Alguém do seu time construiu algo com IA. Talvez uma demonstração, talvez uma prova de conceito, talvez só um e-mail realmente impressionante que deixou a equipe executiva animada. Agora todo mundo quer saber: dá para fazer isso na organização inteira?

A resposta curta é: talvez.

A resposta longa passa por um terreno cheio de pilotos abandonados, orçamentos queimados e “iniciativas de IA” que, discretamente, foram engolidas de volta pela operação normal, sem alarde. A pesquisa do MIT de 2025 constatou que 95% dos pilotos corporativos de IA generativa falham em entregar retornos financeiros mensuráveis. Não é “ficar abaixo das expectativas”. É não entregar nada mensurável.

Esse número merece ficar com você por um momento, porque ele explica a energia nervosa em torno da adoção de IA nas organizações agora. Todo mundo está rodando pilotos. Quase ninguém está em produção.

Entre a demonstração e o padrão

Existe uma zona específica onde iniciativas de IA morrem. Ela aparece depois da fase empolgante do piloto, em que um time pequeno prova que algo funciona, mas antes de a ferramenta ficar incorporada a como as pessoas realmente fazem o trabalho. Esse espaço ganhou até nome nos círculos de consultoria: purgatório do piloto.

O piloto funciona. Na verdade, funciona lindamente. Alguém do marketing escreve três meses de posts para redes sociais em uma tarde. Vendas gera mensagens de prospecção personalizadas que realmente soam personalizadas. O jurídico corta pela metade o tempo de revisão de contratos.

Aí a realidade aparece.

Quem puxava o piloto é deslocado para outro projeto. A ferramenta precisa passar por uma revisão de segurança antes de encostar em dados de clientes. A TI não tem orçamento para integrá-la aos sistemas existentes. As pessoas que não participaram do piloto não sabem usar e não têm tempo para aprender. Gerentes intermediários ficam céticos porque o sucesso pode significar que o time deles será reduzido.

Seis meses depois, alguém pergunta o que aconteceu com aquela coisa de IA, e ninguém tem uma boa resposta.

Por que o salto importa

Eis o que muda quando você sai do piloto e vai para produção: tudo.

Um piloto envolve um punhado de pessoas motivadas que se voluntariaram para tentar algo novo. Escalar significa levar todo mundo junto, incluindo quem não levantou a mão, quem é cético, quem está ocupado demais e quem está, em silêncio, apavorado.

Pilotos operam fora dos processos normais. Produção significa integração com o emaranhado de aprovações, repasses e fluxos de trabalho que sua organização acumulou ao longo de décadas.

Pilotos toleram imperfeição porque são experimentos. Produção exige confiabilidade porque o trabalho real das pessoas depende disso.

A mudança de mentalidade é dramática. Um comentarista no Hacker News foi direto: “Almost all of the Enterprise/Corporate AI offerings are a significant step in cost that needs to bear actual fruit in order to be worthwhile, not to mention the compliance and security requirements most places have in order to get these things approved.” É nesse processo de aprovação que o entusiasmo encontra a burocracia — e a burocracia muitas vezes vence por desgaste.

O paradoxo do orçamento

As organizações colocam o dinheiro de IA nos lugares errados com uma consistência impressionante. A pesquisa do MIT constatou que mais da metade dos orçamentos de IA generativa vai para ferramentas de vendas e marketing, mas o maior retorno sobre o investimento aparece na automação das operações internas. Todo mundo quer aplicações chamativas voltadas ao cliente. O operacional sem graça é onde mora o valor de verdade.

Esse desalinhamento cria um ciclo previsível. Você financia o caso de uso mais empolgante. Ele acaba sendo mais difícil do que o esperado, porque IA voltada ao cliente precisa ser perfeita e clientes são imprevisíveis. Enquanto isso, a equipe de contabilidade continua conciliando faturas manualmente porque ninguém reservou orçamento para esse fluxo.

A Johnson & Johnson rodou 900 projetos de IA generativa ao longo de três anos depois de incentivar funcionários a experimentar livremente. Eles descobriram que apenas 10-15% desses casos de uso entregaram 80% do valor. A empresa agora está concentrando recursos em projetos de alto impacto e cortando o resto. Três anos e 900 experimentos para aprender quais apostas realmente valem a pena.

A maioria das empresas não vai fazer 900 experimentos. Vai fazer cinco ou dez, escolher com base no que é mais empolgante em vez do que é mais valioso, e se perguntar por que os resultados decepcionam.

