Por que metade dos projetos de IA fracassam antes de sair do piloto

Quase metade das empresas abandonou projetos de IA em 2025. A taxa saltou de 17%, em 2024, para 42% no ano passado, segundo levantamento da S&P Global Market Intelligence com mais de mil profissionais de nível médio e sênior. Os números são parte de uma compilação da Marlabs, consultoria global de inovação, que reuniu estudos de McKinsey, Gartner, MIT e Forrester para mapear o que está travando a adoção da inteligência artificial nas empresas.

O retrato é de uma divisão. De um lado, organizações que conseguem escalar a tecnologia e colher retorno. Do outro, a maioria, presa em ciclos intermináveis de testes sem resultado.

Projetos de IA que não saem do papel

Segundo o MIT, em seu relatório State of AI Business 2025, 95% dos projetos-piloto de IA não entregam impacto mensurável no P&L, a demonstração de resultados financeiros das empresas. A McKinsey, em pesquisa com mais de 1.300 profissionais, chegou a conclusão similar: menos de 10% dos casos de uso passam da fase experimental e geram valor de forma consistente.

O problema se repete em diferentes setores e portes de empresa. O que varia é a velocidade com que as organizações reconhecem o obstáculo.

Dados ruins derrubam a maioria

Um dos fatores mais citados nos estudos é a qualidade dos dados. O Gartner aponta que 85% dos projetos de IA falham por conta de dados inadequados, e prevê que 60% das iniciativas serão encerradas no próximo ano pelo mesmo motivo.

A pesquisa da BigID, com mais de 200 líderes de segurança e compliance, mostra que 69% dos executivos reconhecem que a infraestrutura precária de dados inibe o avanço da IA. O levantamento da CFOTech vai além: 97% dos executivos de instituições financeiras afirmam que os silos de dados bloqueiam a evolução das iniciativas.

Organizações que investem em governança de dados têm implantação de IA quatro vezes mais rápida e geram três vezes mais valor, segundo o Connectivity Benchmark Report da MuleSoft, que ouviu 1.050 CIOs ao redor do mundo.

O gap de maturidade em MLOps

Outro ponto mapeado pela Marlabs é a falta de maturidade operacional para sustentar projetos de IA no longo prazo. Dados da Forrester indicam que apenas 22% das empresas têm capacidades maduras de MLOps (Machine Learning Operations), a prática de operacionalizar modelos de aprendizado de máquina de forma escalável e confiável.

Sem essa estrutura, os projetos de IA ficam confinados ao ambiente de laboratório. Com ela, empresas chegam a reduzir em 87% o custo por execução de modelos, segundo a Sigmoid.

A Forrester também identificou que organizações com arquiteturas de IA sob medida conseguem absorver o dobro do crescimento de dados em comparação com aquelas que usam plataformas genéricas.

Tensão interna e iniciativas em silos

A dimensão cultural também pesa. Pesquisa da Writer and Workplace Intelligence com trabalhadores do conhecimento e executivos mostrou que 68% dos líderes de alto nível relatam tensão entre as equipes de TI e as demais áreas de negócio após a adoção de IA generativa. Outros 72% admitem que os projetos de IA dentro de suas empresas avançam de forma isolada, sem integração entre departamentos.

Quando há investimento em gestão de mudança, o cenário muda. O estudo da Deloitte com mais de 2.800 executivos indica que iniciativas de IA em empresas que estruturam a transição têm 1,5 vez mais chance de superar as expectativas.

O que separa quem escala de quem trava

A McKinsey, em sua pesquisa global com mais de 3.000 organizações, identificou que 50% das empresas com alto desempenho em IA estão redesenhando fluxos de trabalho inteiros, não apenas automatizando tarefas pontuais. A diferença não está no modelo de linguagem escolhido ou no orçamento destinado à tecnologia.

Marcos Chiodi, Country Manager da Marlabs no Brasil, acompanha esse movimento de dentro. Para ele, as empresas que avançam são aquelas que tratam dados, governança e cultura como partes indissociáveis da implantação, e não como etapas posteriores.