Projetos de inteligência artificial podem funcionar bem em testes, mas enfrentam dificuldades quando precisam chegar à operação de uma empresa. Um novo estudo da Ecosistemas Global aponta oito fatores que ajudam a explicar esse descompasso. Entre eles estão a falta de um responsável no negócio, dados espalhados, processos inadequados, baixa integração entre sistemas, ausência de testes específicos e dificuldade para acompanhar custos.

O levantamento também cita problemas regulatórios e contratuais tratados apenas em etapas avançadas dos projetos. A capacitação das equipes aparece como outro desafio. Em algumas organizações, a utilização das ferramentas permanece baixa ou fica concentrada em poucos profissionais com conhecimento técnico.

O problema pode estar fora do modelo

Para a Ecosistemas Global, parte dos obstáculos ao avanço da IA não está relacionada à tecnologia usada. Processos mal estruturados, dados pouco confiáveis, arquitetura inadequada e falta de indicadores podem comprometer o resultado mesmo quando o modelo funciona corretamente.

Um sistema pode, por exemplo, entregar uma resposta adequada, mas não conseguir executar a atividade seguinte por falta de conexão com outras aplicações. Dados inconsistentes também podem reduzir a qualidade das respostas e dificultar o uso da IA em processos críticos.

Rodrigo Cabot, Gerente de Desenvolvimento de Negócios, Alianças e Estratégia Tecnológica da Ecosistemas Global, explicou em nota que “a IA gera valor quando deixa de ser um teste isolado e se transforma em uma capacidade operacional. Para chegar a esse ponto, não basta escolher um modelo: é preciso integrar dados e aplicações, testar comportamentos, definir responsáveis e medir resultados”.

Cinco níveis de maturidade

O relatório “IA bajo control: Tendencias en IA Generativa, Automatización Inteligente y Gobernanza 2026” propõe uma forma de medir o grau de maturidade das empresas na adoção da tecnologia. O modelo é dividido em cinco etapas: exploração, experimentação controlada, integração, governança e escala mensurável.

Nos primeiros níveis, a IA costuma aparecer em ferramentas independentes e com pouca estrutura de gestão. No estágio mais avançado, os recursos de inteligência artificial passam a fazer parte da operação contínua. O desempenho também é acompanhado por indicadores econômicos e ciclos regulares de melhoria.

A proposta é ajudar as empresas a identificar em que ponto estão e quais mudanças precisam fazer para avançar. A avaliação considera aspectos tecnológicos, organizacionais e de governança.

O que fazer nos próximos 90 dias

O estudo recomenda cinco medidas para organizações que querem estruturar a expansão da IA. A primeira é criar um inventário de ferramentas, modelos, agentes e casos de uso já existentes.

Depois, as empresas devem classificar essas aplicações considerando fatores como impacto, autonomia, dados envolvidos e nível de risco. Também é necessário definir claramente quem responde por cada etapa, envolvendo áreas de negócio, tecnologia, dados, segurança e conformidade.

Outra recomendação é estabelecer metas e critérios para decidir quando uma solução pode avançar para uma implementação maior. O relatório também defende a realização de testes e o monitoramento contínuo durante todo o ciclo de vida dos sistemas.

Segundo o levantamento, essas ações podem começar mesmo enquanto regras e marcos regulatórios ainda estão em evolução. A organização antecipada dos processos tende a diminuir retrabalho e facilitar ajustes diante de novas exigências.

Brasil precisa combinar IA e governança

A análise compara o cenário regulatório de Brasil, Argentina, Chile, Espanha, Estados Unidos e México. Apesar das diferenças entre os países, o relatório identifica temas recorrentes para a gestão da inteligência artificial, como responsabilidade, transparência, proteção de dados, segurança, rastreabilidade e supervisão humana.

Para empresas que atuam em diferentes mercados, a recomendação é adotar uma estrutura básica de governança válida para toda a organização e acrescentar controles específicos conforme a legislação local, o setor de atuação e o risco de cada aplicação.

No Brasil, o estudo considera a Lei Geral de Proteção de Dados Pessoais (LGPD), a atuação da Autoridade Nacional de Proteção de Dados (ANPD) e as discussões legislativas sobre inteligência artificial como referências importantes para as empresas.

Entre os pontos que devem receber atenção estão a definição da base legal para uso de dados, a origem das informações utilizadas no treinamento dos sistemas, os mecanismos de revisão, a rastreabilidade e a supervisão de fornecedores e outros terceiros. A evolução da IA generativa e o uso de dados pessoais também aparecem entre os temas que exigem acompanhamento contínuo.