Onde a inteligência artificial realmente cria valor agregado
Apesar do panorama geral ser, em grande parte, preocupante, existem áreas e casos de uso em que a inteligência artificial comprovadamente gera valor agregado. No entanto, esses casos de sucesso são bastante específicos e seguem padrões reconhecíveis que diferem significativamente dos projetos de grande escala que fracassaram.
Um estudo da IBM de outubro de 2025 mostra que 62% das empresas na Alemanha já estão obtendo ganhos significativos de produtividade por meio da IA. Quase metade espera ver um retorno mensurável sobre o investimento em doze meses, principalmente por meio da melhoria da satisfação dos funcionários, economia de tempo e aumento da receita. Um estudo da SAP chega a conclusões semelhantes: o ROI médio dos investimentos em IA é de 16% no primeiro ano e espera-se que quase dobre para 31% em dois anos. 64% dos entrevistados afirmaram estar satisfeitos com seu retorno atual sobre o investimento, percentual superior ao de qualquer outro investimento em tecnologia.
Esses números positivos são consideravelmente atenuados, no entanto, quando se analisa mais de perto onde e como o valor é criado. O estudo do MIT identifica um padrão crucial: as implementações bem-sucedidas de IA se concentram na automação de processos administrativos, e não nas promessas grandiosas de processos de produção revolucionários. A automação de documentos, os processos de compras e as avaliações de risco apresentam os maiores retornos. Implementações bem-sucedidas economizam entre dois e dez milhões de dólares anualmente, reduzindo a terceirização de processos de negócios. Os custos das agências caem 30% quando as ferramentas de IA assumem tarefas criativas e analíticas.
Adequado para:
Um problema fundamental se revela na distribuição dos investimentos
Mais da metade dos orçamentos de IA generativa são gastos em marketing e vendas, embora a automação de processos administrativos geralmente gere retornos maiores. Essa má alocação é sintomática da adoção de tecnologia impulsionada por expectativas exageradas em vez de uma análise racional de custo-benefício.
Na própria produção industrial, os sucessos são esporádicos e limitados a aplicações específicas. A manutenção preditiva, que utiliza dados de máquinas para detectar desgaste ou falhas precocemente, demonstra sucesso comprovado. Montadoras como a Volkswagen utilizam IA em suas fábricas para analisar dados de sensores, minimizando o tempo de inatividade não planejado. A Ford utiliza IA para automatizar processos de fabricação, como soldagem e montagem. A General Motors reduziu o tempo de inatividade em 20% por meio da manutenção preditiva.
O controle de qualidade utilizando visão computacional é outra área com sucesso comprovado. Sistemas com suporte de IA analisam imagens de câmeras em tempo real e detectam até mesmo defeitos microscópicos, aumentando significativamente a confiabilidade. Análises mostram que uma infraestrutura de IA totalmente implementada pode gerar um retorno sobre o investimento de 200% a 300% por meio da redução de defeitos e ciclos de inspeção mais rápidos. A otimização da cadeia de suprimentos e do estoque alcança um ROI de 150% a 250% ao prevenir rupturas de estoque e aprimorar a gestão da cadeia de suprimentos.
Fundamentalmente, esses sucessos não resultam da simples implementação de soluções de IA padrão, mas sim de uma integração profunda e personalizada em processos específicos, acompanhada de uma gestão de mudanças significativa e adaptação contínua. Dados do MIT mostram que parcerias externas atingem a prontidão para produção aproximadamente duas vezes mais frequentemente do que desenvolvimentos internos, 67% em comparação com 33%. Compradores bem-sucedidos tratam os fornecedores de IA não como vendedores de software, mas como parceiros de negócios, e medem o sucesso por resultados comerciais em vez de benchmarks técnicos.
A economia paralela da IA como indicador
Um fenômeno fascinante emerge de uma análise mais detalhada dos padrões de uso: em 90% das empresas pesquisadas, os funcionários utilizam ferramentas de IA privadas para o trabalho, embora apenas 40% das empresas tenham adquirido licenças oficiais de IA. Essa chamada economia paralela da IA demonstra uma contradição fundamental: os indivíduos podem usar a IA com sucesso se as ferramentas forem flexíveis e fáceis de usar. A implementação institucional, por outro lado, falha devido à complexidade, à falta de integração e às barreiras organizacionais.
Esse mundo paralelo de uso não oficial de IA tem diversas implicações. Primeiro, demonstra que a própria tecnologia pode ser benéfica se estiver prontamente disponível. Segundo, revela um enorme problema de governança: 81% das empresas não possuem diretrizes para o uso de ferramentas de IA. 64% têm preocupações com a privacidade dos dados. 73% não conseguem mensurar os ganhos de produtividade. 58% relatam problemas de qualidade com os resultados da IA. Sem um conceito holístico de IA no ambiente de trabalho, a TI paralela e os cenários de ferramentas ineficientes representam um risco real.
