Cinco erros que impedem empresas de escalar a inteligência artificial, segundo especialista

 João Pedro Brasileiro, professor de IA na Fundação Dom Cabral e na XP Educação, explica por que muitas organizações ainda têm dificuldade em obter resultados consistentes de projetos de inteligência artificial

 

Apesar do avanço da inteligência artificial nas organizações, transformar iniciativas pontuais em programas estruturados ainda é um desafio para grande parte do mercado. Segundo o relatório global The State of AI 2025, da McKinsey, quase dois terços das empresas ainda não começaram a escalar a inteligência artificial em toda a organização, apesar de já utilizarem a tecnologia em alguma área do negócio.  

Para João Pedro Brasileiro, professor de IA na Fundação Dom Cabral, na XP Educação e CEO da Innovation Latam, o desafio atual deixou de ser o acesso à tecnologia e passou a ser a capacidade de implementá-la de forma consistente. “Muitas empresas já entenderam o potencial da IA e iniciaram testes ou projetos piloto. O problema é que boa parte dessas iniciativas permanece isolada e não se transforma em capacidade organizacional”, afirma.  

Segundo o especialista, a IA ainda está em uma fase de maturidade corporativa em que hipóteses, dados, processos, pessoas e riscos precisam ser trabalhados simultaneamente. Nesse cenário, falhas em projetos não necessariamente indicam problemas na tecnologia, mas podem revelar lacunas na forma como a organização conduz sua jornada de adoção. “O problema não está em projetos de IA falharem, mas em a empresa não extrair nenhum aprendizado dessas experiências”, diz. 

Nesse contexto, o especialista destaca cinco erros que costumam atrapalhar a evolução dos projetos e a escalabilidade da inteligência artificial. 

 

1. Apostar tudo em um único projeto - “Existe uma tentação compreensível na implementação de IA: escolher um grande caso de uso, concentrar energia nele e tentar provar valor rapidamente”, afirma João Pedro. 

Segundo o especialista, a lógica parece eficiente, mas concentra risco demais em uma única iniciativa. A qualidade dos dados, a aderência dos processos, a integração com sistemas, a segurança e o engajamento das equipes são fatores que influenciam diretamente os resultados. 

Empresas que conseguem avançar mais rapidamente costumam trabalhar com um portfólio de iniciativas, combinando resultados e aprendizado contínuo. 

 

2. Implementar tecnologia antes de capacitar as pessoas - Uma das maiores fontes de fracasso em IA não está na tecnologia, mas na sequência adotada pelas organizações. Muitas empresas tentam implementar soluções em áreas que ainda não compreendem o que a tecnologia faz, quais problemas resolve e como pode transformar a rotina de trabalho. “Quando a capacitação vem antes da implementação, as áreas enxergam oportunidades, os líderes formulam problemas melhores e os times deixam de perguntar apenas ‘isso vai me substituir?’ para perguntar ‘onde isso pode me potencializar?’”, diz. 

Segundo o professor, preparar as pessoas antes de implementar a tecnologia ajuda a criar demanda qualificada e aumentam as chances de adoção bem-sucedida.

 

3. Não definir uma liderança para coordenar a estratégia de IA - “A empresa não precisa esperar a estrutura perfeita para começar. O importante é criar condições para organizar a jornada de adoção da IA e conectar as diferentes áreas envolvidas”, destaca. 

De acordo com João Pedro, muitas organizações ainda não possuem um cargo formal dedicado ao tema, mas já podem estabelecer uma função responsável por alinhar prioridades, estruturar iniciativas e criar mecanismos de governança. Sem essa coordenação, a tendência é que a inteligência artificial permaneça fragmentada dentro da organização. 

 

4. Escalar sem criar um modelo operacional - Nos estágios iniciais, é natural que diferentes áreas testem ferramentas e explorem casos de uso de forma independente. O problema surge quando a empresa tenta expandir a adoção mantendo a lógica descentralizada. “Escalar IA exige modelo operacional, não iniciativas soltas”, afirma João Pedro. 

Segundo ele, a ausência de critérios, processos e definição de responsabilidades pode gerar redundância, desperdício de recursos e perda de aprendizado 

 

5. Subestimar o papel dos quick wins (ganhos rápidos) - Muitas empresas tratam quick wins como iniciativas menores, voltadas apenas para demonstrar resultados rápidos. Para João Pedro, essa interpretação é equivocada. “Quick wins não são atalhos. São a forma mais eficaz de construir confiança.” 

Para o especialista, iniciativas desse tipo ajudam a organização a aprender mais rapidamente, identificar oportunidades, validar processos e criar as bases necessárias para projetos mais complexos. Empresas que desenvolvem diferentes iniciativas em paralelo costumam gerar mais aprendizado do que aquelas que apostam todas as fichas em um único projeto. 

“Projetos iniciam a jornada, mas são os programas que sustentam a transformação. É assim que a IA deixa de ser experimento e passa a gerar impacto real nos negócios”, conclui.