Por que 95% dos pilotos de IA não deram retorno, segundo o MIT NANDA

Em agosto de 2025, o MIT NANDA (Networked Agents and Decentralized AI) publicou o relatório The GenAI Divide: State of AI in Business 2025, sob liderança de Aditya Challapally.¹ O estudo cruzou 52 entrevistas estruturadas com executivos, 153 respostas de survey com líderes sêniores e mais de 300 iniciativas públicas de IA anunciadas por empresas, cobrindo o período de janeiro a junho de 2025.² O achado que virou manchete no mundo inteiro foi um só: aproximadamente 95% das organizações não obtiveram retorno mensurável em P&L a partir do gasto em IA generativa. Apenas 5% mostraram aceleração de receita atribuível.

A frase circulou nos boards brasileiros como sinal de que "IA não está funcionando". Essa leitura é incorreta e cara. O que o estudo diz, com todas as letras, é diferente: o modelo dominante de compra e implementação de IA no ambiente corporativo não está funcionando. É um diagnóstico de arquitetura, não de tecnologia.

Os 95% não medem falha do modelo. Medem falha do modo como a organização integra o modelo ao próprio processo de decisão.

Este artigo destrincha o que o NANDA realmente mediu, onde a manchete distorce, como o achado se cruza com McKinsey 2025 e S&P Global, e as três perguntas que um conselho brasileiro precisa fazer antes de aprovar a próxima iniciativa.

O que o MIT NANDA mediu de fato

O relatório trabalha com três fontes primárias combinadas. Primeiro, 52 entrevistas estruturadas com líderes de empresas dos setores de tecnologia, mídia e telecom, serviços profissionais, saúde e farmacêutica, varejo e consumo, serviços financeiros, indústrias avançadas e energia e materiais.² Segundo, 153 respostas de survey de líderes sêniores dessas mesmas empresas. Terceiro, uma varredura de mais de 300 anúncios públicos de projetos de IA em corporações listadas, com janela de observação de cerca de seis meses após o piloto inicial.¹

A pergunta que gera o "95%" não é "seu projeto de IA falhou?". A pergunta é: houve impacto mensurável em linha de P&L atribuível diretamente ao piloto? A resposta afirmativa apareceu em 5% da amostra. Nos outros 95%, os projetos permaneceram em piloto perpétuo, foram descontinuados após a fase inicial, ou seguiram em uso sem que a organização conseguisse isolar contribuição financeira.

O estudo aponta que o determinante da diferença não é a qualidade do modelo de IA utilizado. Empresas nos 5% e empresas nos 95% usaram, majoritariamente, os mesmos frontier labs e as mesmas famílias de modelos. O que separou foi a arquitetura de implementação: quem comprou de fornecedor especializado com integração profunda no processo teve taxa de sucesso próxima de 67%; quem tentou construir internamente teve cerca de um terço dessa taxa.¹ Empoderar gerentes de linha (em vez de laboratórios centrais de IA) e escolher ferramentas que retêm contexto e adaptam com o tempo também apareceram como fatores.³

O diagnóstico do NANDA sobre a causa dos 95% é textual: "a incapacidade dos sistemas de IA de reter dados, adaptar-se e aprender ao longo do tempo" no contexto real do processo do cliente.³ Traduzindo para linguagem de board: o problema é integração e retenção de contexto, não capacidade bruta do modelo.

Onde a manchete distorce

A manchete "95% falharam" carrega três distorções que precisam ser nomeadas antes de ela virar decisão de comitê.

Primeira distorção: piloto sem impacto não é o mesmo que fracasso técnico. Uma parcela dos 95% inclui projetos que rodam, entregam output, mas não produzem linha auditável no resultado. Isso é falha de KPI, não de tecnologia. Trocando o teste, muitos desses pilotos passariam. O que não passou foi a régua de captura de valor.

Segunda distorção: o corte é 2025, não histórico acumulado. O NANDA fotografou uma janela de cerca de seis meses de observação após o piloto inicial, dentro de um recorte de campo entre janeiro e junho de 2025.² Projetos que levam 12 a 24 meses para maturar aparecem nos 95%, mesmo estando em trajetória saudável. Ler o número como "IA já provou que não funciona" é confundir foto com filme.

Terceira distorção: o relatório é preliminary findings, não peer-reviewed. Vários analistas pediram publicamente que os autores liberassem a base de dados subjacente, e apontaram inconsistências entre o número da versão inicial e coberturas secundárias (a Fortune, por exemplo, reproduziu "150 entrevistas e 350 respondentes", enquanto o próprio PDF do NANDA cita 52 e 153).⁴ Isso não invalida o achado central, os dois cortes apontam na mesma direção, mas exige cautela ao citar o número como se fosse peer-reviewed.

A leitura correta do 95% não é "IA não gera retorno". É: o modo dominante de comprar e implementar IA em 2025 não gera retorno. Existe um subconjunto de 5% que gera. A pergunta interessante para o board é o que esse subconjunto fez diferente.

O que McKinsey e S&P Global mostram na mesma direção

Se o NANDA fosse o único estudo apontando essa direção, a cautela seria maior. Não é. Dois outros levantamentos de 2025, com metodologia independente e amostras maiores, convergem para a mesma tese.

