Pesquisa do MIT Technology Review mostra que três em cada quatro empresas esperam ganhar receita com IA, mas só uma em cada cinco já está colhendo. A culpa não é do modelo. É do data stack.
O MIT Technology Review publicou em 27 de abril de 2026 um estudo que decreta o óbvio que ninguém queria reconhecer: 74% das organizações esperam crescer receita com iniciativas de IA, mas apenas 20% já conseguiram. A barreira não está no modelo, no prompt, nem na arquitetura cloud — está na qualidade, governança e disponibilidade de dado. O data stack montado para BI e relatório não funciona para IA. E remontar custa caro.
O gap entre piloto e produção
O dado conversa com outro dado pesado: 25% a 40% dos pilotos de IA não chegam a produção, segundo Deloitte e Gartner. Quando se cruza com a métrica de receita, fica claro que a maioria das empresas está investindo em pilotos que não chegam, e os pilotos que chegam não geram top-line. É um ciclo de queima de capital com narrativa de transformação.
Por que o data stack atual não serve
O stack típico — data warehouse + BI + dashboards — foi desenhado para responder pergunta conhecida. IA precisa de dado fresco, contextualizado, com lineage rastreável e permissão granular. Modelos de fundação não conseguem usar dado que está em sistemas siloados sem retrieval estruturado. RAG, vector store, knowledge graph — peças que não existiam no stack BI clássico — viraram fundação obrigatória.
O que separa os 20%
As empresas que estão monetizando IA têm três coisas em comum. Primeiro, dado operacional integrado em tempo real, não em lote noturno. Segundo, governança que combina catálogo, lineage e access control no mesmo plano de controle. Terceiro — e mais subestimado — squads pequenos com mandato e P&L próprio, não comitês de transformação. Quem governa por comitê morre na fase de POC.
O custo de remontar
Substituir o data stack legado custa entre US$ 5 milhões e US$ 80 milhões para empresa Fortune 500, segundo benchmark da Bain. No Brasil, projetos de modernização equivalentes em bancos e varejistas grandes ficam na faixa de R$ 60 a R$ 400 milhões. O CFO que aprovou esse capex precisa entender uma coisa: não é projeto de TI. É construção de fundação para os próximos 10 anos de receita digital.
O atalho que não existe
Vendedores de plataforma — Snowflake, Databricks, Microsoft Fabric, Google BigQuery, AWS — vão prometer que a migração resolve. Não resolve. A plataforma é necessária, mas o trabalho duro continua sendo definição de domínio, ontologia, qualidade de dado na origem. Empresa que troca Teradata por Snowflake e não muda o processo continua com 80% do problema.
Outro atalho falso: terceirizar o data stack para integradora. Funciona para construção, falha para operação. A empresa que entrega o data stack para Accenture ou Deloitte mantém dependência permanente de consultoria para mudar regra de negócio. O resultado é custo recorrente de R$ 4 a R$ 8 milhões por ano em manutenção, sem ganho de velocidade.
O caminho que funciona é híbrido: usar integradora para acelerar construção em 12 a 18 meses, mas manter time interno de 8 a 20 engenheiros de dado com mandato para evoluir a plataforma. Empresas brasileiras que fizeram esse movimento — Magalu, Itaú, Banco BV em escala diferente — saem do POC eterno.
O recado central do estudo MIT é desconfortável: a maioria dos investimentos em IA dos últimos três anos está sendo feito em cima de fundação que não suporta o peso da promessa. Antes de aprovar o próximo POC, o board precisa olhar o estado do data stack. Sem isso, é construir o segundo andar antes do primeiro — e o resultado vai aparecer no balanço de 2027.
Publicado em 5 de maio de 2026 · Thinq.news
