Piloto de IA: só 5% das ferramentas chegam à produção (MIT)

A maioria dos projetos de IA que não saem do piloto para por motivos de gestão, e o modelo de linguagem pesa pouco nessa conta. O dado mais citado sobre o assunto vem do relatório “The GenAI Divide”, do Projeto NANDA do MIT, de 2025: só 5% das ferramentas corporativas de IA generativa feitas para tarefas específicas chegaram à produção. No funil do relatório, 60% das organizações avaliaram esse tipo de ferramenta, 20% chegaram ao piloto e 5% chegaram à produção com impacto sustentado. O número está no original, mas vem de 52 entrevistas e 153 respostas de questionário, os autores o chamam de direcional e a régua de retorno é de seis meses depois do piloto. Lido ao lado das pesquisas do Gartner, da RAND Corporation, do BCG e da McKinsey, o relatório mostra percentuais que variam muito e causas que se repetem: problema mal definido, dado sem preparo, IA colocada ao lado do fluxo de trabalho em vez de dentro dele e projeto sem um dono que responda pelo resultado.

Na Iasbeck&Co a gente implanta CRM e agentes de IA em operações B2B e treina os times que trabalham com eles, e boa parte das conversas com diretoria começa com um piloto que deu certo na demonstração e não virou rotina. Escrevi este texto para quem aprova o orçamento de IA, para as lideranças de vendas, marketing e CS que vão operar os agentes e para o RH, que costuma ser chamado quando o problema já virou adoção.

Quantos projetos de IA não saem do piloto?

Cada pesquisa mede uma coisa diferente, e os percentuais não se somam. O MIT mediu a passagem da ferramenta avaliada para a ferramenta em produção, o Gartner fez previsões de abandono depois da prova de conceito, a RAND entrevistou profissionais técnicos sobre causas de fracasso, e BCG e McKinsey perguntaram a executivos se a empresa já captura valor. A tabela resume as seis fontes com o método de cada uma.

Fonte	Ano	Amostra e método	Principal achado
MIT, Projeto NANDA	2025	Revisão de mais de 300 iniciativas públicas, entrevistas em 52 organizações e questionário com 153 líderes em quatro conferências, de janeiro a junho de 2025	5% das ferramentas de IA generativa para tarefas específicas chegaram à produção com impacto sustentado
Gartner	2024	Previsão de analistas	Pelo menos 30% dos projetos de IA generativa seriam abandonados depois da prova de conceito até o fim de 2025
Gartner	2025	Pesquisa com 1.203 líderes de gestão de dados em julho de 2024, mais previsão	63% não têm ou não sabem se têm práticas de dados adequadas para IA; até 2026, 60% dos projetos sem dado preparado serão abandonados
RAND Corporation	2024	65 entrevistas (50 profissionais de mercado com pelo menos cinco anos de experiência e 15 acadêmicos), de agosto a dezembro de 2023	Cinco causas-raiz; 84% dos entrevistados de mercado apontaram causas de liderança como a principal
BCG	2024	Pesquisa com 1.000 executivos de mais de 20 setores em 59 países, com autoavaliação de 30 capacidades	26% das empresas têm capacidade para passar da prova de conceito e gerar valor; 74% ainda não mostram valor tangível
McKinsey	2026	Pesquisa online com 1.719 participantes de 97 países, de maio a junho de 2026, ponderada pelo PIB	6% são empresas de alto desempenho em IA; cerca de três quartos delas redesenharam fluxos de trabalho, contra um quarto das demais

O que o relatório do MIT mediu de fato?

O relatório do Projeto NANDA saiu em julho de 2025, assinado por quatro autores ligados ao MIT Media Lab, e se apresenta como “achados preliminares”. A frase que viralizou está no sumário executivo: 95% das organizações estariam obtendo retorno zero dos US$ 30 a 40 bilhões investidos por empresas em IA generativa. O dado por trás dela é mais estreito. Na seção 3.2, os autores separam dois tipos de ferramenta: as de uso geral, como os assistentes de conversa, foram avaliadas por 80% das organizações e implementadas por 40%, e as embarcadas ou feitas para uma tarefa específica, onde mora o projeto corporativo, ficaram no funil de 60%, 20% e 5%.

