Estratégia · 7 min de leitura
Porque é que 95% dos pilotos de IA nunca chegam a produção.
Quase nunca é o modelo. São os dados, o dono e o número que ninguém fixou. Vê o que fazem de diferente os poucos que chegam a produção.
Se o teu último piloto de IA nunca saiu da demo, estás em boa companhia. Em 2025, a iniciativa NANDA do MIT estudou como as empresas usavam IA generativa e concluiu que cerca de 95% dos pilotos empresariais não tiveram nenhum impacto mensurável na conta de resultados.1 Milhares de milhões gastos, demos aplaudidas. E quase nada mudou na forma como o negócio funciona no dia a dia.
Vimos o mesmo padrão por dentro. A maioria das empresas que nos liga já fez um piloto. Funcionou na demo. Nunca entrou em produção.
O número que toda a gente cita
É fácil ler mal este número. Não diz que a IA não funciona. Diz que os pilotos não chegam a produção. O mesmo relatório concluiu mais duas coisas. Os projetos feitos com parceiros externos especializados chegavam a produção cerca de duas vezes mais do que os internos. E os maiores retornos vinham de trabalho de back-office pouco vistoso, não de chatbots para clientes.1
O problema quase nunca é o modelo. É a canalização.
Não é o modelo
Quando vamos ver porque é que um piloto parou, a resposta quase nunca é “a IA não era esperta que chegue”. É uma de três coisas:
- Sem dados reais. O piloto correu sobre uma exportação. Ligá-lo ao ERP, à caixa de email ou ao helpdesk a sério ficou para a “fase dois”. A fase dois nunca chegou.
- Sem dono. Quem o construiu foi a equipa de inovação. A equipa cujo trabalho ele ia fazer nunca o pediu. E nunca o adotou.
- Sem número. Sucesso era “uma boa demo”. Ninguém combinou o que tinha de mexer, por isso ninguém podia dizer que tinha resultado.
Quatro coisas que os 5% fazem
Os projetos que chegam a produção são diferentes desde o primeiro dia. Ligam-se aos sistemas reais na primeira semana, não no sexto mês. A métrica fica acordada antes de se escrever uma linha de código, e é da equipa cujo trabalho muda. As pessoas aprovam as decisões com risco, por isso ninguém tem de confiar no agente às cegas. E há uma data: produção em semanas, não um roadmap.
| UM PILOTO | UM SISTEMA EM PRODUÇÃO | |
|---|---|---|
| Dados | Uma exportação de amostra | Os teus sistemas reais |
| Sucesso | Uma boa demo | Um número acordado no primeiro dia |
| Dono | A equipa de inovação | A equipa dona do trabalho |
| Pessoas | A ver | A aprovar o que importa |
| Prazo | Sem fim à vista | Semanas |
Uma checklist antes de começares
Antes de aprovares o próximo projeto de IA, pergunta
- Que sistema real lê e escreve, logo na primeira semana?
- Que número mexe, e quem é o dono dele?
- Que decisões ficam com uma pessoa?
- O que acontece no dia 30?
- De quem são o código, os prompts e os dados?
O que isto muda para ti
Se o teu último piloto está a ganhar pó, a ideia provavelmente não era má. Faltavam-lhe as partes aborrecidas. Começa por um processo que dói. Liga-o aos sistemas reais, fixa o número e põe-lhe uma data. O método é só isto. Não há truque: há engenharia.
¹ MIT NANDA, “The GenAI Divide: State of AI in Business 2025”.
Tens um piloto a ganhar pó?
Em 30 minutos dizemos-te o que falta para o pôr em produção.
O André é o fundador e CTO da WizardingCode. Oito anos a construir o software em que as empresas assentam, agora a pôr agentes em produção.