Pilot Purgatory: por que a IA funciona no piloto, mas não chega ao resultado do negócio

A maioria das empresas não enfrenta falta de ideias para IA. Enfrenta um problema mais difícil: fazer com que pilotos de IA promissores virem uma capacidade operacional que melhora indicadores reais de negócio.

Esse intervalo entre a demonstração e a escala é conhecido como Pilot Purgatory, ou o “Purgatório dos Pilotos”. Nele, a empresa cria iniciativas, testa ferramentas, reúne cases e aprende com experimentos. Mas não consegue converter esse movimento em redução de custo, produtividade sustentável, melhoria de decisão, receita, qualidade ou mitigação de risco.

A nova edição do Frame Trends: A IA depois do Hype, desenvolvida em coautoria entre Framework Digital e Gartner, parte dessa discussão. O ponto central é simples, embora desconfortável: um piloto provar que a tecnologia funciona não significa que a organização esteja pronta para operar com ela.

O paradoxo: adoção cresce, impacto não acompanha

O interesse empresarial por IA já não é novidade. A tecnologia está no planejamento estratégico, na agenda de transformação digital e nas conversas de diretoria. Porém, os dados mostram que intenção, adoção e impacto continuam em velocidades diferentes.

Uma pesquisa do Gartner com 183 CFOs e líderes seniores de Finanças, realizada em junho de 2025, apontou que 84% das organizações financeiras já haviam implementado IA ou planejavam implementá-la. Ao mesmo tempo, apenas 7% relataram impacto alto ou muito alto da IA na função financeira.

O dado precisa ser lido com cuidado. Ele não diz que 84% dos CFOs não percebem retorno; ele mostra que existe um descompasso considerável entre o volume de organizações que estão se movendo em direção à IA e o pequeno grupo que declara impacto elevado.

A velocidade de implantação é outro sinal. Segundo Gartner, 63% das organizações financeiras afirmaram que a implementação de IA foi mais lenta do que esperavam em 2025.

Esse atraso não deve ser interpretado como prova de que a IA não entrega valor. Ele indica que os obstáculos mais relevantes aparecem quando a tecnologia encontra a operação real: sistemas legados, dados dispersos, regras pouco documentadas, integrações complexas, alçadas de decisão, custos de consumo, requisitos de segurança e equipes que precisam incorporar novas formas de trabalhar.

A pesquisa realizada pelo IT Forum, com 81 executivos de tecnologia em 2026, reforça que essa pressão é concreta aqui no Brasil. Para 75% dos respondentes, adoção, governança e escalabilidade de IA, machine learning e IA generativa estão entre os maiores desafios da estratégia de TI. Além disso, 32% apontam a necessidade de provar valor e ROI sob pressão de custos como uma prioridade.

[gráfico ilustrativo para os dados acima]

Portanto, o desafio já não é convencer a organização de que IA importa. O desafio é criar um caminho disciplinado para que ela deixe de ser uma promessa de inovação e passe a alterar resultados de negócio.

O que é, de fato, o Pilot Purgatory

O Purgatório dos Pilotos não é sinônimo de fracasso técnico. Pelo contrário: muitos projetos chegam a esse estágio justamente porque a demonstração foi boa.

A equipe consegue resumir contratos, classificar documentos, responder perguntas sobre uma base de conhecimento, gerar conteúdo, detectar padrões ou apoiar uma análise. O modelo parece útil. A liderança se interessa. O time técnico enxerga novas possibilidades.

O problema começa depois.

Para sair do ambiente de teste, a iniciativa precisa responder perguntas que o piloto pode adiar:

Qual processo prioritário será alterado?

Qual indicador de negócio deve se mover?

Qual é a linha de base para medir o impacto?

Quem é responsável pelo resultado na área de negócio?

Quais dados, sistemas e permissões a solução precisa acessar?

Que riscos precisam ser controlados antes de entrar em produção?

