A corrida das empresas atrás dos agentes de inteligência artificial deve ter muitas baixas pelo caminho. A consultoria Gartner projeta que mais de 40% dos projetos de IA agêntica sejam cancelados até o fim de 2027. Os motivos apontados são três: custos crescentes, valor de negócio pouco claro e controles de risco inadequados.
Para Guilherme Friol, CEO da Vircos , empresa de engenharia de inteligência artificial corporativa, o problema raramente está na qualidade do modelo. Segundo ele, o que decide o destino de um projeto é a engenharia construída em volta da tecnologia. Na avaliação do executivo, a distância entre uma demonstração que agrada e um sistema funcionando todos os dias passa pela forma como o projeto é desenhado para lidar com as falhas.
Muita empresa quer, pouca empresa tem
O mesmo levantamento da Gartner, no ciclo de expectativas de 2026, mostra que apenas 17% das organizações já colocaram agentes para funcionar. Mais de 60% pretendem fazer isso nos próximos dois anos. Ou seja, a maior parte ainda está no caminho, e é nesse trajeto entre o teste e o uso real que os projetos costumam ficar pelo meio.
Os dois estudos medem coisas diferentes, mas contam a mesma história. Os projetos raramente morrem na fase de experimentação. O tropeço acontece na passagem do piloto que convence para o sistema que precisa funcionar todos os dias.
O que a apresentação não mostra
De acordo com Friol, muitos projetos convencem na demonstração e esbarram depois, quando o sistema entra na rotina. Na apresentação, os exemplos são escolhidos e o sistema acerta. No dia a dia, aparecem os dados incompletos, as integrações que falham e os casos em que a máquina não tem confiança na resposta.
“A demonstração mostra o sistema acertando. A operação é definida pelo que acontece quando ele erra, e essa parte quase nunca está no projeto”, afirma o executivo.
Os quatro pontos que fazem diferença
Friol lista quatro itens que a demonstração não pede e a operação cobra. O primeiro é o tratamento de erro: saber o que o sistema faz quando não tem certeza, quando recebe dado incompleto ou quando a integração com outro sistema falha. O segundo é o escalonamento humano: um caminho definido para passar o caso a uma pessoa, com contexto e registro do motivo.
O terceiro é o monitoramento contínuo da qualidade das respostas e do custo de cada operação. O quarto é separar a regra de negócio da tecnologia, já que o provedor atualiza o modelo e o sistema pode mudar de comportamento sem que a empresa altere nada. Com essa separação, trocar o modelo não obriga a reconstruir o processo.
Nenhum desses quatro pontos aparece quando o sistema acerta. Todos eles, segundo Friol, definem o que acontece quando ele erra. E alguns tocam diretamente nos motivos citados pela Gartner: o monitoramento é o que mostra quanto cada operação custa, enquanto o tratamento de erro e o escalonamento humano formam a base do controle de risco.
O funil do investimento
O cenário aparece também no relatório State of AI in Business 2025, da iniciativa NANDA, do MIT (Instituto de Tecnologia de Massachusetts). Cerca de 80% das organizações analisadas testaram ferramentas de IA generativa, aproximadamente 20% chegaram a pilotos estruturados e só 5% alcançaram a produção com retorno financeiro mensurável.
E por que tantos projetos de agentes devem ser cancelados? Na leitura de Friol, porque o sucesso ainda é medido pela demonstração que convence o comitê. Quando a régua passa a ser a operação estável em ambiente real, menos projetos são aprovados, mas uma parte maior deles chega até o fim.