A IA sombra já está acontecendo

Enquanto sua iniciativa oficial de IA passa por compras e revisão de segurança, seus funcionários já estão usando IA. Só estão fazendo isso de maneiras que você não consegue ver nem controlar.

Os dados aqui são impressionantes. A pesquisa da Cyberhaven constatou que 73,8% das contas do ChatGPT usadas no trabalho são contas pessoais, sem controles de segurança corporativos. Para o Gemini do Google, é 94,4%. Para o Bard, 95,9%.

Seu time não está esperando por você.

Eles estão colando dados de clientes em ferramentas de IA para consumo para fazer o trabalho mais rápido. Estão usando contas pessoais porque a empresa não forneceu alternativas aprovadas. 27,4% dos dados corporativos que os funcionários enviam para ferramentas de IA agora são classificados como sensíveis, acima de 10,7% um ano antes.

Isso cria uma situação estranha em que o esforço formal para escalar IA avança devagar pela revisão de conformidade, enquanto o uso de IA fora do radar cresce rápido na sombra. Quando o lançamento oficial finalmente acontece, hábitos já se formaram em torno de ferramentas não aprovadas. Você não está introduzindo IA; está pedindo para as pessoas mudarem para uma versão diferente.

Organizações espertas encontram esses usuários de IA sombra e aprendem com eles em vez de puni-los. Que problemas eles estão resolvendo? O que isso diz sobre onde a IA realmente ajuda?

A matemática das pessoas

Escalar IA significa sair dos primeiros adotantes entusiasmados e chegar à maioria cética. É outro desafio.

A pesquisa da BCG constatou que mais de três quartos de líderes e gerentes dizem usar IA generativa várias vezes por semana, mas o uso regular entre funcionários da linha de frente estagnou em 51%. A lacuna não é acesso. A maioria das organizações já forneceu ferramentas. A lacuna é adoção.

As pessoas que mais têm dificuldade com adoção de IA não são quem você imagina. Funcionários sêniores, com expertise profunda, às vezes resistem porque a IA ameaça o valor do conhecimento que eles passaram décadas construindo. O analista que sempre soube onde encontrar os dados agora vê um colega júnior obter respostas parecidas a partir de um prompt. Isso é desorientador por motivos que vão além de produtividade.

Outras resistências são mais simples. As pessoas estão ocupadas. Aprender uma ferramenta nova leva tempo. O retorno não é óbvio. As consequências de erros parecem altas. Esperar para ver se essa aqui vai “pegar” parece razoável quando as últimas três iniciativas de tecnologia vieram e foram embora.

Um padrão que funciona é a rede interna de campeões. Novartis, Adobe e HSBC criaram programas em que funcionários voluntários testam ferramentas novas, compartilham casos de uso e orientam colegas. O “campeão” não é a TI ou a liderança mandando as pessoas fazerem algo. É um colega mostrando como ele usa no dia a dia. Essa influência entre pares costuma importar mais do que mandatos de política.

Quando a IA realmente entrega

Existem histórias de sucesso. A Lumen Technologies relata que o Copilot economiza para o time de vendas uma média de quatro horas por semana, o que equivale a $50 milhões por ano. Tarefas que levavam quatro horas agora levam quinze minutos.

O que torna a experiência da Lumen notável não é a tecnologia. É o fato de eles terem levado o Copilot para vários departamentos e funções de negócio, em vez de manter tudo preso para sempre no piloto de um único time. A ferramenta virou parte de como o trabalho acontece, não um experimento opcional.

Saúde oferece outro exemplo. Como uma pessoa descreveu no Hacker News: “I’m in the process of deploying several AI solutions in Healthcare. We have a process a nurse usually spends about an hour on, and costs $40-$70 depending on if they are offshore and a few other factors. Our AI can match it at a few dollars often less.” Eles observaram que, nos testes, a IA frequentemente pegava problemas que enfermeiros não viam, enquanto enfermeiros raramente encontravam problemas que a IA deixava passar.

O fio comum nas histórias de sucesso não é uma estratégia brilhante de IA. É execução persistente de fundamentos sem graça: casos de uso claros ligados a resultados mensuráveis, integração com fluxos de trabalho existentes, treinamento que realmente prepara as pessoas para usar as ferramentas e liderança que continua envolvida depois da fase do anúncio.

O problema de integração de que ninguém fala

A maioria das ferramentas de IA não funciona isolada. Elas funcionam se conectando aos seus dados.

Isso parece simples, até você lembrar que seus dados vivem em dezessete sistemas diferentes que não conversam entre si, metade dos quais tem dono pouco claro e peculiaridades não documentadas que só a pessoa que saiu há dois anos entendia de verdade.

