O que aprendemos com 250+ projetos de software: por que IA falha na prática

Por José Gonçalves, CEO da Mind Group

Um estudo recente do MIT revelou que 95% dos projetos corporativos de IA generativa não geram resultados relevantes. O Gartner complementa: 30% dos projetos são abandonados logo depois da prova de conceito. Esses números não surpreendem quem constrói sistemas de IA todos os dias.

Em matéria publicada no Valor Econômico, tive a oportunidade de compartilhar a perspectiva da Mind Group sobre esse cenário. Mas o espaço de uma matéria jornalística é limitado. Aqui, quero ir mais fundo: contar o que vimos de dentro em mais de 250 projetos entregues ao longo de uma década.

O problema nunca é o modelo

Quando uma empresa nos procura dizendo que “quer usar IA”, a primeira conversa quase nunca é sobre tecnologia. É sobre processo.

Setenta por cento dos projetos de IA que fracassam não falham por causa do modelo de linguagem, do framework ou da infraestrutura. Falham porque a empresa contratante não consegue explicar o próprio processo com clareza suficiente para que a IA aprenda algo útil.

Um LLM faz exatamente o que é instruído a fazer. Se a instrução é vaga, o resultado é vago. Se o processo que alimenta a IA é inconsistente dentro da própria empresa, o sistema vai reproduzir essa inconsistência — só que agora em escala.

O que vemos na prática: os 5 padrões de fracasso

Depois de mais de uma década construindo sistemas sob medida — primeiro como software house tradicional, depois integrando IA nos últimos anos — identificamos padrões que se repetem em projetos que não chegam à produção.

1. O briefing que começa pelo fim

“Queremos um chatbot com IA.” Essa é a frase mais comum na primeira reunião. Mas chatbot é interface, não solução. A pergunta que deveria vir antes é: qual problema de negócio estamos tentando resolver? Qual processo consome mais tempo? Onde o erro humano custa mais caro?

Quando ajudamos a Fisk a integrar IA em seus processos educacionais, o ponto de partida não foi “queremos IA”. Foi um diagnóstico operacional detalhado que revelou onde a tecnologia poderia gerar ganho mensurável.

2. Dados que não existem (ou não servem)

IA precisa de dados estruturados. Muitas empresas descobrem, no meio do projeto, que os dados que acreditavam ter estão espalhados em planilhas desconectadas, e-mails e anotações em cadernos. A fase de preparação de dados costuma consumir 60% a 70% do esforço total de um projeto de IA — e raramente é prevista no orçamento ou no cronograma.

3. A prova de conceito que vira produto

Um PoC funciona com 100 registros. Produção exige lidar com 100 mil registros simultâneos, controle de acesso, auditoria, fallback quando o modelo erra, e monitoramento de alucinações. São mundos completamente diferentes.

Quando construímos o LawrAI — uma plataforma jurídica com tecnologia RAG que hoje atende mais de 20 mil usuários — o PoC inicial ficou pronto em semanas. Levar o sistema para produção com confiabilidade, compliance e monitoramento de qualidade das respostas levou meses adicionais de engenharia. É nesse gap entre PoC e produção que a maioria dos projetos morre.

4. O time errado para o desafio

Montar um time interno de IA do zero é caro, demorado e arriscado. Recrutar engenheiros de ML e especialistas em NLP pode levar 6 meses. Enquanto isso, o mercado não espera.

Empresas como Itaipu Binacional e a USP optaram por trabalhar com squads dedicados — times completos que já dominam a stack e os processos necessários, integrados à operação do cliente mas gerenciados por uma software house especializada. Isso reduz o time-to-market de meses para semanas.

5. Falta de métricas de sucesso

“A IA está funcionando?” Se ninguém definiu o que significa “funcionar” antes de começar, essa pergunta não tem resposta. Faithfulness (fidelidade à fonte), latência de resposta, taxa de fallback para atendimento humano, NPS do usuário final — essas métricas precisam ser definidas no dia zero, não depois do deploy.

O modelo que funciona: squads dedicados

Nos projetos em que atuamos para Henkel, Lojas Torra, Febracis e outros, o modelo que consistentemente entrega resultados é o de squads dedicados. Na prática, funciona assim:

Diagnóstico primeiro, código depois. Antes de escrever uma linha de código, fazemos um assessment de 2 a 4 semanas. Mapeamos processos, avaliamos qualidade dos dados, definimos métricas de sucesso e identificamos os quick wins que vão gerar valor já nas primeiras sprints.

Time integrado, não terceirizado. O squad trabalha com as ferramentas e rituais do cliente. Daily standups, acesso ao Slack ou Teams, retrospectivas conjuntas. A diferença para um time interno é que o squad já chega formado, com experiência em projetos similares.

Entrega incremental. Nada de 6 meses de desenvolvimento para só então mostrar resultado. Entregas a cada 2 semanas, com métricas visíveis. Se algo não está funcionando, o curso é corrigido na sprint seguinte — não 6 meses depois.

Transferência de conhecimento. Todo projeto tem documentação técnica, runbooks e sessões de handover. O objetivo é que o cliente tenha autonomia para manter e evoluir o sistema depois que o squad encerra o ciclo.

Checklist: antes de contratar um projeto de IA

Se a sua empresa está considerando investir em IA, esse checklist ajuda a evitar os erros mais comuns:

Antes de começar:

• Você consegue explicar o problema de negócio que quer resolver sem usar a palavra “IA”? Se não consegue, o projeto ainda não está maduro.
• Os dados necessários existem e estão acessíveis? Ou será necessário um esforço de coleta e organização antes?
• Existe um sponsor executivo que vai acompanhar o projeto e tomar decisões rápidas quando necessário?
• As métricas de sucesso estão definidas? O que significa “funcionar” para este projeto?

Na escolha do parceiro:

• O parceiro já levou projetos de IA à produção real (não só PoCs)?
• Ele trabalha com squads dedicados ou apenas aloca desenvolvedores avulsos?
• Há cases verificáveis com métricas concretas?
• O parceiro tem experiência com o seu setor ou com problemas similares?
• Existe plano de transferência de conhecimento para o seu time?

Durante a execução:

• As entregas são incrementais (a cada 2-4 semanas) ou existe um “big bang” planejado?
• Há monitoramento de qualidade das respostas da IA (faithfulness, alucinações)?
• Existe fallback definido para quando a IA não sabe responder?
• O parceiro reporta métricas de negócio, não só métricas técnicas?

O futuro é de quem executa

O mercado de IA não vai desacelerar. As ferramentas ficam mais acessíveis a cada trimestre. Mas acessibilidade de ferramentas não significa facilidade de execução. Uma API do GPT-4 custa centavos por chamada. Construir um sistema confiável em cima dela, que funcione em escala, respeite compliance e gere valor mensurável — isso continua exigindo engenharia séria.

As empresas que vão se beneficiar da IA nos próximos anos não são as que adotarem a tecnologia primeiro. São as que conseguirem levar projetos da ideia à produção com disciplina, dados limpos e parceiros que já passaram por esse caminho.

A Mind Group é uma software house brasileira com mais de 10 anos de operação, especializada em desenvolvimento de software sob medida e integração de IA generativa. Atendemos clientes no Brasil e nos Estados Unidos em modelo nearshore, com cerca de 100 profissionais e mais de 250 projetos entregues. Fale com a gente.