Como o MIT definiu sucesso

No apêndice de metodologia, sucesso é a implantação além do piloto com indicadores mensuráveis, e o retorno é medido seis meses depois do piloto. Na nota do gráfico, ferramenta “implementada com sucesso” é aquela que usuários ou executivos descreveram como causadora de impacto marcado e sustentado em produtividade ou no resultado. A régua depende do relato do entrevistado e cobra em seis meses um efeito difícil de medir nesse prazo. Os autores escrevem, ao lado do gráfico, que os números são “direcionalmente precisos”, vêm de entrevistas individuais e não de relatórios oficiais das empresas, e que a definição de sucesso muda de uma organização para outra.

As críticas que o relatório merece

As limitações estão no próprio documento, e quase nenhuma manchete as reproduziu. O apêndice reconhece viés de seleção, porque quem aceita falar sobre IA pode ser diferente de quem recusa, e admite que seis meses podem subestimar o sucesso de sistemas complexos. Há uma inconsistência interna: a abertura da seção 3.4 diz que 50% do orçamento de IA generativa vai para vendas e marketing, e o parágrafo seguinte fala em cerca de 70% no mesmo exercício, em que executivos distribuíram 100 dólares hipotéticos entre as áreas. O Projeto NANDA desenvolve infraestrutura para agentes de IA, e o relatório conclui que a saída está em sistemas agênticos com memória, que é a tese do próprio projeto. Por fim, o PDF ficou no endereço do MIT até 18 de agosto de 2025 e depois saiu do ar, segundo os registros do Internet Archive, por isso o link aponta para a cópia arquivada.

O relatório continua útil para quem compra IA. Na amostra, ferramentas compradas de parceiros externos chegaram à implantação em cerca de 67% dos casos, contra 33% das construídas em casa, e os autores avisam que a correlação não prova causa. Empresas de porte médio levaram em média 90 dias do piloto à implantação completa, contra nove meses ou mais nas grandes, e a barreira mais citada foi a resistência a adotar ferramentas novas.

O que o Gartner prevê para os projetos que param na prova de conceito?

Em julho de 2024, o Gartner previu que pelo menos 30% dos projetos de IA generativa seriam abandonados depois da prova de conceito até o fim de 2025, por dado de baixa qualidade, controles de risco inadequados, custos crescentes ou valor de negócio pouco claro. O prazo já passou e eu não encontrei uma publicação aberta do Gartner conferindo o resultado, então trate o número como previsão.

Em fevereiro de 2025, o instituto publicou um levantamento sobre dado preparado para IA. Numa pesquisa com 1.203 líderes de gestão de dados, feita em julho de 2024, 63% das organizações disseram não ter ou não saber se têm as práticas adequadas, e o Gartner previu que até 2026 as empresas vão abandonar 60% dos projetos de IA sem dado preparado. A analista Roxane Edjlali resume o critério: dado com problema não está pronto para IA. A previsão do instituto para agentes, de cancelamento de mais de 40% dos projetos até 2027, está discutida no artigo sobre agentes de IA.

Por que projetos de IA fracassam, segundo a RAND?

O estudo da RAND Corporation de agosto de 2024, de James Ryseff, Brandon De Bruhl e Sydne Newberry, foi feito para o Departamento de Defesa dos Estados Unidos e é o mais útil dos seis para entender causa. Os pesquisadores entrevistaram 50 profissionais de mercado com pelo menos cinco anos construindo modelos de aprendizado de máquina e 15 acadêmicos, e consideraram fracasso o projeto que a própria organização percebeu como fracassado. Das conversas saíram cinco causas-raiz: a liderança entende ou comunica mal qual problema a IA deve resolver; falta o dado necessário; o time persegue a tecnologia mais nova em vez do problema do usuário; falta infraestrutura para gerir dados e colocar modelos em produção; e o problema é difícil demais para a IA.

