Por que projetos de agentes de IA são cancelados e como evitar

Projetos de agentes de IA costumam ser cancelados por motivos que aparecem antes da primeira linha de código: o caso de uso não tinha um ganho mensurável, ninguém estimou quanto custa operar o agente em escala e não ficou combinado o que ele podia fazer sozinho. O modelo de linguagem raramente é o culpado. Em junho de 2025, a Gartner previu que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por custos crescentes, valor de negócio pouco claro ou controles de risco insuficientes. Para evitar esse destino, três decisões precisam vir cedo: escolher uma tarefa com linha de base medida, calcular o custo por tarefa concluída antes do piloto e acertar com a área usuária os critérios que fazem o projeto seguir, mudar de escopo ou parar.

O que os números dizem sobre projetos de IA cancelados?

A previsão dos 40% está no comunicado da Gartner sobre projetos de IA agêntica, consultado para este artigo em outubro de 2026. O mesmo texto traz uma enquete feita em janeiro de 2025 com 3.412 participantes de um webinar da consultoria: 19% disseram que suas empresas tinham feito investimentos significativos em agentes e 42%, investimentos conservadores. A analista responsável descreve a maioria dos projetos como experimentos em estágio inicial, movidos por expectativa e muitas vezes mal aplicados. O comunicado também aponta o que chama de agent washing (algo como maquiagem de agente): ferramentas antigas, como assistentes, RPA e chatbots, relançadas com o rótulo de agente sem capacidade real para isso. Pela estimativa da Gartner, só cerca de 130 dos milhares de fornecedores que se apresentam como de IA agêntica são de fato.

Dados aparecem em outra previsão da mesma consultoria. Em fevereiro de 2025, a Gartner afirmou que, até o fim de 2026, as empresas vão abandonar 60% dos projetos de IA sem dados preparados para IA, com base em uma pesquisa de julho de 2024 com 1.203 líderes de gestão de dados, em que 63% disseram não ter ou não saber se tinham as práticas de dados adequadas (entrevista da Gartner sobre dados prontos para IA). São previsões e enquetes globais de uma empresa de pesquisa, e não uma medição de empresas brasileiras. Servem como direção, e batem com o que se vê em projetos com ERP.

Por que tantos projetos de IA fracassam antes de chegar à produção?

• Agente onde uma regra resolveria: se a tarefa segue sempre o mesmo caminho, uma integração ou um robô de RPA faz o trabalho com menos custo e menos risco. O próprio comunicado da Gartner observa que muitos casos apresentados como agênticos não precisam de um agente. A comparação entre as três opções está em chatbot, agente de IA ou RPA.
• Nenhuma linha de base: ninguém mediu quanto tempo, quanto dinheiro e quantos erros a tarefa consome hoje. No fim do piloto, o agente funciona, mas não há número para defender o orçamento da fase seguinte.
• Piloto com casos escolhidos a dedo: o teste usa 50 documentos limpos e acerta quase tudo. Em produção chegam milhares por mês, com layouts diferentes, anexos ilegíveis e dados que não batem com o cadastro.
• Custo de operação ignorado: consumo do modelo, novas tentativas, infraestrutura e, principalmente, as horas de quem revisa as ações e trata as exceções. Os blocos dessa conta estão em quanto custa manter um agente de IA integrado ao ERP.
• Dados que não estão prontos: produto cadastrado duas vezes, campo que significa uma coisa em cada filial, código do cliente sem correspondência com o código interno. Um comprador experiente contorna isso sem pensar. O agente erra todas as vezes.
• Integração com o ERP subestimada: a demonstração lê um PDF e responde bem. Gravar o resultado no ERP com usuário técnico, permissão mínima e trilha de auditoria leva semanas, como mostramos em consultar dados do ERP com IA mantendo permissões e rastreabilidade.
• Autonomia sem limite combinado: quando não está escrito o que o agente faz sozinho e o que vai para aprovação, a área de risco ou a TI trava o projeto às vésperas da produção.
• Projeto sem dono no negócio: a iniciativa nasce na TI ou com um entusiasta. Quando a pessoa muda de função ou a prioridade muda, o agente fica sem ninguém que responda pelo resultado.

Como saber se a tarefa merece um agente de IA?

Antes de discutir modelo ou ferramenta, quatro perguntas filtram boa parte dos projetos que seriam cancelados mais tarde:

• Há volume e repetição? Uma tarefa feita 30 vezes por mês dificilmente paga a integração. O ganho aparece em centenas ou milhares de execuções.
• Existe variação que uma regra fixa não cobre? Texto livre, documentos de layouts diferentes e pedidos que exigem interpretação justificam um agente. Se o caminho é sempre o mesmo, a automação tradicional é mais barata.
• O erro é tolerável ou revisável? Se um erro do agente custa caro e não pode ser conferido antes de produzir efeito, a tarefa pede um assistente que sugere e uma pessoa que aprova, e não um agente autônomo.
• Os dados estão acessíveis e confiáveis? Se o agente precisa de um cadastro que hoje vive em planilha paralela, o primeiro projeto é o cadastro.