A discrepância entre o uso individual pelo consumidor e a implementação empresarial malsucedida é sintomática do problema central da inteligência artificial em sua forma atual. Os sistemas são otimizados para casos de uso simples e individuais, com baixo risco e complexidade. No entanto, eles falham sistematicamente quando precisam ser inseridos em contextos organizacionais complexos, com altos requisitos de qualidade e confiabilidade. A chamada lacuna de aprendizado — a incapacidade dos sistemas de aprender com o feedback e se adaptar aos contextos — os torna inadequados para os projetos complexos e de longo prazo que predominam nas empresas industriais.
Divergências específicas do setor
A análise do MIT revela outro padrão crucial: apenas duas das nove indústrias estudadas — tecnologia e mídia — apresentam mudanças estruturais genuínas por meio da inteligência artificial. Em outras sete indústrias, incluindo a manufatura, a transformação permanece ilusória, apesar da significativa atividade piloto. Essa divergência específica de cada setor não é uma coincidência, mas reflete diferenças fundamentais em termos de complexidade e requisitos.
Empresas de tecnologia e mídia operam em ambientes digitais com dados estruturados, alta padronização de processos e ciclos de iteração curtos. Seus modelos de negócios são baseados em software e serviços digitais, não em produtos físicos com cadeias de suprimentos e processos de fabricação complexos. Elas contam com grandes equipes de cientistas de dados e especialistas em IA. Sua cultura organizacional é voltada para a rápida adoção de tecnologia. Todos esses fatores favorecem a implementação bem-sucedida de IA.
As empresas de manufatura e industriais enfrentam desafios completamente diferentes. Os ambientes de produção são definidos por nuances: mix de produtos variável, especificações em constante evolução, demanda flutuante e ecossistemas de máquinas complexos. Quando os modelos de IA ignoram essas realidades, os alarmes falsos proliferam e a confiança dos trabalhadores se deteriora. O Manufacturing Leadership Council estima que a maior parte dos dados reais da manufatura permanece inexplorada. Quando o contexto é perdido, a IA fica propensa a erros dispendiosos, como classificar ruídos do processo como defeitos ou ignorar sinais genuínos de melhoria.
A isso se soma o problema da fragmentação dos ambientes de TI e TO. Arquiteturas obsoletas, com décadas de existência, frequentemente isolam os sistemas de tecnologia operacional, responsáveis pela geração de dados das máquinas, dos sistemas de tecnologia da informação, responsáveis pelos dados de processos e negócios. Essa fragmentação obscurece sinais cruciais e faz com que os modelos de IA operem com uma visão parcial, desatualizada ou inconsistente da realidade do chão de fábrica. Superar essas barreiras estruturais exige investimentos maciços em infraestrutura, que só se justificam a longo prazo.
A pesquisa Smart Manufacturing Survey 2025 da Deloitte revelou que 92% dos fabricantes acreditam que a manufatura inteligente impulsionará a competitividade futura, mas 84% não conseguem responder automaticamente à inteligência de dados. Uma pesquisa da S&P Global relata que 42% das organizações abandonaram a maioria das iniciativas de IA até 2025, em comparação com apenas 17% em 2024. Um relatório da RAND de 2024 conclui que mais de 80% dos projetos de IA industrial falham, um número atribuído à complexidade dos processos, à baixa qualidade dos dados e à falta de contexto do mundo real.
A dimensão das promessas não cumpridas
Para compreender plenamente a dimensão dessa desilusão, vale a pena revisitar as promessas feitas em 2023 e 2024. Em janeiro de 2025, o CEO da OpenAI, Sam Altman, anunciou triunfalmente em seu blog que agora sabiam como construir inteligência artificial geral. Ele afirmou que os agentes de IA teriam um impacto notável nos resultados da empresa ainda naquele ano. Então, em novembro de 2025, Altman considerou uma conquista significativa o fato de o ChatGPT finalmente conseguir lidar corretamente com travessões. Essa discrepância entre aspiração e realidade ilustra o quão distantes estavam as expectativas das capacidades reais.
O Instituto de Pesquisa Econômica Consult, a pedido do Google, previu que o uso de IA generativa poderia aumentar o valor agregado bruto no setor manufatureiro alemão em até 7,8%, o equivalente a 56 bilhões de euros. A realidade, no entanto, é bem diferente. A produtividade do trabalho na engenharia mecânica e em outras áreas do setor manufatureiro permaneceu praticamente inalterada desde 2018, aumentando apenas 0,4% ao ano. Até o momento, não há sinal de dividendos da IA.