As causas de liderança e as de dado apareceram de forma espontânea em mais da metade das entrevistas como razão principal, e 84% dos entrevistados de mercado apontaram pelo menos uma causa de liderança como a principal. As outras três apareceram em um quarto a um terço das conversas. Uma recomendação da RAND serve a qualquer comitê de orçamento: antes de começar, a liderança deve estar disposta a manter o time no mesmo problema por pelo menos um ano.

De onde vem o número de 80%

O estudo da RAND ajudou a espalhar o dado de que mais de 80% dos projetos de IA fracassam, o dobro dos projetos de TI sem IA. O texto introduz o número com “segundo algumas estimativas”, e a nota de rodapé leva a uma reportagem da revista Fortune de julho de 2022, com a declaração de um executivo. A RAND não mediu os 80%, e o número tem origem jornalística anterior à onda de IA generativa.

Quais são as causas, e qual pesquisa sustenta cada uma?

A tabela junta as causas que aparecem nas seis fontes e traduz cada uma para o que eu vejo numa operação comercial com CRM.

Causa	Como aparece na operação	Fonte
Problema mal definido	O piloto testa “o que a IA consegue fazer” e ninguém escreveu qual indicador precisa mudar	RAND (primeira causa-raiz); BCG (líderes perseguem cerca de metade das oportunidades das demais)
Dado sem preparo	O agente lê registros duplicados, datas vazias e etapas preenchidas para o relatório da semana	Gartner 2025 (63% sem práticas adequadas); Gartner 2024; RAND (segunda causa-raiz)
IA fora do fluxo de trabalho	A ferramenta roda numa tela à parte, sem memória do cliente, e o vendedor volta ao jeito antigo	MIT (fluxos frágeis, falta de aprendizado com o contexto); McKinsey (redesenho de fluxos nas empresas de alto desempenho)
Falta de dono	O piloto pertence à TI e nenhum gestor da área responde pelo resultado	RAND (84% citam causas de liderança); MIT (autoridade de implantação na área, com cobrança mantida)
Adoção	O time aprova a demonstração e continua no assistente pessoal ou na planilha	MIT (resistência a ferramentas novas); BCG (cerca de 70% dos desafios vêm de pessoas e processos)
Custo e valor pouco claro	O consumo cresce no terceiro mês e ninguém mostra o ganho ao financeiro	Gartner 2024; McKinsey 2026 (um em cada cinco diz que custos operacionais limitaram o uso)

As causas se encadeiam: problema mal definido gera piloto sem indicador, e piloto sem indicador não prova valor quando o custo aparece. Das seis, só a infraestrutura de dados depende sobretudo da TI, e as outras dependem de decisões que diretoria e gestores tomam antes de assinar a compra.

O que fazem as empresas que levam a IA para a produção?

A pesquisa da McKinsey de 2026 chama de alto desempenho as empresas cujos respondentes atribuem à IA pelo menos 5% do EBIT e descrevem o valor como significativo. Elas somam 6% da amostra, a mesma proporção de 2025. Cerca de três quartos delas redesenharam fluxos de trabalho por causa da IA, contra 55% no ano anterior, e só um quarto dos demais respondentes fez o mesmo. Elas também têm o dobro de chance de relatar compromisso visível da alta liderança. A leitura geral do mercado está no artigo sobre o estado da IA nas empresas.

O BCG chegou a uma conclusão parecida em 2024. Das empresas pesquisadas, 4% geram valor de forma consistente e outras 22% começam a colher ganhos relevantes. As líderes seguem a proporção de 10% dos recursos em algoritmos, 20% em tecnologia e dados e 70% em pessoas e processos e perseguem em média metade das oportunidades das demais.

