A febre dos agentes de IA chegou — e trouxe um problema junto
Em 2024, "agente de IA" era uma frase bonita em slide de estratégia. Em 2026, virou linha no orçamento, contrato com fornecedor e, em algumas empresas, até vaga no quadro de funcionários. A adoção explodiu de um jeito que nem a computação em nuvem cresceu tão rápido nos seus primeiros anos.
Os números impressionam. Segundo o Gartner, 80% dos aplicativos corporativos lançados ou atualizados no primeiro trimestre de 2026 já embarcam pelo menos um agente de IA. Dois anos antes, esse número era de apenas 33%. Em 24 meses, a presença de agentes dentro dos sistemas das empresas mais do que dobrou.
Mas há um detalhe que quase ninguém está contando nessa festa. No meio da corrida, circula um dado incômodo nos bastidores: mais de 40% dos projetos de agente de IA devem ser cancelados antes do fim de 2027. E não é porque os modelos ficaram ruins. É porque a conta, na maioria dos casos, simplesmente não fecha.
Todo mundo tem agentes. Quase ninguém tem resultado.
É aqui que a história fica interessante. A adoção é quase universal, mas o valor... nem tanto. Dados da S&P Global e da McKinsey mostram que 31% das empresas já rodam pelo menos um agente de IA em produção de verdade. Bancos e seguradoras lideram, com perto de 47%. Já a saúde fica em 18% e o governo em 14%, travados por burocracia e pela sensibilidade dos dados.
Olhando só esses números, parece que estamos indo muito bem. Mas quando a pergunta muda de "você tem um agente?" para "esse agente gera retorno?", o quadro desmorona. Um estudo do MIT sobre IA generativa descobriu que 95% dos pilotos corporativos não mostram retorno financeiro mensurável. Só 5% das implantações geram impacto real no resultado.
A McKinsey reforça o diagnóstico: menos de 10% das empresas que experimentaram agentes conseguiram escalar pelo menos um deles a ponto de entregar valor mensurável. Em outras palavras, ter um agente rodando é fácil. Fazer ele pagar as próprias contas é raro.
O ROI que todo mundo cita — e o que ele esconde
Os números de retorno que circulam por aí são, ao mesmo tempo, verdadeiros e enganosos. As empresas que realmente rodam agentes em produção relatam um retorno médio de 171% sobre o investimento — nos Estados Unidos, 192%. O tempo médio para o projeto se pagar é de cerca de 5 meses.
Parece ótimo, certo? O problema é que essa média esconde um abismo. Os casos de sucesso são poucos, mas puxam a média lá para cima. A imensa maioria fica no meio do caminho: gastou, experimentou, não viu o valor aparecer e abandonou em silêncio.
É o que os analistas chamam de "piloto eterno". A empresa monta um projeto piloto, o agente funciona bem o suficiente dentro de um ambiente controlado, mas nunca chega a mexer nos processos de verdade. O projeto roda meses, ninguém consegue apontar um ganho concreto e, um dia, ele simplesmente some do roadmap — sem alarde, sem enterro oficial.
O Gartner aponta a causa mais comum desses cancelamentos, e ela não tem nada a ver com o modelo de IA. São falhas de governança: custos subindo, valor de negócio pouco claro e controles de risco fracos. A tecnologia funciona. O processo em volta dela é que não.
Quem está adotando de verdade
A adoção também é muito desigual de um setor para outro. Bancos e seguradoras saem na frente porque os dados já vêm limpos e o retorno é fácil de justificar para a diretoria. Já saúde e governo ficam para trás, presos em ciclos de regulação e aprovação.
| Setor | Agentes em produção | O que está travando ou acelerando |
|---|---|---|
| Bancos e seguros | ~47% | Dados de transação limpos e ROI fácil de defender |
| Software e TI | Liderança geral | Uso natural em código, atendimento de tickets e DevOps |
| Saúde | ~18% | Ciclos de regulação e sensibilidade dos dados dos pacientes |
| Governo | ~14% | Burocracia de licitação e responsabilidade pública |
O mesmo vale para o porte da empresa. Nas organizações da Fortune 500, a média é de 3,4 agentes distintos por empresa. Nas de médio porte, cai para 1,9. Nas pequenas, para 1,2. E nas microempresas, para 0,7. Quanto maior a empresa, mais agentes — mas também mais dinheiro jogado em piloto que não vai a lugar nenhum.
O lado perigoso: agentes "fantasmas" dentro da empresa
Existe um problema ainda mais silencioso por trás dessa febre. Uma pesquisa da Cloud Security Alliance descobriu que 82% das empresas têm agentes de IA rodando na infraestrutura sem que a equipe de TI saiba. É o chamado "shadow AI" — funcionários usando ferramentas de agente por conta própria, sem governança, sem controle, sem ninguém olhando.
As consequências não são teóricas. Das empresas ouvidas, 65% já sofreram algum incidente ligado a agentes de IA nos últimos 12 meses. Desse grupo, 61% tiveram exposição de dados, 43% interrupção de operações e 35% prejuízo financeiro.
Ou seja: enquanto a diretoria comemora a "transformação digital", pode haver uma frota inteira de agentes não autorizados mexendo em dados sensíveis sem que ninguém saiba. O Gartner tem até um nome para quem empurra esse cenário: "agent washing". De milhares de fornecedores que se dizem de agente de IA, só cerca de 130 de fato entregam capacidade agêntica de verdade. O resto vende automação simples com um nome novo.
O que separa os 5% que dão certo dos 95% que falham
Se a maioria falha, o que os poucos casos de sucesso têm em comum? Três coisas, basicamente: dados limpos, métrica clara e um dono responsável pelo projeto.
O caso da Klarna é o mais citado. O agente de atendimento da fintech sueca hoje faz o trabalho equivalente a 853 funcionários em tempo integral — era 700 no ano anterior — e gera uma economia anual de cerca de 60 milhões de dólares. O tempo de resposta caiu 82% e os contatos repetidos diminuíram 25%.
O JPMorgan roda mais de 450 casos de uso de agente em produção todos os dias. O banco DBS, de Singapura, atribui cerca de 740 milhões de dólares em valor econômico à IA, com mais de 1.500 modelos em operação. E a Salesforce usou a própria plataforma Agentforce para cortar cerca de 5 milhões de dólares em custos jurídicos.
O padrão é sempre o mesmo: essas empresas não começaram pela tecnologia. Começaram por um processo com dados já organizados e uma métrica que todo mundo já acompanhava. Aí, sim, colocaram o agente por cima. O agente foi o último passo, não o primeiro.
O que isso significa para o Brasil
Para as empresas brasileiras, a lição é dupla. Por um lado, a onda de agentes é real e não vai embora — ignorar é perder competitividade. Por outro, sair comprando agente por agente sem ter o básico arrumado é receita para entrar na estatística dos 40% cancelados.
No Brasil, onde processos costumam ser menos padronizados e os dados menos organizados que nos grandes mercados, o risco do "piloto eterno" é ainda maior. A tentação de automatizar antes de organizar é forte. Mas os casos que dão certo mostram que a ordem certa é outra: primeiro organizar o processo, depois definir a métrica, nomear o dono — e só então ligar a máquina.
O recado final é simples. Agente de IA não é varinha mágica que conserta processo bagunçado. É um multiplicador: em cima de um processo bom, ele voa. Em cima de um processo ruim, ele só deixa a bagunça mais rápida.