Piloto prova ferramenta. Produção prova empresa.

O ELEFANTE NA SALA × adoção × governança × transformação digital × gestão de mudança

O executivo abre o notebook pessoal no fim de semana e pede um cenário de aquisição. Pede o resumo do call de earnings de três concorrentes. Pede a tradução técnica daquele paper que a equipe de produto cita e ninguém leu. Pede a comparação entre dois fornecedores de ERP. Pede o esqueleto da apresentação que vai ao board na quinta. Funciona. Funciona melhor do que metade do que ele recebe da própria equipe. E é exatamente aí que o problema começa.

Porque na segunda-feira ele volta para a empresa. O dashboard de vendas não fecha com o financeiro. O SAP tem uma customização de 2014 que ninguém entende. A TI está sem capex. O jurídico ainda discute a política de uso. O DPO quer saber onde o dado fica. O RH está montando trilha de prompt. O board cobra "uma estratégia de IA" para o próximo comitê. O contraste entre o que ele faz com uma assinatura pessoal de US$ 20 e o que a organização inteira consegue entregar com segurança vira insuportável.

O medo não é a IA. O medo é descobrir que a empresa não aguenta a IA.

[LOG 01 — DOMINGO, 22:14]

Notebook pessoal. Conta paga no cartão.
Pede cenário de aquisição. Pede comparativo de fornecedor.
Pede revisão do contrato que o jurídico segura há três semanas.

Funciona.

Sistema: shadow.
Visibilidade na empresa: zero.

A boca de jacaré

A McKinsey mostra que 88% das organizações pesquisadas usam IA regularmente em pelo menos uma função — eram 78% no ano anterior. Metade usa em três ou mais funções. Mas só cerca de um terço começou a escalar no nível empresarial, e apenas 39% reportam algum impacto em EBIT — a maior parte abaixo de 5%. A Gartner, em 2024, estimou que pelo menos 30% dos projetos de GenAI seriam abandonados depois da PoC até o fim de 2025, por dado ruim, controle de risco inadequado, custo crescente ou valor pouco claro. Em 2026, atualizou o número para 50%. A adoção chegou. A captura de valor, não.

Isso não prova que a IA não funciona — prova o contrário. Em muitos casos, a ferramenta já evolui mais rápido do que a empresa consegue absorver. O indivíduo captura valor rápido porque muda o próprio método de trabalho em um ciclo de horas. A organização captura devagar porque precisa mudar processo, dado, sistema, controle, contrato, risco, governança e papel organizacional, em um ciclo de trimestres. Essa é a boca de jacaré: de um lado, o uso individual aprende em ciclo diário; do outro, a empresa decide em ciclo trimestral, compra em ciclo anual e troca sistema em ciclo geológico. A distância aumenta toda semana.

Infraestrutura planetária versus cartão pessoal

Enquanto isso, no topo da cadeia, a IA virou infraestrutura crítica. A McKinsey estima que o gasto global em data centers pode chegar a US$ 7 trilhões até 2030. A American Electric Power elevou seu plano de capex de cinco anos para US$ 78 bilhões para acompanhar a demanda de data centers, com expectativa de 63 GW de carga incremental até 2030. Data center no espaço deixou de ser ficção recreativa e entrou no repertório executivo como hipótese — tecnicamente frágil, mas séria o suficiente para virar relatório de banco. A China, que processa mais de 90% das terras raras do mundo, apertou controles de exportação em 2025 e tornou cadeia de mineral crítico um item permanente da política industrial nos EUA e na Europa.

Esse é o macro: energia, chip, terra rara, capex trilionário, geopolítica de mineral. Dentro da empresa, na mesma semana, a automação que importa roda no cartão pessoal de um analista. Um estagiário monta um fluxo que ninguém pediu. Uma área inteira ganha velocidade sem dizer para a TI, porque sabe que se disser vira comitê. No topo, data center no espaço. Na base, shadow AI no cartão informal. Entre os dois, o executivo perguntando para quem pede ajuda.

E o cartão pessoal deixou de ser metáfora — virou métrica. Pesquisas recentes já mostram o mesmo padrão: adoção acelerada, maturidade de governança ainda baixa e controles de agentic AI ficando atrás da velocidade de uso. A McKinsey, em 2026, aponta que apenas cerca de um terço das organizações pesquisadas atinge maturidade mais alta em estratégia, governança e controles para agentic AI.

[LOG 02 — TERÇA, CAFEZINHO 14º ANDAR, 15:08]

Estagiário mostra um fluxo pro analista sênior.
LLM puxa do CRM. Resume. Manda no e-mail do cliente.
Conta pessoal. Cartão pessoal. Ninguém pediu.

