Por que 70% dos projetos de IA fracassam na operação em 2026

Inteligência Artificial

Especialistas destacam os principais desafios que levam à falha de projetos de IA na fase operacional em 2026.

Leia também: Empresas brasileiras usam IA autônoma e aumentam lucro em meses

Projetos de inteligência artificial que funcionam bem em testes, mas desandam na operação, costumam ter o mesmo problema de origem: falta alguém enxergando o todo. O alerta foi feito por Carlos Rodrigo Lima, superintendente de Inteligência Artificial do Serpro, em painel realizado nesta quarta-feira (28), no AI Brasil Experience 2026, no Distrito Anhembi, em São Paulo.

Ao lado de Alexandre Marques, da consultoria Integraum, e com mediação de Adriel Araújo, Carlos defendeu que a ausência de integração entre as partes do projeto e de uma gestão centralizada explica por que tantas iniciativas de IA no setor público e privado “nascem mortas” ou fracassam na fase operacional, gerando desperdício de recursos e frustração com a tecnologia.

Integração falha e falta de um “dono” do projeto

Carlos resumiu a principal dor dos grandes projetos de IA: “Tudo pode isoladamente funcionar muito bem, mas, na hora de juntar dá errado”. Segundo ele, provas de conceito bem-sucedidas e demonstrações impressionantes não garantem uma solução eficiente em larga escala se não houver coordenação entre as equipes e sistemas.

Dividir o projeto em partes continua sendo necessário, mas não basta. “É fundamental quebrar [o projeto em partes], mas eu nunca posso contrapor isso à ausência de um elemento que centralize, como um gestor de projeto, alguém que tenha visão do todo”, afirmou. Sem esse papel claro de liderança, as iniciativas avançam de forma fragmentada e tendem a travar na hora de ir para produção.

Essa falta de visão integrada, apontam os especialistas, é particularmente crítica em órgãos públicos, que operam sistemas complexos, com múltiplas bases de dados e fornecedores diferentes. Quando a integração falha, o resultado vai além do atraso: serviços digitais essenciais podem ficar indisponíveis ou funcionar pior do que antes.

Entenda o contexto

O painel “Dinheiro, Discurso e Descarte: por que grandes projetos de IA nascem mortos” fez parte da programação do AI Brasil Experience 2026, evento de inteligência artificial que ocorre nos dias 28 e 29 de outubro no Distrito Anhembi, em São Paulo. A discussão se concentrou nos fatores que levam projetos de IA ao fracasso, especialmente na fase em que deixam o laboratório e passam a atender usuários reais.

Os debatedores falaram tanto da realidade do setor público, representado pelo Serpro, quanto de empresas privadas que contratam e desenvolvem soluções com apoio de consultorias. Em comum, relataram casos em que a tecnologia cumpria o prometido do ponto de vista técnico, mas trombava em processos engessados, resistência interna e falta de planejamento de custos.

Tolerância à falha, mas com limite

Para Carlos, qualquer iniciativa séria de IA precisa ser tratada antes de tudo como um projeto de inovação, o que implica aceitar incertezas e aprender com erros controlados ao longo do caminho. “Projetos de inteligência artificial são projetos de inovação. A sua instituição, seu órgão, sua empresa tem que ter tolerância à falha”, afirmou.

Essa tolerância, porém, não pode virar carta branca. “Cultura de inovação, tolerância à falha, não significa que é para errar sempre”, completou. A ideia é detectar problemas cedo, ainda na fase de desenvolvimento ou pilotos, para evitar que grandes volumes de dinheiro, tempo e reputação sejam comprometidos em uma solução que não vai se sustentar.

Alexandre Marques reforçou a importância de abandonar a ilusão de que é possível desenhar um grande projeto de IA “fechado” desde o início. “Se você faz um projeto hoje grandioso, baseado no que você já sabe, talvez você já esteja condenando o projeto à morte, porque você ainda não sabe tudo”, disse. Segundo ele, é preciso assumir que o conhecimento sobre a tecnologia, os dados e a organização vai mudar ao longo do caminho – e que o projeto precisa ser flexível o suficiente para se adaptar.

