De 95% de piloto travado a 8% de ROI mensurável: o que mudou em um ano de IA nas empresas

O mercado de IA muda rápido demais para qualquer leitura fechada durar muito tempo. Por isso vale olhar para trás: o que mudou entre agosto de 2025 e setembro de 2026 na forma como as empresas medem, ou deixam de medir, o retorno da IA.

Três marcos ajudam a contar essa história. Cada marco respondeu à pergunta certa para o momento em que apareceu. Juntos, mostram uma régua que não parou de subir.

Agosto de 2025: a maioria dos pilotos não chega a lugar nenhum

O ponto de partida é o relatório The GenAI Divide: State of AI in Business 2025, do MIT NANDA. A pesquisa cruzou entrevistas com líderes, um levantamento com centenas de funcionários e a análise de centenas de implementações públicas de IA em empresas. A conclusão foi: cerca de 95% dos pilotos corporativos de IA generativa não chegavam a gerar impacto mensurável no resultado financeiro.

O problema central? Não a qualidade dos modelos de IA, mas a “lacuna de aprendizado” tanto para as ferramentas quanto para as organizações. Embora os executivos frequentemente culpem a regulamentação ou o desempenho do modelo, a pesquisa do MIT aponta para uma integração corporativa falha. Ferramentas genéricas não aprendiam com o fluxo real da operação, e a maior parte do orçamento ia para áreas onde o retorno é mais difícil de isolar, como vendas e marketing, enquanto o ganho mais consistente aparecia em automação de back office e eliminação de terceirização dos processos de negócios, reduzindo custos com agências externas e otimizando as operações.

Um dado reforça o diagnóstico: comprar de fornecedores especializados ou fechar parceria tinha taxa de sucesso bem mais alta do que construir a solução internamente. A régua de 2025, resumindo, era simples: a maioria das empresas estava testando IA sem ter estrutura para transformar teste em resultado.

Maio de 2026: o Brasil entra na conversa, e o problema aparece nas empresas, não no indivíduo

Nove meses depois, um relatório assinado por dois brasileiros em Stanford, Bernardo Precht e Felipe Lourenço, trouxe a mesma pergunta para o contexto brasileiro, com um recorte diferente. O relatório Uso diário, fluência rasa cruzou mais de 50 horas de entrevistas com executivos, diretores de RH e MBAs, além de dezenas de fontes secundárias.

A descoberta central inverteu a expectativa: o brasileiro individualmente não está muito atrás do padrão americano no uso de IA no dia a dia. O atraso aparece quando essa fluência precisa virar capacidade organizacional. Faltava, segundo os autores, um dono claro para a adoção de IA dentro das empresas: a pauta circulava entre RH, TI e áreas de negócio sem que ninguém respondesse pelo resultado.

Três decisões concretas apareciam como o que separava empresas maduras das que ainda tratavam IA como experimento disperso:

1. Nomear um dono operacional com mandato para medir resultado, não só acompanhar adoção.
2. Escolher poucos fluxos reais de trabalho em vez de espalhar dezenas de pilotos.
3. Amarrar cada fluxo a um objetivo de negócio desde o início, não depois.

O relatório também apontou uma tensão que ainda ecoa: a capacitação em IA é, na prática, trabalho de RH, mas RH raramente está no centro da decisão sobre IA dentro das empresas. Boa parte da jornada de adoção é capacitação. Feita com dono, ela tira o trabalho repetitivo e devolve o humano para interação e critério. Sem dono, fica suspensa entre RH, TI, negócio e fornecedor. Ninguém presta contas do resultado.

Setembro de 2026: a régua muda de novo, e quase ninguém consegue alcançá-la

Um ano depois do relatório do MIT, a pesquisa 1H 2026 Enterprise Software Survey, do Futurum Group, com 830 líderes de TI, mostrou que a métrica de sucesso mudou de novo. Impacto financeiro direto passou a ser o critério mais citado, quase dobrando em relação ao ano anterior. Produtividade, que dominava a conversa até 2025, perdeu peso como métrica principal.

O problema é que a maior parte das empresas ainda não tem como responder a essa nova régua. Exigir impacto financeiro não é o mesmo que conseguir medi-lo. No mesmo ciclo, só entre 5% a 8% das empresas chegaram a um ROI mensurável em larga escala. Outros levantamentos do período (AI Radar da BCG, Global AI Pulse da KPMG, State of AI da McKinsey) descrevem o mesmo padrão: gasto subindo e a medição ainda sem acompanhar o ritmo de aumento desses gastos.

A leitura de quem acompanha o setor é direta: a próxima fase da adoção de IA corporativa não vai ser travada pela capacidade dos modelos, mas pela capacidade de medir o que eles entregam. Quem conseguir ligar gasto em IA a resultado financeiro específico deve capturar orçamento. Quem não conseguir vai enfrentar pressão sobre o programa de IA, não porque a tecnologia falhou, mas porque a régua de prestação de contas ficou mais alta.