Todo ano um relatório vira pauta de board antes mesmo de ser lido. Em 2025, foi o McKinsey State of AI. O número que circulou em apresentação interna foi sempre o mesmo: 88% das organizações já usam IA em ao menos uma função. A leitura que acompanha esse número costuma ser de alívio, "estamos no jogo". É a leitura errada.

O mesmo relatório registra que apenas cerca de 6% das organizações se qualificam como o que a McKinsey chama de high performers: empresas onde mais de 5% do EBIT é atribuível à IA e a liderança afirma que houve valor significativo capturado. A pesquisa ouviu 1.993 participantes em 105 países, com campo de 25 de junho a 29 de julho de 2025.[1]

Coloque os dois números lado a lado e o relatório se transforma. Não é um boletim de adoção. É um mapa de onde o valor não está sendo capturado.

88% adotaram. 6% capturaram. O relatório mostra os dois números na mesma página e deixa a leitura difícil para o leitor.

A pergunta que importa não é "quantos adotaram". É: onde, especificamente, mora o gap entre os 88% e os 6%? E o que esse gap diz sobre a natureza do problema?

01 · O gap não está na tecnologia

A primeira tentação do conselho ao ver 6% é pedir mais tecnologia. Modelo melhor, mais licenças, um piloto a mais. Os dados do próprio relatório dizem que esse instinto endereça o problema errado.

O relatório isola o que separa os 6% do restante, e não é acesso a modelo melhor. Todos têm acesso à mesma fronteira de modelos. O que difere é o que a empresa faz em torno do modelo. Os high performers são 3,6 vezes mais propensos a perseguir mudança transformacional de fato, e não ajuste incremental.[1] Eles tratam a IA como motivo para reorganizar como o trabalho flui, não como camada que se aplica por cima do trabalho que já existia.

Aqui está o achado que o relatório enterra no meio e que merecia a manchete: a maioria das organizações empilha IA sobre processos antigos sem redesenhar o fluxo de trabalho. Uma fração pequena dos que usam IA generativa redesenhou de fato os workflows; a larga maioria apenas inseriu a ferramenta no processo existente.[1] É a diferença entre instalar uma turbina num barco a remo e projetar um barco para a turbina.

Isso reposiciona o gap inteiro. Se o diferencial fosse tecnológico, mais investimento em tecnologia fecharia a distância. Como o diferencial é de desenho, mais tecnologia sobre um processo não redesenhado só acelera o caminho até o abandono. O gap entre 88% e 6% é um gap de decisão sobre como o trabalho é organizado, não um gap de capacidade da máquina.

02 · O número que o relatório quase esconde

O 88% e o 6% chamam atenção. O número que sustenta a leitura difícil é um terceiro: cerca de 39% das organizações reportam qualquer efeito mensurável no EBIT no nível da empresa, e, dentre essas, a maioria afirma que a IA responde por menos de 5% do EBIT.[1]

Leia devagar. Não são 6% com impacto e 94% com zero. É um campo intermediário grande, 39% que enxergam algum efeito, mas abaixo do limiar que a McKinsey trata como material. Esse campo intermediário é o lugar perigoso. É a empresa que tem o número de adoção para mostrar ao conselho, tem até um efeito visível em alguma linha, e mesmo assim não moveu o ponteiro que importa para o capital.

A armadilha do campo intermediário é que ele se sente como progresso. A equipe usa a ferramenta, o relatório de uso sobe, alguém apresenta um caso de economia de tempo. Tudo verdadeiro, e nada disso aparece no EBIT de forma material. O limiar de 5% que a McKinsey escolhe não é arbitrário: é a fronteira entre o que dá para auditar à vista do board como resultado e o que continua sendo atividade.

Quando levo esse recorte a uma diretoria, a pergunta que faço não é "vocês adotaram?". É: em qual linha do resultado a IA aparece, e essa linha cruza o limiar de material ou fica no campo dos 39% que veem algo abaixo de 5%? A resposta separa, em uma frase, quem tem programa de quem tem demonstração permanente.

03 · A conta da leitura errada

Ler o relatório como boletim de adoção tem custo, e o custo está documentado por outras fontes que olham o mesmo fenômeno pelo lado da falha.

A S&P Global Market Intelligence registrou em 2025 que 42% das empresas abandonaram ao menos uma iniciativa de IA naquele ano, contra 17% no ano anterior, em pesquisa com mais de mil respondentes na América do Norte e na Europa. As empresas descartaram, em média, 46% das provas de conceito antes da implementação, com custo, privacidade de dados e segurança como os obstáculos mais citados.[2]

A Pertama Partners coloca preço nesse abandono: um projeto de IA descartado antes de chegar à produção carrega custo afundado médio na casa dos US$ 4 milhões, com mediana de 11 meses até a decisão de desligar.[3] Onze meses é tempo suficiente para o projeto ter aparecido em duas reuniões de board como progresso antes de virar baixa.

