85% dos projetos de IA fracassam: e é por isso que o empreendedor brasileiro não deve ter medo de errar

O problema dos projetos de inteligência artificial não começa no modelo. Começa quando uma empresa compra uma ferramenta antes de decidir qual tarefa pretende melhorar, quais dados vai entregar a ela e como medirá o resultado. A previsão de que muitos projetos de IA fracassariam ganhou força por causa de uma estimativa antiga do Gartner, mas os levantamentos mais recentes ajudam a trocar o susto por um diagnóstico: a tecnologia avança, enquanto a preparação das empresas continua atrasada.

Essa diferença aparece em escalas distintas. O Gartner informou que 63% das organizações pesquisadas não tinham, ou não sabiam se tinham, práticas adequadas de gestão de dados para IA. No Brasil, a pesquisa TIC Empresas 2025, do Cetic.br, registrou que o uso de IA passou de 13% para 17% das empresas entre 2024 e 2025. Entre as pequenas, a adoção subiu de 10% para 15%. A oportunidade existe, mas o uso ainda costuma entrar por tarefas isoladas, sem transformar o processo inteiro.

O dado pronto separa o piloto útil do projeto abandonado

O Gartner prevê que, até 2026, organizações abandonarão 60% dos projetos de IA que não tenham dados preparados para esse uso. A previsão não quer dizer que seis em cada dez projetos de qualquer tipo estejam condenados. Ela se refere aos projetos sem uma base de dados adequada. A distinção é importante porque impede uma conclusão fácil e errada: o fracasso não prova que a IA não funciona, mas mostra que um modelo não corrige informação incompleta, desatualizada ou espalhada em sistemas que não conversam.

Na análise publicada pela consultoria, dados prontos para IA precisam ser representativos do caso de uso, incluindo padrões, erros, exceções e mudanças que o sistema poderá encontrar. Também precisam de metadados, regras de governança, controle de acesso e acompanhamento contínuo. A recomendação do Gartner passa por cinco movimentos: alinhar dados ao caso de uso, definir requisitos de governança, enriquecer metadados, preparar fluxos de dados e testar a qualidade depois que o sistema entra em operação.

Isso muda a pergunta que o empreendedor deve fazer. Em vez de perguntar qual é o melhor modelo, ele precisa perguntar se consegue reunir, conferir e atualizar a informação necessária para a tarefa. Um assistente que responde dúvidas sobre produtos, por exemplo, depende de catálogo, preço, estoque, prazo de entrega e política de troca. Se cada item estiver em uma planilha diferente, com versões conflitantes, a resposta rápida será apenas uma forma mais rápida de espalhar erro.

A adoção brasileira cresceu, mas ainda entra pelas bordas do negócio

Os números da TIC Empresas 2025 mostram avanço sem autorizar euforia. O Cetic.br ouviu 4.174 empresas com mais de dez pessoas, em coleta realizada entre fevereiro de 2025 e janeiro de 2026. A proporção que declarou usar IA passou de 13% para 17%. Nas empresas pequenas, que empregam de 10 a 49 pessoas e representam 87% da população investigada, o índice foi de 10% para 15%. Nas grandes, passou de 38% para 50%.

A forma de adoção explica parte do risco. Entre as empresas que usam IA, 80% compraram softwares ou sistemas prontos e 60% contrataram fornecedores externos para desenvolver ou adaptar soluções. O dado revela uma porta de entrada acessível, mas também um ponto de atenção: comprar um produto pronto não transfere para o fornecedor a responsabilidade por definir processo, dono, métrica e limite de uso.

O estudo também mostra que a geração de linguagem natural, usada para produzir textos, respostas e comunicações, passou de 20% para 30% entre 2024 e 2025. Em alojamento e alimentação, a mineração de texto e a análise da linguagem escrita avançaram de 13% para 51%. São aplicações próximas da rotina, como atendimento, conteúdo e organização de mensagens. O ganho inicial pode ser real, mas ele não substitui a revisão humana nem cria, sozinho, uma operação baseada em dados.

Há ainda uma conta simples que ajuda a dimensionar a distância entre adoção e transformação. Se a taxa de uso das pequenas empresas subiu de 10% para 15%, o aumento relativo foi de 50%. Mesmo assim, 85% das pequenas empresas pesquisadas ainda não declararam uso de IA. O avanço é relevante, porém a maioria continua fora desse movimento. Isso significa que comprar uma ferramenta pode gerar vantagem, mas somente quando a empresa sabe qual gargalo quer retirar do caminho.

O setor industrial avançou 25 pontos percentuais em dois anos

O retrato do IBGE é mais concentrado, porque considera empresas industriais com 100 ou mais pessoas ocupadas. Na Pesquisa de Inovação Semestral de 2024, 41,9% das 10.167 empresas investigadas usaram inteligência artificial. Em 2022, eram 16,9%. O salto foi de 25 pontos percentuais, o maior crescimento entre as tecnologias digitais avançadas observadas.