Ferramentas genéricas de IA como o ChatGPT são excelentes para indivíduos porque funcionam com o que você colar ali. Elas sofrem nas empresas porque não conseguem acessar contexto. A IA não conhece seu histórico de clientes, seu catálogo de produtos, sua terminologia interna nem seus processos específicos. Sem esse contexto, as saídas exigem muita edição.

A pesquisa do MIT aponta para essa “lacuna de aprendizado” como um motivo central de pilotos falharem ao escalar. O problema não é qualidade do modelo. É que ferramentas genéricas não se adaptam aos fluxos de trabalho da organização. Soluções de IA compradas de fornecedores especializados têm sucesso em cerca de 67% das vezes, enquanto sistemas construídos internamente têm sucesso só um terço disso. A vantagem do fornecedor vem, em parte, de já ter resolvido problemas de integração antes.

Construir vs. comprar

A decisão de construir vs. comprar tem riscos mais altos com IA do que com software típico.

Construir dá controle e personalização, mas exige capacidades que a maioria das organizações não tem. Você precisa de pessoas que entendam limitações de IA, saibam construir sistemas confiáveis e consigam mantê-los conforme os modelos evoluem. A tecnologia muda mais rápido do que software tradicional, então o que você constrói hoje pode precisar de retrabalho significativo em dezoito meses.

Comprar significa implantação mais rápida, mas menos personalização e dependência contínua do fornecedor. Você fica limitado ao que a ferramenta do fornecedor faz bem — o que pode não combinar com seus fluxos específicos.

Os dados do MIT mostram que comprar funciona mais do que construir para organizações sem expertise profunda em IA. Mas comprar cria seus próprios problemas quando fornecedores mudam a direção do produto, aumentam preços ou fecham. Depender de um único fornecedor para fluxos críticos introduz um risco que antes não existia.

Algumas organizações tentam abordagens híbridas: compram a capacidade central de IA de fornecedores, mas constroem camadas de integração sob medida. Isso pode capturar benefícios dos dois lados, mas também combina os desafios dos dois. Você precisa de habilidade para gerenciar fornecedores e de capacidade técnica interna.

O que os gerentes intermediários realmente enfrentam

O slide da diretoria descreve transformação com IA em fases suaves. Avaliar, pilotar, escalar, otimizar. Setas limpas apontando para a direita. Objetivos mensuráveis em cada etapa.

A experiência do gerente intermediário é mais bagunçada.

Eles são cobrados pelos mesmos resultados enquanto o time aprende ferramentas novas. Tempo de treinamento sai do tempo de produtividade. Erros iniciais viram retrabalho. Algumas pessoas se adaptam rápido e outras travam, criando tensão. As ferramentas ajudam em certas tarefas, mas não em outras, então os fluxos viram colcha de retalhos.

De cima, eles ouvem que adoção de IA é prioridade. De baixo, ouvem que as ferramentas são pouco confiáveis ou que as pessoas não têm tempo. Eles tentam achar um meio-termo realista enquanto os indicadores esperam melhora imediata.

Gerentes intermediários muitas vezes decidem se a IA realmente cria raiz. São eles que decidem se vão exigir uso da ferramenta, como vão lidar com resistência e se membros do time com dificuldade recebem apoio ou pressão. Patrocínio executivo importa para alocar recursos, mas a gerência intermediária define a realidade do dia a dia.

Os 95% e os 5%

Se 95% dos pilotos falham em entregar retornos mensuráveis, o que os 5% fazem de diferente?

Eles não são mais inteligentes sobre IA. Eles são melhores em mudança organizacional.

Os 5% começam com problemas bem definidos e ligam IA diretamente a resultados mensuráveis: não “melhorar eficiência”, mas “reduzir o tempo de revisão de contratos de 4 horas para 1 hora”. A especificidade permite saber se está funcionando.

Eles colocam a responsabilidade operacional com quem está mais perto dos fluxos, não com times de inovação que operam em paralelo ao trabalho real. As pessoas que fazem o trabalho viram as pessoas que moldam como a IA ajuda no trabalho.

Eles investem de forma desproporcional no lado humano e de processo. A divisão que vive aparecendo em pesquisas é algo como 10% algoritmos, 20% infraestrutura, 70% pessoas e processo. A maioria das organizações inverte essa proporção, gastando pesado em tecnologia e presumindo que a adoção virá depois.

Eles colocam governança no plano desde o começo, não como um remendo quando os problemas aparecem. Trilhas de auditoria, métricas claras, processos de revisão definidos. Isso soa burocrático, mas é justamente o que permite escalar, porque é como as partes céticas são convencidas a expandir acesso.

