Leite em pó no leite líquido: por que “vamos colocar IA em tudo” é a pior estratégia de IA

Por William Pereira ·

Meu filho adolescente gosta de pôr leite em pó em tudo. Não apenas no arroz, no sorvete, no bolo, no brownie e até no mesmo leite líquido. Não faz sentido, não melhora nada, mas ele gosta. Em casa, isso rende uma risada. Numa empresa, o mesmo comportamento tem outro nome: desperdício com cara de inovação.

É o que vejo em muitas salas de diretoria hoje. A frase "temos que implementar IA" virou reflexo, quase moda. Já ouvi de tudo: "vamos treinar nossa própria IA", "vamos hospedar nosso próprio modelo", e o clássico, "precisa estar no ar até sexta". Raramente alguém pergunta qual problema de negócio isso resolve, ou quanto vale resolvê-lo.

O ROI que ninguém quer encarar

Um dos estudos mais citados do momento é o The GenAI Divide, do MIT (Projeto NANDA). Ele conclui que, apesar de US$ 30 a 40 bilhões investidos pelas empresas em IA generativa, 95% das organizações não veem retorno de negócio. Só uma pequena fatia dos pilotos integrados gera valor relevante.

Vale ser honesto com os números, porque executivos maduros desconfiam de estatística solta. Os próprios autores descrevem o estudo como um retrato direcionalmente correto, não uma análise definitiva do mercado, e a amostra é limitada. Mas a mensagem central é difícil de ignorar: o relatório fala em "alta adoção, baixa transformação". Muita gente usa, pouca empresa muda de fato.

Um ano depois, o padrão se repete. Uma pesquisa global da McKinsey publicada em agosto de 2026 mostra que a adoção continuou subindo: 44% das organizações já escalam IA por toda a empresa, contra 38% um ano antes. Mas só 37% dos líderes atribuem algum impacto positivo ao lucro (EBIT), número estável em relação a 2025, e apenas 6% podem ser chamados de alto desempenho em IA. Adoção em alta, retorno no mesmo lugar. O padrão do MIT se repete.

Até quem vende a IA está avisando

Em agosto de 2025, o CEO da OpenAI, Sam Altman, foi perguntado se os investidores estão empolgados demais com IA. Ele respondeu que sim, comparou o momento à bolha da internet dos anos 90 e disse que pessoas inteligentes se empolgam demais com "um fundo de verdade". A tecnologia é real. O exagero em torno dela também.

O que o Gartner prevê para a IA agêntica

O Gartner chegou à mesma conclusão pelo lado corporativo. Sua previsão é que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por custos crescentes, valor de negócio pouco claro ou controles de risco inadequados — previsão que o instituto reafirmou em outubro de 2026. A analista Anushree Verma foi direta: a maioria dos projetos atuais são experimentos "movidos a hype" e muitas vezes mal aplicados. O Gartner ainda estima que só cerca de 130 das milhares de fornecedoras de IA agêntica são reais, o chamado agent washing.

Em 2026, o instituto foi além. Previu que 70% das empresas vão abandonar, até 2028, a IA agêntica construída por equipes de engenharia embarcadas pelos próprios fornecedores. E estimou em US$ 234 bilhões o gasto com software corporativo em risco por causa da IA agêntica até 2030.

Repare que o Gartner não é pessimista com IA. Ele prevê que pelo menos 15% das decisões diárias de trabalho serão tomadas de forma autônoma por IA agêntica até 2028. A recomendação é perseguir IA onde há valor claro, não onde há moda.

Quem já pagou a conta

Grandes empresas já pagaram caro para aprender isso, e documentaram o aprendizado.

Zillow (2021). O algoritmo de precificação do Zillow Offers era a base de um negócio de compra e revenda de imóveis. A empresa decidiu encerrar a operação por considerar os algoritmos imprecisos demais para sustentar um negócio estável, com baixas contábeis de até US$ 569 milhões e corte de 25% da força de trabalho. O CEO Rich Barton admitiu que a imprevisibilidade na projeção de valores dos imóveis superava em muito o que a empresa esperava. Isso é IA preditiva, não IA generativa, mas a lição vale para ambas: modelo sem gestão de risco, em escala, custa caro.

