ARTIGO: A parte mais difícil da IA não é a tecnologia

Uma transportadora americana de porte superior a US$ 1 bilhão recebia mais de 100 mil faturas por ano de oficinas espalhadas pelo país, por e-mail, telefone e até fax. Sete funcionários trabalhavam em tempo integral apenas para digitá-las e lançá-las no sistema.

Quando a empresa decidiu automatizar o processo com inteligência artificial, descobriu que o obstáculo não era ensinar a máquina a ler faturas: era o fato de que ninguém jamais havia revisado os 750 modelos de fatura acumulados ao longo dos anos, a maioria repetitiva. A tecnologia entrou em produção em oito semanas. Arrumar a casa foi o que consumiu o esforço.

O caso é um dos 51 analisados no The Enterprise AI Playbook, estudo publicado em abril de 2026 pelo Stanford Digital Economy Lab e assinado por Elisa Pereira, Alvin Wang Graylin e Erik Brynjolfsson, um dos autores mais citados em economia da informação.

A equipe entrevistou executivos de 41 organizações, em 9 setores e 7 países, selecionando apenas implementações de IA em produção, com uso sustentado e valor mensurável. É o contraponto empírico à estimativa da iniciativa NANDA, do MIT, de que 95% dos pilotos de IA generativa não produzem impacto financeiro mensurável.

A conclusão cabe em uma frase: a mesma tecnologia, no mesmo caso de uso, produz resultados radicalmente diferentes dependendo da organização. A diferença nunca foi o modelo de IA. Foi sempre a empresa.

Quando os pesquisadores perguntaram qual foi a parte mais difícil de resolver, 77% das respostas apontaram custos invisíveis: gestão de mudança, qualidade de dados e redesenho de processos. A tecnologia foi descrita, de forma consistente, como a parte fácil.

O achado confirma a curva J de produtividade formalizada por Brynjolfsson e coautores: para cada dólar investido em tecnologia, as empresas gastam até dez em intangíveis antes que os ganhos apareçam.

E há um custo que raramente entra na planilha: dos projetos bem-sucedidos, 61% tiveram ao menos uma tentativa fracassada antes. O padrão das falhas é revelador: elas ocorreram quando a IA foi tratada como projeto de tecnologia, e não como projeto de processo e de gestão de mudança.

O cronograma é organizacional, não técnico

Uma empresa de tecnologia redesenhou seu atendimento ao cliente com IA em seis meses; um grande banco, diante do mesmo caso de uso, relata que projetos assim levam vários anos. Mesma tecnologia, mesmos modelos. O que muda é o contexto organizacional.

O fator de aceleração mais citado foi o patrocínio executivo. E o estudo é preciso sobre o que isso significa: não é aprovar orçamento, é o presidente que aparece toda semana perguntando onde estão os gargalos e, nos sete casos de transformação em escala organizacional, a adoção de IA transformada em OKR corporativo, atrelada a bônus.

Um detalhe chama a atenção: em nenhum dos casos examinados alguém foi punido por uma iniciativa de IA que falhou. A permissão para errar, com escopo controlado, foi parte do método.

A resistência não vem de onde se espera

O senso comum aponta o medo do funcionário da linha de frente como o grande bloqueio. Os dados dizem outra coisa: as funções de staff, como jurídico, RH, riscos e compliance, foram a fonte mais frequente de resistência, presentes em 35% dos casos, à frente dos usuários finais, com 23%.

A solução documentada não foi persuasão, foi mandato: quando essas áreas ganharam papel na governança, em vez de apenas carimbar aprovações, muitas migraram de bloqueadoras para habilitadoras.

Autonomia desenhada rende mais que aprovação total

Talvez o achado de maior consequência prática esteja no desenho da supervisão humana. Modelos de escalonamento, em que a IA resolve 80% ou mais do trabalho e humanos revisam apenas as exceções, foram associados a ganhos medianos de produtividade de 71%; modelos em que um humano aprova cada saída da máquina ficaram em 30%.

Os próprios autores ponderam que parte da diferença reflete o tipo de tarefa: em contextos regulados, a revisão humana é exigência legal, não sinal de imaturidade. O mesmo vale para a IA agêntica, que executa tarefas de ponta a ponta sem intervenção humana: apenas 20% dos casos, mas ganho mediano de 71%, contra 40% da automação de alto grau.

O exemplo mais eloquente é um supermercado regional de cerca de 25 lojas que substituiu integralmente a função de compras por um agente autônomo: o desperdício caiu 40%, as rupturas de estoque caíram 80% e a margem EBITDA dobrou. As condições de sucesso, porém, são específicas: alto volume, critérios claros de acerto e erros recuperáveis.

Dado imperfeito e escolha de modelo deixaram de ser as questões centrais

Duas desculpas frequentes para adiar projetos caem no estudo. A primeira é a de que os dados não estão prontos: apenas 6% das implementações tinham dados plenamente preparados, e em 88% dos casos foram os próprios modelos de linguagem que destravaram dados antes inacessíveis, de transcrições de voz a documentos escaneados.

A recomendação dos autores é guardar tudo: o dado proprietário, mesmo imperfeito, apareceu como a vantagem competitiva durável. A segunda é a angústia da escolha do modelo: para 42% das implementações, o modelo de IA era totalmente intercambiável. A vantagem durável está na camada de orquestração que a empresa controla, não no modelo de fundação em si.

O alerta para as empresas brasileiras

É preciso honestidade sobre os limites do estudo. A amostra é internacional, concentrada em setores de adoção precoce, baseada em relatos dos próprios executivos, e os autores admitem o viés de seleção: o trabalho descreve como é o sucesso, não com que frequência ele ocorre.

Mas os padrões de falha documentados são estruturais o bastante para servir de alerta a qualquer empresa brasileira que esteja automatizando processos: tratar a IA como projeto de TI e não de negócio, subestimar o custo invisível de processos e dados, delegar o patrocínio e esperar que jurídico e compliance apenas aprovem no final.

Há ainda a questão mais delicada. No estudo, a redução de quadro foi o desfecho mais comum dos ganhos de produtividade, presente em 45% dos casos, mas não foi majoritária: os 55% restantes optaram por realocar pessoas, evitar contratações ou acelerar o crescimento.

A escolha não é ditada pela tecnologia, e sim pela estratégia. Ao mesmo tempo, dados de folha de pagamento americanos indicam queda relativa de 16%, desde o fim de 2022, no emprego de trabalhadores de 22 a 25 anos em ocupações expostas à IA. É um dado de um mercado de trabalho muito diferente do nosso, mas seria imprudente ignorá-lo.

A janela de experimentação está se fechando, advertem os autores.

Para quem está começando agora, a lição prática é quase um roteiro: documente o processo antes de contratar o modelo, prepare o acesso aos dados, defina indicadores além do corte de custos, dê ao projeto um patrocinador que apareça toda semana e traga jurídico, riscos e compliance para dentro da governança desde o primeiro dia.

Na sua empresa, os projetos de IA têm um patrocinador que aparece toda semana, ou apenas um orçamento aprovado?

* Edson Santos é fundador e sócio da Colink, conselheiro, advisor e investidor-anjo, com mais de 26 anos de experiência em meios de pagamento e serviços financeiros. É autor de Do Escambo à Inclusão Financeira e coautor de Payments 4.0 — As forças que estão transformando o mercado brasileiro. Seu novo livro, Trilhos Invisíveis, está no prelo.