Por que 95% dos pilotos de IA fracassam — e como evitar isso

• As empresas aumentam a probabilidade de fracasso na adoção de IA ao se fixarem em ROI de curto prazo e, com isso, sabotarem o próprio ambiente necessário para acumular valor no longo prazo
• Segundo MIT, McKinsey, Upwork, HBR e outros, um ciclo vicioso se forma com o acúmulo de falta de resultados, burnout da equipe e confusão estratégica, levando à saída dos usuários pioneiros e ao colapso da confiança
• Em casos reais, após os resultados iniciais, a elevação de preços e metas de desempenho seca a folga para inovar e gera um fenômeno de stag hunt, com atraso nas decisões e estagnação na expansão de produtos
• A chave da solução é acionar os pontos de alavancagem de Donella Meadows na direção certa: não mais controle e extração, mas sim autoridade distribuída, reinvestimento e espaço para adaptação
• Como mostram os casos de SharkNinja, Johnson Hana e Shopify, quando a empresa migra para um sistema operacional baseado em confiança, a inovação cumulativa passa a surgir como subproduto natural do ROI

---

O problema e o contexto

• Segundo uma pesquisa recente do MIT, 95% dos projetos corporativos de adoção de IA fracassam. Essa cifra é considerada longe de ser exagerada
  • Em uma pesquisa da McKinsey, mais de 80% dos executivos responderam que a IA generativa não produziu mudanças visíveis na receita das empresas
  • Um estudo da Upwork mostrou que quanto maior o uso de IA pelos funcionários, maior a intenção de pedir demissão, menor a compreensão da estratégia de IA da empresa, e 88% relataram burnout
• A causa fundamental desse fenômeno é que as empresas estão sacrificando os efeitos de longo prazo por causa da pressão por retorno rápido sobre o investimento em IA
  • Ou seja, no começo surgem efeitos positivos como ganho de eficiência e automação do trabalho, mas quando entra a pressão gerencial para provar ROI no curto prazo, o projeto para ou acaba fracassando
• Desde 2023, liderei projetos de transformação com IA em uma consultoria de médio porte
  • A abordagem foi sistemática: implementação de projetos-piloto, reformulação de workflows e estratégias de gestão da mudança
  • Como resultado, conseguimos mais de 40.000 horas de produtividade da equipe e um alto nível de satisfação dos clientes
  • Mas quando a empresa começou a exigir retorno imediato sobre o investimento, os resultados do projeto entraram em estagnação

• Implicações

  • Existe um conjunto relativamente constante de padrões e sinais de alerta no momento em que uma transformação com IA trava, e observá-los bem pode permitir uma mudança duradoura
  • Com base nessa experiência, o objetivo é apresentar sinais precoces de alerta e uma receita para criar mudanças sustentáveis

Por que o “sucesso” desencadeia o “fracasso”

• A consultoria com cerca de 300 pessoas onde o autor trabalhava obteve forte resultado na adoção inicial de IA e ganhou impulso
  • Foi adotada uma ferramenta de automação para análise de calls de pesquisa que funcionava quase como um analista júnior, gerando transcrições, resumos e relatórios para clientes
  • Com isso, a equipe pôde focar na reformulação de workflows centrais e na extração de insights acionáveis, o que levou a melhora na qualidade das entregas e na satisfação dos clientes
• A expectativa era que esse sucesso provasse o potencial da IA e acelerasse sua adoção em toda a empresa, mas na prática houve estagnação dos resultados
  • Isso não era um problema de uma empresa específica, mas um exemplo das forças estruturais enfrentadas pela maioria das empresas estabelecidas que tentam se adaptar à IA

• Efeitos colaterais de colher ROI cedo demais

  • A empresa passou a usar o ganho de eficiência como base para aumentar preços cobrados aos clientes e reduzir o tempo alocado aos projetos
  • Isso parecia uma estratégia de monetização imediata para recuperar rapidamente o ROI, mas ao mesmo tempo levou à elevação das metas de desempenho
  • Como resultado, todos os funcionários ficaram obcecados em bater números, e a folga (slack) para inovar desapareceu

• A estagnação dentro da organização

  • A pressão por metas de curto prazo aumentou o atrito interno, levando a critérios de decisão mais rígidos e atrasos nas aprovações
  • Com isso, um projeto-chave de expansão de produto baseado em IA acabou ficando parado por quase um ano devido à sobrecarga e à pressão sobre a equipe

• Teoria do Stag Hunt

  • Isso funciona exatamente como a situação de stag hunt na teoria dos jogos
    • stag: um grande resultado compartilhado, que só pode ser obtido com cooperação de longo prazo
    • hare: a captura de ROI imediato ou pequenos ganhos individuais
  • Quando a empresa tenta colher ROI cedo demais, ela sinaliza que está abrindo mão da cooperação para caçar o hare, o que leva ao colapso da confiança coletiva

• O dilema dos pioneiros da inovação

  • Mesmo quando pioneiros internos desenvolvem novos workflows, automações e ferramentas, a maioria das empresas não consegue transformar isso em mudança estrutural e usa esses ganhos apenas para endurecer metas de desempenho
  • Os inovadores são avaliados segundo as regras do sistema antigo e, sem recompensa ou promoção, veem suas oportunidades desaparecerem aos poucos
  • No fim, sobra apenas a escolha racional entre desistir da inovação ou sair da empresa

