A Inteligência Artificial é, sem dúvida, uma tecnologia transformadora que traz inovação e competitividade para as empresas, além de ser um tema que tem atraído a atenção e investimentos crescentes das empresas. No entanto, segundo pesquisa da RAND Corporation, mais de 80% dos projetos de IA falham. Isso significa que, na prática, a maior parte dos investimentos realizados em IA não gera retorno, impactando negativamente o negócio e desmotivando equipes.
Por que tantas empresas, mesmo com bons profissionais e tecnologias de ponta, continuam falhando?
Nos últimos 15 anos, participei de mais de 150 de projetos de IA — implementando soluções em startups, grandes empresas do mercado tradicional e de tecnologia, como o iFood — e vi de perto os desafios mais comuns que levam ao fracasso.
Outro ponto interessante é que, em 2019, uma pesquisa já apontava resultados semelhantes, mostrando que empresas continuam cometendo erros. Voltando a ter contato com os desafios de outras empresas no dia a dia, depois de 5 anos da minha jornada no iFood, a sensação que tenho é que estamos no mesmo lugar sobre o entendimento dos problemas.
Por isso, detalho neste post 5 erros apontados pela pesquisa da RAND Corporation de 2024, que constatei na prática, e adiciono dois erros críticos que, além de recorrentes, muitas vezes são ignorados.
⚠️ Erro #1: Falta de alinhamento com a alta liderança
Muitas vezes, os projetos de IA são liderados por áreas técnicas ou de inovação, mas sem o engajamento da alta liderança. Sem o patrocínio executivo, falta visão estratégica, orçamento adequado e força política para remover barreiras organizacionais.
Como evitar:
• Treine a liderança executiva sobre o potencial e limitações da IA;
• Realize palestras e workshops para sensibilização;
• Incentive o uso de tecnologias de fácil adesão, como o ChatGPT, para gerar familiaridade;
• Crie um esforço estratégico e transversal em torno dos projetos.
⚠️ Erro #2: Falta de dados adequados
Muitos projetos de IA não vão existir sem dados. As tecnologias de IA Generativa até permitem a resolução de uma série de desafios, mesmo sem ter bases de dados internas, mas elas não servem para diversos problemas das empresas.
Com isso, as organizações subestimam a importância de ter dados suficientes, corretos e representativos. Modelos treinados com dados inadequados produzem resultados enganosos e inviabilizam as soluções.
Como evitar:
• Investigue a qualidade e disponibilidade dos dados;
• Cultive uma Cultura de Dados na organização;
• Treine as equipes para melhorar a coleta e inserção de dados;
• Garanta desde o início a conformidade com privacidade;
• Considere criar produtos que aumentem o volume de dados;
• Quando possível, compre bases de dados externas.
⚠️ Erro #3: Uso de tecnologias inadequadas
Muitas empresas caem na armadilha do “hype tecnológico”, adotando as tecnologias mais faladas ou mais recentes, mas não necessariamente as mais adequadas para resolver seus problemas.
Aqui, a IA Generativa, que é a tecnologia da moda, tem enganado muitas organizações, que por falta de conhecimento tentam adotá-la onde não se aplica. Em segmentos como indústria ou mineração, por exemplo, os cases de alto impacto que vão transformar os negócios não sairão da implementação dessa tecnologia.
Inteligência Artificial é uma ferramenta e, assim como qualquer outra, precisa ser utilizada da forma correta, para um problema que faça sentido.
Como evitar:
• Foque primeiro no problema, depois na tecnologia;
• Treine as equipes sobre as diversas soluções disponíveis;
• Incentive atualização constante;
• Escolha a ferramenta certa: “se for parafusar algo, use uma chave de fenda — não um martelo”.
⚠️ Erro #4: Infraestrutura inadequada
A infraestrutura é a base sobre a qual a IA opera. Sem acesso fácil a dados, poder computacional adequado e processos bem definidos, mesmo o melhor modelo não chega a criar impacto para o cliente final da solução.
Como evitar:
• Organize um Data Lake acessível e confiável;
• Garanta memória e processamento adequados;
• Cuidado com incompatibilidades tecnológicas (ex.: modelo em linguagem de programação Python, mas infraestrutura em Java);
• Prefira infraestruturas em nuvem, pois são mais fáceis para prototipar essas novas tecnologias;
• Estruture integração contínua, testes A/B e monitoramento de modelos desde o início. A maior parte das boas práticas de engenharia de software continua valendo nesse novo mundo da IA.
