Entre 50% e 95% dos projetos de inteligência artificial não saem da fase experimental ou não entregam o retorno financeiro esperado. O número foi apresentado por George Westerman, professor sênior do MIT Sloan, no palco do Universo TOTVS, em São Paulo, e publicado em 16 de outubro. Menos de 10% dos executivos relatam ver valor concreto ou adoção efetiva de agentes de IA na rotina. A leitura fácil é que falta tecnologia. A leitura correta é que falta evidência: a maioria dos projetos não tem linha de base, não tem grupo de comparação e não tem dono da decisão.
Conclusões Principais
Westerman chama o fenômeno de ilusão da adoção. A empresa compra tecnologia de ponta e interpreta a compra como transformação. O problema central, segundo ele, não é tecnológico, mas organizacional e cultural: os pilotos existem, mas os processos, o marketing, o design e as áreas de negócio não entram na rotina da inovação.
O dado brasileiro reforça o diagnóstico. Nove em cada dez empresas não medem o resultado financeiro da IA, e o uso de IA para fazer compras saltou de 39% para 72% no país. Ou seja, a adoção avança mais rápido do que a capacidade de medir, o que produz entusiasmo sem aprendizado.
Por que o piloto não vira resultado
O piloto otimiza a demonstração, não o processo
Um piloto bem-sucedido costuma ser desenhado para provar que a tecnologia funciona, com escopo estreito e condições favoráveis. Quando vai para produção, encontra exceções, dados sujos e metas conflitantes. A falha não é da tecnologia, é da diferença entre o ambiente de demonstração e o ambiente de operação.
A decisão de investir não tem dono
Sem um dono que mude o processo caso o modelo recomende mudança, o resultado vira relatório. A ausência de dono é o motivo mais frequente de projetos que entregam dashboard e não entregam decisão, e é o que explica a distância entre adoção declarada e valor percebido.
Melhores Práticas
Definir a decisão antes do modelo
O projeto deve começar pela decisão que será alterada: preço, sortimento, alocação de estoque, escala de trabalho. Só depois se escolhe o modelo. Começar pela tecnologia inverte a ordem e produz pilotos que ninguém sabe onde encaixar.
Construir linha de base e grupo de comparação
A linha de base precisa ser medida antes, com a mesma instrumentação. O grupo de comparação precisa existir durante, com lojas ou períodos semelhantes. Sem os dois, qualquer melhora será atribuída à IA, mesmo quando vier de sazonalidade ou de mudança de mix.
Erros Comuns
O primeiro erro é medir sucesso com métrica de modelo. Precisão, latência e cobertura são métricas de engenharia; o gestor precisa de custo, margem ou ruptura. O segundo erro é rodar o piloto em período estável. A IA prova seu valor quando as condições mudam, e é justamente aí que a comparação importa.
O terceiro erro é escalar antes de documentar. Escalar um piloto sem registrar o que mudou, em que condições e com qual custo transforma um acerto local em risco sistêmico, porque a organização replica o resultado sem replicar o contexto.
O checklist de evidência para projetos de IA
O checklist tem quatro itens. Primeiro, um dono da decisão que altere o processo se o modelo recomendar. Segundo, linha de base medida antes com a mesma instrumentação. Terceiro, janela de comparação que inclua ao menos um choque de demanda ou de oferta. Quarto, uma linha de custo que o financeiro já acompanhe, para que o resultado não dependa de uma definição contábil nova.
Aplicado ao varejo, o mesmo checklist serve para sortimento, reposição e escala de loja. A falha comum não é a qualidade do modelo, é a ausência de dono e de linha de base. Projetos com dono e linha de base tendem a sobreviver; projetos sem os dois produzem painéis que ninguém abre depois do piloto.
Resumo
O número de Westerman não é um argumento contra a IA, é um argumento contra a forma como os projetos são desenhados. Adoção sem medição produz entusiasmo, e entusiasmo não sobrevive a um ciclo de orçamento.
O teste prático é simples: nomeie a decisão, o dono e a linha de custoVale registrar a resposta por escrito, porque o registro é o que impede o projeto de voltar ao piloto na primeira revisão de orçamento. antes de implantar. Se algum dos três faltar, o projeto não está pronto, independentemente da qualidade técnica da solução.
Fontes de Dados
- Westerman: 50% a 95% dos projetos de IA não entregam retorno：https://mercadoeconsumo.com.br/16/10/2026/tecnologia/por-que-a-maioria-dos-projetos-de-ia-nao-gera-valor-e-como-mudar-esse-cenario/
- Nove em cada dez empresas não medem retorno da IA：https://mercadoeconsumo.com.br/15/10/2026/tecnologia/nove-em-cada-dez-empresas-nao-medem-resultado-financeiro-da-ia/
- Uso de IA para compras salta para 72%：https://mercadoeconsumo.com.br/14/10/2026/tecnologia/uso-de-ia-para-fazer-compras-salta-de-39-para-72-no-brasil/
- Reforma tributária e adaptação de sistemas：https://mercadoeconsumo.com.br/08/10/2026/tecnologia/reforma-tributaria-o-desafio-de-adaptar-sistemas-sem-parar-a-producao/
Perguntas Frequentes
Qual é o número central do artigo?
A:Entre 50% e 95% dos projetos de IA não saem do piloto ou não entregam retorno, segundo George Westerman, do MIT Sloan.
Por que a adoção cresce e o valor não aparece?
A:Porque a adoção avança mais rápido do que a capacidade de medir. Nove em cada dez empresas não medem o resultado financeiro da IA.
O que é a ilusão da adoção?
A:É tratar a compra de tecnologia como se fosse a transformação do negócio, sem mudar processos e rotinas.
Qual o primeiro passo de um projeto de IA?
A:Definir a decisão que será alterada. A tecnologia vem depois, e não antes.
Como provar que a IA gerou valor?
A:Com linha de base anterior, grupo de comparação durante e uma linha de custo que o financeiro já acompanhe.
Por que pilotos em período estável enganam?
A:Porque a IA mostra valor quando as condições mudam. Em período calmo, o resultado não se generaliza.