Somando McKinsey, BCG e MIT, quem escala escolhe poucos processos e muda o fluxo inteiro de cada um, em vez de distribuir uma ferramenta para todos. Essas empresas colocam um gestor da área como responsável e cobram do fornecedor resultado de negócio, como se contratassem um prestador de serviço. E medem o impacto com processo definido, o assunto do artigo sobre ROI de IA.

O que isso tem a ver com o CRM da sua empresa?

O MIT mostra que vendas e marketing recebem a maior fatia do orçamento de IA generativa, e são as áreas em que o agente lê e escreve no CRM. Um agente de follow-up de propostas depende de data confiável da última interação, critério objetivo de etapa e próximo passo registrado. Um agente de triagem de chamados depende de categorias fechadas, histórico do cliente e regra de prioridade escrita. Com esses campos vazios, o piloto funciona na base que o fornecedor preparou para a demonstração e falha na base real.

Um exemplo ilustrativo: uma empresa de serviços B2B testa por 60 dias um agente que escreve o follow-up das propostas abertas. No piloto, com 40 propostas que o gestor revisou à mão, os rascunhos saem bons. Na expansão, o agente passa a ler 900 propostas, parte delas duplicada, parte na etapa errada e muitas sem o nome do decisor. O vendedor começa a reescrever cada rascunho, desiste na terceira semana, e o projeto entra para a estatística com o mesmo agente que funcionou no piloto.

Por isso eu trato a preparação da base como parte do projeto de IA, com prazo e responsável. O roteiro dessa arrumação está no artigo sobre qualidade de dados no CRM, e os projetos de CRM que falharam pelas mesmas razões estão em fracasso de projetos de CRM.

O que esses dados não dizem

Nenhuma das seis fontes mede o Brasil em separado. O apêndice do MIT admite que a amostra pode não representar todas as regiões, o BCG cobre Ásia, Europa e América do Norte, e a McKinsey pondera pelo PIB, o que dá peso às economias maiores. Uma operação comercial brasileira de porte médio pode ter taxas diferentes, para cima ou para baixo, e ninguém publicou esse número com método aberto.

As definições de fracasso também mudam: o MIT mede retorno seis meses depois do piloto, a RAND aceita a percepção da organização e o Gartner trabalha com previsão. BCG e McKinsey usam autoavaliação de executivos, e quem responde costuma ser quem patrocinou o projeto. Os dados de alto desempenho mostram correlação, e é possível que empresas que já ganham dinheiro com IA tenham mais fôlego para redesenhar fluxos. BCG e McKinsey vendem projetos de transformação e o Projeto NANDA desenvolve infraestrutura para agentes, e cada um tem interesse na conclusão que apresenta.

Dois números circulam sem base primária verificável. O de 80% de fracasso chega à RAND por uma reportagem de 2022. E um levantamento de 2025 de uma empresa de inteligência de mercado sobre abandono de iniciativas de IA aparece em muitas matérias, mas não encontrei o relatório original aberto e deixei o número de fora.

O que a liderança faz com esses números

1. Troque os 95% pelo funil. O dado de 60%, 20% e 5% e a lista de causas ajudam mais na decisão do que a manchete, que vale para uma amostra pequena e uma régua de seis meses.
2. Escolha um processo, com indicador e linha de base. RAND, BCG e McKinsey recomendam concentrar o esforço em poucos problemas. Registre o valor do indicador no CRM antes do piloto.
3. Nomeie um dono na área. O gestor de vendas, de marketing ou de CS responde pelo resultado do agente, e a TI cuida de acesso e segurança.
4. Audite os campos que o agente vai ler. Verifique duplicidade, datas, critério de etapa e campos obrigatórios do processo escolhido, e trate o que faltar dentro do cronograma.
5. Coloque a IA dentro do fluxo. O agente trabalha no registro do cliente, com regra de aprovação definida, e o processo antigo sai de cena quando o novo estiver validado.
6. Defina o critério de saída e a data. O piloto termina com decisão: vira operação, muda de escopo ou é encerrado. Os 90 dias das empresas de porte médio do MIT servem de referência para a primeira revisão.
7. Some o custo de verdade. Inclua consumo, implantação, arrumação de dados, treinamento e horas de revisão humana, porque custo crescente aparece como freio no Gartner e na McKinsey.

