Um relatório do Massachusetts Institute of Technology (MIT) trouxe um alerta para empresas que aceleram investimentos em inteligência artificial, de que 95% dos projetos corporativos de IA fracassam antes de gerar o impacto esperado. No segundo dia do TDC Floripa 2026, especialistas mostraram que esse cenário está relacionado a decisões equivocadas sobre governança, arquitetura, segurança e definição de prioridades.
Ao longo das palestras, executivos defenderam que projetos bem-sucedidos começam pela escolha do problema certo, pela preparação da infraestrutura para operar em ambientes instáveis e por uma governança capaz de transformar inteligência artificial em decisões de negócio. Confira os principais aprendizados.
1. A maior causa do fracasso da IA não é a tecnologia
Durante a palestra “Governança e Soberania da IA: por que 95% dos projetos falham no Brasil e como não jogar dinheiro fora”, Juan Pablo D. Boeira, fundador e CEO do Innovation Center, afirmou que a maioria dos projetos de inteligência artificial falha por fatores humanos e organizacionais. Entre os principais obstáculos estão a falta de capacitação das equipes, expectativas desalinhadas sobre o que a IA pode entregar, ausência de governança e a escolha inadequada dos casos de uso.
Segundo o especialista, empresas que obtêm melhores resultados deixam de enxergar a IA apenas como uma ferramenta de automação e passam a utilizá-la para coordenar operações, apoiar decisões em tempo real e integrar diferentes áreas do negócio. Nesse contexto, ganha força a necessidade de desenvolver arquiteturas próprias, garantir soberania sobre os dados e criar estruturas de governança capazes de sustentar a evolução contínua dos sistemas. Para Boeira, o futuro será marcado por organizações que compram resultados prontos, e não simplesmente licenças de ferramentas de IA.
2. Projetos de IA começam pelo problema, não pela tecnologia
No painel “Da experimentação ao impacto: o que define sucesso em projetos de IA”, especialistas defendem que uma das razões para o baixo índice de sucesso é iniciar projetos pela tecnologia, quando o ponto de partida deveria ser um problema concreto de negócio. Compreender a necessidade que será resolvida, alinhar expectativas entre as equipes e estabelecer prioridades claras aumenta significativamente as chances de que a iniciativa gere retorno.
Os participantes também destacaram que projetos de inteligência artificial não precisam esperar pela solução perfeita para entrar em operação. A recomendação é colocar aplicações em produção assim que elas entregarem valor, evoluindo continuamente a partir do uso. O sucesso, segundo o painel, deve ser medido por indicadores como qualidade do trabalho, velocidade das entregas e retorno financeiro, além do impacto social que a tecnologia pode gerar em áreas como serviços públicos e atendimento ao cidadão.
3. Ter sistemas preparados para falhar
Na palestra “Design for Failure: arquitetando sistemas que sobrevivem ao caos em produção”, Guilherme Altmann, da Qive, mostrou que um projeto pode fracassar mesmo com uma tecnologia eficiente se sua arquitetura não estiver preparada para lidar com as falhas inevitáveis da operação. Oscilações de rede, indisponibilidade de APIs, limitações de serviços externos e erros humanos fazem parte do ambiente de produção e precisam ser considerados desde o desenho do sistema.
Entre as recomendações estão isolar componentes críticos para evitar falhas em cascata, permitir degradação controlada de serviços e reduzir o chamado “raio de explosão” dos incidentes. Segundo o especialista, arquiteturas resilientes permitem que as empresas inovem com mais segurança porque transformam falhas inevitáveis em eventos controlados, reduzindo impactos sobre usuários e operações.
4. Segurança e governança
Outro ponto recorrente nas discussões foi que inteligência artificial exige uma base sólida de segurança e governança. Durante a apresentação, Altmann defendeu que privacidade, controle de acesso e validação contínua devem fazer parte da arquitetura desde o início do desenvolvimento, e não serem adicionados apenas quando o sistema entra em produção.
Entre os princípios apresentados estão o conceito de fail closed — em que é preferível interromper um sistema do que mantê-lo funcionando com risco de vazamento de dados — e a adoção de modelos de confiança zero (zero trust), nos quais nenhum usuário ou serviço recebe acesso sem validação. A mensagem compartilhada pelas palestras foi que projetos de IA fracassam principalmente quando segurança, governança e gestão deixam de acompanhar a velocidade da inovação.
