Noventa e um por cento das empresas do mid-market dizem confiar na própria competência interna em IA. Dez por cento de fato levaram todas as suas iniciativas de IA além da fase piloto (IT Brief UK, 2026).
Os mesmos 500 respondentes. A mesma pesquisa. As mesmas seis semanas de campo.
A distância entre esses dois números é onde os pilotos de IA do mid-market vão morrer — e o motivo pelo qual a maioria morre não é o que está sendo financiado. Quando os mesmos executivos foram perguntados por que os projetos travaram, 48% apontaram falta de competência em IA. Ou seja: culpam exatamente a capacidade que acabaram de se autoavaliar em 91%.
Isso não é uma lacuna de competências. É um erro de diagnóstico — e sai caro.
O que a pesquisa da Klarus realmente mediu
A Klarus, em parceria com a Vitreous World, publicou seu estudo sobre IA no mid-market em 8 de julho de 2026. A amostra: 500 decisores seniores de empresas do Reino Unido e da Irlanda com receita entre £200 milhões e £2 bilhões e de 300 a 3.000 funcionários — proprietários, C-suite, VPs, diretores e líderes de área com autoridade sobre decisões tecnológicas (IT Brief UK, 2026).
Adoção não é o problema. Setenta e três por cento haviam implantado IA parcial ou totalmente. Entre os que a exploraram, apenas 10% escalaram todas as iniciativas além do piloto — deixando 90% com trabalho parado ou preso em fases iniciais (Klarus, 2026).
Esse segmento não é marginal. A Klarus cita dados do NatWest que colocam o mid-market britânico em 30% do Valor Adicionado Bruto, com apenas 0,5% das empresas. Uma taxa de travamento de 90% nessa faixa não é curiosidade do setor de tecnologia. É uma linha de produtividade nacional — e, mais imediatamente, o seu orçamento operacional.
A inversão confiança–competência
Leia as duas cifras principais juntas e uma patologia específica aparece.
91% de confiança na competência interna. 48% apontando a falta de competência como causa da morte dos pilotos. 39% nomeando "desenvolver competência interna" como prioridade dos próximos doze meses.
Esses três números não podem descrever com precisão a mesma organização. O que descrevem é um time confiante no abstrato e improvisado no concreto — competente em usar ferramentas de IA, não testado em colocá-las em produção. A confiança é real; ela apenas mede a coisa errada. Saber escrever um prompt não é saber rodar um modelo contra dados operacionais reais, com trilha de auditoria, um responsável e um plano de rollback.
A consequência é orçamento mal direcionado. Quando líderes acreditam que a restrição é competência, contratam. Compram licenças de treinamento, promovem semanas de enablement, abrem uma vaga de engenheiro de IA. Enquanto isso, o bloqueio real permanece um andar abaixo, intocado, e o próximo piloto morre exatamente da mesma causa do anterior.
A restrição que ninguém financia: por que os pilotos de IA do mid-market travam nos dados
Eis o que os mesmos executivos relataram quando perguntados sobre seus dados, e não sobre suas pessoas.
Oitenta e três por cento das empresas que pilotaram ou implantaram IA relataram baixa qualidade de dados. Sessenta e nove por cento disseram que isso estava ativamente impedindo ou atrasando o trabalho com IA (IT Brief UK, 2026).
E quando os projetos atenderam às expectativas, os respondentes nomearam a razão: qualidade de dados sólida, citada como crítica por 59% — à frente de governança, segurança, privacidade e ética, com 54%.
A pesquisa responde à própria pergunta. Qualidade de dados é o fator de sucesso mais citado entre os vencedores e uma queixa quase universal entre os travados. Ela simplesmente não é o que se culpa, porque culpar os próprios dados é menos lisonjeiro do que culpar o mercado de trabalho.
Duas instituições independentes, sem interesse em um contrato de consultoria com o mid-market, apontam na mesma direção. O Gartner prevê que, até 2026, as organizações abandonarão 60% dos projetos de IA não sustentados por dados "AI-ready" (Gartner, 2025). A RAND, após entrevistas estruturadas com 65 cientistas e engenheiros de dados experientes, colocou dados inadequados entre suas cinco causas-raiz de fracasso de projetos de IA — ao lado de entender mal o problema, perseguir a tecnologia em vez do caso de uso e infraestrutura insuficiente para implantar e manter modelos (RAND Corporation, 2024).
