Por que projetos de IA corporativa travam antes de gerar resultado

Uma empresa com 800 colaboradores, ERP rodando há sete anos e uma equipe de TI bem estruturada. Eles tentaram implementar IA. Contrataram uma consultoria, definiram um caso de uso, montaram um projeto. Depois de oito meses, o projeto foi encerrado. O resultado foi zero.

Não é um caso isolado. É o padrão mais comum na jornada de IA corporativa no Brasil hoje.

De acordo com o McKinsey Global AI Survey de 2024, apenas 4% das empresas que iniciam projetos de IA conseguem escalá-los além do piloto. Noventa e seis por cento ficam presos na mesma armadilha — projetos que consomem orçamento, atenção da liderança e capital político, e não chegam à produção.

A questão relevante não é 'por que IA é difícil'. A questão é: por que empresas estruturadas, com recursos e intenção genuína, continuam travando no mesmo ponto?

A resposta está na premissa com que esses projetos começam.

O padrão que se repete nas empresas brasileiras

Quando converso com líderes de operação de empresas do Middle Market brasileiro — faturamento entre R$100M e R$500M, operação madura, gestão profissionalizada —, existe um relato que se repete com pequenas variações.

A empresa identificou uma oportunidade de usar IA em algum processo. Às vezes foi a pressão do board por 'fazer algo com IA'. Às vezes foi um caso de uso específico trazido por alguém de TI ou operações. O projeto começou com entusiasmo. E travou.

Os motivos mais comuns relatados: 'a tecnologia não se integrou com nossos sistemas', 'o time não adotou', 'o escopo foi crescendo e não terminamos mais', 'entregamos algo que funciona no laboratório mas não na operação real'.

O que esses relatos têm em comum? Todos descrevem o sintoma. Nenhum nomeia a causa raiz.

Não temos como crescer em número de clientes sem rever o modelo operacional. — executivo de energia, setor de comercialização, Brasil, 2025.

O verdadeiro problema não é a tecnologia

A causa raiz da maioria dos projetos de IA que travam é esta: a empresa tentou resolver um problema de infraestrutura com uma solução pontual.

Um colaborador da sua empresa usa, em média, entre cinco e dez sistemas diferentes por dia. Para pedir férias, acessa um portal. Para aprovar uma despesa, entra em outro sistema. Para tirar uma dúvida sobre política interna, manda e-mail para o RH, que vai buscar a informação num SharePoint desatualizado.

Cada um desses sistemas funciona. O problema não está em nenhum deles individualmente. Está na ausência de uma camada que entenda intenção, acesse os sistemas certos e execute — sem pedir ao colaborador que aprenda mais uma interface.

Um estudo da Forrester publicado em 2024 aponta que empresas com mais de 1.000 colaboradores perdem em média de duas a quatro horas semanais por pessoa em trabalho administrativo que poderia ser automatizado. Para uma empresa com 2.000 colaboradores, isso representa entre 4.000 e 8.000 horas por semana de capacidade operacional consumida por trabalho que não gera valor.

Esse custo não aparece em nenhuma linha do DRE. Está diluído no salário de pessoas que fazem coisas que uma infraestrutura melhor poderia absorver.

Quando um projeto de IA é iniciado com o objetivo de 'automatizar um processo específico', ele resolve o sintoma. Quando é iniciado com a tese de 'criar uma camada de infraestrutura que absorve o trabalho operacional repetitivo de toda a empresa', ele tem chance de gerar resultado mensurável.

Por que chatbot e copilot não resolvem

Antes de falar sobre o que funciona, é importante ser preciso sobre o que não funciona — e por quê.

Chatbots

Chatbots respondem o que foi pré-mapeado. Se a dúvida do colaborador estiver no FAQ, funciona. Se não estiver — e na operação real, a maioria das dúvidas foge do padrão —, o sistema falha ou desvia para atendimento humano. O chatbot não lê contexto. Não acessa sistemas de registro. Não executa ações. Responde texto.

Copilots

Ferramentas como Microsoft Copilot são assistentes. Auxiliam quem já sabe o que está fazendo. Não executam processos de ponta a ponta. Não eliminam o esforço humano — o reduzem marginalmente para quem está em frente a um computador. Para equipes operacionais — colaboradores de chão de loja, times em campo, analistas de backoffice com múltiplos sistemas — a utilidade é limitada. Não por acaso, dados do Gartner de 2025 mostram que apenas 5% das empresas que iniciaram pilotos com Copilot conseguiram migrar para escala.