O mesmo levantamento mostra onde a tecnologia aparece. A administração concentrou 87,9% dos usos de IA, a comercialização ficou em 75,2% e o desenvolvimento de projetos, processos e serviços chegou a 73,1%. A computação em nuvem alcançou 77,2% das empresas e a internet das coisas chegou a 50,3%. Esses números reforçam uma condição básica: IA precisa de infraestrutura e de acesso a informação antes de entregar automação consistente.

O IBGE também registrou que 97,9% das empresas que usaram alguma tecnologia digital avançada relataram pelo menos um benefício. O aumento de eficiência foi citado por 90,3% e a maior flexibilidade em processos de administração, produção e organização por 89,5%. Ao mesmo tempo, a falta de pessoas qualificadas foi mencionada por 54,2% das empresas que adotaram essas tecnologias. Entre as que não adotaram nenhuma das tecnologias investigadas, a falta de pessoal qualificado foi o obstáculo que mais cresceu, de 46,4% para 60,6%.

A leitura correta não é que toda empresa industrial encontrou retorno automático. O levantamento mede benefícios relatados para tecnologias digitais avançadas, um conjunto maior que a IA. Ainda assim, ele aponta uma direção: eficiência aparece quando a ferramenta está ligada à administração, à produção ou à venda, e não quando fica isolada como demonstração para poucos usuários.

Um pequeno negócio mostra onde a tecnologia encontra valor

O caso da Atelier Costura Criativa ajuda a tirar a discussão do laboratório. A empreendedora Míriam Braga decidiu começar o negócio depois dos 60 anos, aprendeu costura com vídeos na internet e passou a vender peças inspiradas em Harry Potter e Disney pelas redes sociais, feiras e exposições. O Sebrae relata que o ChatGPT entrou na rotina dela para criar histórias e ideias de conteúdo para o Instagram.

Não há, no relato público, uma promessa de faturamento atribuída ao uso da ferramenta. Essa ausência também é informação: o caso mostra uma aplicação concreta, mas não permite dizer que a IA aumentou vendas por determinado percentual. O ganho descrito está na criação de conteúdo e na aprendizagem de uma empreendedora que precisou organizar fluxo de caixa, precificação, marketing digital e relacionamento com consumidores.

O exemplo é pequeno de propósito. Míriam não começou treinando um modelo próprio nem conectando dezenas de sistemas. Ela incorporou uma ferramenta a uma tarefa que já existia. A tecnologia apoiou o trabalho, enquanto a identidade da marca, a escolha dos produtos e a relação com o público permaneceram sob responsabilidade da empreendedora. É a diferença entre usar IA para reduzir uma tarefa e esperar que ela descubra sozinha a estratégia do negócio.

Outro levantamento do Sebrae, feito com FGV IBRE e Google, ouviu cerca de 5.000 empresas em setembro de 2025. Nas micro e pequenas empresas, marketing e divulgação foram a principal finalidade, citada por 59%. Entre os MEIs, o índice chegou a 74%. Para as MPEs, economia de tempo foi o benefício mais lembrado, com 34%. Entre os MEIs, geração de novas ideias apareceu em primeiro lugar, com 41%.

Os números combinam com o caso da Atelier Costura Criativa. O uso começa em uma atividade visível, como conteúdo e comunicação, porque o empreendedor consegue testar a ferramenta sem alterar toda a operação. O limite aparece quando a empresa precisa de precisão operacional, como previsão de estoque, análise financeira ou atendimento automatizado. Nesses pontos, dados organizados e revisão deixam de ser recomendação genérica e passam a ser requisito.

O retorno aparece quando a IA entra no fluxo que já funciona

O Gartner encontrou um contraste dentro da área de infraestrutura e operações. Em pesquisa com 782 líderes, apenas 28% dos casos de uso de IA foram considerados plenamente bem-sucedidos e capazes de atingir as expectativas de retorno. Vinte por cento falharam completamente. Entre os líderes que relataram algum fracasso, 38% apontaram lacunas persistentes de qualificação e outros 38% citaram baixa qualidade ou disponibilidade limitada de dados como causa direta.

Os casos bem-sucedidos tinham uma característica operacional. Segundo o levantamento, 33% dos líderes que tiveram sucesso incorporaram a IA aos sistemas e processos que as pessoas já utilizavam. O apoio integral da liderança apareceu em 26% dos relatos de sucesso e a colaboração entre áreas em 25%. O modelo sofisticado aparece depois da integração. Sem ela, a ferramenta cria uma ilha que depende de esforço extra e perde adesão.

