O número que já conhece — e a pergunta que ele não responde
No artigo anterior mostrámos que 95% dos pilotos de IA generativa em empresas não produzem impacto financeiro mensurável (MIT, Project NANDA, 2025) — um número contestado na metodologia, mas que aponta para um padrão real. A pergunta óbvia a seguir é: como é que uma PME sabe se o seu piloto está entre os 95% ou entre os 5%?
A resposta honesta, na maioria dos casos, é que não sabe. Não porque não queira saber, mas porque a decisão de continuar ou parar um projecto de IA raramente assenta em medição disciplinada. Assenta em impressão: "parece estar a ajudar", "a equipa gosta", "não notámos problemas". É intuição — só que agora validada por uma ferramenta nova, não substituída por ela.
Não é um número isolado. A RAND Corporation, numa investigação separada com 65 profissionais de IA (2024), concluiu que mais de 80% dos projectos de IA falham — o dobro da taxa de falha de projectos de TI sem IA. As causas apontadas convergem com as do MIT: falta de dados de qualidade suficiente e integração deficiente no fluxo de trabalho real, não a tecnologia em si.
Dois a quatro anos é muito tempo para voar às cegas
Parte do problema é o prazo. Segundo a Deloitte, a maioria das organizações só reporta ROI satisfatório num caso de uso típico de IA entre 2 e 4 anos — apenas 6% veem retorno em menos de um ano. O World Economic Forum confirma o mesmo padrão: os ganhos de produtividade e custo chegam de forma consistente, mas raramente no primeiro ano.
Isto choca com o ritmo normal de decisão numa PME. A maioria dos investimentos tecnológicos paga-se em 7 a 12 meses; esperar 2 a 4 anos por um sinal fiável não é realista para quem gere fluxo de caixa mês a mês. O resultado é previsível: sem um sistema de medição intermédia — indicadores que mostrem progresso muito antes do ROI financeiro estar visível — a maioria das empresas decide continuar ou abandonar um projecto de IA a meio do caminho, com base em como o projecto "parece" estar a correr.
O gargalo não é o modelo — são os dados
Há uma segunda razão para a intuição continuar a mandar, mais estrutural: mesmo que uma empresa queira medir a sério, muitas vezes não tem com quê. A qualidade e disponibilidade dos dados é citada por 52% das empresas como a barreira nº1 à adopção de IA (PEX Report 2025/26) — mais do que custo, mais do que competências, mais do que resistência à mudança.
Isto tem uma consequência directa na forma como se decide. Se os dados de entrada não são fiáveis, qualquer indicador construído em cima deles também não é — e a equipa acaba, racionalmente, por confiar mais no que vê a olho nu do que num número que sabe estar contaminado. A intuição não regressa por preguiça: regressa porque, sem dados limpos, é literalmente a fonte de informação mais fiável disponível.
O que muda quando se mede a sério
O artigo anterior desta série mostrou que o maior diferenciador de impacto é o redesenho de processos — feito por apenas 21% das organizações (McKinsey). O que falta acrescentar é que redesenho e medição não são passos independentes: só se consegue medir com rigor um processo que foi desenhado de propósito para isso.
Medir a sério significa três coisas, na ordem certa. Primeiro, definir a baseline — como é que o processo funcionava antes, com que números — porque sem baseline não há "melhor" nem "pior", só opinião. Segundo, escolher um indicador único e simples que qualquer pessoa da equipa consiga verificar, não um dashboard que só o autor entende. Terceiro, fixar antecipadamente o critério de paragem — o que teria de acontecer para se concluir que não está a funcionar — porque decidido a meio do caminho, sob pressão para justificar o investimento já feito, esse critério deixa de ser objectivo.
Como a THE iCON aborda isto
O trabalho da THE iCON com PMEs em adopção de IA inclui, desde o primeiro dia, a camada de medição — não como relatório final, mas como parte do desenho do processo. Antes de qualquer implementação, definimos com o cliente a baseline actual, o indicador único que vai ser acompanhado, e o critério de paragem, por escrito, antes de haver qualquer pressão para o justificar depois.
Isto significa também confrontar, cedo, a qualidade dos dados disponíveis — se a base não é fiável, o trabalho começa por aí, não pela ferramenta de IA. Um piloto construído sobre dados maus não passa a bom só por correr mais depressa.
Conclusão
Adoptar IA é fácil. Redesenhar um processo em torno dela é mais difícil, mas cada vez mais empresas fazem-no. O que continua raro é medir com disciplina suficiente para que a decisão de continuar ou parar deixe de ser instinto travestido de dado. Sem isso, a IA não substitui a intuição de quem gere a PME — só lhe dá uma capa mais convincente.