No começo, ele não percebeu.

As metas de velocidade do sprint subiram. O prazo esperado para pedidos de funcionalidades ficou menor. O backlog dele cresceu um terço em dois meses. Quando levou o assunto ao seu gerente, a resposta foi casual — quase animada: “Acabamos de integrar o Copilot e o Claude Code para todo o time de engenharia. A gente deveria estar se movendo mais rápido agora.”

Ele é product manager numa empresa de tecnologia de médio porte. O trabalho dele é traduzir entre os objetivos do negócio e a capacidade do time de engenharia. E de um dia para o outro, a tradução mudou. A liderança havia comprado ferramentas de programação com IA e assumiu que a equação era simples: o mesmo time mais IA é igual a mais produção. A agenda dele não ficou mais leve. Ficou mais pesada — porque agora se esperava que ele definisse o escopo de mais funcionalidades no mesmo ritmo, para um time que ainda estava descobrindo como usar as ferramentas que recebeu três semanas atrás.

Quando ele resistiu — explicando que ferramentas de IA exigem redesenho dos fluxos de trabalho, que o time precisava de treinamento, que “mais rápido” não significa “mais” — a resposta da gerência foram três palavras que capturaram um problema de $684 bilhões: “Só adiciona o chat bubble no app.”

Um botão. Uma bolinha. Um desenho na tela.

Ele não sabia naquele momento, mas acabava de descrever como 80% da adoção de IA se parece por dentro — e duas das maiores empresas de IA do mundo tinham acabado de gastar $11,5 bilhões confirmando que ele estava certo.

Os números que ninguém queria publicar

Em 2025, grandes empresas globais investiram $684 bilhões em iniciativas de IA. Segundo a análise da RAND Corporation, 80,3% desses projetos não conseguiram entregar o valor de negócio esperado.

Esse número merece um momento de reflexão. Oito em cada dez projetos de IA — financiados, com equipe, lançados — não fizeram o que deveriam fazer.

O detalhamento é revelador. Dos fracassos, 33,8% foram abandonados antes de chegar à produção — morreram no piloto, na prova de conceito, na reunião em que alguém finalmente perguntou “que problema estamos resolvendo?”. Outros 28,4% chegaram a ser concluídos mas não entregaram o valor esperado — o sistema funcionava, tecnicamente, mas ninguém usava, ou resolvia o problema errado, ou o fluxo de trabalho que deveria melhorar já tinha se adaptado em torno dele.

O percentual de organizações que abandonaram pelo menos uma iniciativa de IA saltou de 17% para 42% em dois anos. Serviços financeiros — o setor que mais investe em IA — lidera a taxa de fracasso com 82,1%. Saúde está em 78,9%. Manufatura em 76,4%.

E aqui está o achado que explica quase tudo o mais: projetos com recursos dedicados à gestão de mudanças têm sucesso a 2,9 vezes a taxa dos que não têm. A diferença entre os 20% que funcionam e os 80% que não funcionam não é o modelo. Não é o cômputo. Não são os dados. É se alguém preparou as pessoas.

O problema do botão

Os tomadores de decisão que pensam que IA é um botão representam um modo de falha específico que o setor tem relutado em nomear: analfabetismo de IA na liderança.

Não é que esses executivos sejam burros. Muitos deles construíram empresas de sucesso, navegaram mercados complexos, tomaram decisões sob incerteza por décadas. Mas a IA não é como as adoções tecnológicas anteriores. Quando você dava Excel para um time, eles podiam começar a usar no dia seguinte — a metáfora da planilha era intuitiva, a curva de aprendizado era administrável, o resultado era visível. Quando você dava uma ferramenta de gestão de projetos para um time, a mudança de fluxo de trabalho era significativa mas delimitada — você conseguia ver onde o processo antigo terminava e onde o novo começava.

A IA não funciona assim. A IA muda a forma do trabalho em si. Um assistente de programação não só acelera a digitação — muda em que um desenvolvedor gasta seu tempo, o que muda o significado da revisão de código, o que muda como a dívida técnica é gerenciada, o que muda como os projetos são definidos em escopo. Um agente de suporte ao cliente não só responde mais rápido — muda o que os agentes humanos lidam, o que muda os perfis de contratação, o que muda os programas de treinamento, o que muda toda a estrutura de custos do suporte.

O executivo que diz “adiciona o chat bubble” está aplicando o velho modelo mental de software a um problema de IA. Instala a ferramenta, treina o time, mede a produção. Mas a IA não tem uma mudança de fluxo de trabalho delimitada. Tem uma em cascata. E se a liderança não entende isso — se ela acha que está comprando um botão quando está comprando uma transformação de processos — o projeto vai se juntar aos 80%.

Há um modo de falha que as estatísticas não capturam: a vergonha. Quando uma ferramenta nova não funciona como alguém espera, a maioria das pessoas não levanta a mão. Tenta de novo. E de novo. E de novo — criando silenciosamente duplicatas, gambiarras e erros que se acumulam antes que alguém perceba. Em um deploy real que observamos, uma operadora criou quatro registros duplicados sem contar para ninguém porque tinha vergonha de perguntar à chefe como o sistema funcionava. O problema não era a ferramenta. Não era o treinamento — não havia treinamento. Era que ninguém tinha criado um espaço seguro para dizer “não entendo”. Gestão de mudanças não é só um framework de processos. É permissão para estar confuso em voz alta.

