O salto tecnológico nos últimos anos foi rápido o suficiente para mudar os rumos da discussão sobre inteligência artificial. Em menos de três anos, a IA deixou de ser uma tecnologia experimental e passou a ocupar um lugar central nas estratégias de produtividade, inovação e competitividade das empresas. Segundo o relatório The State of AI, da McKinsey, 78% das organizações já utilizam inteligência artificial em pelo menos uma função de negócio, percentual que era de 55% em 2023. O avanço evidencia a velocidade com que esses recursos passaram a integrar as operações corporativas.
O problema é que a adoção avançou mais rápido do que a capacidade de estruturar essa nova infraestrutura digital. Com a popularização da IA generativa, as barreiras de entrada caíram de forma significativa. Hoje, praticamente qualquer organização consegue testar, implementar e colocar modelos em produção em diferentes áreas do negócio. Isso gerou uma expansão acelerada de iniciativas, pilotos e provas de conceito. Ao mesmo tempo, surgiu um efeito colateral recorrente: a proliferação de soluções desconectadas entre si, muitas delas com baixo grau de reaproveitamento e alto custo de manutenção em relação ao valor gerado.
O desafio deixou de ser o acesso às ferramentas e passou a ser integração, coerência entre múltiplas iniciativas e, cada vez mais, eficiência no uso do investimento em IA. O ponto central agora é conseguir sustentar a IA de forma consistente em ambientes produtivos sem transformar experimentação em desperdício contínuo de recursos.
Isso exige três bases fundamentais: arquitetura de dados consistente e escalável, integração entre sistemas legados e novas aplicações baseadas em IA e governança contínua sobre modelos. Sem esse tripé, essas iniciativas tendem a permanecer restritas a casos isolados, com impacto limitado, pouca capacidade de escala e retorno abaixo do esperado frente ao volume de investimento realizado.
IA agêntica e a nova camada de complexidade
A evolução para sistemas de IA agêntica amplia de forma relevante o potencial de automação nas empresas. Ao permitir que modelos executem tarefas com maior autonomia e coordenem fluxos de decisão, essas aplicações ampliam o nível de sofisticação das operações corporativas. Mas esse avanço também introduz uma nova camada de complexidade operacional.
Na prática, implementar agentes exige muito mais do que capacidade técnica. Envolve definição clara de escopo, regras de atuação, integração com sistemas existentes e mecanismos robustos de controle e monitoramento contínuo. Sem isso, a promessa de simplificação pode se inverter: em vez de reduzir a complexidade, ela apenas muda de lugar.
Esse movimento começa a aparecer com mais clareza na maturação do mercado. Segundo o Gartner, cerca de 40% dos projetos de IA agêntica devem ser interrompidos até 2027. Esse cenário revela que o principal obstáculo já não é tecnológico, mas econômico: a dificuldade de sustentar iniciativas cujo custo de operação cresce em ritmo superior ao retorno produzido em escala.
E esse não é um novo padrão. Em conversas com empresas que estão avançando nessa jornada, é comum encontrar o mesmo cenário já visto em outras ondas tecnológicas: muitos experimentos, múltiplos pilotos, alto investimento distribuído e pouca consolidação em arquitetura. Foi assim com cloud computing, com automação de processos e agora com a IA agêntica.
Nesse contexto, esse movimento deixa de representar apenas uma evolução tecnológica e passa a funcionar como um teste de maturidade arquitetural e financeira. Sem bases sólidas de dados, integração e governança, agentes tendem a ampliar a fragmentação existente. E, ao mesmo tempo, aumentar o custo de coordenação desse ecossistema.
Da adoção à estrutura
A adoção de IA não depende apenas de ferramentas, mas exige maturidade organizacional, capacidade de redesenhar processos e alinhamento entre áreas de negócio e tecnologia. Em muitos casos, o obstáculo está na dificuldade de adaptar estruturas existentes para incorporar inteligência de forma nativa.
O estágio atual da inteligência artificial nas empresas pode ser entendido como uma transição. De um lado, a IA ainda é tratada como um conjunto de aplicações voltadas a casos específicos. De outro, começa a surgir a necessidade de tratá-la como parte da arquitetura central do negócio.
O desafio dessa transição é sair da experimentação dispersa e avançar para soluções capazes de gerar valor contínuo. Isso significa integrar modelos, dados e processos de forma estruturada, com condição real de operação em escala e eficiência econômica.
No fim, o diferencial competitivo está na capacidade de incorporá-la em infraestrutura sustentável do ponto de vista técnico e financeiro. Como em outras ondas tecnológicas, a diferença será feita por quem conseguir transformar a experimentação em operação, com escala, governança e geração contínua de resultados.
*Por Emerson Moraes, head de tecnologia da Geoambiente.