O papel do RH e do T&D na passagem para a produção

O BCG atribui cerca de 70% dos desafios de implantação a pessoas e processos, e o MIT aponta a resistência a ferramentas novas como a barreira mais citada. Para o RH, o treinamento precisa acontecer no processo que o piloto escolheu, com o agente funcionando sobre os dados da empresa. O MIT observou que muitas implantações fortes começaram com quem já testava IA por conta própria, e esse grupo é um bom ponto de partida para formar multiplicadores. O indicador do treinamento é o uso no processo, medido no CRM antes e depois da turma.

Os projetos que saem do piloto têm um processo escolhido, um dado preparado, um dono na área e um time que sabe trabalhar com o agente. Esse é o trabalho do treinamento in company de IA aplicada, montado sobre os processos e os dados da sua empresa, com turmas para diretoria, lideranças e operação. Ele entrega a biblioteca de prompts por área e a arquitetura de agentes, com o que cada agente lê, o que executa e quem aprova, o desenho que falta à maioria dos pilotos na hora de ir para a produção.

Perguntas frequentes

Qual a porcentagem de projetos de IA que não saem do piloto?

Não existe um número único. No relatório do MIT de 2025, 5% das ferramentas de IA generativa para tarefas específicas chegaram à produção com impacto sustentado, numa amostra de 52 organizações. O Gartner previu em 2024 que pelo menos 30% dos projetos de IA generativa seriam abandonados depois da prova de conceito até o fim de 2025, e o BCG encontrou 26% de empresas com capacidade de passar da prova de conceito para valor.

O dado de 95% do MIT é confiável?

O número está no relatório, mas mede menos do que a manchete sugere. Ele vem de entrevistas e questionários com uma amostra pequena, usa uma janela de seis meses para medir retorno e os próprios autores o chamam de direcional. Serve como sinal de que a passagem para a produção é difícil, e não como taxa de fracasso do mercado.

Por que projetos de IA fracassam?

As causas que mais aparecem nas pesquisas são problema mal definido, dado sem preparo, IA fora do fluxo de trabalho, falta de um dono na área, baixa adoção e custo sem valor comprovado. Na RAND, 84% dos entrevistados de mercado apontaram causas ligadas à liderança como a principal, e o dado veio logo em seguida.

Quanto tempo deve durar um piloto de IA?

No relatório do MIT, as empresas de porte médio com melhor desempenho levaram em média 90 dias do piloto à implantação completa, e as grandes levaram nove meses ou mais. Eu uso 90 dias como prazo da primeira decisão, com critério de saída escrito antes do início.

Como preparar o time para levar a IA do piloto à produção?

Treine as pessoas no processo que o piloto escolheu, com o agente funcionando sobre os dados reais da empresa. Comece pelos profissionais que já usam IA por conta própria, para formar multiplicadores, e defina com os gestores as regras de aprovação. Meça o uso no processo antes e depois do treinamento para saber se o comportamento mudou.

Preciso arrumar o CRM antes de colocar um agente de IA?

Precisa arrumar os campos que o agente vai ler no processo escolhido, e não a base inteira. O Gartner prevê o abandono de 60% dos projetos de IA sem dado preparado até 2026, e no CRM isso significa duplicidade tratada, datas confiáveis, critério de etapa e campos obrigatórios preenchidos. Essa arrumação entra no cronograma do projeto, com responsável e prazo.