Resumo: um projeto de IA fica no piloto quando a empresa não consegue responder a cinco perguntas: quem usa, com quais dados, com qual métrica de valor, a que custo e com qual registro. O artigo reúne os dados de Gartner, McKinsey e MIT NANDA e mostra o que fazer em cada uma das cinco lacunas de governança.
Neste artigo
- O que os números dizem sobre o piloto
- Lacuna 1: ninguém sabe que IA já está em uso
- Lacuna 2: o dado não tem regra
- Lacuna 3: o valor não foi definido antes do piloto
- Lacuna 4: o custo não tem dono
- Lacuna 5: risco sem regra de validação e sem registro
- Por onde começar
- Perguntas frequentes
Um piloto de IA pode provar que um modelo responde bem em um cenário controlado. Para virar operação, porém, a empresa precisa responder a perguntas mais difíceis: quem usa, com quais dados, com qual métrica de valor, a que custo e com qual registro. Quando essas respostas não existem, a IA permanece no teste e não chega à rotina.
Em julho de 2024, o Gartner previu que pelo menos 30% dos projetos de IA generativa seriam abandonados depois da prova de conceito até o fim de 2025. Em junho de 2025, voltou ao tema com os agentes de IA: mais de 40% desses projetos devem ser cancelados até o fim de 2027. As razões se repetem nas duas previsões: custo que cresce, valor de negócio que não fica claro e controle de risco insuficiente.
O desafio aparece quando o projeto deixa de depender de poucas pessoas, dados escolhidos a dedo e acompanhamento próximo. Na operação, o uso se espalha por áreas, documentos, permissões, metas e orçamentos diferentes. Se a governança não acompanha esse movimento, o piloto até funciona, mas não encontra caminho seguro para escalar.
O que os números dizem sobre o piloto
A pesquisa da McKinsey publicada em agosto de 2026, com 1.719 participantes em 97 países, mostra que 89% das empresas já usam IA em pelo menos uma função. Só 44% dizem que ela está escalando na empresa como um todo. Outros 30% continuam em piloto e 22% ainda experimentam. O impacto financeiro também parou de subir: 37% atribuem algum efeito no EBIT à IA, o mesmo percentual do ano anterior.
O relatório "The GenAI Divide", do MIT NANDA, de julho de 2025, mediu a queda no caminho. Entre as ferramentas corporativas de IA, sob medida ou de fornecedores, 60% das organizações avaliaram alguma, 20% chegaram ao piloto e 5% chegaram à produção. Os autores atribuem a trava menos ao modelo e mais à integração: a maioria dos sistemas não guarda o retorno do usuário nem se adapta ao fluxo de trabalho.
Lacuna 1: ninguém sabe que IA já está em uso
O mesmo estudo do MIT encontrou um dado que explica por que tanto piloto perde fôlego: só 40% das empresas compraram uma assinatura corporativa de modelo de linguagem, mas funcionários de mais de 90% delas usam ferramentas pessoais de IA no trabalho. O piloto oficial começa competindo com a ferramenta que a pessoa já abriu na conta dela, e o dado da empresa já circula por ali antes de qualquer regra.
O que fazer: antes de escalar, levante os usos que já existem. Quem usa, em qual ferramenta, em qual área e para qual tarefa. Esse inventário mostra onde o piloto tem demanda real e onde está o risco que nenhum projeto aprovou. Mais sobre o tema em Shadow AI: o risco que já está dentro da operação.
Lacuna 2: o dado não tem regra
Em fevereiro de 2025, o Gartner divulgou uma pesquisa com 1.203 líderes de gestão de dados: 63% das organizações não têm ou não sabem se têm as práticas certas de gestão de dados para IA. A previsão que acompanha a pesquisa é que, até o fim de 2026, as empresas abandonem 60% dos projetos de IA que não contam com dados prontos para IA.
No piloto, o time escolhe os dados e sabe o que está usando. Na operação, alguém vai colar um contrato, uma planilha de clientes ou um histórico de atendimento, e a pergunta "isso pode ir para o modelo?" precisa de resposta antes.
O que fazer: classifique os dados por sensibilidade e decida, para cada classe, o que pode ir a qual modelo, o que precisa ser mascarado antes e o que exige aprovação. A consulta deve respeitar a permissão de quem pergunta: se a pessoa não acessa um documento no sistema de origem, também não deveria acessá-lo pela IA. Detalhes em Quem controla o que entra na sua IA?.
Lacuna 3: o valor não foi definido antes do piloto
"Valor de negócio pouco claro" aparece nas duas previsões do Gartner. Muitas vezes a causa é de calendário: o piloto começa sem métrica, e a pergunta sobre retorno chega só na hora de pedir orçamento para escalar. Na pesquisa da McKinsey, 70% das empresas com melhor resultado em IA têm processo definido para medir o impacto das iniciativas; entre as demais, são 48%.
O que fazer: escreva, antes de começar, qual processo o piloto vai mudar, como ele é medido hoje (tempo, volume, erro, custo) e qual resultado justifica escalar, ajustar ou encerrar. Encerrar um piloto com critério também é resultado.