O McKinsey State of AI 2025 ouviu 1.993 organizações em 105 países, com campo entre 25 de junho e 29 de julho de 2025. Encontrou 88% de adoção declarada e apenas cerca de 6% de high performers, definidos como empresas em que mais de 5% do EBIT é atribuível à IA.⁵ Cortando o mesmo dado por outro ângulo: adoção declarada em 2025 já é quase universal, mas impacto material em resultado é raro. É a mesma conclusão do NANDA, com amostra dez vezes maior e outra metodologia.

O S&P Global Market Intelligence, no Voice of the Enterprise: AI & Machine Learning 2025, foi ainda mais direto: 42% das empresas abandonaram a maioria de suas iniciativas de IA em 2025 (contra 17% no ano anterior), com desperdício médio de 46% dos provas de conceito antes que atingissem produção.⁶ O S&P estima que aproximadamente US$ 18 bilhões em investimento corporativo em IA foram eliminados em cerca de 18 meses via cancelamento de projeto, desmontagem de time e desativação de infraestrutura.⁶

Consolidando os três estudos em uma frase: adoção declarada não é impacto material, e o custo de descobrir isso tarde é alto. Analistas da Pertama Partners documentaram casos concretos com expenditure entre US$ 2,1 milhões e US$ 4,5 milhões por organização, apenas em pilotos abandonados no sudeste asiático, com o dado extrapolando para valores mais altos em conglomerados de escala global.⁷

Isso pesa em relação a como consultorias erram em IA quando vendem escopo antes de KPI, e amplifica o que já havia sido documentado sobre o gap entre 88% de adoção e 6% de captura no McKinsey State of AI 2025.

Por que o conselho brasileiro precisa reler o número

No board brasileiro, o 95% chega em dois formatos ruins. No primeiro, ele vira desculpa para desacelerar: "estatística mostra que não funciona, vamos esperar amadurecer". No segundo, ele vira compromisso para acelerar: "temos que estar nos 5%, aprove a próxima iniciativa". Nenhum dos dois é resposta.

A resposta útil parte de outra pergunta: o que separa, especificamente, os 5% do 95%? O NANDA nomeia três coisas. Compra de fornecedor especializado com integração profunda, empoderamento de gerentes de linha (não laboratórios de IA isolados) e ferramentas que retêm contexto operacional ao longo do tempo. Nada disso é sobre o modelo. Tudo isso é sobre arquitetura de decisão.

Isso conecta com o critério que venho defendendo em conselhos: nomear o KPI de capital antes de escolher fornecedor ou modelo. Sem KPI nomeado, o piloto entra no 95% por construção, não porque a tecnologia falhou, mas porque a régua nunca existiu.

Três perguntas que o board deveria fazer antes da próxima aprovação

Cada uma dessas perguntas é uma consequência direta do achado do NANDA. Nenhuma delas exige expertise técnica. Todas exigem clareza de arquitetura.

Pergunta 1: qual é a linha do P&L, do balanço ou do covenant que essa iniciativa move, e em quanto tempo?

Se essa linha não for nomeada antes da aprovação, a iniciativa já está no 95%. Não porque vai fracassar, mas porque não há régua para dizer que teve sucesso. "Vamos economizar tempo do time" não conta como resposta. Tempo economizado é input operacional; o que o conselho aprova é outcome financeiro.

Pergunta 2: quem, na estrutura, é o dono desse KPI, e ele tem autoridade sobre o processo que a IA vai tocar?

O NANDA identificou que o empoderamento de gerentes de linha, e não de labs centrais, foi um dos fatores dos 5%. Traduzindo: se a iniciativa está sob a coordenação de uma área que não é dona do processo de origem, o risco de que o piloto não escale é estruturalmente alto. Board não aprova iniciativa sem executive sponsor nomeado que carrega o KPI.

Pergunta 3: o que precisa ser verdade sobre integração, dados e adaptação ao longo do tempo para que o piloto vire operação?

Essa pergunta captura o pilot-to-production gap. O NANDA foi explícito sobre a causa raiz dos 95%: sistemas que não retêm dados, não se adaptam e não aprendem no contexto real do cliente.³ O board precisa do mapa desses três riscos, com responsável nomeado para cada um, antes de assinar a alocação de capital.

Essas três perguntas transformam a leitura do 95%. Ele deixa de ser sinal de "IA não funciona" ou "temos que correr" e passa a ser critério de triagem. A cada iniciativa nova entrando no comitê, o número certo de perguntas separa a que pertence aos 5% da que já nasce nos 95%.

Se essa é a triagem que ainda não está formalizada no seu comitê, e você quer entrar na próxima reunião com esse critério montado, uma conversa estratégica de quarenta minutos é o caminho mais direto. Sem deck, sem proposta forçada. Uma leitura do seu contexto e os primeiros recortes úteis.

Sobre

Atuo como Arquiteto de Negócios com IA, apoiando diretorias e conselhos na decisão de onde, como e em que ritmo a IA vira valor mensurável. O Briefing Executivo é a porta de entrada, e o Diagnóstico Executivo é o engagement em que essa triagem se formaliza.