Status: rodando há 4 meses.
TI: desconhece.
Governança: inexistente.

A IA entrou pela pessoa. A empresa chegou depois.

A adoção começou como curiosidade individual, não como iniciativa corporativa. A pessoa descobriu, testou, refinou. O LLM não obriga o pensamento a entrar em fluxo linear. Aceita ramificação, comparação, síntese, contraponto em linguagem natural. Em semanas deixou de ser busca e virou extensão de método — e entrou em todo lugar ao mesmo tempo, sem pedir autorização da TI.

A empresa não desenhou isso. O colaborador descobriu. A empresa não aprovou. O colaborador testou. A empresa não treinou. O colaborador aprendeu no atrito. O modelo tradicional de gestão de mudança foi desenhado para implantação — comunicar, treinar, medir adesão. Funciona para ERP novo, política nova, sistema de despesas. IA generativa não é implantação. É redesenho contínuo do método de trabalho, que muda de novo no mês seguinte quando o modelo evolui. GMO chegou com plano de adoção para uma transformação que começou antes do projeto.

RH mede licença ativa, trilha concluída, horas de treinamento. A maturidade real está em outro lugar: a pessoa sabe validar output, proteger dado, documentar decisão assistida, saber quando não usar. A empresa treinou no LMS. O trabalhador aprendeu no atrito. Não é resistência à mudança. É mudança sem arquitetura.

Piloto prova ferramenta. Produção prova empresa.

Piloto de IA quase sempre é bonito, e por motivos previsíveis: escopo pequeno, dado selecionado, usuário motivado, vendor presente, exceção tratada à mão, resultado em slide. A ferramenta funciona. Produção é outro animal. Já participei dos dois lados — do piloto que vira case e da produção que não sobe — e o segundo é sempre o mesmo filme. Produção encontra SAP customizado, integração ponto a ponto, API limitada, dado mestre inconsistente, área que opera dado que outra área é dona, fornecedor sem SLA real, jurídico inseguro, LGPD sem operacionalização, processo diferente por filial, exceção regional, planilha crítica mantida por alguém que está de férias. O piloto prova que o modelo responde. A produção prova se a empresa funciona.

É aqui que o business case começa a mentir. A história que sobe para o board é IA → produtividade → economia. A história real é mais comprida:

O vale entre uma coisa e outra é a Curva J. Primeiro o custo sobe. A produtividade aparente cai. A complexidade aumenta. O processo antigo continua rodando. O novo ainda não é confiável. O jurídico pede evidência, a TI pede arquitetura, o RH pede treinamento, o gestor não sabe avaliar output, o usuário avançado esconde o método para não perder velocidade, o board pergunta cadê o ROI. O ganho só aparece depois que a empresa redesenha workflow, define risco, melhora dado, integra sistema, muda papel e — principalmente — desativa o processo antigo.

Não é hipótese. O State of AI 2025 da McKinsey mediu 25 atributos organizacionais e identificou o redesenho de workflow como o de maior efeito em impacto de EBIT por IA. Apenas 21% das organizações pesquisadas redesenharam algum workflow; os outros 80% empilharam IA em cima do processo existente — exatamente o que esse texto chama de duplicação. Os 6% de high performers que reportam EBIT acima de 5% fazem o oposto: refazem o playbook de vendas para que a IA cuide de pesquisa, personalização e follow-up enquanto o humano fica com relacionamento e decisão; reescrevem o runbook de atendimento para que o agente resolva chamado de L1 sozinho, escalando só exceção verdadeira. O atributo de quem captura valor não é tamanho da empresa, nem setor, nem maturidade técnica. É coragem de redesenhar antes de empilhar.

Automação sem desativação é só mais uma etapa

Sem desligar o que veio antes, IA não automatiza. Empilha. Antes, o analista coletava dados, limpava planilha, montava relatório, o gerente revisava e o diretor aprovava — cinco passos numa cadeia conhecida. Depois, sem arquitetura, a IA coleta parte dos dados, o analista confere, a planilha continua existindo, o gerente pede validação extra, o jurídico questiona a fonte, a TI pede log, o diretor não confia e o relatório manual continua sendo feito em paralelo "por segurança". O fluxo não diminuiu; cresceu uma camada. O custo novo entra sem o processo velho sair. A empresa paga sistema legado, licença de IA, integração, segurança, revisão humana, retrabalho, auditoria, exceção, treinamento, governança e consultoria. E o fluxo antigo continua rodando porque ninguém teve coragem de desligar.

[LOG 03 — SEXTA, 18:07]

Relatório novo: saiu com IA.
Relatório antigo: saiu manual.
Os dois estão na mesa.