⚠️ Erro #5: Escolher problemas muito difíceis para a IA
Nem todo problema é adequado para IA. Muitas empresas investem em resolver desafios extremamente complexos ou que não têm impacto real no negócio. Na ansiedade causada pelo hype, é comum ver empresas lançando soluções que não fazem nenhum sentido e apostando que o modelo de IA vai resolver tudo como um “passe de mágica”. Infelizmente, boa parte dessas equipes acaba fracassando.
Como evitar:
• Antes de tudo, pergunte: “esse é mesmo um problema de IA?”;
• Defina como o modelo impactará o negócio;
• Alinhe expectativas de impacto (esforço vs. ROI);
• Valide manualmente sempre que possível;
• Mantenha as áreas de negócio e técnica na mesma página;
• Pergunte-se sempre: “Se eu construir o modelo perfeito, o que vai acontecer?” . Mas, lembre-se que o seu modelo não será perfeito.
⚠️ Erro #6: Falta de processos e organização
Este erro é clássico e raramente aparece em relatórios formais. A ausência de processos claros e organizados faz com que os projetos de IA fiquem presos em ciclos intermináveis, sem avançar para produção. Os times normalmente não querem investir tempo em processos, pois costuma ser um avanço invisível para boa parte das empresas.
Recentemente, no caso do novo adiamento do lançamento do Apple Intelligence, parte dos rumores sobre o fracasso se resumem a conflitos internos na empresa e que não devem ser subestimados. Quanto maior a organização, mais desafios ela terá para vencer as forças internas e implementar uma tecnologia com alto grau de inovação e incerteza.
Como evitar:
• Estruture o projeto com metodologias ágeis;
• Defina bem as etapas: exploração, prototipagem, validação e produção;
• Tenha governança clara sobre papéis e responsabilidades;
• Estabeleça rotinas de follow-up e ajustes constantes.
⚠️ Erro #7: Falta de cultura de inovação
Muitas empresas querem resultados inovadores, mas mantêm culturas organizacionais avessas ao risco. Projetos de IA são, por definição, experimentos com alto grau de incerteza.
Muitas soluções de baixa complexidade de IA podem ser implementadas mais facilmente por conta da acessibilidade de IA Generativa, mas não é isso que vai gerar os impactos significativos em boa parte das empresas e fazê-las dar o próximo salto de inovação dos próximos 20 anos. No geral, grandes empresas tradicionais não sabem lidar com o erro e, falhar rápido faz parte do processo de construção da maior parte das soluções.
Ter uma solução de IA dentro da sua empresa não te torna uma empresa de IA, assim como utilizar internet no dia a dia da sua empresa, não te torna uma empresa de internet. Cada vez mais, fica claro que as empresas que vão sobreviver no futuro serão as AI First e todas elas terão de fazer o movimento que o Google fez em 2017, se quiserem sobreviver aos novos tempos em que a inteligência artificial será o motor propulsor das demais tecnologias.
Como evitar:
• Adote metodologias que lidam bem com a incerteza: Lean Startup, Design Thinking, Agile, etc;
• Normalize a cultura do erro e do aprendizado rápido;
• Incentive pequenos testes e experimentos antes de grandes deploys de implementação;
• Recompense as equipes pelo aprendizado, não só pelo sucesso.
Conclusão
- Estratégia clara, um bom plano e alinhamento com a liderança;
- Excelência técnica, mas com foco no problema de negócio;
- Cultura organizacional aberta à experimentação;
- Processos robustos para transformar protótipos em produtos reais.
💬 E você?
Já enfrentou algum desses desafios ao implementar projetos de IA? Quais deles são mais críticos na sua opinião? Deixe seu comentário ou compartilhe sua experiência. Vamos juntos aprender e evoluir!
Baseado na pesquisa da RAND Corporation e em mais de 15 anos de experiência prática em projetos de IA em empresas de todos os tamanhos e setores.
#IA #TransformaçãoDigital #Inovação #DataScience #Liderança #CulturaDeDados
>>> Artigo publicado no Linkedin