Resistência das equipes e medo de perder o emprego

Outro obstáculo recorrente, sobretudo nas empresas, é a resistência das equipes que vão conviver com as novas ferramentas. O medo de que a inteligência artificial substitua postos de trabalho afasta profissionais-chave justamente na fase em que o projeto mais precisa de contribuições práticas.

Para Alexandre, não há solução mágica, mas há um caminho: “Como é que a gente reduz? Ouvindo, conhecendo, chamando as pessoas para participar”. Isso significa envolver as áreas de negócio, operações e atendimento desde o desenho da solução, explicando objetivos, impactos esperados e novas tarefas que vão surgir.

Carlos destacou que, sem mudanças nos processos e na forma de trabalhar, a tecnologia tende a ficar desconectada da realidade. “Sem essa adaptação, mesmo uma solução tecnicamente bem desenvolvida pode não atender às necessidades da organização”, afirmou. Em outras palavras, não basta “plugar” um modelo de IA em cima de um processo antigo e esperar milagre.

Setor público: risco de desperdício e falhas em serviços críticos

No caso do governo, o fracasso não representa só um problema de eficiência interna. Pode significar perda de serviços digitais em áreas sensíveis, como autenticação de identidade ou acesso a benefícios. “Perder dinheiro não é interessante, nunca é interessante. No nosso caso, estou falando pelo Serpro, empresa pública, é pior ainda, porque é perder dinheiro público”, ressaltou Carlos.

Um dos primeiros pontos a serem avaliados, segundo ele, é a margem de erro aceitável para cada aplicação. “Se uma solução exigir erro zero, a inteligência artificial pode não ser a tecnologia adequada para o projeto”, disse. Isso vale especialmente para sistemas como validação biométrica, nos quais até pequenas taxas de falha podem afetar milhares de pessoas.

Nesses casos, o superintendente defende transparência sobre o desempenho real da solução, com métricas claras e comunicação das limitações para as áreas usuárias e para a alta gestão. A promessa de “acerto perfeito” não é realista e tende a gerar frustração – e cortes – quando as primeiras falhas aparecem.

Custos da IA generativa e o desafio da escala

Os especialistas também chamaram atenção para um ponto que costuma ficar escondido atrás do entusiasmo com a IA generativa: o custo operacional para manter essas ferramentas em produção. Soluções que parecem baratas e eficientes em pilotos podem se tornar inviáveis quando começam a atender grandes volumes de acessos e dados.

Segundo Carlos, no governo esse risco é ainda maior, porque os serviços digitais geralmente são massivos. Se o dimensionamento de infraestrutura, processamento e licenças não for bem feito desde o início, o projeto pode se tornar financeiramente insustentável justamente quando começa a ganhar relevância para a população.

O recado é que o cálculo de viabilidade precisa incluir não só o investimento inicial, mas principalmente a conta mensal de operação – algo que muitas vezes só aparece no orçamento quando já é tarde para recuar sem prejuízo.

Acordos claros e hora de parar – ou de renascer

Para reduzir o risco de “morte anunciada”, Carlos defende combinados firmes desde o planejamento. “Para evitar a morte, é bom ter bons acordos de início”, resumiu. Isso inclui definir critérios de desempenho, limites de custo, prazos de revisão e metas objetivas de negócio que a solução precisa entregar.

Esses parâmetros também ajudam na decisão mais difícil: saber quando interromper uma iniciativa que não está dando certo. Insistir em um projeto que não atinge os requisitos mínimos, alertou o superintendente, tende a ampliar prejuízos e desgastar a confiança na tecnologia dentro da organização.

Alexandre, por sua vez, ponderou que encerrar um projeto não precisa significar enterrar de vez a ideia original. Em muitos casos, a saída está em revisar escopo, tecnologia ou público-alvo. “Talvez não seja um óbito, seja fazer um renascimento”, afirmou, defendendo que as organizações tratem dificuldades como oportunidade de recomeço, e não apenas como fracasso definitivo.

Com o avanço acelerado da inteligência artificial e a pressão por resultados rápidos, a avaliação dos debatedores é que só vão prosperar os projetos conduzidos com gestão integrada, abertura à experimentação e participação ativa das equipes. Para as demais iniciativas, a tendência é repetir o ciclo de provas de conceito brilhantes que nunca viram soluções úteis no dia a dia.