Como custo, qualidade, adoção e exceções serão monitorados?

Qual decisão será tomada se o valor esperado não aparecer?

Quando essas respostas não existem, a prova de conceito vira uma ilha. Ela continua sendo apresentada em reuniões, mas não se integra à rotina que produz valor.

A BCG descreve uma lacuna semelhante em sua pesquisa sobre realização de valor com IA. Em um levantamento com mais de 1.000 organizações, 49% das empresas ainda estavam concentradas em provas de conceito; 22% haviam avançado além dessa etapa para gerar algum valor; e apenas 4% criavam valor substancial com IA.

A mensagem não é que pilotos sejam inúteis. Pilotos são necessários para aprender, reduzir incerteza e validar hipóteses. A mensagem é que um piloto não pode ser a estratégia de IA da empresa.

Por que pilotos de IA não chegam à produção

Há uma tendência de atribuir o bloqueio de escala a uma questão de modelo: precisão insuficiente, respostas imprecisas, dificuldade de integração com APIs ou falta de infraestrutura. Esses fatores podem importar, mas raramente explicam sozinhos o problema.

Na prática, o Pilot Purgatory costuma ser resultado de cinco lacunas combinadas:

1. O projeto nasce sem uma tese clara de valor

Muitas iniciativas começam com uma pergunta tecnológica: “o que podemos fazer com IA?”. A pergunta é legítima para explorar possibilidades, mas insuficiente para receber investimento de escala.

A discussão precisa começar pela operação. Que processo possui alto custo, grande volume, tempo de ciclo excessivo, risco elevado, baixa qualidade, perda de receita ou experiência ruim? E qual resultado pode ser demonstravelmente alterado?

Sem uma hipótese clara, o projeto tende a medir atividade: número de usuários, prompts criados, documentos processados, horas de desenvolvimento ou ferramentas contratadas. Essas métricas podem indicar uso, mas não comprovam valor.

Uma tese de valor bem definida estabelece pelo menos quatro elementos:

Resultado esperado, como redução de tempo de ciclo, queda de retrabalho, aumento de conversão, diminuição de perdas ou melhoria de compliance.

Linha de base, para que a empresa consiga comparar antes e depois.

Mecanismo de impacto, explicando como a IA contribui para a mudança no indicador.

Responsável executivo, que tenha autoridade sobre o processo e o resultado.

Isso evita que a organização aceite uma POC que funciona, mas não sabe o que precisa justificar.

2. A solução é criada para a demonstração, não para a operação

Um ambiente de piloto é, por definição, protegido. Ele pode usar dados selecionados, um grupo pequeno de usuários, integração limitada, poucos cenários de exceção e uma lógica de custo que não representa a realidade de produção.

O problema é tratar esse ambiente como se fosse uma miniatura perfeita da operação.

Produção exige disponibilidade, segurança, integração com fontes confiáveis, gestão de identidades, controle de acessos, observabilidade, registro de decisões, suporte, tratamento de falhas e um plano claro para exceções. No caso de IA generativa e agentes, também exige controle de custo de inferência, consumo de tokens e uso de ferramentas externas.

A pesquisa do IT Forum mostra que a maturidade para IA ainda está em construção. 30% dos executivos brasileiros classificam sua organização como de baixa maturidade em dados, infraestrutura e segurança para IA. Outros 57% se posicionam em maturidade média, com pilares estruturados, mas lacunas relevantes. Apenas 11% se consideram em estágio alto e 2% em estágio muito alto para escalar IA.

[grafico ilustrativo dos dados acima]

Esses números ajudam a explicar por que tantos pilotos encontram dificuldade na transição. Não é suficiente demonstrar que a IA pode funcionar; é preciso construir as condições para que ela funcione de maneira confiável todos os dias.

3. Dados e integrações chegam tarde demais

A qualidade da resposta de uma IA empresarial depende do contexto que a organização fornece. E esse contexto vem de dados atualizados, fontes governadas, permissões corretas, metadados, integrações e conhecimento institucional organizado.