O critério de quanto deixar com o agente e quanto exigir de aprovação humana segue o risco de cada decisão, no mesmo raciocínio de agentes de IA no setor de compras.

Como um piloto aprovado vira um projeto sem retorno?

Pense em uma distribuidora hipotética, criada só para mostrar o mecanismo, sem relação com qualquer cliente da Insight Pro. Ela recebe 2.400 pedidos de clientes por mês por e-mail, e um atendente gasta em média 5 minutos para digitar cada um no ERP. Com a hora a R$ 60, são 200 horas e R$ 12.000 por mês. O piloto de um agente que lê o e-mail e cria o pedido acerta 92% de 80 e-mails escolhidos pela equipe, e o projeto é aprovado com R$ 90.000 de construção e integração.

Em produção, a taxa de exceção real fica em 38%. Muitos clientes mandam o próprio código de produto, que não tem correspondência no cadastro, e parte dos anexos chega em formatos que o piloto nunca viu. A conta mensal fica assim:

• Exceções: 912 pedidos voltam para o atendente, que gasta os mesmos 5 minutos em cada: 76 horas, R$ 4.560.
• Revisão completa dos pedidos automáticos: 1.488 pedidos conferidos em 1,5 minuto cada: 37,2 horas, R$ 2.232.
• Consumo do modelo e infraestrutura: R$ 1.500.
• Manutenção: R$ 2.500.

O agente custa R$ 10.792 por mês contra R$ 12.000 do processo manual. A economia de R$ 1.208 levaria mais de seis anos para pagar os R$ 90.000 investidos, e o projeto é cancelado no quinto mês. Uma amostra de 200 e-mails reais do mês anterior, sem seleção, teria mostrado a taxa de exceção antes do desenvolvimento e apontado a causa principal: a falta de uma tabela de correspondência entre o código do cliente e o código interno. Com essa tabela montada primeiro, a exceção cai para 15% no mesmo cenário, a revisão passa a ser feita por amostra de 10% e o custo mensal vai para cerca de R$ 6.100. A economia sobe para perto de R$ 5.900 por mês e o payback fica em torno de 15 meses. A tecnologia é a mesma nos dois casos. O que mudou foi a ordem das decisões.

Como estruturar o projeto para ele não ser cancelado?

1. 1.Medir o processo atual: volume mensal, tempo por tarefa, custo da hora e frequência e custo dos erros. É a linha de base contra a qual o agente vai ser julgado.
2. 2.Testar com uma amostra real: 200 a 300 casos do último mês, incluindo os ruins, para estimar a taxa de exceção antes de construir a integração.
3. 3.Calcular o custo por tarefa concluída e o payback: em cenário conservador e otimista, com as premissas escritas e revisadas pela área financeira.
4. 4.Combinar os critérios de continuidade antes do piloto: por exemplo, taxa de exceção abaixo de 20% e custo por tarefa abaixo do manual no 60º dia. Se não atingir, o escopo muda ou o projeto para, sem discussão de última hora.
5. 5.Começar com autonomia baixa: o agente sugere e a pessoa aprova. A alçada aumenta à medida que a taxa de acerto é comprovada com dados.
6. 6.Sanear os dados de que o agente depende: cadastros, tabelas de correspondência e regras de negócio documentadas, antes de culpar o modelo pelos erros.
7. 7.Nomear um dono na área de negócio: com um painel de volume, exceções, custo e erros acompanhado toda semana.

Quando cancelar é a decisão certa?

Cancelar nem sempre é fracasso. Um piloto que mostra em 60 dias, com pouco gasto, que a conta não fecha cumpriu exatamente o seu papel. O prejuízo está em descobrir isso no nono mês, com a integração pronta e o orçamento consumido. Alguns sinais indicam que é hora de parar ou redesenhar: a taxa de exceção não cai depois de dois ciclos de ajuste, o custo por tarefa continua acima do processo manual, a área usuária passa a contornar o agente e faz o trabalho à mão, ou o risco da tarefa exige revisão de 100% das ações por tempo indeterminado. Nesses casos, a pergunta útil é se o problema está no caso de uso, nos dados ou na forma de medir, porque cada resposta leva a uma decisão diferente.

Se a sua empresa tem um projeto de agente de IA parado no piloto, ou está prestes a aprovar um e quer saber se ele chega à produção, vale agendar uma avaliação do seu projeto de IA antes do próximo investimento. No diagnóstico gratuito da Insight Pro, dentro do serviço de Inteligência Artificial, revisamos o caso de uso, testamos o comportamento com uma amostra dos seus próprios documentos e dados, estimamos a taxa de exceção e o custo por tarefa concluída e dizemos, com as premissas por escrito, se vale seguir, mudar o escopo ou parar. Quando a resposta é parar, você economiza o desenvolvimento. Quando é seguir, o projeto começa com a linha de base e os critérios de sucesso já combinados.