85% dos projetos de IA fracassam por um problema que não está no modelo, diz Gartner
Dados, objetivos pouco claros e dificuldade de levar projetos para a operação estão entre os obstáculos que reduzem o retorno dos investimentos em inteligência artificial
Uma antiga previsão do Gartner, frequentemente citada em discussões sobre inteligência artificial, estimava que 85% dos projetos de IA entregariam resultados errados até 2022 por problemas relacionados a dados, algoritmos ou equipes responsáveis. O número, porém, não representa uma taxa atual medida de fracasso.
A questão continua relevante. Em 2025, o Gartner afirmou que 63% das organizações não tinham, ou não sabiam se tinham, práticas adequadas de gestão de dados para IA. A empresa também projetou que 60% dos projetos de IA sem dados preparados seriam abandonados até 2026.
O problema não é apenas o modelo. Um sistema pode utilizar um modelo avançado e ainda assim apresentar resultados ruins se os dados estiverem incompletos, desatualizados ou espalhados em diferentes sistemas.
Para quem trabalha com IA, entender essa diferença é importante. O desempenho de uma aplicação depende também da qualidade das informações fornecidas ao sistema, da integração com processos internos e da definição do resultado esperado.
O que os dados revelam sobre os projetos de IA
O próprio Gartner mudou o foco de suas análises recentes. Em janeiro de 2026, a empresa afirmou que pelo menos metade dos projetos de IA generativa havia sido abandonada depois da prova de conceito devido a fatores como qualidade dos dados, controles de risco, custos crescentes e falta de valor empresarial claro.
Em outra pesquisa, divulgada em abril de 2026, apenas 28% dos casos de uso de IA em infraestrutura e operações foram considerados bem-sucedidos e capazes de atingir as expectativas de retorno. Entre os fatores associados ao sucesso estavam a integração da IA aos fluxos de trabalho e o apoio da liderança.
O Gartner resume o ponto central de forma direta: “ROI from AI is not driven by the sophistication of the model”, mas pela forma como a tecnologia é integrada, governada e alinhada às necessidades operacionais.
Para profissionais, isso muda a pergunta que deve ser feita antes de iniciar um projeto: não basta perguntar qual modelo utilizar. É preciso entender qual problema será resolvido, quais dados serão necessários e como o resultado será incorporado ao trabalho.
Por que bons modelos também podem gerar resultados ruins
Imagine uma empresa que queira usar IA para responder perguntas sobre clientes. O modelo pode ser capaz de interpretar linguagem natural, resumir documentos e produzir respostas coerentes.
O problema aparece quando as informações utilizadas estão distribuídas entre planilhas, sistemas antigos e bancos de dados com informações inconsistentes. Nesse cenário, a IA pode produzir uma resposta aparentemente correta baseada em dados incorretos.
Outro obstáculo é a distância entre o piloto e a operação. Um projeto pode funcionar em uma demonstração controlada, mas enfrentar dificuldades quando precisa atender muitos usuários, acessar sistemas corporativos ou cumprir regras de segurança e governança.
O Gartner afirma que menos da metade dos pilotos de IA chega à produção em muitos contextos, apontando a falta de estruturas para operacionalizar a tecnologia como um dos fatores do problema.
O que profissionais devem avaliar antes de um projeto de IA
Antes de escolher uma ferramenta ou modelo, alguns pontos ajudam a identificar riscos:
- Problema: qual atividade será melhorada e como o resultado será medido?
- Dados: as informações necessárias estão disponíveis, corretas e atualizadas?
- Processo: onde a IA será incorporada ao fluxo de trabalho?
- Responsabilidade: quem acompanhará os resultados e corrigirá problemas?
- Custo: quanto a solução custará quando o uso crescer?
A lógica também aparece em uma pesquisa recente do Gartner: apenas 22% das organizações afirmaram ter conseguido escalar IA para múltiplas unidades de negócio ou adotar uma estratégia AI-first. O levantamento foi realizado entre janeiro e abril de 2026 com 1.303 profissionais.
O cenário indica que o desafio da inteligência artificial nas empresas não termina na escolha de um modelo. Dados, processos, governança, custos e adoção determinam se uma solução experimental conseguirá se transformar em uma aplicação utilizada de forma consistente.