As empresas nunca investiram tanto em inteligência artificial — e raramente colheram tão pouco. Um levantamento da iniciativa NANDA, do Massachusetts Institute of Technology (MIT), indicou que 95% dos projetos corporativos de IA generativa não geram ganhos relevantes de receita ou eficiência. A consultoria Gartner, por sua vez, estimou que ao menos 30% das iniciativas do tipo seriam abandonadas logo após a prova de conceito, por problemas de qualidade de dados, governança e ausência de valor de negócio claramente definido. Os números expõem um paradoxo: os modelos de linguagem nunca foram tão capazes e, ainda assim, a maior parte dos projetos não sobrevive ao encontro com a operação real das empresas. Para quem vive o problema do lado de quem entrega, a explicação está menos no código e mais na organização. A Mind Group, software house brasileira com sede em Sorocaba (SP) e clientes no Brasil e nos Estados Unidos, fez uma análise retrospectiva dos mais de 250 projetos de desenvolvimento de software sob medida que entregou em pouco mais de uma década de operação. A conclusão: em cerca de 70% dos casos de fracasso ou retrabalho observados no mercado, a causa-raiz não estava na tecnologia, e sim na comunicação entre as equipes técnicas e as áreas de negócio. "Setenta por cento dos projetos de IA falham na comunicação, não na tecnologia", afirma José Gonçalves, CEO da Mind Group. "O modelo de linguagem funciona. O que não funciona é a empresa contratante não saber explicar o próprio processo, e o fornecedor não fazer as perguntas certas antes de escrever a primeira linha de código." O que significa "falhar" em um projeto de IA A falha em projetos de inteligência artificial raramente se parece com um sistema fora do ar. Na maior parte dos casos, o software é entregue, funciona tecnicamente e morre em silêncio: os usuários não o adotam, as respostas não refletem a realidade do negócio ou o sistema resolve um problema que não era prioridade. O estudo do MIT aponta na mesma direção. O principal entrave identificado pelos pesquisadores não foi a capacidade dos modelos, mas a falta de integração com os processos internos das companhias: ferramentas genéricas não se adaptam a fluxos de trabalho específicos nem aprendem com os sistemas existentes. Há um dado que interessa a quem decide: empresas que recorrem a fornecedores especializados em parceria alcançam taxa de sucesso de cerca de 67%, segundo o mesmo levantamento, enquanto as que tentam desenvolver tudo internamente têm resultado positivo em apenas um terço dos casos. Para José, esse contraste explica por que o formato de contratação pesa tanto quanto a competência técnica: quando o time técnico está distante do negócio, constrói exatamente o que foi pedido — que quase nunca é o que a empresa precisava. Requisito mal definido, resume o executivo, não é detalhe de projeto, é a causa de morte mais comum. De maneira prática quem sabe do negócio tem que também saber, ao menos, superficialmente do técnico, habilidade cada vez mais requisitada nos profissionais hoje em dia. A comunicação como variável crítica A resposta da Mind Group para esse gargalo foi estrutural, não tecnológica. Em vez do modelo tradicional de fábrica de software — em que o fornecedor recebe um escopo fechado, entrega e encerra o contrato —, a empresa opera com squads dedicados: equipes multidisciplinares alocadas integralmente para cada cliente, presentes das discussões iniciais de negócio à operação em produção. O modelo encarece a operação, mas reduz o ruído que os estudos apontam como principal fator de fracasso. A diferença é mais visível em projetos de IA generativa, em que os requisitos mudam ao longo do desenvolvimento e o ajuste fino depende de ciclos curtos de feedback. Foi nesse formato que a software house atendeu organizações de alta complexidade no Brasil, entre elas a Itaipu Binacional, a Universidade de São Paulo (USP), a rede de ensino Fisk, a Febracis, Lojas Torra e a multinacional Henkel — projetos em setores nos quais erro de entendimento custa caro, seja por regulação, seja pela escala da operação. Outra experiência mais ilustrativa, porém, veio de um sistema próprio. O LawrAI, plataforma jurídica com IA generativa desenvolvida pela Mind Group como demonstração de competência técnica, atende mais de 20 mil usuários e utiliza RAG (Retrieval-Augmented Generation), técnica que permite ao modelo de linguagem consultar bases de documentos legais antes de responder. Levar a ferramenta à produção exigiu menos esforço de modelagem e mais trabalho de curadoria com especialistas do domínio jurídico. "Existe uma distância enorme entre plugar uma API do GPT e colocar IA em operação para 20 mil pessoas", afirma Gonçalves. "A API qualquer um pluga em uma tarde. O difícil é garantir que a resposta esteja certa, rastreável e dentro do que a regulação permite. Isso não se resolve com tecnologia, se resolve com convivência entre desenvolvedor, negócio e especialista." Menos pilotos, mais maturidade Para o executivo que decide o orçamento, a lição prática dos números é de portfólio, não de tecnologia. O erro mais frequente observado pela Mind Group é a pulverização: lançar dezenas de pilotos para "não ficar para trás" sem levar nenhum à maturidade. "Não adianta começar 30 projetos de IA e não amadurecer nenhum. Três iniciativas que chegam à produção — com dono, indicador definido e orçamento para evoluir — valem mais do que trinta provas de conceito lindas que morrem na demonstração", afirma José. A disciplina é conhecida, mas raramente seguida: escolher poucos casos de uso com retorno mensurável — o MIT indica que os maiores ganhos estão em áreas administrativas e de suporte, não em vendas e marketing, onde se concentra mais da metade dos orçamentos; nomear um responsável de negócio, não apenas um líder técnico; definir antes do início qual indicador a IA deve mover; e tratar qualidade de dados como pré-requisito — o Gartner estima que 85% das iniciativas fracassam por dados inadequados. O que muda na contratação de tecnologia Se a maior parte das falhas nasce da distância entre técnica e negócio, a vantagem competitiva entre fornecedores migra do preço por hora para a capacidade de tradução — entender o problema antes de propor a arquitetura. Esse movimento favorece o nearshore brasileiro: o fuso próximo dos Estados Unidos, de uma a três horas, faz com que as conversas que evitam o erro de requisito aconteçam em horário comercial — entre os clientes americanos da Mind Group, squads trabalhando em tempo real com os times locais pesam na decisão tanto quanto o custo. A tentação do momento, porém, aponta na direção contrária. Com ferramentas de IA gerando código em segundos, cresce o impulso de fechar os olhos e jogar o projeto inteiro em um modelo, sem engenharia por trás. O resultado engrossa as estatísticas do MIT: protótipos que impressionam na demonstração e desmoronam diante de dados reais, regulação e usuários. Código nunca foi o gargalo — o gargalo é responder pelo sistema: arquitetura que escala, segurança, manutenção e alguém prestando contas quando algo sai do previsto. É o que separa uma software house de uma ferramenta. "A IA escreve código melhor a cada mês, e nós a usamos todos os dias como base. O que ela não faz é assumir a responsabilidade pelo resultado — quando o sistema cai numa sexta-feira à noite, o prompt não atende o telefone", afirma Gonçalves. "O que separa projeto que gera resultado de estatística é traduzir o negócio em arquitetura que aprende — e isso continua sendo gente conversando com gente." A Mind Group é uma software house brasileira fundada há mais de dez anos em Sorocaba (SP), que atende clientes no Brasil e nos Estados Unidos em modelo nearshore. Com cerca de 100 profissionais, é especializada em desenvolvimento de software sob medida e IA generativa, com mais de 100 projetos entregues. Saiba mais em mindconsulting.com.br.