Status: duplicated
Owner: unassigned
Risk: accepted by nobody

Essa coragem não é trivial. Para desligar processo antigo a empresa precisa confiar no dado, no modelo, na integração, no controle, no fallback, no responsável e no desenho de exceção. Quando não confia, mantém os dois: o velho porque "funciona", o novo porque "o board mandou". Custo dobrado, benefício pela metade, consultoria feliz, empresa cansada.

A política aprova no atacado, o risco acontece no varejo

O jurídico, o compliance e o DPO entram com o checklist correto: dado pessoal, base legal, finalidade, retenção, transferência internacional, operador, controlador, decisão automatizada, explicabilidade, auditoria. A ANPD publicou guia orientativo definindo papéis de controlador, operador e encarregado, e essa estrutura funciona razoavelmente bem em um mundo onde o fluxo do dado é mapeável. Com LLM, a pergunta fica mais difícil porque o dado não fica parado. Esse dado virou prompt? O prompt virou contexto? O contexto ficou armazenado? Foi usado para treino? Foi combinado com outro dado? O output virou decisão? A decisão afetou alguém? Quem audita?

LGPD não desaparece — fica mais difícil, porque a unidade de análise deixou de ser tabela e passou a ser microinteração. A política aprova no atacado. O risco acontece no varejo: alguém colando contrato no chat, alguém resumindo ata sigilosa, alguém cruzando inadimplência, alguém respondendo cliente, alguém pedindo um parecer que vai virar carta jurídica assinada por gente de verdade.

E o calendário regulatório fechou. Na Europa, o EU AI Act se torna plenamente aplicável em 2 de agosto de 2026, com obrigações relevantes para sistemas high-risk e multas materiais — até €15 milhões ou 3% do faturamento anual global para infrações de high-risk; até 7% para outras categorias. No Brasil, a ANPD publicou o Mapa de Temas Prioritários 2026–2027, incluindo inteligência artificial e tecnologias emergentes no contexto do tratamento de dados pessoais como um dos quatro focos de fiscalização. A direção é clara: IA saiu do debate abstrato e entrou no calendário de fiscalização.

Vendor não é resposta. Vendor é parte interessada.

Pergunte para vendor e a resposta tende a ser sim. Sim, integra. Sim, é seguro. Sim, é enterprise grade. Sim, tem agente. Sim, é compliant. Sim, está no Gartner. Sim, tem case com SAP. Sim, tem case em empresa grande do seu setor. Sim, o case global gerou ROI. Sim, a demo funciona. Sim, dá para começar pequeno. Sim, dá para escalar depois. Vendor vende capacidade; vendor não assume o caos. Não conhece a exceção fiscal, a filial que faz diferente, o SAP customizado em 2014 por alguém que saiu da empresa em 2018, a planilha que sustenta o fechamento, o processo paralelo que nunca foi documentado, o gerente que aprova por e-mail porque o workflow trava.

E, no caso de agentes, o problema piora. A Gartner estima que mais de 40% dos projetos de agentic AI sejam descartados até o fim de 2027 por custo crescente e valor pouco claro, e a cobertura da Reuters registra o fenômeno do agent washing — fornecedores rotulando como agente ferramentas sem autonomia real. A própria Gartner estimou que, dos milhares de fornecedores que se posicionam como "agentic AI", cerca de 130 entregam capacidade autônoma real. Em paralelo, levantamento da consultoria com mais de 3.400 organizações ativas no tema aponta que 79% já fizeram algum tipo de deploy — adoção massiva sem o filtro de capacidade.

Tenho uma pergunta de aferição que faço para todo vendor de IA, e recomendo: o que acontece quando ela erra? Quem responde, quem audita, quem indeniza, quem explica, quem reverte, quem desliga, quem garante que o erro não virou processo. O silêncio que costuma vir depois é o dado que importa — e quando a resposta vem, vem maquiada de outro nome: "cliente é responsável pelo uso adequado", "human-in-the-loop", "governança de output". Tradução: quando a máquina erra, a responsabilidade volta para o cliente. O que significa, na prática, que a empresa precisa montar estrutura humana de validação, processo de revisão, papel de responsável técnico, log de decisão assistida, fluxo de exceção. O business case prometia saving. A operação real exige uma camada adicional de gente que nem entra na conta que o vendor te ajudou a fazer. Enterprise grade é adjetivo de vendor. Governança precisa de evidência — e a evidência tem custo.

[LOG 04 — DEMO VENDOR — TRANSCRIÇÃO PARCIAL]

— Integra com o SAP? Sim.
— Seguro? Sim.
— Compliant? Sim.
— Enterprise grade? Sim.
— Tá no Gartner? Sim.
— Tem case com SAP? Sim.
— Case em empresa do nosso setor? Sim.
— Demo funciona? Sim.
— Dá pra escalar depois? Sim.

