A McKinsey, a BCG e a Bain construíram, ao longo de quatro décadas, o melhor aparato de transformação corporativa que o capitalismo já produziu. Metodologia documentada, benchmarks setoriais, times treinados, frameworks que cabem em qualquer slide de board. Esse aparato funciona. O problema é que ele foi calibrado para uma era em que a vantagem competitiva vinha de processo, escala e melhores práticas replicáveis. IA não é um problema de melhores práticas. E é exatamente nesse ponto de articulação que o framework herdado começa a errar.

Não escrevo isto como crítica de fora. Escrevo como alguém que estuda as mesmas pesquisas que essas firmas publicam, e que lê nelas uma evidência que elas próprias documentam: o método tradicional, aplicado a IA, produz adoção alta e impacto baixo. A diferença entre as duas coisas é onde mora o meu trabalho.

O que a própria pesquisa delas mostra

Comece pelos números que as três firmas publicaram em 2025. A McKinsey, no State of AI 2025, com 1.993 organizações, encontrou 88% declarando uso de IA e cerca de 6% qualificando como high performers, aqueles em que mais de 5% do EBIT é atribuível à IA. Um dado dentro do mesmo relatório explica boa parte do abismo: apenas 21% das organizações que usam IA generativa redesenharam ao menos algum fluxo de trabalho.

A BCG, no Widening AI Value Gap de setembro de 2025, pesquisou 1.250 executivos seniores e chegou a uma distribuição parecida: 5% das empresas são future-built, gerando valor substancial em escala, enquanto 60% são laggards que reportam ganho material mínimo de receita ou custo. A Bain, em sua pesquisa executiva de 2025 sobre a passagem de pilotos para produção, registrou que apenas 23% dos respondentes conseguem ligar a IA generativa a mais receita ou menor custo, e que a maior barreira citada (41%) é acesso e integração de dados, não tecnologia de modelo.

Três firmas distintas, três amostras independentes, a mesma conclusão: a tecnologia foi adotada, o valor não foi capturado. A pergunta interessante não é se o problema existe. Elas mesmas o mediram. A pergunta é por que o método que essas firmas vendem não fecha o gap que elas próprias documentam.

Adoção declarada é vaidade. Captura de valor auditável é o que entra em ata.

Onde, especificamente, o framework herdado falha

O método clássico de consultoria foi desenhado para um tipo de problema: pegar uma prática comprovada em outro lugar, adaptá-la ao contexto do cliente, e implementá-la em escala. Benchmark, best practice, rollout. Funciona bem quando o ganho vem de fazer o que os melhores já fazem. IA quebra essa lógica em três pontos concretos.

Primeiro, o benchmark setorial perde poder preditivo. A vantagem de IA não vem de copiar o caso de uso do líder do setor, vem de redesenhar um fluxo específico do seu próprio negócio até que uma decisão recorrente mude. A McKinsey nomeia isso quando aponta que o redesenho de fluxo de trabalho é o fator mais correlacionado com impacto no EBIT, e que só 21% redesenharam algo. A BCG aponta na mesma direção ao dizer que 70% do valor potencial da IA está concentrado em funções core (vendas, marketing, manufatura, supply chain, precificação), não em iniciativas espalhadas. O método de best practice empurra o cliente a adotar o que é visível e replicável. O valor, porém, está no que é específico e não replicável.

Segundo, a entrega para de funcionar onde o método tradicional termina. O modelo clássico entrega estratégia, roadmap e, no melhor caso, um piloto bem-sucedido. Mas a literatura captura um fenômeno preciso, o pilot-to-production gap. A S&P Global Market Intelligence documentou em 2025 que 42% das empresas abandonaram a maioria de suas iniciativas de IA, contra 17% no ano anterior, e que em média 46% das provas de conceito nunca chegam à produção. O piloto que funciona na sala da diretoria evapora na transição para a operação, por integração, por governança de dados, por incentivo errado da equipe. O entregável que importa em IA fica do outro lado da linha onde o engagement de consultoria normalmente termina.

Terceiro, e este é o ponto mais desconfortável, o modelo econômico cria um conflito de incentivo. A consultoria tradicional fatura tempo. Horas de analista, semanas de equipe, engagement dimensionado por headcount. A IA comprime exatamente isso: uma análise que ocupava seis pessoas por três semanas passa a ocupar uma pessoa e alguns prompts. Veículos do próprio setor já tratam disso abertamente, do Consulting Success ao Above the Law, que descrevem a IA expondo a falha estrutural do modelo de horas faturáveis e forçando as firmas a migrar para preço por resultado. Não estou afirmando má-fé. Estou apontando uma física de incentivo: quem é remunerado por tempo dispendido tem um motivo estrutural para não comprimir o tempo ao mínimo. A Bain, em pesquisa própria, registra que três em cada quatro empresas dizem que a parte mais difícil da adoção é mudar como as pessoas trabalham. Mudar como as pessoas trabalham é precisamente o que esvazia a hora faturável.

A diferença não é tamanho. É a camada de decisão.

A leitura fácil seria "consultoria grande é lenta, arquiteto solo é ágil". Não é essa a diferença, e seria desonesto vendê-la assim. As Big Three têm capacidades que eu não tenho: alcance global, times de implementação de centenas de pessoas, capital de marca. Para um rollout continental de mil funcionários, essa máquina é insubstituível.