A confissão

Em 4 de maio de 2026 — no mesmo dia, com poucas horas de diferença — OpenAI e Anthropic anunciaram cada uma suas iniciativas de consultoria empresarial.

OpenAI lançou “The Deployment Company”, um veículo de $10 bilhões apoiado pela TPG e 19 investidores, com retorno anual garantido de 17,5%. Liderado pelo COO Brad Lightcap, já está em negociações para adquirir três firmas de serviços de IA. A OpenAI aprofundou simultaneamente parcerias com McKinsey, BCG, Accenture e Capgemini — os mesmos gigantes da consultoria que cobram $500 por hora para dizer às empresas o que seus próprios funcionários já sabem.

Anthropic anunciou uma joint venture de $1,5 bilhão com Goldman Sachs, Blackstone e Hellman & Friedman, modelada explicitamente na abordagem de engenharia de implantação avançada da Palantir: embeder engenheiros dentro da empresa cliente para redesenhar fluxos de trabalho por dentro. Em paralelo, a EPAM lançou um programa para treinar 10.000 “arquitetos certificados em Claude” e 250 engenheiros especializados “Black Belt”.

Duas empresas. Mesmo dia. A mesma admissão: o modelo sozinho não é suficiente.

Isso não é uma virada estratégica. É uma confissão. Por quatro anos, os laboratórios de IA de fronteira venderam modelos — APIs, assinaturas, tokens. A promessa implícita era que o modelo faria o trabalho. Só conecta. Quanto mais inteligente o modelo, mais valor ele cria. Escala o modelo, escala o valor.

A taxa de fracasso de 80% é o recibo dessa promessa.

O que eles estão realmente vendendo

Olhe além dos comunicados de imprensa e dos anúncios de parcerias. O que OpenAI e Anthropic vendem agora não é consultoria. Não são “serviços de transformação por IA”. Nem mesmo é expertise.

Eles estão vendendo o manual que deveria ter vindo com o produto.

Quando você compra um carro, o fabricante assume que você sabe dirigir. Se 80% dos compradores batessem no primeiro ano, o fabricante não diria “nosso carro está ótimo, os motoristas é que são ruins.” Eles redesenhariam o carro ou começariam a vender aulas de direção.

Os laboratórios de fronteira escolheram as aulas de direção. Mas não as chamaram de aulas de direção — chamaram de “iniciativas de serviços empresariais de IA” e as precificaram em $10 bilhões.

A genialidade desse movimento — e ele é genuinamente inteligente — é que converte um fracasso de produto em uma fonte de receita. O modelo não funciona na empresa? Isso não é um problema. É um mercado. Vende o modelo. Depois vende a consultoria para fazer o modelo funcionar. Depois embeda seus engenheiros dentro da empresa tão profundamente que sair significa arrancar não apenas o modelo, mas todo o fluxo de trabalho que foi reconstruído ao redor dele.

Isso é lock-in em uma profundidade que empresas de SaaS só podiam sonhar. A Salesforce se embeda no seu pipeline de vendas. A Oracle se embeda no seu banco de dados. OpenAI e Anthropic estão se embedando nas suas operações, com seus próprios engenheiros sentados ao lado dos seus funcionários, redesenhando como a sua empresa faz o seu trabalho de verdade.

O padrão Palantir

A comparação com a Palantir não é acidental — tanto a Anthropic quanto a OpenAI a referenciam explicitamente. E o playbook da Palantir é instrutivo.

Os engenheiros de implantação avançada da Palantir não apenas instalam software. Eles aprendem o negócio do cliente, identificam onde as ferramentas da Palantir podem agregar valor, constroem integrações personalizadas e se tornam os detentores do conhecimento institucional sobre como o sistema de IA funciona dentro daquela organização específica. Com o tempo, o engenheiro da Palantir se torna indispensável — não porque o software seja insubstituível, mas porque o engenheiro é a única pessoa que entende como o software se conecta aos processos únicos da empresa.

Quando chega a hora de renovar o contrato, a pergunta não é “esse software vale a pena?”. A pergunta é “podemos nos dar ao luxo de perder a pessoa que entende como tudo funciona?”.

Esse é o modelo que OpenAI e Anthropic estão adotando. Não licenciamento de software. Não precificação por API. Dependência organizacional. O tipo de lock-in onde o custo de saída não é uma migração — é uma reorganização.

O que isso significa para os 80%

A verdade incômoda é que as iniciativas de consultoria provavelmente vão melhorar as taxas de adoção de IA empresarial. Engenheiros embedados que entendem tanto o modelo quanto o negócio do cliente vão produzir resultados melhores do que os tomadores de decisão que pensam que IA é um botão. Os projetos vão ter sucesso com mais frequência. O ROI vai se materializar. A taxa de fracasso de 80% vai cair.

E esse é exatamente o problema.