— O que acontece quando ela erra?

[pausa: 4s]

— Cliente é responsável pelo uso adequado.

Para quem o executivo pede ajuda

A IA atravessa áreas que foram desenhadas para operar separadas. TI olha arquitetura. RH olha treinamento. Jurídico olha risco. Compliance olha política. DPO olha dado pessoal. Negócio olha produtividade. CFO olha ROI. Board olha narrativa. Vendor olha margem. Cada um está certo dentro do próprio quadrado. O problema é que a IA não respeita quadrado: entra no e-mail, na proposta, no contrato, no relatório, na reunião, no atendimento, no código, na análise de crédito, na ata, no onboarding, no parecer, na planilha do fechamento. Não pede organograma antes de aparecer no workflow.

[LOG 05 — COMITÊ DE IA — QUINTA, 10:42]

TI: sem capex Q4.
RH: trilha de prompt em curso, módulo 1 de 6.
Jurídico: política em revisão há 90 dias.
Compliance: aguarda parecer da matriz.
DPO: localização de dado não mapeada.
Negócio: pediu ganho de produtividade até dezembro.
CFO: pediu ROI por caso de uso.
Inovação: pediu mais piloto.
Vendor: pediu nova reunião pra apresentar release.
Board (por Zoom): pediu narrativa pra investidor.

Owner: --
Decision: pending
ETA: indefinido

E a pergunta "quem é o dono?" começa a ficar constrangedora, porque toda resposta encolhe o problema. A resposta institucional costuma ser "depende" — depende do caso, depende da área, depende da maturidade. Mas quando trava, quando o piloto não escala, quando o output sai errado, quando o relatório atrasa, a resposta institucional muda de figura: a culpa é da TI.

A TI é, em geral, formada por gente foda, capaz, que entende arquitetura, sistema, dado, segurança, performance, integração. E que, em proporção desconfortável de empresas, nunca vendeu para cliente final, nunca operou máquina na fábrica, nunca atendeu balcão, nunca passou um turno fora do ar-condicionado. Mandar a TI resolver IA é pedir para quem nunca operou o negócio decidir o que automatizar do negócio. O fracasso não é técnico — é de mandato. E enquanto isso, se for TI, vira ferramenta. Se for RH, vira treinamento. Se for jurídico, vira política. Se for compliance, vira bloqueio. Se for inovação, vira piloto. Se for vendor, vira contrato. Se for board, vira cobrança. Nenhuma dessas respostas segura o problema inteiro.

O que eu vejo faltar não é mais uma área. É uma função de tradução: alguém capaz de olhar para processo, sistema, dado, risco, fornecedor, pessoa, orçamento e decisão ao mesmo tempo — e que tenha pisado em chão de operação alguma vez na vida. Não para "implementar IA" — para entender onde a IA já entrou, onde ela pode entrar, onde ela não deveria entrar e o que precisa morrer para que ela gere valor de verdade.

There is no turning back

Esse é o pedaço que ninguém quer dizer em voz alta: se a IA funcionar, algum processo antigo precisa ser desligado. Se não desligar, não automatizou — só empilhou. O relatório continua, a planilha continua, a revisão manual continua, a reunião de validação continua, o jurídico continua pedindo evidência, a TI continua pedindo log, o gestor continua desconfiando, o board continua cobrando ROI. Só que agora tem uma licença nova, um vendor novo, um risco novo e uma apresentação dizendo que a empresa está avançando em IA. A empresa acha que está fazendo transformação. Pode estar só comprando mais uma camada de ruído.

E enquanto isso a adoção real continua por baixo. O colaborador já decidiu. O fornecedor já vendeu. O board já cobrou. O mercado já precificou. O estagiário já automatizou. A política chegou depois. A governança chegou depois. O treinamento chegou depois. O orçamento chegou — quando chegou — depois. There is no turning back não porque a tecnologia é inevitável; porque o uso já virou comportamento. A empresa não vai decidir se adota IA. Ela já usa — mal, bem, escondido, autorizado, improvisado, caro, barato, com risco ou sem visibilidade. A transformação não está aguardando aprovação. Está buscando regularização.

Em algum momento, alguém vai assinar o risco de desligar o processo antigo. É aí que a transformação começa — e é aí, na minha leitura, que ela trava. Não na licença, não no treinamento, não no piloto, não no post do CEO dizendo que a empresa agora é AI-first. Começa quando alguém diz, em voz alta e por escrito, que aquele fluxo antigo não volta mais. Sem isso, IA não reduz complexidade — só mostra onde a complexidade estava escondida.

Automação sem desativação não é transformação. É custo novo usando crachá de inovação.

⊞ Auditoria de fontes — 15 referências