Carlos Pisani
Existe uma diferença entre o momento em que um projeto é cancelado e o momento em que ele começa a fracassar. Em iniciativas de IA agêntica, esses dois acontecimentos raramente coincidem. Quando a empresa decide interromper o investimento, a maior parte dos erros já foi cometida meses antes, ainda na fase em que tudo parecia caminhar bem.
Essa distinção ajuda a interpretar uma projeção publicada pelo Gartner, em junho de 2025. Segundo a consultoria, mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027. O dado chama atenção, mas o aspecto mais revelador está nas causas apontadas pelo estudo. Custos crescentes, dificuldade para demonstrar valor para o negócio e controles de risco inadequados lideram a lista de motivos.
Há um detalhe relevante nessa conclusão. Nenhuma dessas causas aponta para uma limitação dos modelos de IA. Todas estão ligadas a decisões de gestão tomadas antes mesmo de o projeto ganhar forma. Isso muda completamente a maneira de interpretar o problema. Em muitos casos, o cancelamento não acontece quando a solução chega à produção. Ele começa muito antes, na forma como o projeto é concebido.
Quando a ferramenta chega antes do problema
É comum atribuir o fracasso à tecnologia quando, na prática, ele costuma nascer da ausência de uma base sólida. Empresas escolhem plataformas antes de definir o problema que desejam resolver, adotam ferramentas porque estão em evidência e tratam arquitetura e especificação técnica como etapas que podem ser ajustadas mais adiante. Quando isso acontece, a tecnologia deixa de responder a uma estratégia e passa a conduzir as decisões.
Esse costuma ser o primeiro sinal de alerta. Também é nesse cenário que prospera o chamado agent washing, prática de apresentar como IA agêntica soluções que, na realidade, são apenas chatbots, assistentes ou automações tradicionais com uma nova embalagem. O próprio Gartner estima que, entre os milhares de fornecedores que fazem esse posicionamento, apenas cerca de 130 oferecem soluções realmente agênticas. Quando a escolha da ferramenta vem antes da definição do problema, a empresa aumenta as chances de investir em uma promessa que dificilmente entregará o resultado esperado.
Autonomia sem limite é risco, não recurso
Outro indício aparece quando ninguém consegue explicar, de forma objetiva, quais decisões o agente pode tomar sozinho. Autonomia sem limites claramente definidos deixa de ser um recurso e passa a representar um risco. Basta fazer uma pergunta simples. Qual é a decisão de maior impacto financeiro que esse agente pode tomar sem aprovação humana? Se a resposta depende de interpretações ou provoca dúvidas dentro da própria equipe, a fronteira entre autonomia e supervisão nunca foi realmente estabelecida.
Há ainda um erro recorrente que costuma permanecer invisível durante boa parte do projeto. Muitas empresas tentam implantar agentes sobre arquiteturas que nunca foram devidamente organizadas. Interfaces pouco definidas, responsabilidades sobrepostas e sistemas que já acumulavam dívida técnica passam a sustentar uma camada adicional de inteligência artificial. O agente acaba herdando problemas estruturais que existiam muito antes de sua chegada.
Quando a base é frágil, as dificuldades passam a aparecer também na forma como o projeto é conduzido. Muitas iniciativas avançam sem definir, desde o início, quais critérios serão usados para determinar se a solução realmente funciona. Em sistemas não determinísticos, como agentes de IA, uma boa demonstração não comprova valor. Sem métricas estabelecidas antes do desenvolvimento, qualquer avaliação posterior se torna subjetiva e a empresa perde a capacidade de justificar o investimento realizado.
Sem métrica, sem prova. Só opinião
Esse cenário costuma vir acompanhado de outro problema igualmente comum. As decisões mais importantes permanecem apenas na memória das pessoas que participaram do projeto. A escolha do modelo, da plataforma ou da estratégia de orquestração deixa de ser registrada de forma consistente. Enquanto a equipe permanece a mesma, isso raramente chama atenção. O problema aparece quando ocorre uma troca de profissionais ou quando a organização precisa explicar por que determinadas decisões foram tomadas.
O mesmo acontece durante os projetos piloto. Uma prova de conceito só produz aprendizado quando existe uma hipótese clara a ser validada e um critério objetivo para determinar seu encerramento. Sem esses parâmetros, o piloto deixa de ser um experimento e passa a se prolongar até que o orçamento ou o interesse da organização se esgote. Nesse momento, o encerramento costuma ser interpretado como consequência da falta de recursos, quando, na realidade, ele apenas revela que o projeto nunca teve critérios claros para avaliar seu próprio sucesso.
É justamente por isso que o aumento dos custos aparece como a principal causa de cancelamento apontada pelo Gartner. Na maioria dos casos, o orçamento não explode porque a IA é cara por natureza. Os custos crescem porque a arquitetura exige chamadas desnecessárias, processa mais contexto do que deveria, repete operações e gera retrabalho por falhas que poderiam ter sido evitadas na definição inicial do projeto. O custo acaba funcionando como um sintoma visível de problemas que começaram muito antes.
A boa notícia é que esses sinais podem ser identificados logo nas primeiras fases da iniciativa. Eles aparecem antes da implementação, antes da escalabilidade e, muitas vezes, antes mesmo da contratação definitiva da tecnologia. Um diagnóstico realizado nesse momento costuma exigir poucos dias de trabalho, mas pode evitar meses de desenvolvimento direcionado por premissas equivocadas.
Por isso, antes de discutir qual agente utilizar ou qual modelo oferece melhor desempenho, vale fazer uma pergunta mais fundamental. A empresa construiu uma arquitetura capaz de sustentar essa decisão?
O debate sobre IA costuma girar em torno da capacidade dos modelos. Na prática, porém, a maior parte dos projetos fracassa muito antes de essa discussão fazer diferença. O sucesso de uma iniciativa depende menos da inteligência artificial escolhida do que da qualidade das decisões que estruturam o projeto desde o primeiro dia. Quando essa base não existe, o cancelamento deixa de ser uma possibilidade futura. Ele apenas espera o momento em que os problemas se tornarão impossíveis de ignorar.
Carlos Pisani é CEO e fundador da ArcH, consultoria especializada em Arquitetura de Sistemas e Soluções de Software