A McKinsey previu que a IA impulsionaria a produtividade, com enorme potencial para a economia global. O Goldman Sachs, por outro lado, alertou que, apesar dos altos custos, a tecnologia estava longe de ser útil. Excessos com coisas que o mundo não usa ou para as quais não está preparado geralmente terminam mal. A empresa de capital de risco Sequoia e o fundo de hedge Elliott já veem as empresas de tecnologia em território de bolha.
As vozes críticas na comunidade científica estão se tornando cada vez mais fortes. O cientista cognitivo Gary Marcus alerta que, embora um número crescente de empresas esteja experimentando a tecnologia, elas não estão observando melhorias substanciais. Um estudo da Forrester prevê que cerca de um quarto dos investimentos planejados em IA serão adiados até 2026. O Boston Consulting Group pinta um quadro de estagnação a um preço alto: apenas uma porcentagem ínfima de empresas conseguiu, até o momento, traduzir seus imensos investimentos em valor agregado real.
As causas estruturais da falha
A análise de projetos de IA fracassados revela um padrão consistente de causas estruturais que não podem ser remediadas por meio de melhorias iterativas de algoritmos. O principal obstáculo é a falta de governança. A maioria das empresas trata a inteligência artificial como apenas mais um projeto de TI, em vez de um ecossistema que requer manutenção contínua. Faltam responsabilidades claras, estruturas de gerenciamento de riscos e mecanismos para garantia de qualidade permanente.
O problema da maturidade dos dados representa o segundo obstáculo fundamental. Uma análise de empresas de tecnologia, baseada em mais de 20.000 horas de pesquisa em mais de 50 empresas, revela que apenas 14% possuem as bases necessárias para a implementação bem-sucedida de IA. A maioria enfrenta dificuldades com dados fragmentados, sistemas inconsistentes e falta de governança de dados. Sem dados de alta qualidade, estruturados e acessíveis, mesmo os algoritmos mais avançados permanecem ineficazes.
A falta de competências agrava ainda mais o problema. A Alemanha tem atualmente uma carência de 244.000 profissionais nas áreas de STEM (Ciência, Tecnologia, Engenharia e Matemática), incluindo 29.500 especialistas em TI. Para especialistas em ciência da computação, incluindo cientistas de dados e especialistas em IA (Inteligência Artificial), a lacuna de competências deverá atingir 18.655 até 2027. O maior aumento relativo é esperado entre os gestores de engenharia de redes de TI e administração de TI. As empresas enfrentam o dilema de que precisam de conhecimentos especializados para a implementação bem-sucedida de IA, conhecimentos esses que são escassos no mercado.
A deficiência na gestão de mudanças constitui o quarto pilar do fracasso. A implementação técnica é apenas metade da equação. Sem uma gestão de mudanças abrangente, a aceitação fica comprometida. Um provedor de serviços financeiros implementou um sofisticado sistema de detecção de fraudes, mas este teve pouco efeito devido à falta de integração ao processo de aprovação, já que os funcionários frequentemente contornavam o sistema. Operadores e engenheiros costumam ser céticos quando as recomendações da IA não se alinham com a realidade do chão de fábrica ou se originam de sistemas opacos que não fornecem uma justificativa transparente.
A má alocação de recursos agrava esses problemas estruturais. Mais da metade dos orçamentos de IA generativa são gastos em vendas e marketing, embora a automação administrativa geralmente gere retornos maiores. As empresas perseguem projetos ambiciosos sem terem estabelecido a infraestrutura digital fundamental. Elas se baseiam em dados de demonstração perfeitos que imediatamente se mostram ineficazes em condições reais. Subestimam sistematicamente o esforço necessário para integração, manutenção e adaptação contínua.
Os próximos vinte e quatro meses serão uma encruzilhada
Os próximos dois anos serão cruciais para o desenvolvimento da inteligência artificial na produção e na indústria. Diversas tendências indicam que 2026 e 2027 serão um período decisivo, no qual os vencedores e os perdedores se destacarão claramente.
O Ciclo de Hype da Gartner sugere que a inteligência artificial entrará no vale da desilusão em 2026. Durante essa fase, as limitações e os altos custos tornam-se claramente evidentes. Problemas de escalabilidade e a falta de modelos de negócios viáveis levam ao fracasso de muitos projetos e ao desaparecimento de fornecedores. No entanto, essa fase não é uma catástrofe, mas sim uma correção de mercado necessária. As tecnologias que progridem ao longo do Ciclo de Hype atingem o platô de produtividade após o vale da desilusão, onde ocorre a verdadeira criação de valor.
