Três meses de piloto e ninguém sabe responder se deu certo
Uma cliente perguntou isso numa reunião de status: o piloto de IA que a equipe roda há três meses, deu certo? Silêncio na sala. Tinham log de uso, tinham print de conversa do agente respondendo bem, tinham até um slide bonito de fevereiro. O que não tinham era um número que dissesse se aquilo valeu o investimento.
Esse buraco tem tamanho medido. A ABES fez uma pesquisa com a IDC, publicada em junho deste ano, sobre adoção de IA agêntica nas empresas brasileiras. 57% das empresas dizem ter objetivos de negócio claros e bem definidos para o uso de IA. Mas quando o estudo perguntou o que sustenta esse objetivo na prática, os números caem: 38% têm uma estrutura sólida de governança de dados, 34% têm política de segurança pensada para esse uso, e apenas 14% usam retorno sobre investimento como métrica principal para avaliar as iniciativas.
| O que a empresa diz ter | Percentual |
|---|---|
| Objetivo de negócio claro para IA | 57% |
| Governança de dados sólida | 38% |
| Política de segurança específica | 34% |
| ROI como métrica principal de avaliação | 14% |
Repara na queda. Não é um degrau, é um buraco. De cada dez empresas que sabem o que querem, só uma e meia sabe dizer se está conseguindo.
O objetivo bonito e a métrica que falta
O problema não é falta de ambição. "Melhorar o atendimento com IA" ou "reduzir tempo de resposta" são objetivos de verdade, ninguém escreve isso à toa num planejamento. O problema é que objetivo não é métrica. Objetivo cabe num slide. Métrica precisa de um número de antes, um número de depois e uma data em que alguém vai comparar os dois.
A empresa que não define a métrica antes do piloto não está medindo resultado depois. Está decidindo, com viés, se gostou do que viu.
A gente vê essa lacuna se repetir de um jeito específico nos diagnósticos que fazemos: o time entra empolgado, escolhe uma ferramenta, sobe um agente em duas semanas. Só que ninguém escreveu, antes de ligar o piloto, o que teria que acontecer para considerar aquilo um sucesso. Três meses depois, o piloto continua rodando porque ninguém quer ser a pessoa que desliga algo que parece estar funcionando. E ninguém sabe dizer se está.
O que muda quando a métrica vem antes
A correção é simples de descrever e chata de fazer, que é por isso que a maioria pula. Antes do primeiro agente entrar em produção, alguém escreve uma página com quatro coisas:
- O processo exato que a IA vai tocar, não "atendimento" e sim "resposta a dúvida de fatura no WhatsApp".
- O número de hoje, medido sem IA: tempo médio de resposta, custo por interação, taxa de erro, o que for relevante para aquele processo.
- A meta numérica e o prazo: não "melhorar", e sim "de 4 horas para 40 minutos em 60 dias".
- Quem lê esse número toda semana e decide se o piloto continua, muda de escopo ou é desligado.
Isso não é burocracia, é o oposto: é o que evita que o piloto vire projeto permanente sem nunca ter sido avaliado. Um exemplo de como isso fica documentado, direto no início do projeto:
Processo: resposta a dúvida de fatura via WhatsApp
Linha de base: tempo médio de resposta = 4h12min (medido em maio/2026)
Meta: tempo médio de resposta <= 40min em 60 dias
Métrica secundária: taxa de escalonamento para humano <= 15%
Dono da decisão: gerente de atendimento
Data de revisão: dia 60
Com essa página escrita antes, a reunião de status vira diferente. Em vez de "o piloto parece estar indo bem", a resposta é "tempo médio caiu de 4h12 para 51 minutos, ainda acima da meta, seguimos mais duas semanas". Um vira opinião, o outro vira decisão.
Por que isso emperra na prática
Escrever essa página antes custa um dia de trabalho que ninguém quer gastar quando a pressão é para mostrar velocidade. E tem um motivo estrutural além da pressa: medir de verdade expõe quem decidiu subir o piloto. Se a meta não bate, alguém vai perguntar por quê. É mais confortável navegar por sensação de progresso do que por número que pode dar errado.
Só que o custo de não medir aparece depois, maior. A pesquisa da ABES com a IDC mostra empresa nenhuma travada por falta de vontade. Estão travadas por falta de estrutura para provar que a vontade virou resultado. Isso pesa na hora de pedir orçamento para o próximo agente, e pesa mais ainda quando alguém de fora, um investidor ou um conselho, pergunta o que a IA já trouxe de retorno concreto.
O que fazer na segunda de manhã
Pega o piloto de IA que está rodando hoje na sua empresa, o que já passou de dois meses no ar. Pergunta para quem toca ele: qual era o número antes, qual é o número agora e quem decide se continua. Se as três respostas não vierem na hora, o piloto não está sendo avaliado, está sendo mantido por inércia.
Para o próximo agente que for ao ar, escreve a página de quatro linhas antes de configurar a primeira integração. Leva quarenta minutos. É o que separa medir resultado de acreditar nele. Na Overflow, essa é a primeira coisa que a gente trava no diagnóstico antes de qualquer piloto entrar em produção: como funciona a implementação IA-first.
Fontes
- Agentes de IA: o Brasil acelera, mas ainda não sabe medir o retorno (TI Inside, 2026)
- Pesquisa inédita expõe abismo entre ambição e execução na adoção de agentes de IA por empresas no Brasil (Portal Information Management, 2026)