A diferença está em outro lugar. O que falta no método herdado, aplicado a IA, não é capacidade de execução. É uma camada de decisão entre o anúncio de tecnologia e a aprovação de investimento. Uma camada que faça três coisas que o benchmark não faz: traduzir cada caso público para o equivalente real no modelo de negócio do cliente, nomear o KPI de capital que precisa se mexer e em que prazo, e mapear explicitamente onde o ROI evapora na implementação. Não é um roadmap. É um critério auditável de decisão, aplicado antes de qualquer cheque ser assinado.

É isso que um arquiteto solo com método de decisão endereça diferente. Não por ser melhor, por ser estruturalmente alinhado. Quem não fatura por hora não tem incentivo para inflar escopo. Quem opera com critério auditável precisa nomear a régua antes, não vender a régua que o operador prefere. E quem trabalha à vista do board responde pela decisão de ir ou não ir, não apenas pela entrega de um documento.

Não é um problema de quem implementa. É um problema de quem decide o que vale implementar.

Como isso muda a conversa no seu conselho

Na prática, a diferença aparece em três entregas concretas que estruturo quando atuo numa diretoria executiva nessa fase.

A primeira é um mapa de equivalentes. Para cada caso público que vira pauta (a parceria da Big Four com um frontier lab, o número que viralizou no LinkedIn), qual seria o caso equivalente no negócio da empresa, com responsável e KPI nomeados. O benchmark diz "o setor está fazendo isto". O mapa de equivalentes diz "o que isto seria aqui, especificamente, e quem responde por ele".

A segunda é uma régua de auditabilidade. O padrão mínimo de evidência para que uma iniciativa de IA seja considerada em produção, e não em piloto perpétuo. Caso documentado, baseline registrada, amostra, metodologia. Sem isso, "aumentamos a produtividade em X%" é folclore, não resultado. A régua existe para que o conselho recuse o folclore antes de capitalizá-lo.

A terceira é uma tabela de reversibilidade. Para cada iniciativa em andamento ou planejada, qual o custo de reversão se o fornecedor sair, se a tecnologia obsoletar, se o KPI não se mexer. Esse número não é teórico. A Pertama Partners estima que o custo afundado de uma iniciativa de IA abandonada fica entre US$ 4 e 11 milhões, dependendo de quão fundo o projeto chegou antes de morrer. A reversibilidade é o que separa uma aposta calculada de um cheque em branco.

Nenhuma dessas três entregas exige uma firma de mil pessoas. Exige uma camada de decisão. E é precisamente essa camada que o método de benchmark e rollout, por construção, não produz: ele responde "como os melhores fazem", quando a pergunta de IA é "qual é o nosso equivalente, qual KPI de capital ele move, e o que precisa ser verdade para o valor não evaporar".

A consultoria tradicional não está errada sobre IA por incompetência. Está descalibrada porque foi forjada para um problema diferente. Reconhecer isso não diminui o que essas firmas fazem bem. Apenas nomeia onde o método herdado para de servir, e onde uma camada de decisão auditável começa a importar mais do que a capacidade de implementação.

Se a primeira pauta séria de IA está prestes a entrar no seu conselho, ou se já entrou e você sente que ela chegou como manchete e não como decisão estruturada, um diagnóstico executivo é o caminho mais direto. Sem deck de vendedor, sem proposta forçada. Quarenta minutos para entender o seu contexto e devolver os primeiros recortes úteis: onde está o seu equivalente, qual KPI de capital ele move, e onde o risco de reversão mora hoje.

Solicitar um diagnóstico executivo

Referências

  1. McKinsey & Company. The State of AI in 2025: Agents, innovation, and transformation. Pesquisa global, n = 1.993 organizações. 88% de adoção declarada, cerca de 6% de high performers com 5%+ de EBIT atribuível à IA, 21% redesenharam ao menos um fluxo de trabalho. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
  2. Boston Consulting Group. Are You Generating Value from AI? The Widening Gap. Setembro de 2025. Pesquisa com 1.250 executivos seniores: 5% future-built, 60% laggards sem valor material, 70% do valor potencial concentrado em funções core. https://www.bcg.com/publications/2025/are-you-generating-value-from-ai-the-widening-gap
  3. Bain & Company. Executive Survey: AI Moves from Pilots to Production. 2025. Apenas 23% ligam IA generativa a mais receita ou menor custo; acesso e integração de dados é a maior barreira (41%); três em quatro apontam mudança de comportamento como o desafio mais difícil. https://www.bain.com/insights/executive-survey-ai-moves-from-pilots-to-production/
  4. S&P Global Market Intelligence. Generative AI Adoption Surges, but Project Failures Rise. 2025. 42% das empresas abandonaram a maioria das iniciativas de IA (vs 17% em 2024); 46% das provas de conceito não chegam à produção. https://www.spglobal.com/market-intelligence/en/news-insights/research/generative-ai
  5. Pertama Partners. AI Project Failure Statistics 2026. Custo afundado por iniciativa de IA abandonada na faixa de US$ 4 a 11 milhões, conforme a profundidade do projeto antes do abandono. https://www.pertamapartners.com/insights/ai-project-failure-statistics-2026
  6. Consulting Success. How AI Exposed the Fatal Flaw in Billable-Hour Consulting. Análise setorial sobre o desalinhamento entre a remuneração por horas faturáveis e a compressão de tempo trazida pela IA. https://www.consultingsuccess.com/how-ai-exposed-the-fatal-flaw-in-billable-hour-consulting