Os números chegaram, e são desconfortáveis. 82% das organizações operam agentes de IA sem visibilidade central. 65% já tiveram pelo menos um incidente de segurança ligado a agente nos últimos 12 meses. 88% dos projetos de agente nem sequer chegam à produção. E os 12% que chegam entregam ROI médio de 171%. O fosso entre quem acerta e quem não acerta é o maior backlog de implantação da história da TI corporativa.
O retrato da fronteira
Pesquisas convergentes de Gartner, MIT Technology Review e Equinix em 2026 desenham um cenário comum. Quase 80% das empresas adotaram alguma forma de agente de IA — quase metade do mercado. Apenas 11% rodam algum desses agentes em produção real. O gap de 68 pontos percentuais entre adoção declarada e produção efetiva nunca foi observado em qualquer transição tecnológica anterior. CRM, ERP, cloud, mobile — nenhum chegou perto desse desencontro entre intenção e operação.
Por trás do gap, três incidências repetem-se em quase todo estudo. Primeiro: 82% das empresas têm agentes rodando que o TI central não conhece. Segundo: 65% sofreram incidente de segurança ligado a agente — vazamento de dados em 61% dos casos, disrupção operacional em 43%, perdas financeiras em 35%. Terceiro: mais de 40% dos projetos de IA agêntica devem ser cancelados até 2027 por custo descontrolado e ROI difuso.
O que esses números realmente dizem
A leitura confortável é “estamos no early adopter, é normal”. A leitura honesta é diferente. Esses três indicadores não são problemas de produto; são problemas de dados. Agentes precisam de contexto confiável, identidade conhecida, dado de qualidade, log auditável e governança de mudança. As empresas que conseguem operar agentes em produção não venceram porque escolheram modelo melhor — venceram porque tinham infraestrutura de dado mais arrumada quando o agente chegou.
O resumo da MIT Technology Review é direto: a capacidade da IA agêntica vai ser definida menos pela evolução do modelo e mais pela qualidade da arquitetura de dados e governança da empresa. Modelo está virando commodity. Dado bem arrumado, com semântica clara e contexto verificável, segue sendo escasso.
Onde a empresa brasileira está
O Brasil tem um agravante específico. A última década de transformação digital priorizou aplicações — ERP em SaaS, CRM em cloud, RH em plataforma — sem reformar a base de dado. O resultado é um cenário onde o dado sobre o cliente está espalhado em cinco aplicações, com identidade não unificada, sem versão única da verdade, sem catálogo, sem responsável. Em cima dessa base, a empresa quer agora colocar agentes que prometem decidir.
O efeito previsível é o que esses números mostram. Pilotos brilham em demo, falham em escala. Não porque o agente é ruim, mas porque toda decisão do agente depende de um pedaço de dado que ninguém certificou. Em casos de uso de baixa criticidade (sumarização de e-mail, primeira versão de relatório), o agente entrega. Em casos de alta criticidade (decisão de crédito, atendimento jurídico, supply chain), o agente erra do mesmo jeito que o sistema legado errava — só que mais rápido, em escala maior e com menos auditabilidade.
Os 12% que acertam: o que eles fazem diferente
Há padrões consistentes nas empresas que conseguem fazer agentes operarem em produção. Primeiro: separam claramente “modelo” de “contexto” e investem 3 a 5 vezes mais no contexto do que no modelo. O agente não é o ativo; o pipeline de dado certificado que alimenta o agente é. Segundo: tratam agente como mais um sistema corporativo, com SDLC, change management e SLA — não como brinquedo experimental do time de inovação.
Terceiro: definem o critério de sucesso antes de começar. Não é “vamos colocar IA aqui e ver o que acontece”. É “vamos automatizar este caso de uso específico, com este KPI, com este critério de saída se não funcionar em 90 dias”. Esse rigor parece básico, mas é exatamente o que falta nos 88% que não chegam à produção.
Quarto: investem em observabilidade desde o dia um. Logs estruturados, métricas de decisão, trilhas de auditoria, possibilidade de replay. Sem isso, quando o agente errar — e ele vai errar — ninguém vai saber por quê, e a postura defensiva natural será desligar o agente. O dado que comprova que ele está acertando é o que mantém o agente no ar quando o erro pontual acontecer.
O efeito de 2027
A previsão de 40% de cancelamento até 2027 não é catastrofismo; é matemática. Boards aprovaram orçamentos generosos para IA em 2024 e 2025, com expectativa de retorno em 18 a 24 meses. Em 2026, o segundo semestre vai começar a entregar (ou não). Em 2027, o board vai cobrar resultado. Onde não houver caso de uso documentado com retorno mensurável, o orçamento vai ser cortado, o time vai ser dispensado e o projeto vai ser arquivado.
Isso vai gerar um movimento previsível: consolidação. Os 12% que entregaram vão absorver mais investimento; os 88% que não entregaram vão ter o orçamento redirecionado. E o que acontece em todos os ciclos tecnológicos vai acontecer aqui também — uma camada de empresas vai liderar, outra vai estagnar e uma terceira vai precisar reescrever a estratégia em 2028.
O que fazer nas próximas seis semanas
Para um C-level brasileiro que está olhando esses números pela primeira vez, três movimentos práticos. Primeiro, exigir um inventário de agentes em uso, mesmo que rudimentar. Toda área que admite usar IA precisa registrar: que ferramenta, que dado acessa, quem aprovou, qual o caso de uso. Isso pode ser feito em 30 dias com planilha. Não tem desculpa para não ter.
Segundo, rever a arquitetura de dado com a lente de “preparação para agente”. Catálogo, lineage, semântica, qualidade, identidade, governança. Sem isso, todo investimento em modelo é dinheiro jogado fora. Terceiro, instituir o critério de saída para todo projeto de agente: KPI definido, prazo de avaliação, decisão binária ao final. Projeto sem critério de saída é projeto que vira herança.
O recado para o board não é “pare de investir em IA agêntica”. É “pare de investir em IA agêntica enquanto o dado está bagunçado”. Quem virar 2027 com inventário de agentes claro, dado certificado e três a cinco casos de uso em produção entregando ROI vai ser o que sobra. Quem virar 2027 com 40 pilotos e nenhum caso de uso em produção vai ser linha do orçamento cortada.
Publicado em 8 de maio de 2026 · thinq.news
