Por Juan José López Murphy, head de Data Science & IA da Globant.
As empresas estão investindo em Inteligência Artificial em níveis recordes, mas a maioria ainda enfrenta dificuldades para transformar esse investimento em valor mensurável para os negócios. O conhecido estudo do MIT, State of AI in Business 2025, conclui que 95% dos projetos-piloto de IA generativa nas empresas não conseguiram gerar resultados. Embora existam questionamentos sobre sua metodologia e abrangência, suas conclusões estão alinhadas com o que muitas organizações vêm observando na prática. Muito menos atenção, porém, foi dada à compreensão das razões por trás desse cenário. Em 2026, as causas desses fracassos estão se tornando cada vez mais evidentes para quem atua na linha de frente da indústria de tecnologia.
Por que a IA não está gerando valor para os negócios
Um dos erros mais comuns é confundir acesso com adoção. Muitas organizações investem fortemente em ferramentas de IA sem repensar a forma como o trabalho é realmente realizado. Em casos ainda mais extremos, confundem o simples uso dessas ferramentas com uma adoção efetiva. Movidas pelo receio de ficar para trás na última tendência tecnológica, implementam IA sem uma estratégia clara, criando uma falsa sensação de transformação. Como consequência, as iniciativas fracassam e as empresas costumam concluir que o problema está na tecnologia, quando, na realidade, o erro está na forma de implementação.
O conceito de “tool-shaped objects” descreve perfeitamente esse fenômeno: soluções que parecem ferramentas inovadoras ou úteis, mas que, na prática, não resolvem um problema concreto nem geram impacto significativo. Em muitos casos, dedica-se um enorme esforço para aperfeiçoar o “objeto”, enquanto o resultado que realmente importa é deixado de lado. Isso acaba gerando frustração, desperdício de tempo e recursos e, por fim, desconfiança em relação à tecnologia.
O segundo grande erro consiste em implementar a IA apenas para casos de uso internos, em vez de transformá-la em uma nova forma de operar. O maior ponto de atrito surge quando a inteligência artificial entra em contato com o cliente. Em diversos setores existe uma espécie de paralisia causada pelo medo de errar durante a implementação. Muitas empresas preferem esperar que outra organização do mesmo segmento inove primeiro para, então, seguir o mesmo caminho. O resultado é um ciclo repetitivo de entusiasmo, dúvidas e uma adoção reativa baseada na simples reprodução do que os concorrentes fazem.
Como evitar os principais erros na adoção da IA
Isso nos leva novamente ao ponto de partida: as empresas de tecnologia precisam assumir um papel de liderança, ajudando a separar as oportunidades reais do excesso de ruído gerado pelo mercado. Com muita frequência, na tentativa de vender soluções, subestima-se a complexidade envolvida em uma adoção bem-sucedida. Há alguns princípios que permitem conduzir esse processo de forma muito mais consistente.
Em primeiro lugar, entrar em uma nova etapa evolutiva impulsionada pela Inteligência Artificial exige uma mudança profunda de paradigma, capaz de desafiar os processos tradicionais das organizações. Isso implica redesenhar fluxos de trabalho, incentivar a adoção interna e compreender como medir o valor que a tecnologia realmente entrega. Cada setor define o retorno sobre o investimento (ROI) de forma diferente. No comércio eletrônico, ele pode se refletir na redução dos prazos de entrega; na saúde, em menos horas dedicadas a tarefas administrativas; no setor bancário, em perdas evitadas graças a uma detecção mais eficiente de fraudes. A transformação acontece quando as tarefas são redesenhadas, mas a verdadeira mudança de mentalidade consiste em compreender qual é o valor que uma empresa – ou uma função específica dentro dela – realmente entrega.
Um sistema de métricas inadequado leva, inevitavelmente, a conclusões equivocadas. Algumas empresas, por exemplo, utilizam o consumo de tokens como indicador do uso de IA. No entanto, esse dado não permite saber se os colaboradores estão utilizando a inteligência artificial para gerar impacto no negócio ou simplesmente para pedir que ela elabore uma rotina de exercícios físicos.
Quando uma métrica se transforma no objetivo, ela deixa de cumprir sua função, como explica a Lei de Goodhart. Esse princípio, formulado pelo economista britânico Charles Goodhart, afirma que, quando uma medida passa a ser uma meta, ela deixa de ser uma medida confiável. Em vez de orientar esforços, torna-se um incentivo perverso. O atendimento ao cliente oferece outro exemplo bastante claro: um sistema automatizado pode aumentar significativamente o número de interações atendidas, mas isso não significa, necessariamente, uma experiência melhor ou maior satisfação para o cliente.
Adotar a IA para a missão principal do negócio
Muito relacionado a isso está o conceito de main quest e side quests. Definir corretamente o ROI permite identificar qual é a missão principal na qual uma organização cria valor e evita desperdiçar tempo aplicando IA em tarefas marginais ou de baixo impacto. Se a inteligência artificial não for utilizada para resolver problemas que afetam diretamente o núcleo do negócio, não haverá uma adoção verdadeira, mas apenas a ilusão de tê-la alcançado.
Faz sentido que um diretor financeiro (CFO) dedique tempo para treinar um agente de IA a criar apresentações? Provavelmente não. Para um analista de marketing, por outro lado, isso pode ser uma ferramenta bastante útil.
Por fim, automatizar e otimizar tarefas pode ser um meio, mas nunca o objetivo final. Os processos atuais são resultado da forma como as coisas foram feitas historicamente, e não necessariamente da melhor maneira de gerar valor hoje. Com o avanço da tecnologia e a passagem do tempo, esses dois caminhos inevitavelmente se afastam.
O verdadeiro desafio consiste em elevar o nível de abstração, integrando agentes de IA de forma muito mais transversal aos processos de negócio, resolvendo funções alinhadas à missão principal da organização e gerando valor mensurável onde realmente importa. Nesse percurso, serão as decisões dos líderes que, em última instância, determinarão o sucesso ou o fracasso da adoção da IA, juntamente com sua capacidade de comunicar essa visão com clareza e evitar os erros mais comuns que ainda impedem que as organizações aproveitem todo o potencial da Inteligência Artificial.