A dinâmica de investimentos aponta para um possível momento de explosão em meados de 2026. Se a oferta, impulsionada por despesas de capital, crescer mais rápido do que o uso monetizado, o custo por token poderá se aproximar de zero. Isso levaria a uma rápida desvalorização da capacidade de inferência recém-construída e forçaria baixas contábeis massivas. Empresas que perceberam tarde demais que seus investimentos em IA não estavam gerando retorno terão que fazer ajustes dolorosos.
Ao mesmo tempo, está surgindo uma nova geração de sistemas de IA, conhecida como IA agente. Esses sistemas possuem memória persistente e aprendizado iterativo, abordando diretamente a lacuna de aprendizado que as empresas identificam como um grande obstáculo. Experimentos iniciais com agentes de atendimento ao cliente que lidam autonomamente com consultas completas, ou agentes de processos financeiros que monitoram transações de rotina, demonstram um potencial promissor. As empresas que investem agora em sistemas de IA adaptativos e profundamente integrados estão criando vantagens competitivas que serão difíceis de alcançar posteriormente.
O cenário regulatório também desempenhará um papel crucial. A Lei de IA da UE estabelece um quadro legal vinculativo com períodos de transição de seis a 36 meses e multas potencialmente substanciais por incumprimento. Embora isto crie obrigações de conformidade e encargos de documentação, o selo “IA Made in Europe” também pode ser visto como um selo de qualidade. As empresas que implementarem os requisitos de conformidade desde o início podem posicionar-se como pioneiras no campo da IA confiável. A questão é se a regulamentação europeia criará a esperada vantagem inicial em termos de confiança ou se atuará principalmente como uma desvantagem competitiva em relação aos EUA e à China.
O que acontece depois da desilusão?
A atual desilusão em torno da inteligência artificial na produção e na indústria não é uma dificuldade temporária de adaptação, mas o resultado inevitável de expectativas infladas que se deparam com uma tecnologia estruturalmente incompleta. Os sistemas atualmente denominados IA são ferramentas altamente sofisticadas para casos de uso específicos, não solucionadores universais de problemas. Eles podem reconhecer padrões em dados, mas não conseguem pensar de forma sistemática e lógica. Podem automatizar tarefas simples, mas não conseguem otimizar de forma independente processos de produção complexos. Podem apoiar a expertise humana, mas não substituí-la.
Essa constatação não significa o fim da inovação em IA, mas sim o início de uma fase mais realista. As empresas que terão sucesso nos próximos anos serão aquelas que não enxergarem a inteligência artificial como uma solução mágica, mas como uma ferramenta que requer integração cuidadosa, manutenção contínua e expectativas realistas. Elas não investirão em projetos mirabolantes, mas sim nos fundamentos digitais essenciais: qualidade de dados, integração de sistemas, desenvolvimento de habilidades e gestão da mudança organizacional.
A criação de valor nos próximos anos surgirá principalmente em casos de uso bem definidos, onde os pontos fortes da inteligência artificial, do reconhecimento de padrões em grandes conjuntos de dados, da automação de tarefas repetitivas e do processamento rápido de informações estruturadas entrarão em jogo. A manutenção preditiva continuará a ganhar importância. O controle de qualidade baseado em visão computacional se consolidará. A automação administrativa proporcionará economias substanciais de custos. No entanto, a visão de fábricas autônomas e auto-otimizadas permanecerá ficção científica num futuro próximo.
As PMEs alemãs estão enfrentando um momento estratégico decisivo. A atual relutância em investir em IA é compreensível, dados os resultados decepcionantes de projetos anteriores. No entanto, a completa omissão não é a solução. As empresas que criarem agora os pré-requisitos fundamentais – infraestrutura de dados, processos digitais e desenvolvimento de competências – poderão se beneficiar da próxima geração de sistemas de IA assim que estes estiverem maduros. Aquelas que continuarem a esperar para ver o que acontece correm o risco de ficar completamente para trás.
A desilusão em torno da inteligência artificial na produção e na indústria é, em última análise, uma correção necessária de expectativas infladas. Ela nos força a confrontar realidades incômodas: que a tecnologia sozinha não gera transformação, que os fatores organizacionais e humanos são pelo menos tão importantes quanto os algoritmos e que a criação de valor sustentável exige tempo e trabalho sistemático. A inteligência artificial comprovou seu valor agregado para texto e imagens. Para o componente econômico na produção e na indústria, essa comprovação ainda está pendente, e resta saber se e quando ela poderá ser feita.