O piloto funcionou. A demo impressionou o conselho. Depois, nada. Meses mais tarde, continua sendo piloto.
Essa não é uma história rara. É a mais comum na AI corporativa hoje.
O que os números dizem
Vários estudos independentes apontam na mesma direção.
- O BCG descobriu que 74% das empresas têm dificuldade para gerar e escalar valor com AI, numa pesquisa com 1.000 executivos de 59 países.
- Na pesquisa da Deloitte, cerca de 70% das organizações tinham levado 30% ou menos dos seus experimentos de AI generativa para produção.
- A iniciativa NANDA, do MIT, relatou que 95% dos pilotos de AI generativa não mostraram retorno financeiro mensurável. A amostra é pequena, então leia como sinal, não como censo.
- Na pesquisa de 2025 da McKinsey, 62% das organizações experimentam agentes de AI, e só 23% os escalam em ao menos uma área.
O padrão é consistente. Experimentar é comum. Produção é rara.
Raramente é o modelo
Quando um piloto trava, o primeiro suspeito é o modelo. Em geral ele é inocente. Os autores do MIT dizem com todas as letras: a divisão é de aprendizado e integração, não de qualidade do modelo. Para os CEOs do estudo do BCG, o principal obstáculo foi a execução organizacional, não a tecnologia.
O que de fato bloqueia o caminho até a produção tende a cair em cinco lacunas.
As cinco lacunas
1. Ninguém mede valor
Um piloto pode ser julgado por "parece bom". A produção não. Sem uma métrica combinada, como horas economizadas, chamados resolvidos ou erros evitados, não há argumento para financiar o próximo passo. Essa é a lacuna por trás do achado do BCG.
2. Os dados foram preparados à mão
Pilotos costumam rodar sobre uma amostra limpa que alguém montou para a demo. A produção roda sobre o dado real. O Gartner projeta que 60% dos projetos de AI serão abandonados até 2026 por falta de dados prontos para AI, e constatou que 63% das organizações não têm, ou não sabem se têm, as práticas de dados certas.
3. A integração ficou de fora
O piloto rodou ao lado do negócio, não dentro dele. Usuários reais precisam da funcionalidade nos sistemas que já usam, com autenticação, permissões e tratamento de erros. 77% dos líderes de engenharia disseram ao Gartner que integrar AI em aplicações é um grande desafio.
4. Não há como operar
Produção exige monitoramento, avaliação ao longo do tempo, versionamento e um jeito de voltar atrás. Um piloto geralmente não tem nada disso. Sem isso, cada mudança é um risco e cada incidente é uma surpresa.
5. O custo nunca foi modelado
Um piloto com cem usuários esconde o seu custo. Em escala total, o custo por requisição decide se o projeto sobrevive. O Gartner aponta custos crescentes, valor pouco claro e controles de risco fracos como os motivos pelos quais mais de 40% dos projetos de AI agêntica podem ser cancelados até 2027.
O talento por trás das lacunas
Cada lacuna é uma habilidade, e essas habilidades são escassas. No CEO Study 2025 da IBM, 47% dos CEOs disseram que seus times não têm as habilidades para implementar e escalar AI, e 57% veem a terceirização como estratégica.
O time do piloto muitas vezes não é o time da produção. O piloto premia velocidade e criatividade. A produção premia disciplina: medição, integração e operação. Trabalho diferente, gente diferente.
O time que leva um piloto à produção
O Production Pod é montado em torno dessas lacunas.
Obrigatórios
ML Engineer. Cuida de deploy, monitoramento, avaliações e rollback. É a disciplina de MLOps que transforma um protótipo que funciona num sistema operado.
AI Architect. Diagnostica o piloto: onde custo, latência e confiabilidade vão quebrar em escala, e o que precisa mudar antes disso.
Recomendados
AI Engineer. Reforça o próprio pipeline de AI: recuperação, prompts, guardrails e os conjuntos de avaliação que mostram se a qualidade se manteve.
Backend Engineer. Cuida da escala e da integração com os sistemas de produção, para a funcionalidade morar onde os usuários já trabalham.
Opcionais
AI Product Manager. Define as métricas de valor que justificam escalar, e mantém o trabalho amarrado a elas.
Data Engineer. Entra quando o gargalo são os dados em produção. Se esse gargalo for grande, o Data Foundation Pod talvez precise vir antes.
Sinais de que seu piloto travou
Talvez você reconheça alguns:
- O piloto tem um patrocinador, mas nenhuma métrica de negócio combinada.
- Ele roda sobre uma exportação de dados, não sobre uma conexão viva.
- Os usuários precisam sair das ferramentas de sempre para usá-lo.
- Ninguém está de plantão para ele, e ninguém sabe o custo por requisição.
- Toda revisão termina com "vamos testar mais alguns exemplos".
Nada disso quer dizer que a ideia estava errada. Quer dizer que o piloto foi feito para provar um ponto, e a produção precisa dele feito para durar.
Um caminho prático
Cada piloto é diferente, mas a saída do modo piloto tende a seguir a mesma ordem:
- Diagnosticar. Revise o piloto com honestidade: dados, integração, custo, risco e como o valor é medido.
- Definir a métrica. Combine o que "funcionar" significa em termos de negócio antes de escalar qualquer coisa.
- Tornar operável. Coloque monitoramento, avaliação e rollback antes de colocar usuários.
- Integrar. Leve a funcionalidade para dentro dos sistemas que as pessoas já usam.
- Escalar por etapas. Amplie para mais usuários ou processos, observando custo e qualidade no caminho.
Nada disso é glamoroso. É exatamente esse o ponto. A produção se conquista com o trabalho que o piloto pôde pular.
Por onde começar
Se você tem um piloto que funciona na demo mas ainda não é confiável, medido nem escalado, descreva-o. As respostas a algumas perguntas bastam para recomendar os papéis que fecham as suas lacunas específicas.
O que você recebe é uma recomendação, não um compromisso. Ela nomeia cada papel, explica por que ele está ali e deixa a decisão com você.