Lacuna 4: o custo não tem dono
O custo crescente é o primeiro motivo citado pelo Gartner para o cancelamento de projetos de agentes. Em IA generativa, o gasto acompanha o uso: cada consulta consome tokens, e um agente que funciona bem tende a ser mais usado. Um piloto com dez pessoas cabe em qualquer orçamento; a mesma solução com quinhentas pessoas e três áreas precisa de previsão.
O que fazer: meça o consumo por área e por caso de uso desde o piloto, defina orçamento e limite por área e projete o custo da escala com os números reais do teste. Se a conta só aparece no fechamento do mês, a decisão sobre escalar é tomada no escuro.
Lacuna 5: risco sem regra de validação e sem registro
"Controle de risco inadequado" fecha a lista do Gartner. Na McKinsey, 56% das empresas com melhor resultado definiram como e quando a resposta do modelo precisa de validação humana; entre as demais, 33%.
A outra metade do controle é o registro. Nas salas da Premiersoft no 4CIO Private Sectors 2026, com 59 empresas, 7 em cada 10 colocaram governança de IA como prioridade alta ou máxima. Só 9 delas conseguiriam auditar hoje, por completo, como a IA é usada dentro de casa. Prioridade sem registro não passa por uma auditoria, e um piloto que precisa seguir para jurídico ou segurança da informação pode travar antes de escalar.
O risco cresce com os agentes, que executam ações em vez de só responder. O caso OpenAI e Medicare mostra o que acontece quando um agente opera sem limite claro.
O que fazer: defina em quais tarefas a validação humana é obrigatória e registre cada uso: quem usou, em qual ferramenta, com que dado e para quê. Esse registro também prepara a empresa para a regulação. O PL 2338, aprovado no Senado em 10/12/2024, organiza as obrigações por grau de risco, e inventário, classificação e registro servem para qualquer versão final do texto. Veja o guia do Marco Legal da IA.
Por onde começar
As cinco lacunas dependem umas das outras. O inventário mostra onde está a demanda; a regra do dado define o que pode ser testado; a métrica decide se vale escalar; o consumo medido sustenta o orçamento; o registro permite que segurança e jurídico aprovem a escala. A ordem abaixo é a mais segura para começar, e nenhuma das etapas exige esperar o piloto terminar.
| Lacuna | Pergunta que precisa de resposta | Primeiro passo |
|---|---|---|
| 1. Uso | Que IA já está em uso na empresa? | Inventariar quem usa, em qual ferramenta, área e tarefa |
| 2. Dado | Isso pode ir para o modelo? | Classificar o dado por sensibilidade e definir o que pode ir, o que é mascarado e o que exige aprovação |
| 3. Valor | O que justifica escalar? | Escrever o processo, a métrica atual e o resultado que decide escalar, ajustar ou encerrar |
| 4. Custo | Quanto custa na escala? | Medir o consumo por área e caso de uso e definir orçamento e limite |
| 5. Risco | Onde a validação humana é obrigatória e o que fica registrado? | Definir as tarefas com validação humana e registrar cada uso |
Conclusão
Quando a governança começa junto com o piloto, os testes certos avançam, os riscos ficam conhecidos e o investimento pode ser defendido com dados. A empresa não precisa esperar o piloto terminar para organizar esse caminho. Quanto antes essas respostas aparecem, mais fácil é separar o experimento promissor daquele que deve ser ajustado ou encerrado.
Para um panorama completo do que a governança cobre, leia Governança de IA: o que é, o que a lei brasileira exige e como implementar.
O PRISMON, a base da operação de IA, transforma essas respostas em configuração: acesso por cargo e departamento, tratamento do dado sensível antes do modelo, consumo acompanhado por área e registro de cada interação para auditoria. Conheça o PRISMON.
Perguntas frequentes sobre projetos de IA no piloto
Por que tantos projetos de IA não saem do piloto?
Porque o piloto prova que o modelo funciona em um cenário controlado, mas a operação exige respostas que ele não dá: quem usa, com quais dados, com qual métrica de valor, a que custo e com qual registro. Nas previsões do Gartner, os motivos se repetem: custo que cresce, valor de negócio pouco claro e controle de risco insuficiente.
Quantos projetos de IA são abandonados depois do piloto?
Em julho de 2024, o Gartner previu que pelo menos 30% dos projetos de IA generativa seriam abandonados depois da prova de conceito até o fim de 2025. Em junho de 2025, previu que mais de 40% dos projetos de agentes de IA serão cancelados até o fim de 2027.
Qual a primeira etapa para escalar a IA com governança?
O inventário do que já está em uso: quem usa, em qual ferramenta, em qual área e para qual tarefa. Ele mostra onde o piloto tem demanda real e onde está o risco que nenhum projeto aprovou.
O que deve ser registrado em cada uso de IA?
Quem usou, em qual ferramenta, com que dado e para quê. Esse registro permite que segurança e jurídico aprovem a escala e prepara a empresa para a regulação.
Preciso esperar o piloto terminar para organizar a governança?
Não. Nenhuma das etapas exige esperar o fim do piloto. Quanto antes as respostas aparecem, mais fácil é separar o experimento promissor daquele que deve ser ajustado ou encerrado.
Governança de IA atrasa a inovação?
Não, quando começa cedo. Começar pela governança significa criar condições para que os testes certos avancem, os riscos sejam conhecidos e os investimentos possam ser defendidos com dados.