E existe outro problema: nenhum desses players globais foi construído para o contexto operacional brasileiro. Eles não entendem CCEE ou SCDE no setor de energia. Não falam de SLA por posto no segmento de facilities. Não conhecem o ciclo de conciliação de NF-e no varejo. Não têm narrativa em PT-BR para operações que rodam em TOTVS ou Protheus.

O que é um ACI — e por que a diferença importa

Um ACI (Agente Corporativo Inteligente) é uma camada de infraestrutura conversacional. Ele não substitui os sistemas que a empresa já tem. Ele senta sobre eles.

O TOTVS continua sendo a folha de pagamento. O Salesforce continua sendo o CRM. O SAP continua sendo o ERP. O ACI é a interface unificada que entende o que o colaborador ou o gestor precisa — em linguagem natural, no canal que ele já usa (WhatsApp, Teams, e-mail) — e executa nas pontas certas.

A diferença prática: quando um colaborador pergunta 'quantos dias de férias eu tenho?', o ACI não abre um portal, não manda e-mail para o RH, não gera ticket. Ele acessa o HRIS diretamente e responde em segundos. O RH não foi interrompido. O colaborador não aprendeu uma nova ferramenta. O HRIS não mudou.

Quando um analista de energia precisa montar uma pré-proposta para um lead do ACL (Ambiente de Contratação Livre), o ACI coleta os dados de consumo da distribuidora, aplica o modelo de precificação da empresa e entrega o rascunho para revisão. O analista faz a revisão — não o trabalho de compilação. O processo que antes consumia 45 minutos passou a consumir menos de 8.

Essa é a distinção que importa: o ACI não automatiza uma tarefa. Ele absorve a camada de acesso — o trabalho de navegar entre sistemas para executar algo que deveria ser simples.

O que avaliar antes de implementar

Existe uma conversa honesta que precisa acontecer antes de qualquer projeto de ACI. Ela envolve três perguntas.

• Os sistemas de registro estão acessíveis para integração? Um ACI opera sobre o que já existe. Se o ERP não tem API, se os dados estão em planilhas desconexas, se os sistemas não conversam entre si, o projeto vai parar nesse ponto antes de começar. A primeira avaliação é de infraestrutura de dados, não de IA.

• Existe uma política clara de HITL (Human-in-the-Loop)? Não toda ação pode ser executada por um agente sem supervisão humana. Demissão, aprovação de contrato acima de determinado valor, resposta a incidente regulatório — essas ações precisam ter o humano no loop. Definir onde o agente executa autonomamente e onde ele encaminha para aprovação é decisão de governança, não de tecnologia.

• A governança de dados está em ordem? Implementar ACI com LGPD negligenciada é risco jurídico real. Cada interação do agente com dados de colaboradores e operações precisa ser registrada, rastreável e auditável. Isso não é obstáculo — é o único modelo que funciona no longo prazo para empresas que operam sob regulação.

A Freedom opera com a Patricia Peck (Peck Advogados) como DPO — responsável pela governança de dados de todos os projetos de ACI implementados. Essa escolha não é coincidência. É o reconhecimento de que compliance não é etapa final de um projeto — é condição de viabilidade.

Por que agora

Existe uma janela de mercado que não vai durar para sempre.

Os players globais de ACI estão em transição. A Moveworks foi adquirida pela ServiceNow por US$2,85 bilhões em março de 2025 e rebatizada como ServiceNow Otto. Está sendo reposicionada — sem narrativa local, sem suporte ao contexto regulatório brasileiro, sem PT-BR nativo. Microsoft Copilot continua com adoção marginal fora do ecossistema Microsoft.

O espaço do ACI construído para o contexto operacional brasileiro — que entende CCEE, ABRAFAC, Interfarma, TOTVS — está aberto.

Empresas que implementarem infraestrutura conversacional nos próximos 12 a 18 meses vão chegar ao final do ciclo com uma vantagem operacional mensurável sobre concorrentes que ainda estão avaliando.

A benchmark mais concreta que temos é de uma utility americana — Consumers Energy, 8.000 funcionários, Michigan — que recuperou 1.000 licenças de software ociosas em 14 dias com um ACI e economizou US$55 mil no primeiro mês. Esse não foi o projeto principal. Foi o projeto de teste. O ROI apareceu antes de qualquer reunião de apresentação.

Projetos de IA travam quando começam com a premissa errada. Quando começam com a pergunta certa — 'qual é a camada de infraestrutura que minha operação está sem?' — eles entregam resultado antes do que o modelo financeiro projetava.