95% dos pilotos de IA não entram em produção. O problema parece não estar no piloto em si, mas na forma de testar. Sair da fase de testes e entrar de fato na rotina operacional tem sido o principal gargalo enfrentado pelas empresas na adoção de inteligência artificial. A avaliação é de Colin Jarvis, Global Field Deployment Engineer (FDE) da OpenAI, que falou durante o HumanX Amsterdam 2026. O executivo explicou ainda que o mercado vive uma transição crucial: a IA deixa de ser vista como um projeto genérico de desenvolvimento para se tornar uma solução especializada e focada na dor real de cada setor. Trata-se de algo que impacta inclusive em custo, diversos especialistas já alertavam para esse movimento e exemplificavam com frases como: nem toda IA precisa saber toda a obra de Shakespeare. 

Mas voltando ao drama que muitas lideranças enfrentam, na avaliação do líder de engenharia da OpenAI, o motivo de muitas corporações ficarem presas em um ciclo infinito de provas de conceito (POCs) é a escolha incorreta do caso de uso. Testar uma aplicação em apenas um departamento só traz resultados práticos se o objetivo final for colocar a ferramenta em produção e escala para toda a empresa. E aqui reside um problema facilmente identificado, é como testar algo totalmente fora do ambiente de produção e achar que vai funcionar perfeitamente quando entrar no ambiente real, que tem suas particularidades.

“Muitas empresas escolhem um bom caso de uso, mas fazem isso em apenas um departamento, lançam lá e aquilo vira uma demonstração legal que todo mundo mostra para dizer: ‘Olha como usamos IA’. Só que isso nunca ganha escala, nunca vai a lugar nenhum na organização”, alertou Jarvis.

Ele defende que o verdadeiro sucesso de uma implementação exige encarar o teste como um passo direto para a operação diária. “Sucesso não significa uma POC. Significa produção, adoção, ter uma experiência de usuário que as pessoas realmente estejam utilizando e, então, escalar isso por todo o negócio”, pontuou.

O futuro da IA é a especialização por setor

Outro ponto importante levantado por Jarvis já tem gerado debates importantes que se relaciona com modelos especializados. Para o executivo, a evolução da tecnologia e a maturidade de infraestruturas como o Codex mudaram o perfil das equipes que implementam IA. Se no início o foco estava na engenharia de software básica para criar a “tubulação” dos sistemas, hoje a demanda central é o conhecimento de domínio. As soluções genéricas estão dando lugar a modelos ajustados para indústrias específicas.

“Começamos a nos mover muito mais para a expertise de domínio. Ficou muito mais sobre fazer o software se ajustar à indústria, do que simplesmente construir um software genérico de IA”, explicou o executivo da OpenAI.

Como exemplo, Jarvis citou aplicações especializadas em que engenheiros do setor automotivo usam instruções em linguagem natural para gerar e reiterar designs em softwares CAD, ou ferramentas focadas na redação de documentos regulatórios para ensaios clínicos na área de ciências da vida.

Modelos fronteira não são para todos

Apesar do entusiasmo do mercado com os avanços acelerados dos grandes modelos de linguagem (LLMs), Jarvis enfatizou que o uso de modelos de fronteira extremamente complexos não é uma necessidade universal para todas as companhias ou processos.

Na prática, a maioria dos desafios enfrentados pelas empresas não está na falta de capacidade do modelo, mas sim na governança e na infraestrutura necessária para implantá-lo com segurança. E mais uma vez voltamos à questão da governança que tem sido um desafio grande no Brasil e no mundo. Adaptar a governança corporativa sem que ela seja uma trava para que os testes e as implantações avancem tem sido um drama para as equipes de tecnologia.

“Em cerca de 20% dos casos, os clientes dizem que o modelo não consegue fazer o que precisam e precisa ser melhor. Mas em 80% dos casos, o desafio é: ‘Eu não consigo implantar, minha empresa precisa se adaptar para conseguir rodar isso’. Tornou-se muito menos sobre o modelo não conseguir fazer uma tarefa e muito mais sobre a implantação em si”, concluiu Jarvis.