Estudo do Stanford Media Lab aponta que 95% dos modelos erram e geram prejuízo; especialistas da Quality Digital explicam os 3 pilares para fazer projetos de IA darem retorno real
O boom da Inteligência Artificial trouxe promessas de produtividade sem precedentes, mas, na prática, muitas empresas ainda esbarram em projetos que consomem orçamento, geram retrabalho e entregam pouco. Enquanto o hype acelera decisões, a execução expõe lacunas estruturais: falta de planejamento, projetos mal concebidos, consumo de tokens desconsiderado e custos operacionais subdimensionados.
Os dados ajudam a dimensionar o problema. Em novembro passado, “um artigo da Forbes americana indicava que 85% dos modelos de IA poderiam falhar”. Quase um ano depois, “um estudo do Stanford Media Lab revela que 95% dos modelos de IA trazem equívocos e causam prejuízos consideráveis”. Em resumo, há muito desperdício e pouco retorno comprovado.
Para separar hype de resultado e fazer projetos de IA avançarem com segurança, especialistas da Quality Digital sugerem uma abordagem em três pilares: capacitação e cultura Data-Driven, governança de dados e foco em impacto financeiro com planejamento, priorização e self-funding. A seguir, o que muda quando a tecnologia passa a ser guiada por estratégia.
Pilar 1: Education e cultura Data-Driven para orientar projetos de IA ao negócio
Sem pessoas preparadas, as ferramentas de IA tendem a amplificar ruídos. Como explica Cassio Pantaleoni, diretor de Artificial Intelligence Solutions & Strategy da Quality Digital, “a IA entrega uma resposta apropriada ao que foi solicitado, e não a resposta certa. Sem curadoria e sem lógica na formulação das solicitações, passamos a ter casos de aumento de produtividade individual e perda de produtividade organizacional. É o que chamamos de Work Slop, quando erros se propagam pela cadeia produtiva”.
Para reduzir esses riscos, a formação vem antes da tecnologia. Roberto Ave Faria, vice-presidente e diretor comercial da Quality Digital, resume a prioridade: “Antes de sair fazendo um projeto de IA, você precisa pensar no impacto que essa iniciativa pode proporcionar e, para isso, é fundamental ter pessoas capacitadas, letradas e treinadas”. Ele chama essa etapa de Education, base da cultura Data-Driven, em que decisões são tomadas a partir de evidências, não de intuição.
Essa mudança começa no topo. “Para que um projeto de IA dê certo, é preciso que as empresas sejam orientadas por dados, que as suas decisões sejam definidas por dados, que sejam empresas Data-Driven”, reforça Faria. Ao alfabetizar líderes e multiplicadores, a organização aprende a formular boas perguntas, a definir o uso adequado de modelos e a medir resultados com mais rigor, o que evita “soluções em busca de problemas”.
Pilar 2: Governança e qualidade dos dados, o combustível que define o acerto
Sem dados confiáveis, mesmo os melhores modelos falham. A premissa é simples e crítica para projetos de IA: a qualidade da resposta está diretamente ligada à qualidade das informações de entrada. “A governança de dados e a sua parametrização são fundamentais. Sem uma governança de dados bem feita, qualquer projeto de IA tende a falhar”, sentencia Faria.
Pantaleoni reforça a urgência de governança endereçando o problema mais recorrente nas empresas: “Sem dados curados, a organização não vai produzir IA’s que sejam capazes de dar a interpretação necessária”. Para ele, “a falta de governança de dados é o problema mais sério que as empresas têm com a IA atualmente”.
Na prática, isso implica mapear fontes, padronizar cadastros, controlar acesso, versionar informações e monitorar derivativos de dados, além de estabelecer métricas de qualidade. Com esse alicerce, fica mais fácil mitigar alucinações, calibrar modelos, reduzir custos com retrabalho e, principalmente, garantir transparência e rastreabilidade para auditorias e conformidade.
Pilar 3: ROI no centro, com planejamento, priorização e self-funding
O terceiro passo é conectar tecnologia a impacto. Faria propõe perguntas norteadoras para qualquer portfólio de projetos de IA: “Qual é o resultado efetivo que quero ter? Quanto de retorno sobre o investimento ele vai me trazer? Quais são os ganhos reais para a minha organização? Sem ter essas respostas bem definidas, um projeto de IA se torna uma corrida pela tecnologia e não pelos benefícios que ela pode proporcionar”.
Uma forma pragmática de assegurar disciplina financeira é o self-funding, quando o orçamento da área é calibrado pelo próprio retorno gerado pelos casos de uso. “O budget da área de IA vai ser em cima do que a própria área vai conseguir produzir. Isso vai gerar um pipeline de projetos eficientes, com prioridade adequada e a análise do que vai ser atingido pela companhia” explica Faria.
Esse filtro ajuda a evitar iniciativas com baixa maturidade, especialmente quando os custos de nuvem, inference e consumo de tokens são subestimados. Com metas claras de ROI, cronogramas realistas e definição de métricas, as equipes passam a priorizar entregas incrementais, mensurar ganhos tangíveis e ajustar rapidamente o que não performa.
Mais do que um sprint, trata-se de uma jornada organizacional. “Não é uma iniciativa pontual, é uma mudança de cultura, de paradigma, que envolve a capacitação das pessoas e empoderamento. É uma jornada porque tem que haver um planejamento de longo prazo”, sustenta Faria. Na visão de Pantaleoni, essa trilha vai da produtividade individual à produtividade organizacional, com foco em escala e padronização.
Ao final, a bússola é a mesma: resultados. Como resume Pantaleoni, “Eu sempre gosto de usar uma metáfora: a IA é uma máquina de completar, essa é a melhor definição. E, para extrair o máximo que ela tem para nos oferecer, precisamos entender a sua lógica, termos dados confiáveis e trabalharmos buscando resultados”. Quando projetos de IA são guiados por educação, dados bem governados e métricas de negócio, o hype cede espaço a ganhos reais e sustentáveis.