Por que 95% dos Projetos de IA Falham e o que isso significa para a Educação Superior

Em julho de 2025, o MIT Project NANDA publicou um dos diagnósticos mais contundentes sobre a aplicação da Inteligência Artificial no mundo corporativo: o relatório State of AI in Business 2025.
O estudo analisou 300 iniciativas públicas de IA, conduziu entrevistas estruturadas com 52 organizações e ouviu 153 líderes seniores em quatro grandes conferências globais.

O resultado? Um alerta claro: 95% dos projetos de GenAI não entregam retorno mensurável, criando um abismo chamado de GenAI Divide.

Clique aqui para baixar o relatório completo.

1. O que é o GenAI Divide

Apesar de um investimento global estimado entre US$ 30–40 bilhões em GenAI, apenas 5% dos projetos corporativos conseguiram gerar impacto em produtividade ou P&L.

O MIT descreve esse fenômeno como um divisor de águas:

• De um lado, pilotos travados, uso genérico de ferramentas como ChatGPT e Copilot e iniciativas sem ROI.

• Do outro, poucos casos bem-sucedidos, focados em processos críticos, com sistemas capazes de aprender, adaptar-se e integrar-se profundamente ao fluxo das empresas.

2. Por que a maioria falha

O relatório identifica quatro padrões centrais:

1. Disrupção limitada – Apenas os setores de Tecnologia e Mídia mostram mudanças estruturais claras.

2. Paradoxo das grandes empresas – Corporações lideram em volume de pilotos, mas escalam menos que organizações de médio porte.

3. Viés de investimento – Cerca de 70% dos budgets vão para Marketing e Vendas, mas o ROI maior está no back-office (financeiro, secretaria, operações).

4. Vantagem externa – Projetos feitos em parceria com fornecedores especializados têm o dobro da taxa de sucesso em relação a builds internos.

3. O “Learning Gap”: a lacuna que trava a IA

Mais do que limitações de modelo ou regulação, o maior gargalo é o que os autores chamam de learning gap:

• A maioria dos sistemas não aprende com feedback.

• Não mantém memória persistente.

• E exige contexto manual a cada uso, o que inviabiliza tarefas críticas.

Esse problema explica por que ferramentas de uso pessoal (como ChatGPT) agradam, mas não escalam para processos centrais de empresas.

4. A economia paralela do “Shadow AI”

Embora apenas 40% das empresas tenham assinado oficialmente soluções de LLM, 90% dos trabalhadores já utilizam IA de forma informal em suas rotinas.

Esse fenômeno, chamado de Shadow AI, mostra que a transformação já ocorre “pelas beiradas”: funcionários adotam IA pessoalmente, enquanto os projetos formais ainda estão presos em pilotos.

5. Onde está o ROI real

O relatório traz evidências contundentes de onde a IA realmente gera retorno:

• Back-office e BPO replacement:

  • Redução de US$ 2–10 milhões/ano em terceirização de atendimento e processamento documental.

  • Corte de –30% em gastos com agências externas.

• Front-office:

  • +40% na velocidade de qualificação de leads.

  • +10% em retenção de clientes com follow-ups inteligentes.

O dado mais importante: esses ganhos não vieram de demissões em massa, mas da substituição de serviços externos e aumento de eficiência interna.

6. Como os vencedores atravessam o Divide

O relatório aponta três estratégias críticas para empresas e startups que conseguem extrair valor:

1. Foco estreito e de alto valor – começar em microprocessos visíveis, com baixo setup, e depois expandir.

2. Parcerias estratégicas – co-desenvolver com fornecedores confiáveis, em vez de construir tudo internamente.

3. Medir por métricas de negócio – ROI em KPIs claros (retenção, ciclo de processos, redução de BPO) e não apenas benchmarks de acurácia.

7. O futuro: o Agentic Web

A próxima fronteira está nos sistemas Agentic AI: agentes que aprendem, lembram e atuam de forma autônoma.
Protocolos como MCP (Model Context Protocol), A2A (Agent-to-Agent) e o próprio NANDA estão criando a infraestrutura para o Agentic Web — uma rede de agentes que descobrem fornecedores, negociam e integram processos de forma independente.

8. O que isso significa para as IES brasileiras

As Instituições de Ensino Superior enfrentam desafios análogos aos relatados no estudo:

• Pilotos que não escalam: chatbots para captação ou atendimento que não integram CRM, ERP ou Secretaria.

• Shadow AI já em uso: professores, coordenadores e analistas que recorrem a ChatGPT e ferramentas pessoais sem governança.

• Investimentos enviesados: foco em campanhas de captação, quando o maior ROI está em secretaria acadêmica, cobrança e processos regulatórios.

• Potencial de ROI:

  • Reduzir terceirização (BPO) em atendimento e documentos de matrícula (benchmark MIT: US$ 2–10M/ano em economia).

  • Diminuir gastos com agências externas (benchmark MIT: –30%).

  • Aumentar conversão de inscritos para matriculados em +10%, com agentes de follow-up inteligentes.

Para as IES, o recado é claro:

• Menos pilotos genéricos, mais pilotos com memória e integração.

• Menos foco apenas em marketing, mais investimento em back-office.

• Parcerias externas ao invés de builds internos.

Em um horizonte de 18 meses, as universidades que consolidarem fornecedores capazes de aprender com seus fluxos acadêmicos e financeiros criarão barreiras de troca duradouras — tal como descrito no relatório para outros setores.

9. Conclusão

O relatório do MIT evidencia que o problema não está na tecnologia, mas na forma como ela é implementada.
O GenAI Divide é, antes de tudo, um problema de aprendizado organizacional e integração de processos.

Para as IES brasileiras, a lição é direta: a janela está aberta até 2026. As instituições que souberem aplicar IA de forma customizada, integrada e orientada a ROI não apenas atravessarão o Divide, como ganharão vantagem competitiva duradoura no setor educacional.