Data Science | Generative AI | Agentic AI | Analytics
Em julho de 2025, o MIT (Massachusetts Institute of Technology) publicou um relatório bastante interessante sobre o insucesso das empresas com projetos de IA chamado “The GenAI Divide: State of IA in Business”. O relatório faz revelações de grande valor, mas que não surpreendem muito os especialistas na área de IA e Data Science. Vejamos algumas das principais revelações:
- 95% das iniciativas não apresentam impacto significativo no balanço financeiro;
- Empresas e Startups jovens têm se saído melhor com iniciativas de IA;
- As empresas têm investido mais em iniciativas de IA ligadas a vendas e marketing, embora o potencial de retorno seja maior na automação do back-office;
- A adoção de ferramentas de IA oriundas de fornecedores especializados aumenta o sucesso das iniciativas para 67% dos casos – sendo maior a probabilidade de fracasso das soluções desenvolvidas internamente.
Muitas empresas querem usar IA para melhorar os negócios, aumentar a produtividade, alavancar as vendas, gerar insights de negócio que sejam relevantes, diminuir a perda de clientes (churn), realizar previsões de vendas, previsões orçamentárias e previsões sobre potencial de sucesso no lançamento de novos produtos.
Contudo, o desejo deve estar acompanhado de especialização técnica e de maturidade na adoção de dados como estratégia para o negócio. Não basta, de repente, dar a ordem: “a partir de hoje, todos devem pensar em soluções de IA”. Isso não funciona porque “dados” é uma cultura e requer um determinado nível de maturidade para que produtos de dados, com ou sem o uso de IA, possam alcançar sucesso.
Sem querer esgotar o tema, que é amplo e complexo, vamos, a seguir, refletir sobre alguns pré-requisitos básicos para se obter sucesso no uso de tecnologias de dados como a IA.
1. Qualidade de Dados:
Este é o fator principal para o sucesso de qualquer iniciativa ou produto de dados. Não é possível obter resultados confiáveis e capazes de agregar valor ao negócio se não houver dados de qualidade e em quantidade suficiente dentro da corporação.
Qualidade de dados significa, entre outras coisas, que os dados precisam ser compreendidos e tratados como um ativo valioso pela empresa. Não se trata e não se armazena de qualquer maneira um bem valioso, correto? Com os dados deve ocorrer o mesmo. Eles precisam estar devidamente tratados e armazenados para que camadas mais refinadas possam ser criadas e, enfim, se tenha a matéria prima necessária à construção de produtos de dados capazes de agregar valor.
Dados de má qualidade produzem direcionamentos (insights) ruins para o negócio e podem levar a tomadas de decisões equivocadas, com potencial de causar grandes prejuízos financeiros. Mesmo assim, um dos maiores problemas nas corporações reside justamente na forma como tratam e armazenam seus dados. É preciso “arrumar a casa” antes de se pensar em projetos envolvendo dados, principalmente IA.
2. Equipe Especializada
Outro quesito crucial para o sucesso de projetos de IA é contar com equipes especializadas em Data Science, Analytics, IA e Engenharia de Dados. Infelizmente, a realidade que observamos no mercado de trabalho é que muitas empresas não compreendem os papéis destes profissionais e acreditam que podem desenvolver produtos de IA com desenvolvedores de software comuns. Isso é receita para o fracasso.
Produtos de IA possuem características muito específicas e distintas de outros produtos de software. Se você está com problemas cardíacos, não deve ir a um pediatra, mas sim a um cardiologista. Da mesma forma ocorre na área da Tecnologia da Informação, é preciso contar com o profissional certo para cada trabalho. Do contrário, as chances de fracasso são enormes.
O relatório do MIT confirma a necessidade de equipes especializadas em dados e IA, inclusive citando que empresas especializadas têm um percentual de sucesso incrivelmente maior que empresas não especializadas.
Se você quer entender um pouco mais sobre os profissionais de dados, recomendo este artigo.
3. Testes do Produto e Controle de Qualidade
Esse é, sem dúvida, outro grande problema para as corporações, em especial as não especializadas. Profissionais não especializados em IA frequentemente tentam realizar testes no produto de IA da mesma maneira como fazem com produtos de software tradicionais. Isso realmente não funciona.
Produtos de IA (GenAI) são “não determinísticos”, o que significa, por exemplo, que eles podem dar respostas diferentes para uma mesma questão, com variações constantes, porém, na maioria das vezes, igualmente corretas (é o que se espera). Eles também podem “alucinar” e dar respostas totalmente sem sentido – o que ocorre bastante quando o produto possui problemas de design, arquitetura e/ou codificação.
Este tipo de produto não é baseado em regras rígidas, como um software comum. Os produtos de IA são baseados em modelos matemáticos que realmente aprendem e, depois, são capazes de criar novos conteúdos com base no que aprenderam. Essa capacidade criativa se deve, em parte, a um fator de aleatoriedade presente no funcionamento destes modelos.
A grande questão é que testes funcionais, normalmente utilizados pelas equipes de desenvolvimento de softwares, não são adequados para mensurar a qualidade de produtos de IA. São necessárias técnicas de testes mais avançadas que se baseiam em grandes volumes de dados e estatística descritiva. Além disso, a mensuração da qualidade deve ser fundamentada em métricas específicas para produtos de IA. Em minha experiência, tenho visto equipes de desenvolvimento bastante perdidas, incapazes de mensurar a qualidade de seus produtos, por desconhecimento dessas técnicas.
4. Governança e Processo de Desenvolvimento
A governança de dados e de produtos de IA são fundamentais para que as iniciativas de IA estejam alinhadas com o plano diretor da empresa. Na falta de uma boa governança, departamentos e setores da corporação começam a gastar dinheiro com iniciativas desconectadas com os objetivos do negócio.
O processo de desenvolvimento, por sua vez, exerce impacto na gestão dos projetos de software. Porém, projetos para o desenvolvimento de produtos de dados possuem um ciclo de vida diferente de projetos para produtos de software comuns. A falta de atenção a este detalhe leva a uma gestão ineficiente e a quebra de expectativas (decepções) com relação ao produto final.
A maior parte do tempo gasto com produtos de dados costuma ser, por exemplo, com a coleta, tratamento e refinamento dos dados. Mas essa etapa é uma das mais negligenciadas por equipes não especializadas. O resultado é um produto com respostas ruins e pouco aderente às expectativas.
Conclusão
Esses foram apenas alguns dos que considero os principais fatores para essa taxa de insucesso tão alta com produtos de dados, em especial produtos de IA, na atualidade.
Este artigo é baseado na minha experiência profissional e não em um levantamento minucioso – portanto, pode ter um forte viés regional. Em minha “defesa”, porém, posso dizer que tenho contato e converso com profissionais de vários estados do Brasil e também de outros países. O relato deles é muito compatível com as dores que descrevo neste artigo.
Leave a Reply