Quando o projeto tenta resolver isso apenas depois de provar o caso de uso, a implantação desacelera. A equipe descobre que os dados estão duplicados, que não há um owner claro para a base, que documentos não possuem padrão, que integrações são frágeis ou que informações sensíveis não podem ser expostas da maneira imaginada.

O diagnóstico do IT Forum é coerente com esse cenário. 74% dos líderes consultados apontaram suportar projetos de IA e analytics avançado como principal objetivo da estratégia de gestão de dados. Ao mesmo tempo, 71% disseram que melhorar a qualidade e a confiabilidade das informações para a tomada de decisão é um objetivo prioritário.

Os principais desafios dessa agenda também são reveladores: 54% citam dados dispersos em múltiplos sistemas e silos organizacionais; 38% apontam complexidade de integração entre sistemas legados e novos; e 25% mencionam qualidade de dados insuficiente.

Ou seja: a empresa quer usar dados para IA, mas ainda precisa resolver a arquitetura, a governança e os acessos que tornam isso possível. E o piloto frequentemente expõe esse problema.

4. O elemento humano é tratado como detalhe

Uma IA pode ser tecnicamente correta e ainda assim não ser adotada. Isso ocorre quando ela é apresentada como imposição, quando muda a distribuição de trabalho sem clareza, quando não há treinamento aplicado à função real ou quando as pessoas não sabem em que situações confiar, contestar ou escalar uma decisão.

A implantação precisa considerar o que muda na rotina. Quem deixa de executar determinada tarefa? Quem revisa uma recomendação? Quem lida com exceções? Como a performance será avaliada? Que competências novas serão necessárias?

Escalar IA não depende apenas de especialistas em dados e engenharia. Depende de profissionais capazes de relacionar tecnologia à operação, questionar uma saída automatizada, entender o contexto de negócio e conduzir decisões entre áreas.

5. Governança entra depois, quando deveria entrar antes

Em iniciativas de IA, governança costuma ser confundida com um conjunto de aprovações lentas. Essa visão é limitada.

Governança bem desenhada não existe para bloquear experimentos. Existe para reduzir ambiguidades: definir quais casos devem ser priorizados, quais dados podem ser usados, o que a solução pode fazer, onde a supervisão humana é obrigatória e como erros, custos e riscos serão acompanhados.

O Gartner identificou que organizações que realizam avaliações regulares de desempenho e conformidade de sistemas de IA são mais de três vezes mais propensas a alcançar alto valor com IA generativa.

Esse dado desloca a discussão. Avaliar, auditar e corrigir não é uma etapa burocrática que vem depois do valor. É parte do mecanismo que permite manter valor em produção.

Como tirar pilotos de IA do Purgatório dos Pilotos

Sair do Pilot Purgatory não exige abandonar a experimentação. Exige mudar a forma como a empresa decide experimentar.

O primeiro passo é tratar a POC como uma etapa de um caminho para produção, e não como uma entrega final. Desde o início, a equipe deve saber o que precisa ser provado em cinco dimensões:

Valor

Defina qual métrica de negócio precisa mudar e qual resultado torna a iniciativa digna de expansão. Isso pode ser redução de custo operacional, ganho de produtividade, melhoria de qualidade, menor tempo de ciclo, aumento de receita ou redução de risco.

Processo

Identifique a jornada completa, não apenas a tarefa que a IA executará. Quem inicia o fluxo? Onde os dados entram? Quais áreas participam? Onde há aprovação? Quais são as exceções? O objetivo é evitar que a IA acelere uma etapa e preserve o gargalo principal.

Dados e arquitetura

Mapeie fontes, qualidade, atualização, permissões, integrações e requisitos de segurança antes de prometer escala. A solução precisa ser projetada para a realidade dos sistemas e dados que encontrará.