Junte os três relatórios. McKinsey diz onde o valor não está (88% adotam, 6% capturam). S&P diz que a taxa de desistência mais que dobrou em um ano. Pertama diz quanto cada desistência custa. A conta não é sobre falta de tecnologia. É sobre iniciativas aprovadas sem o critério que diria, antes do cheque, se elas tinham chance de cruzar o limiar de material.

04 · As perguntas que mudam a régua

O relatório McKinsey é um insumo, não um veredito. Lido pela ótica certa, ele entrega ao conselho três perguntas que reorganizam a próxima decisão de investimento em IA. Cada uma ataca um ponto específico do gap entre os 88% e os 6%.

Primeira: o nosso caso redesenha o workflow ou empilha IA sobre ele? Como os high performers se separam pelo redesenho, e não pelo modelo, essa é a pergunta de triagem. Se a iniciativa proposta mantém o processo idêntico e só insere a ferramenta num passo, ela nasce no grupo dos 80% que empilham. O comitê deve exigir o desenho do fluxo depois da IA, não só a lista de tarefas que a IA acelera.

Segunda: qual linha do EBIT essa iniciativa pretende mover, e em que prazo? O campo dos 39% que veem efeito abaixo de 5% é povoado por projetos que nunca nomearam a linha. Economizar tempo de equipe é insumo, não resultado. O conselho precisa do contrato explícito: qual indicador do P&L ou do balanço deve se mexer, e qual o limiar que conta como material para esta empresa. Sem essa linha nomeada, a iniciativa já está desenhada para morar no campo intermediário.

Terceira: o que precisa ser verdade para que o valor não evapore na transição para produção? A S&P mede o abandono; a Pertama mede o custo dele. O que ambos descrevem é a passagem do piloto para a produção, onde a maioria do valor se perde, por integração, por adoção, por dado, por incentivo errado da operação. Antes de aprovar, o conselho precisa do mapa dos pontos de falha conhecidos, cada um com responsável nomeado.

Essas três perguntas trocam a régua que o relatório parece oferecer. A régua da manchete é "quantos adotaram". A régua útil é "o que teria que ser verdade no nosso desenho para sair dos 88% e entrar nos 6%".

05 · Onde isso encaixa no seu plano

A maior parte da pauta de IA de um conselho nos próximos dezoito meses não vai ser inventar tecnologia. Vai ser triagem: decidir quais iniciativas têm desenho para cruzar o limiar de material e quais vão morar no campo dos 39%, ou pior, virar a baixa de US$ 4 milhões da Pertama.

Quando atuo nessa fase, três entregas estruturam a conversa.

Mapa de redesenho: para cada iniciativa em pauta, o desenho do workflow depois da IA, não só a lista de tarefas aceleradas. É o teste que separa empilhar de transformar.

Régua de material: o limiar explícito, em linha de resultado e prazo, que esta empresa vai tratar como impacto material, para que nenhuma iniciativa seja aprovada sem nomear o ponteiro que pretende mover.

Tabela de reversibilidade: para cada projeto em andamento ou planejado, o custo de desligar se a linha não se mexer no prazo, calculado antes da aprovação, não no décimo primeiro mês.

O McKinsey State of AI 2025 é o relatório certo para levar ao board. A leitura que importa não é a da capa. É a do gap entre os dois números, e do que esse gap diz sobre a decisão que precede o cheque.

Se a próxima pauta de IA do seu conselho está prestes a entrar e você quer que ela entre com a régua de material já definida, em vez de virar mais um número de adoção, um diagnóstico executivo é o caminho direto. Quarenta minutos para olhar o seu contexto e devolver onde, especificamente, o seu gap mora.

Referências

  1. McKinsey & Company. The State of AI in 2025: Agents, innovation, and transformation. Pesquisa global, n=1.993, 105 países, campo de 25 jun a 29 jul 2025. 88% reportam uso regular de IA em ao menos uma função; ~6% qualificam como high performers (mais de 5% do EBIT atribuível à IA e valor significativo); ~39% reportam qualquer efeito mensurável no EBIT, a maioria abaixo de 5%; high performers 3,6x mais propensos a mudança transformacional e ao redesenho de workflow. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai · Recorte complementar em https://www.mckinsey.com/featured-insights/week-in-charts/ai-at-work-but-not-at-scale
  2. S&P Global Market Intelligence. Generative AI shows rapid growth but yields mixed results (2025). 42% das empresas abandonaram ao menos uma iniciativa de IA em 2025 (vs 17% em 2024); 46% das provas de conceito descartadas antes da implementação; n>1.000, América do Norte e Europa. https://www.spglobal.com/market-intelligence/en/news-insights/research/2025/10/generative-ai-shows-rapid-growth-but-yields-mixed-results
  3. Pertama Partners. AI Project Failure Statistics 2026. Custo afundado médio de projeto de IA abandonado antes da produção na casa dos US$ 4 milhões; mediana de 11 meses até o abandono. https://www.pertamapartners.com/insights/ai-project-failure-statistics-2026