Para Murilo Moura Alencar, C-Level e board member, um dos números mais comentados sobre inteligência artificial nas empresas pede leitura cuidadosa. Um relatório da iniciativa NANDA, do MIT, apontou que 95% dos pilotos de IA generativa analisados não geraram impacto mensurável no resultado financeiro. A conclusão partiu de cerca de 300 implementações públicas, somadas a entrevistas com líderes e a pesquisas com funcionários.
A manchete sugere que a tecnologia ainda não está pronta. Os detalhes do estudo contam outra história, bem mais útil para quem precisa decidir onde investir. Nesta leitura, as dúvidas mais comuns sobre o tema ganham respostas diretas.
O problema está na qualidade dos modelos de IA?
Segundo os autores, não. Uma pessoa usa um assistente de IA para redigir um e-mail e fica satisfeita com o resultado. Murilo Alencar sinaliza que a mesma ferramenta, colocada para atender clientes, precisa lembrar o histórico de cada caso, seguir regras internas e não repetir o erro da semana anterior.
É aí que a maioria dos projetos trava. O relatório chama isso de lacuna de aprendizado: ferramentas genéricas funcionam bem para indivíduos porque são flexíveis, mas não se adaptam ao fluxo de trabalho da empresa. A equipe acaba repetindo as mesmas instruções todos os dias até abandonar o uso.
Onde as empresas estão colocando o dinheiro?
Mais da metade dos orçamentos de IA generativa observados pelo estudo foi para ferramentas de vendas e marketing. O maior retorno, porém, apareceu em áreas de retaguarda, como redução de serviços terceirizados, de agências externas e de etapas operacionais repetitivas.
A explicação é prosaica. Projetos voltados ao cliente rendem boas demonstrações e chamam a atenção da diretoria, mas um chatbot que brilha na apresentação pode não alterar em nada o custo de atender cada cliente. Já o custo de um processo interno tem número conhecido antes e depois da mudança, e por isso o ganho aparece na planilha.
Vale mais comprar uma solução ou desenvolver dentro de casa?
Os pilotos feitos em parceria com fornecedores especializados tiveram sucesso em cerca de dois terços dos casos. As iniciativas construídas apenas internamente se saíram bem pior. Isso não transforma a compra em regra, mas mostra que integrar IA a sistemas e processos reais é mais difícil do que parece numa prova de conceito.
Na visão de Murilo Moura Alencar, a escolha depende menos de orgulho técnico e mais de onde a empresa tem competência de verdade. Desenvolver internamente faz sentido quando o problema é central para o negócio e existe equipe para manter a solução depois do lançamento.
Como saber se um piloto de IA deu certo?
Pense na triagem de chamados de suporte. Antes do piloto, a equipe mede quanto tempo leva para classificar e encaminhar cada pedido. Depois, compara. Se o número não mudou, o projeto não funcionou, por mais impressionante que tenha sido a demonstração.
A regra vale para qualquer caso: escolher um único problema, com custo conhecido, e definir a métrica antes de começar. Também convém medir a qualidade, já que um encaminhamento mais rápido e errado apenas empurra o problema para outra fila. Um prazo curto, de poucas semanas, evita que o experimento vire projeto permanente sem resultado. Pilotos amplos demais produzem opiniões, não evidências.
O que os 5% fazem de diferente?
Os projetos que deram retorno têm em comum um recorte estreito, foco num domínio específico e parcerias bem escolhidas. Nenhum desses fatores depende do modelo mais avançado do mercado. Todos dependem de decisões de gestão. Uma equipe que redesenha a rotina em torno da ferramenta, revê papéis e ajusta indicadores tende a capturar o ganho que o piloto prometia.
Murilo Alencar aponta que é nessa mudança de rotina, mais do que na escolha do modelo, que o investimento começa a se pagar. Visto assim, o desafio da inteligência artificial nas empresas é tanto de tecnologia quanto de pessoas.