Pessoas e cultura

Envolva a área usuária desde o desenho. Defina papéis, treinamento, critérios de uso e mecanismos para registrar dúvidas e falhas. Quem opera o processo deve participar da construção da solução que vai alterar sua rotina.

Risco e operação

Defina limites de acesso, alçadas, supervisão humana, logs, monitoramento de qualidade e controles de custo. Para IA agêntica, essa dimensão se torna ainda mais crítica, porque o sistema pode deixar de apenas recomendar e passar a executar ações.

Uma maneira simples de levar a discussão ao nível executivo é usar um scorecard de decisão antes de expandir qualquer piloto:

Dimensão	Pergunta de decisão
Valor	Qual resultado de negócio será alterado e como ele será medido?
Processo	Qual jornada será redesenhada e qual gargalo será removido?
Dados	As fontes estão confiáveis, atualizadas, acessíveis e governadas?
Pessoas	Quem adotará a solução, quem supervisionará e que mudança de papel será necessária?
Risco	O que a IA pode fazer, o que exige aprovação e como a operação será auditada?
Operação	Como disponibilidade, qualidade, custo e exceções serão acompanhados em produção?

Quando uma organização não consegue responder a essas perguntas, ainda não está pronta para escalar. Isso não é necessariamente um problema. É uma informação útil para definir o próximo investimento certo.

Do piloto à capacidade de negócio

O debate sobre Pilot Purgatory não é um chamado para menos ambição em IA. É um chamado para uma ambição mais responsável.

A empresa que consegue capturar valor não é, obrigatoriamente, a que testa mais ferramentas ou anuncia mais casos de uso. É a que consegue escolher processos onde a IA tem relevância, estruturar dados e integrações, preparar pessoas, definir limites de risco e acompanhar métricas de forma contínua.

A pesquisa Antes da TI, a Estratégia indica que 96% dos líderes têm como principal objetivo da agenda de IA aumentar eficiência operacional e produtividade. Melhorar a experiência do cliente e apoiar a tomada de decisão aparecem em seguida, ambos com 53%.

Isso revela uma agenda madura: a IA não é vista apenas como tecnologia de experimentação. Ela é percebida como instrumento para alterar como a empresa opera e decide.

Mas o próprio levantamento mostra onde a execução exige atenção. 57% dos respondentes apontam estabelecer um caso de uso eficiente para o negócio como principal desafio para criar e executar uma iniciativa de IA. Outros 36% citam orçamento e priorização; 33%, falta de estratégia clara alinhada ao negócio; 32%, validação de ROI; 28%, qualidade, governança ou disponibilidade de dados insuficientes; e 25%, preocupações com segurança, privacidade e compliance.

Esses números não descrevem uma falta de tecnologia. Descrevem uma necessidade de orquestração.

A passagem do piloto para a produção é o momento em que a empresa deixa de avaliar apenas a capacidade do modelo e passa a avaliar a própria capacidade de executar. É onde estratégia, processo, dados, arquitetura, cibersegurança, governança e pessoas precisam se encontrar.

O piloto prova que algo é possível. A operação prova que aquilo é valioso.

Se a organização quiser escapar do Purgatório dos Pilotos, essa precisa ser a lógica para a próxima decisão de investimento em IA.

Sua estratégia precisa de mais dados confiáveis

A IA já saiu da fase em que bastava demonstrar potencial. O foco agora é transformar iniciativas em resultados mensuráveis, seguros e escaláveis.

Na nova edição do Frame Trends – A IA depois do Hype, Framework Digital e Gartner analisam por que tantas empresas ainda não conseguem capturar valor com Inteligência Artificial e quais fundamentos líderes precisam estruturar para atravessar a distância entre experimentação e escala.

Acesse o estudo, cadastre-se e receba análises sobre IA, dados, governança, cibersegurança e transformação digital para decisões que precisam funcionar fora do PowerPoint.