Klarna (2024–2025). A fintech sueca anunciou que sua IA fazia o trabalho de 700 atendentes. Depois de queda de qualidade e mais insatisfação, voltou a contratar humanos. O CEO Sebastian Siemiatkowski reconheceu que tratar custo como fator predominante levou a uma "qualidade inferior". A Klarna não abandonou a IA. Ela corrigiu o desenho da solução.

Air Canada (2024). O chatbot da companhia deu a um passageiro uma informação errada sobre tarifa de luto. A empresa chegou a argumentar que o chatbot era uma entidade legal separada, responsável pelos próprios atos, e o tribunal rejeitou a tese. O valor da condenação foi pequeno, cerca de 650 dólares canadenses mais custas, mas o precedente é enorme: você responde por tudo o que a sua IA diz.

O caminho mais rápido é o que parece mais lento

Perceba o padrão: nenhum desses casos fracassou por falta de tecnologia. Fracassaram por falta de critério antes da tecnologia.

Na prática, o caminho mais rápido para começar é também o menos glamouroso: discovery e MVP. Isso vale mais do que sair queimando tokens sem saber se o investimento se paga. E há um segundo motivo, pouco discutido: o ritmo da tecnologia. Qualquer decisão pesada de infraestrutura, como treinar ou hospedar o seu próprio modelo, corre o risco de ficar obsoleta em meses, às vezes em semanas.

Além disso, IA em empresa vai muito além de um chat. Automações, scripts, integrações, arquitetura e segurança não se resolvem sem levantamento de requisitos e sem entender o produto e os processos internos. Nenhum modelo, por melhor que seja, substitui isso.

Cinco perguntas antes de aprovar o próximo projeto de IA

  1. Qual métrica de negócio vai mudar, e quanto vale essa mudança? Se ninguém responde com um número, ainda não é um projeto, é uma vontade.
  2. Isso precisa mesmo de IA? Muitos casos vendidos como "agênticos" não exigem uma implementação agêntica. Às vezes um script resolve.
  3. Os dados, as integrações e a segurança estão prontos? A maior parte do custo real mora aqui, não no modelo.
  4. Quem responde quando a IA errar? A Air Canada mostra que a resposta é sempre "a empresa".
  5. Qual é o menor experimento capaz de provar ou derrubar a hipótese em semanas? E qual é o critério de parada, definido antes de começar?

Maturidade é saber onde não pôr

IA bem aplicada é uma vantagem competitiva real, e não estou aqui para frear ninguém. Mas as empresas que vão colher resultado não serão as que colocaram IA em tudo. Serão as que escolheram bem onde colocar, mediram, aprenderam e só então escalaram.

Na Codetomika é assim que conduzimos esse trabalho. Começamos pelo problema de negócio, não pela ferramenta. Um diagnóstico gratuito de 30 minutos serve para entender o que precisa mudar e quanto isso vale; a partir dele, levantamos escopo e critérios de aceite, entregamos por etapas com demonstrações e só então decidimos arquitetura, segurança e escala. Se a sua empresa está diante da pergunta "onde a IA realmente faz sentido para nós?", começar por esse diagnóstico costuma evitar meses de investimento no lugar errado.

Leite em pó é ótimo no lugar certo. No leite líquido, só atrapalha.

Fontes

  • MIT Media Lab / Projeto NANDA, The GenAI Divide: State of AI in Business 2025 (jul/2025).
  • McKinsey, The state of AI in 2026: On the road to ROI (ago/2026).
  • Gartner, previsões sobre projetos de IA agêntica (jun/2025, jul/2026 e set/2026).
  • The Verge, entrevista com Sam Altman sobre a "bolha" da IA (ago/2025).
  • Bloomberg, Klarna volta a contratar atendimento humano (mai/2025).
  • Zillow Group, resultados do 3º trimestre de 2021 e encerramento do Zillow Offers (nov/2021).
  • Civil Resolution Tribunal da Colúmbia Britânica, Moffatt v. Air Canada, 2024 BCCRT 149 (fev/2024).

Voltar ao blog