são confiáveis.

A Gartner também lista a má qualidade dos dados entre os motivos para o abandono de projetos de IA generativa após a PoC. Em sistemas que respondem com base em documentos da empresa, como os de RAG, documento desatualizado vira resposta errada.

Causa 3: tecnologia em busca de um problema

A RAND identificou o caminho inverso ao da causa 1: a equipe técnica escolhe a ferramenta mais nova porque é interessante, não porque é a melhor para o caso. Dezesseis dos 50 entrevistados da indústria citaram esse padrão.

A Gartner aponta algo parecido no mercado de agentes. Em junho de 2025, a consultoria disse que a maior parte dos projetos de IA agêntica era de experimentos iniciais movidos por hype e que muitos casos de uso apresentados como agênticos não precisam de agentes. Ela também descreveu o agent washing: produtos antigos, como chatbots e automação de processos, rebatizados de agentes sem ter capacidade real para isso. Explicamos o que é um agente em o que são agentes de IA e onde eles costumam falhar em limites dos agentes autônomos.

Causa 4: integração e infraestrutura

Um modelo que funciona no notebook do cientista de dados ainda não é um sistema em produção. A RAND aponta a falta de investimento em infraestrutura: rotinas que limpam e entregam dados de forma contínua e monitoramento que avise quando uma fonte muda de formato ou para de chegar.

Esse problema é conhecido há tempo. Um artigo de Sculley e coautores apresentado na conferência NeurIPS de 2015 descreveu a dívida técnica dos sistemas de aprendizado de máquina: custos de manutenção grandes e contínuos que não aparecem no protótipo (Sculley et al., 2015). Entre os fatores de risco listados estão dependências de dados, ciclos de realimentação ocultos e mudanças no ambiente externo.

A Gartner acrescenta que integrar agentes a sistemas legados pode ser tecnicamente complexo e exigir mudanças caras. Em muitos casos, segundo a consultoria, o melhor caminho é redesenhar o fluxo de trabalho, em vez de encaixar a IA no processo antigo. Tratamos de como mapear processos antes de automatizar em como automatizar processos com IA.

Causa 5: custos altos e valor difícil de provar

Custo e valor aparecem em todas as fontes de mercado.

• A Gartner cita custos crescentes e valor de negócio pouco claro como motivos para abandonar projetos, tanto de IA generativa (2024) quanto de agentes (2025). No comunicado de 2024, estima que certas abordagens de implantação de IA generativa custam de US$ 5 milhões a US$ 20 milhões e afirma que esses custos são menos previsíveis que os de outras tecnologias.
• Na pesquisa da S&P Global de 2025, custos foram citados como desafio por 37% dos respondentes. O custo também foi o critério mais comum na escolha de projetos e o indicador com pior desempenho. Entre as empresas que investiram em IA generativa, 46% disseram que nenhum objetivo de negócio teve “impacto fortemente positivo”.

Parte do problema é medir. Ganho de produtividade individual nem sempre vira resultado financeiro. Discutimos como calcular custo e benefício em ROI de IA nas empresas.

Causa 6: governança e controle de riscos

“Controles de risco inadequados” aparecem nas duas previsões da Gartner como motivo de abandono. A pesquisa da S&P Global encontrou um padrão complementar: empresas com menor taxa de fracasso eram comparativamente mais propensas a considerar conformidade, risco e disponibilidade de dados ao escolher projetos.

Governança de IA é o conjunto de regras, papéis e processos que define quem decide, quem responde e como os riscos são acompanhados. O marco de gestão de riscos de IA do NIST, o instituto de padrões dos Estados Unidos, trata a governança como função transversal, presente em todas as etapas de mapear, medir e gerenciar riscos (NIST AI RMF 1.0, janeiro de 2023). O documento é voluntário, mas serve de roteiro.

Sem esse cuidado, um erro que chega ao cliente pode custar mais que o projeto. O caso do chatbot da Air Canada, que deu uma informação errada e levou a empresa a ser condenada, é discutido em IA no atendimento ao cliente. Antes de liberar um sistema, vale testá-lo com casos reais, como mostramos em como avaliar respostas de IA.

Causa 7: pessoas e mudança no trabalho

A pesquisa do BCG de 2024 concluiu que cerca de 70% dos desafios de implementação vêm de pessoas e processos, 20% de tecnologia e só 10% dos algoritmos. As empresas que o BCG classifica como líderes seguem essa proporção ao distribuir recursos. Entre os fatores de escala mais ligados a pessoas e processos, o relatório lista gestão da mudança, redesenho de fluxos de trabalho, talento e governança.

Outras fontes apontam na mesma direção:

• A RAND relata que especialistas do negócio às vezes resistem passivamente a projetos de IA por temerem pela própria vaga. Sem eles, a equipe técnica não sabe o que os dados significam.
• A S&P Global observou que empresas com mais projetos fracassados relatam mais resistência de clientes e funcionários. A falta de profissionais qualificados foi citada como preocupação por 27% dos respondentes.

Causa 8: o que a IA não consegue fazer

Por fim, a RAND registra projetos que falham porque o problema é difícil demais para a tecnologia disponível. Nas palavras do relatório, a IA “não é uma varinha mágica”. Para evitar esse erro, a recomendação é envolver especialistas técnicos na avaliação de viabilidade antes de aprovar o projeto. Erros inerentes aos modelos, como as alucinações, também entram nessa conta.

Perguntas para fazer antes de começar

A partir das recomendações da RAND e dos fatores apontados pelas outras fontes, a redação sugere um roteiro mínimo:

1. Qual decisão ou tarefa vai mudar, e qual número mostra que mudou?
2. Uma regra simples ou um processo melhor resolveria sem IA?
3. Os dados necessários existem, são confiáveis e alguém do negócio sabe explicá-los?
4. Como o sistema vai se conectar aos sistemas atuais, e quem vai mantê-lo depois do piloto?
5. Quanto custa operar, não só construir?
6. Quem responde por um erro, e como o erro será detectado?
7. Quem vai usar a ferramenta participou do desenho, e o fluxo de trabalho foi ajustado?

O que levar deste texto

• Os números de fracasso dependem do que se mede. Em 2025, a S&P Global registrou 42% das empresas abandonando a maior parte das iniciativas de IA. A estimativa de “mais de 80%” citada pela RAND vem de outras fontes.
• Segundo a RAND (2024), as causas mais citadas são problema mal definido ou mal comunicado e dados inadequados.
• Integração, infraestrutura e manutenção custam mais do que o protótipo sugere.
• Custos imprevisíveis, valor difícil de provar e controle de riscos fraco estão entre os motivos de abandono apontados pela Gartner.
• Pessoas e processos pesam mais que o algoritmo: no levantamento do BCG, cerca de 70% dos desafios vêm daí.