O próximo salto de IA não vem da tecnologia

A pergunta difícil é outra: porque é que tantos investimentos continuam sem produzir resultados proporcionais?

Um estudo do MIT ajuda a dimensionar o problema. Apesar dos 30 a 40 mil milhões de dólares já canalizados para IA generativa, cerca de 95% das iniciativas não produziram impacto mensurável nos resultados das empresas. O problema não está na falta de tecnologia, está na forma como as organizações a escolhem, a integram e a transformam em valor. A inovação tornou-se acessível, mas a capacidade de execução continua escassa.

A explicação é quase sempre a mesma: começámos pelo instrumento e só depois fomos procurar o problema. E o padrão repete-se a cada ciclo tecnológico. Na cloud, migrar sistemas antigos sem rever a arquitetura, os dados e os modelos operacionais nunca foi transformação, foi transferir ineficiências para outra infraestrutura. O mesmo aconteceu com os data lakes: construíram-se plataformas à escala de toda a organização antes de estar definido a que perguntas de negócio deveriam responder, e muitas acabaram como repositórios caros e pouco consultados. Em nenhum dos casos a tecnologia falhou. Faltou a decisão prévia sobre o que se esperava dela.

A pergunta não pode ser “que tecnologia devemos comprar?”, mas “que resultado queremos alcançar?”. A partir daí, é preciso identificar o processo que gera esse resultado, perceber onde estão os bloqueios e só então escolher a tecnologia capaz de os resolver. É esta inversão que separa as organizações que modernizam verdadeiramente daquelas que apenas acumulam soluções.

Dois exemplos mostram bem a diferença. O Tech Radar 2026 descreve o caso da Longchamp, que iniciou um piloto de Microsoft 365 Copilot em que apenas 10% das licenças atribuídas estavam a ser utilizadas. Quando a abordagem teórica deu lugar à utilização em tarefas concretas, como atas de reuniões, traduções ou preparação de RFP, a adoção chegou aos 98,6% em seis meses, com uma poupança média de 3,4 horas por semana por utilizador. A tecnologia era exatamente a mesma. O que mudou foi a forma como passou a fazer parte do trabalho das pessoas.

Na DREST, aplicação de styling de moda de luxo, criar um avatar com uma peça de roupa ocupava várias horas de trabalho. A aplicação de IA a esse passo específico reduziu o processo para cerca de um minuto. O ponto de partida não foi encontrar uma utilização para a IA, foi resolver um problema que travava o negócio.

Com a chegada da Agentic AI, esta distinção torna-se ainda mais decisiva. Já não falamos apenas de sistemas que respondem a perguntas ou produzem conteúdos, mas de soluções capazes de consultar informação, interagir com ferramentas e executar tarefas com autonomia crescente. A capacidade aumenta e, com ela, aumenta também a exigência em matéria de controlo e responsabilização.

Mais autonomia não significa menos estrutura. Significa exatamente o contrário. Quanto maior for a capacidade de um sistema para agir, maior é a exigência sobre as fundações em que assenta: a qualidade dos dados, a clareza dos processos e as regras que definem o que pode ser feito em nome da organização.

Um agente ligado a dados inconsistentes ou a processos mal desenhados não corrige essas fragilidades. Limita-se a executá-las mais depressa e em maior escala.

O mesmo se aplica ao modelo de governo. Um sistema com capacidade de agir precisa de fronteiras explícitas, como, por exemplo, que dados pode consultar, que ações pode executar sem validação humana, a quem responde quando falha e como se reconstitui aquilo que fez. Sem isso, uma organização não perde o controlo de forma visível. Perde-o de forma silenciosa. A próxima fase da IA dependerá menos do modelo escolhido e mais da capacidade de dar aos sistemas o contexto e os limites certos para agir.

Há uma boa notícia nisto tudo. Se o fator diferenciador está na execução e não no acesso à tecnologia, então criar valor com IA não está reservado às empresas com os maiores orçamentos ou com as soluções mais recentes. Está ao alcance de qualquer organização que decida executar com método, envolver as pessoas certas e manter o foco no valor que pretende libertar.

Na prática, isto exige duas coisas. Que as equipas tecnológicas trabalhem lado a lado com quem conhece o processo, com quem toma as decisões e com quem vai utilizar a solução diariamente. E que o sucesso deixe de ser medido pelo lançamento de uma ferramenta, passando a ser avaliado pelo tempo poupado, pelos erros reduzidos, pela receita criada ou pela melhoria da experiência do cliente — no fundo, pelo valor libertado.

Para o tecido empresarial português, e em particular para as PME, esta disciplina é ainda mais importante. Quem tem menos recursos não os pode dispersar por dezenas de experiências sem continuidade. Vale mais escolher um processo com impacto real, definir as métricas antes de começar e testar em condições reais.

A próxima grande ideia da Inteligência Artificial pode, afinal, não ser uma nova tecnologia. Pode ser algo bem menos vistoso, mas muito mais difícil: saber usá-la bem.