A melhora vai vir em parte do desenvolvimento de capacidade própria de IA pelas empresas — as pessoas aprendem com o uso, e a curva de aprendizado é real mesmo que seja lenta. Mas o modelo de consultoria comprime essa curva alugando expertise em vez de construí-la. A empresa aprende mais rápido, mas o conhecimento mais profundo — como o modelo se conecta ao fluxo de trabalho específico, por que certas configurações funcionam e outras não — fica na cabeça do consultor, não no organograma do cliente.

Quando a próxima geração de modelos chegar — e ela sempre chega — a empresa vai precisar dos mesmos engenheiros embedados para adaptar o novo modelo aos mesmos fluxos de trabalho. O contrato de consultoria se renova. A dependência se aprofunda. O lock-in se acumula.

A taxa de fracasso de 80% era um problema. As iniciativas de consultoria o resolvem. Mas o resolvem do jeito que um remédio resolve um sintoma: criando uma dependência que exige o mesmo remédio indefinidamente.

A alternativa que ninguém está vendendo

Há outro caminho, e é o que ninguém está empacotando em um veículo de $10 bilhões: construir a capacidade internamente.

As empresas que caem nos 20% que têm sucesso têm uma coisa em comum — não modelos melhores, não orçamentos maiores, mas gestão de mudanças dedicada. Alguém dentro da organização cujo trabalho é entender a ferramenta, redesenhar os processos, treinar as pessoas e iterar sobre a implementação. Não o engenheiro de um fornecedor. Não um consultor que vai embora depois do projeto. Alguém que fica, que acumula contexto, que entende por que a empresa faz as coisas do jeito que faz.

A ironia é aguda. Os laboratórios de IA estão construindo times de engenharia de implantação avançada porque sabem que o contexto — profundo, específico, institucional — é o que faz a IA funcionar na prática. E eles estão certos. Mas estão vendendo esse contexto como serviço em vez de ajudar as empresas a construí-lo por conta própria.

Um desenvolvedor em Santiago roda sete instâncias de IA em um mini-PC que custa menos de um mês de consultoria empresarial. Ele fixou sua versão do CLI, desativou atualizações automáticas, configurou seus próprios níveis de esforço de raciocínio e construiu um protocolo de comunicação entre instâncias usando texto simples sobre HTTP. Sem fornecedor. Sem consultor. Sem engenheiro embedado. Apenas alguém que decidiu entender a ferramenta em vez de esperar que outra pessoa a entendesse por ele.

Esse é os 20%. Não um orçamento. Não uma parceria. Uma decisão.

A agulha no palheiro

O product manager que descreveu o entendimento da sua empresa sobre IA como “um botão no app” não sabia que estava descrevendo um problema de $684 bilhões. Ele estava só desabafando sobre o trabalho.

Mas essa frustração — a lacuna entre o que a liderança acha que a IA faz e o que ela realmente exige — é o mercado que duas empresas trilionárias acabaram de gastar $11,5 bilhões para endereçar. Não porque se importam com a frustração do product manager. Porque perceberam que a frustração é uma fonte de receita.

A taxa de fracasso de 80% foi a melhor coisa que já aconteceu aos laboratórios de IA de fronteira. Ela provou que o modelo não era suficiente. E ao provar que o modelo não era suficiente, criou o mercado para tudo o mais que eles queriam vender.

Por que eles realmente fracassam

Por baixo das estatísticas, por baixo das iniciativas de consultoria e das estratégias de lock-in, há uma explicação mais simples para por que 80% da adoção de IA fracassa. Não é técnica. Não é financeira. É filosófica.

As empresas que fracassam perguntam: “Quantas pessoas podemos substituir?”

As empresas que têm sucesso perguntam: “O que essas pessoas podem fazer agora que antes não podiam?”

A primeira pergunta leva ao botão — instala a ferramenta, reduz o quadro, aumenta a margem. IA como redução de custos. Os tomadores de decisão que dizem “adiciona o chat bubble” estão respondendo à primeira pergunta. Eles não precisam entender a ferramenta porque o trabalho da ferramenta é eliminar a necessidade de entendimento. Conecta, corta o time, reporta as economias.

A segunda pergunta leva à infraestrutura. Leva a um desenvolvedor que fixa sua versão do CLI porque quer que o modelo faça exatamente o que precisa, não o que o padrão oferece. Leva a uma frota de nove instâncias de IA distribuídas em três máquinas, cada uma especializada, cada uma acumulando contexto que a torna mais útil com o tempo. Leva a uma operadora em um cartório que — depois de falhar quatro vezes em silêncio — recebe um canal de suporte dedicado construído especificamente para que ela possa fazer perguntas sem vergonha. Ninguém foi substituído. O sistema ganhou capacidades que antes não tinha.

Os 80% tratam a IA como substituta do julgamento humano. Os 20% a tratam como extensão da capacidade humana. A diferença não é o modelo. Não é o orçamento. É o que a pessoa no topo acredita que comprou.

A confissão está sobre a mesa. A questão é se as empresas vão ouvir isso como um aviso — prepare sua equipe, ou outra pessoa vai fazer isso por você a um preço que você nunca vai parar de pagar — ou como um convite para assinar o próximo contrato.