POR QUE 87% DOS PROJETOS DE IA FALHAM (E COMO EVITAR ESSE DESTINO)

O Elefante na Sala dos Projetos de IA

Existe um número que a maioria dos fornecedores de tecnologia prefere não mencionar: 87% dos projetos de inteligência artificial nunca chegam à produção. Esse dado, amplamente citado a partir de pesquisas da Gartner, não mudou substancialmente nos últimos anos. A McKinsey, em seu relatório "The State of AI", reforça que apenas 22% das empresas que experimentam IA conseguem escalar pelo menos um caso de uso com retorno financeiro mensurável.

Eu acompanho esse cenário de perto. Nos anos em que trabalhei com projetos de dados e IA na TOTVS, no Bradesco Seguros e no Itaú — e depois, fundando a Frame8 — vi padrões de falha se repetirem com uma consistência quase previsível. O problema raramente é técnico. Na grande maioria dos casos, a raiz está em decisões (ou na ausência delas) que acontecem muito antes da primeira linha de código.

Vou detalhar os quatro motivos mais recorrentes e, para cada um, apresentar o que funciona na prática.

1. Ausência de Sponsor Executivo

Esse é, disparado, o fator que mais mata projetos. Um estudo da Harvard Business Review sobre transformação digital mostrou que iniciativas sem patrocínio ativo de um executivo C-Level têm três vezes mais chance de serem descontinuadas antes de gerar valor.

O que acontece na prática: a área de dados ou inovação identifica uma oportunidade, desenvolve uma prova de conceito brilhante, mas ninguém na diretoria está genuinamente comprometido com aquele resultado. Quando surge o primeiro obstáculo — e sempre surge — não há quem remova barreiras organizacionais, libere orçamento incremental ou, simplesmente, proteja o projeto da política interna.

O que fazer

• Identifique o sponsor antes de iniciar o projeto. Não depois. Se não há um executivo disposto a colocar o nome e a reputação em jogo, reconsidere o timing.
• Estabeleça rituais de report direto. O sponsor precisa receber atualizações quinzenais com métricas claras — não dashboards genéricos, mas indicadores de progresso vinculados a resultados de negócio.
• Formalize o papel. Na metodologia SMAECIA que utilizamos na Frame8, a fase de Strategy exige a definição explícita do sponsor e do comitê de governança antes de qualquer investimento técnico.

2. Falta de Critérios de Go/No-Go

A segunda causa mais destrutiva é a ausência de gates de decisão. Muitas empresas tratam projetos de IA como apostas de longo prazo onde "vamos ver no que dá". Isso é um convite ao desperdício.

A Gartner recomenda explicitamente o uso de stage-gates em projetos de IA, com critérios objetivos para continuar, pivotar ou encerrar. Sem esses critérios, projetos viram zumbis: não morrem oficialmente, mas consomem recursos sem entregar valor.

O que fazer

• Defina gates a cada fase do projeto. Na Frame8, usamos gates entre cada etapa da SMAECIA (Strategy, Measure, Architecture, Execute, Control, Iterate, Adapt). Cada transição exige evidências concretas.
• Estabeleça critérios quantitativos. Exemplos: "Se a acurácia do modelo não atingir 85% no dataset de validação até a semana 8, o projeto será reavaliado." Ou: "Se o custo de inferência ultrapassar R$ 0,15 por transação, a arquitetura será revista."
• Tenha coragem de matar projetos. As organizações mais maduras em IA não são as que acertam sempre — são as que erram rápido, aprendem e realocam recursos.

3. Métricas Financeiras Inexistentes ou Vagas

Aqui mora uma contradição curiosa. Empresas que jamais aprovariam um investimento de R$ 2 milhões em equipamentos sem um estudo de viabilidade detalhado, frequentemente aprovam projetos de IA do mesmo valor com justificativas como "precisamos ser inovadores" ou "nossos concorrentes já estão fazendo".

A McKinsey aponta que empresas líderes em IA têm três vezes mais probabilidade de vincular cada caso de uso a um KPI financeiro específico. Não é coincidência.

O que fazer

• Calcule o EBA (Economic Benefit Assessment) antes de começar. Qual é o benefício econômico esperado? Redução de custo operacional? Aumento de receita? Mitigação de risco? Coloque um número.
• Use métricas financeiras reais. VPL (Valor Presente Líquido), TIR (Taxa Interna de Retorno), Payback descontado. Se o projeto não sobrevive a uma análise de VPL com taxa de desconto realista, ele provavelmente não deveria existir.
• Monitore continuamente. Não basta calcular o ROI projetado. A fase de Control da SMAECIA exige comparação sistemática entre o projetado e o realizado, com ajustes trimestrais.

4. Subestimação da Gestão de Mudança

Este é o motivo mais negligenciado. Tecnicamente, o modelo funciona. Financeiramente, faz sentido. Mas as pessoas que deveriam usar a solução simplesmente não usam.

O relatório "AI at Scale" da McKinsey destaca que empresas que investem em change management têm 1,5x mais chance de capturar o valor total dos projetos de IA. Isso inclui treinamento, redesenho de processos, comunicação interna e, principalmente, envolvimento dos usuários finais desde o início.

Vivi isso de forma visceral em projetos no setor financeiro. Um modelo de credit scoring com performance estatística superior ao modelo vigente foi rejeitado pelos analistas de crédito porque ninguém os envolveu no processo de desenvolvimento. Eles não confiavam no output — e tinham razões legítimas para isso, já que não entendiam como o modelo chegava às suas conclusões.

O que fazer

• Envolva os usuários finais desde a fase de descoberta. Não apenas na homologação. Eles precisam participar da definição do problema.
• Invista em explicabilidade. Se o usuário não entende por que o modelo recomenda algo, ele vai ignorar a recomendação. Ferramentas de XAI (Explainable AI) não são luxo — são requisito.
• Crie um plano de adoção formal. Comunicação, treinamento, período de convivência entre o processo antigo e o novo, métricas de adoção. Trate isso com o mesmo rigor que você trata o desenvolvimento técnico.
• Designe Change Champions. Pessoas dentro das áreas de negócio que serão embaixadoras da solução. Na minha experiência, isso é mais efetivo do que qualquer treinamento corporativo.

O Padrão Por Trás dos Padrões

Se você observar os quatro motivos acima, perceberá que nenhum deles é fundamentalmente técnico. O algoritmo raramente é o problema. O que falta é rigor de gestão aplicado a projetos de IA com a mesma seriedade que aplicamos a qualquer outro investimento estratégico.

A IA não é mágica. É uma ferramenta poderosa que exige estratégia clara, métricas definidas, governança ativa e gestão de mudança deliberada. Empresas que tratam projetos de IA com essa disciplina não apenas evitam a estatística dos 87% — elas constroem vantagem competitiva sustentável.

Na Frame8, desenvolvemos a metodologia SMAECIA justamente para endereçar essas lacunas de forma estruturada. Mas independente da metodologia que você use, o princípio é o mesmo: trate IA como investimento estratégico, não como experimento de laboratório.

Projetos de IA não falham por falta de tecnologia. Falham por falta de gestão.

Se sua organização está planejando ou já rodando iniciativas de IA, faça uma auditoria honesta: você tem sponsor executivo comprometido? Gates de decisão formalizados? Métricas financeiras claras? Plano de gestão de mudança? Se a resposta para qualquer uma dessas perguntas for "não" ou "mais ou menos", você sabe onde precisa atuar antes de investir mais um real em infraestrutura ou modelos.