Como é uma adoção sustentada

Existe uma diferença entre lançar IA e estabelecer IA.

Lançar é o anúncio, as sessões de treinamento, o pico inicial de uso. Estabelecer é quando as pessoas recorrem às ferramentas de IA naturalmente, quando novos funcionários são treinados em fluxos assistidos por IA desde o primeiro dia, quando a pergunta muda de “devo usar IA para isso” para “qual é a melhor forma de usar IA para isso”.

Chegar lá leva mais tempo do que o plano do projeto sugere. Primeiro, você precisa de pessoas suficientes usando ferramentas com regularidade para que o uso fique visível e normalizado. Depois, você precisa de fluxos que incorporem IA de formas documentadas e repetíveis, em vez de experimentação individual. Por fim, você precisa que IA vire parte das expectativas de desempenho — não como vigilância, mas como capacidade presumida.

A maioria das organizações ainda está na fase de experimentação. A BCG constatou que mais de 85% dos funcionários continuam nos estágios iniciais de adoção de IA, enquanto menos de 10% chegaram ao ponto em que a IA está integrada ao trabalho central. A jornada do primeiro piloto até capacidade organizacional leva anos, não trimestres.

Perguntas honestas para fazer

Antes de planejar escalar IA, faça estas perguntas sem respostas otimistas:

Que problema estamos resolvendo que não conseguiríamos resolver antes da IA, e como vamos saber se resolvemos? Se você não consegue responder isso com especificidade, seu esforço de escala não tem direção clara.

Quem vai ser dono disso depois que o time do projeto se dissolver? Iniciativas sem dono sustentado voltam ao estado anterior.

O que acontece quando a IA comete um erro que afeta um cliente? Se você não sabe, você não está pronto para produção.

Quais partes da nossa organização estão prontas para isso e quais não estão? Começar onde as condições favorecem o sucesso é melhor do que tentar transformar tudo ao mesmo tempo.

Temos apoio da gerência intermediária para atravessar os meses desconfortáveis em que a adoção patina e os resultados são incertos? Patrocínio executivo sozinho não basta.

O que nos faria parar essa iniciativa, e como saberíamos que chegamos nesse ponto? Ter critérios claros de fracasso ajuda a evitar o projeto zumbi que nunca morre oficialmente, mas nunca vive de verdade.

A visão de longo prazo

A adoção de IA nas organizações não é um projeto com data de término. É uma capacidade que evolui.

Os modelos melhoram. O que não era possível no ano passado vira rotina este ano. Organizações que constroem mecanismos de aprendizado na abordagem conseguem capturar melhorias conforme elas surgem. Organizações que trataram IA como um lançamento único veem a capacidade envelhecer.

O ambiente regulatório continua mudando. O que é aceitável para IA mexer com dados de clientes hoje pode não ser aceitável amanhã. Construir conformidade na fundação é melhor do que remendar quando as regras mudam.

O cenário competitivo se move. Em alguns setores, capacidade de IA vai virar requisito básico — não ter isso significa ficar para trás em custo ou velocidade. Outros setores vão mais devagar. Saber onde seu setor está ajuda a calibrar urgência.

As pessoas na sua organização aprendem. Céticos iniciais às vezes viram os usuários de IA mais valiosos porque estressam as limitações. Primeiros adotantes às vezes se esgotam por carregar peso demais. A história das pessoas evolui junto com a história da tecnologia.

Escalar IA por uma organização é menos como instalar software e mais como construir uma cultura. Culturas levam tempo. Têm contratempos. Resistêm a iniciativas formais e respondem a normas informais. Exigem atenção sustentada, não esforço concentrado.

As empresas que têm sucesso nisso provavelmente serão as que trataram como trabalho contínuo, não como um projeto de transformação com data de conclusão. Elas vão continuar aprendendo, ajustando e encontrando novos lugares onde a IA ajuda. Isso é menos empolgante do que a visão de transformação organizacional, mas é mais perto do que os 5% de fato fazem.

O que separa os pilotos que escalam dos que não escalam talvez seja, no fim, paciência. Paciência para atravessar problemas de integração em vez de declará-los bloqueios. Paciência para apoiar adotantes com dificuldade em vez de substituí-los. Paciência para medir resultados em trimestres em vez de semanas. Paciência para continuar investindo quando os retornos iniciais decepcionam.

Não a paciência de esperar passivamente. A paciência do esforço sustentado. Esse é um recurso mais difícil de alocar do que orçamento.