Teoria da alavancagem

• Com base nessa experiência, o autor começou a buscar formas de evitar o fracasso da transformação com IA
  • Nesse processo, recorreu ao pensamento sistêmico de Donella Meadows e ao seu ensaio clássico "Leverage Points" (1997)
• O insight de Meadows: para criar mudança duradoura, é preciso encontrar os pontos certos de intervenção
  • Intervenções superficiais geram efeitos pequenos para muito esforço, enquanto alavancas invisíveis podem produzir grandes mudanças com pequenas intervenções
  • Mas, em sistemas novos, a intuição humana costuma atuar na direção errada e, mesmo ao encontrar uma alavanca poderosa, acabamos empurrando no sentido oposto
• Ainda assim, as empresas gastam recursos demais com soluções e implementações superficiais
  • Mesmo quando tentam intervir em níveis mais profundos, empurram na direção errada: mais controle, extração antecipada de ROI e aceleração de velocidade
  • O que realmente se precisa é de mais autonomia, reinvestimento e criação de espaço para adaptação
• As empresas verdadeiramente líderes constroem sistemas saudáveis e adaptáveis de geração de valor, fazendo do ROI um subproduto natural
• Os três casos a seguir mostram como usar corretamente pontos de alta alavancagem para alcançar resultados sustentáveis com IA

• SharkNinja — confiança na tomada de decisão distribuída

  • No passado, criticar um plano ruim fazia a pessoa ser rotulada como alguém sem espírito de equipe
  • A fabricante de eletrodomésticos SharkNinja teve essa cultura invertida frontalmente pelo CEO Mark Barrocas
    • Ele deu aos funcionários responsabilidade e autoridade para apontar erros nos planos e reforçou um sistema distribuído de tomada de decisão capaz de corrigir rapidamente decisões equivocadas
    • Ao declarar “no passado eu agia de forma idiota, mas agora decidi agir de forma ‘não idiota’”, ele redefiniu o fracasso como dado para correção
  • Esse sistema operacional elevou agilidade, confiança e colaboração, contribuindo para um aumento de 105% no lucro líquido trimestral e um recorde histórico no preço das ações

• Johnson Hana — de horas faturadas para valor ao cliente

  • O escritório de advocacia não tradicional Johnson Hana, de Dublin, Irlanda, adotou planos de preço fixo e cobrança por projeto em vez de cobrança por hora
    • O objetivo mudou de “maximizar horas” para “maximizar talento e valor para o cliente”
  • A IA foi incorporada a todo o fluxo de trabalho e, por meio da automação da revisão de documentos, permitiu que os advogados se concentrassem em negociação criativa, solução de problemas complexos e julgamento
  • Esse modelo torna os advogados “mais felizes e melhores”, enquanto os clientes obtêm resultados mais rápidos e melhores
  • Em julho de 2025, a plataforma jurídica de IA Eudia adquiriu a Johnson Hana por US$ 50 milhões, escolhendo uma empresa que já havia construído um sistema operacional baseado em confiança e em stag hunt

• Shopify — uso de IA como métrica de desempenho

  • Em organizações com pouca confiança, é racional que os funcionários escondam o uso de IA ou evitem aprendê-la
  • Mas a Shopify, por orientação do CEO Tobi Lütke, redesenhou o uso de IA como regra central da organização
    • Em novas contratações, não é possível ampliar o quadro sem “provar que a IA não consegue fazer aquilo”
    • A proficiência em IA passou a ser um elemento central da avaliação de desempenho
  • Com isso, a escolha racional dos funcionários passou a ser dominar e usar IA abertamente
    • A organização se reorganiza em torno de capacidades de criatividade, estratégia e inovação que a IA tem mais dificuldade de substituir
  • A Shopify construiu um sistema que força o stag hunt, e Lütke afirmou que o objetivo é “alcançar 100x mais realização no trabalho com IA para resolver desafios que antes eram impossíveis para os humanos”

O que significa uma transformação de verdade

• Como aponta o diagnóstico de Meadows, para alcançar ROI sustentável com IA não basta adotar ferramentas; é preciso mudar o próprio sistema operacional da organização
• Durante a maior parte do último século, a maioria das empresas operou como uma rede elétrica centralizada
  • Objetivo: controle de cima para baixo, previsão linear e máxima eficiência com escalabilidade
  • Mas a IA não é apenas um combustível mais eficiente para esse sistema: ela é uma forma totalmente nova de energia
• O poder da IA surge da experimentação e inovação de funcionários e equipes individuais → uma energia distribuída gerada na borda (edge) da organização
  • As empresas líderes perceberam isso e passaram a declarar a rede antiga obsoleta, a redefinir a forma de medir valor ou a desenhar incentivos para que todos os funcionários se tornem produtores líquidos positivos (net-positive producers)
  • Isso se concretiza nos casos de SharkNinja, Johnson Hana e Shopify
• Pesquisas mostram que 95% dos funcionários reconhecem o potencial da IA, mas sua maior preocupação é a desconfiança de que “a organização não vai compartilhar os benefícios”
  • Por isso, muitos migram para uma força de trabalho paralela (shadow workforce) e entram num modo de caça ao hare, escondendo o uso de IA e perseguindo apenas ganhos de curto prazo
  • A falta de confiança bloqueia a inovação colaborativa
• O novo sistema operacional parte de uma confiança profunda: “mesmo que não possamos prever ou controlar, vamos reconhecer e recompensar o valor criado”
  • As empresas que constroem essa confiança no nível do modelo operacional não obtêm apenas eficiência temporária, mas sim uma inovação cumulativa (compounding innovation) que os concorrentes não conseguem copiar
  • O ROI sustentável não nasce daquilo que a IA consegue fazer, mas daquilo que pessoas que confiam umas nas outras e cooperam em torno de um objetivo comum conseguem realizar