Essa evidência também corrige a linguagem usada para vender IA. Não basta prometer automação, redução de custo ou atendimento em qualquer canal. O dono do negócio precisa especificar a tarefa, o tempo atual, o resultado aceitável e o ponto em que uma pessoa deve assumir. Uma aplicação que resume mensagens pode ter valor mesmo sem substituir o atendente. Uma aplicação que responde sozinha sobre prazo e preço precisa de uma base atualizada e de um mecanismo para bloquear respostas quando faltar informação.

O custo escondido cresce depois da demonstração

O Gartner inclui o custo total de propriedade entre os cinco pontos que fazem projetos de IA serem abandonados. Uma demonstração pode parecer barata porque usa poucos pedidos, poucos usuários e uma base pequena. Na produção, o volume cresce, os dados precisam ser atualizados, o acesso deve ser protegido e alguém precisa monitorar respostas, erros e despesas.

O cálculo mínimo deve separar três blocos. O primeiro é o custo da ferramenta ou da API. O segundo reúne preparação, integração, treinamento e revisão. O terceiro inclui manutenção, segurança e acompanhamento. Se o empreendedor mede apenas o preço mensal do aplicativo, ele não sabe quanto custa a operação que torna o aplicativo confiável.

Essa conta não precisa começar com uma planilha complexa. Durante uma semana, registre quantas horas são gastas na tarefa, quantas pessoas participam, quantos erros exigem retrabalho e qual é o valor de uma hora do negócio. Depois, teste a IA em uma amostra pequena. A comparação deve considerar o tempo economizado e o trabalho de conferência. Se o sistema economiza 30 minutos, mas exige 40 minutos de correção, o projeto ainda não entregou produtividade.

O plano de segunda-feira precisa caber em uma página

Na segunda-feira, escolha uma única tarefa repetitiva que aconteça toda semana. Escreva o problema em uma frase, como “quero reduzir o tempo de resposta às perguntas sobre produtos”. Em seguida, reúna a fonte que a tarefa usa hoje: catálogo, tabela de preços, política de troca ou histórico de dúvidas. Elimine versões antigas e registre a data de atualização.

Defina uma métrica antes do teste. Pode ser tempo médio de resposta, número de retrabalhos, quantidade de propostas produzidas ou percentual de perguntas resolvidas sem encaminhamento. Registre o resultado atual por cinco dias úteis. Depois, faça um piloto com uma pessoa responsável pela revisão e um limite claro de uso. Não entregue à IA decisões sobre dinheiro, contrato, saúde ou dados pessoais sem uma etapa humana adequada.

Ao fim de duas semanas, compare o antes e o depois. Mantenha a solução somente se houver ganho mensurável sem queda de qualidade. Se houver erro recorrente, volte à base de dados e ao fluxo antes de trocar de modelo. Se ninguém usar a ferramenta, investigue a mudança de processo. O Gartner identifica a gestão da mudança como uma causa de abandono, porque até uma tecnologia tecnicamente boa perde valor quando fica fora do trabalho diário.

O resultado desse método é menos vistoso que uma demonstração de chatbot, mas mais útil para uma empresa pequena. O empreendedor sabe qual tarefa melhorou, qual dado alimentou o teste, quanto custou e quem responde quando a ferramenta falha. Essa disciplina também evita que a IA vire um gasto permanente sem dono.

O fracasso dos projetos revela falhas de gestão antes de falhas de tecnologia

A antiga previsão sobre projetos de IA não deve ser tratada como profecia nem descartada como exagero. Os dados do Gartner, Cetic.br, IBGE e Sebrae apontam para a mesma conclusão por caminhos diferentes: a tecnologia já entrou nas empresas, mas o retorno depende de preparação, foco e integração. A distância entre testar uma ferramenta e construir um resultado sustentável está na qualidade do processo.

Para o pequeno negócio, a vantagem possível está na proximidade. O dono conhece a tarefa, o cliente e o custo do erro. Se transformar esse conhecimento em uma métrica e alimentar a IA com informação conferida, pode começar pequeno e aprender rápido. O risco aparece quando a empresa copia uma promessa de mercado sem saber qual problema está comprando para resolver.

Fontes consultadas

• Gartner, Why Half of GenAI Projects Fail: Avoid These 5 Common Mistakes
• Gartner, Lack of AI Ready Data Puts AI Projects at Risk
• Gartner, AI Projects in Infrastructure and Operations Stall Ahead of Meaningful ROI Returns
• Cetic.br, Uso de Inteligência Artificial por empresas brasileiras avança e atinge 17%
• IBGE, de 2022 a 2024, percentual de empresas industriais usando IA subiu de 16,9% para 41,9%
• Agência Sebrae de Notícias, Pequenos negócios abraçam a inteligência artificial para otimizar o tempo e inovar
• Agência Sebrae de Notícias, O que faz um pequeno negócio vender mais?