Três conjuntos de dados. Um de uma pesquisa no mid-market britânico, um de uma previsão de analistas, um de uma instituição de pesquisa americana entrevistando profissionais. Nenhum deles aponta talento como a restrição principal.
Governança é o mesmo problema com outro rótulo
Cinquenta e nove por cento dessas empresas não têm um framework abrangente de governança de IA. Quarenta e oito por cento citaram preocupações de governança, ética, segurança ou privacidade como motivo de travamento — a mesma fatia que culpou a falta de competência (IT Brief UK, 2026).
Trate isso como um achado, não dois. Um piloto sem framework de governança não tem caminho definido para produção, porque ninguém respondeu quem aprova as saídas do modelo, o que acontece quando uma está errada, quais dados podem sair da empresa e quem será o dono daquilo em noventa dias. Sem essas respostas, um piloto bem-sucedido não pode ser promovido. Só pode ser repetido.
Esse é o mecanismo por trás dos 90%. A maior parte do trabalho de IA travado não está falhando tecnicamente. Passa no piloto e então chega a um portão que ninguém construiu — e espera.
Apenas 35% planejam reforçar seus guardrails de IA no próximo ano. Para a maioria, o portão continua sem ser construído.
Por que não aceitar esses números sem crítica
Quero ser franca sobre a fonte, porque o reflexo de descontá-la está parcialmente certo.
A Klarus é uma empresa de serviços de tecnologia que vende exatamente para esse mercado. Uma pesquisa concluindo que empresas do mid-market precisam de melhores fundações de dados e governança mais forte é, comercialmente, a pesquisa que ela gostaria de publicar. A amostra é apenas Reino Unido e Irlanda, então os percentuais específicos não devem ser transplantados para uma operação americana ou da UE sem ajuste. E todo número aqui é autodeclarado: "83% relatam baixa qualidade de dados" mede o que executivos acreditam sobre seus dados, não uma auditoria deles.
Duas ressalvas, porém, puxam no sentido contrário.
O viés de autorrelato nesta pesquisa joga contra o achado, não a favor. Executivos que superestimam a própria competência em 91% não são uma população inclinada a exagerar as próprias fraquezas. Se algo, 83% é um piso.
E a corroboração é independente. A previsão do Gartner sobre dados AI-ready e as entrevistas da RAND com profissionais foram produzidas com anos de distância, em continentes diferentes, sem relação comercial com a Klarus. Quando uma pesquisa patrocinada por fornecedor, uma previsão de analistas e um estudo de corte acadêmico convergem, o incentivo comercial merece ser anotado e depois posto de lado.
O que nenhum deles diz é se os seus pilotos estão travando por essa razão. Isso só os seus próprios dados respondem — e, pela minha experiência, quase nunca se pergunta nessa forma específica.
O que muda numa empresa de 300 a 3.000 pessoas
Não é a história do "purgatório dos pilotos" que você já leu
O mid-market já ouviu três explicações diferentes para o travamento de pilotos de IA: que os direitos de decisão não têm dono, que programas maduros governam demais e matam os próprios experimentos e, agora, que a camada de dados nunca esteve pronta. Não são explicações concorrentes. São três portões no mesmo caminho, e um piloto precisa passar por todos.
A distinção que importa operacionalmente é o sequenciamento. Direitos de decisão e governança se resolvem com uma decisão — alguém com autoridade nomeia um dono e um caminho de aprovação, e o portão existe até sexta-feira. Fundações de dados, não. Reconciliar entidades entre três sistemas, preencher os campos que ninguém tornou obrigatórios e estabelecer linhagem nas tabelas que o modelo realmente vai consumir é um trimestre de trabalho sem glamour e sem demo no fim.
É exatamente por isso que ele continua perdendo a disputa orçamentária para um programa de treinamento.
A ilusão dos dados curados
Nesse porte você não tem uma função de engenharia de dados com capacidade sobrando. Você tem duas ou três pessoas que sabem onde mora a verdade em cada sistema, e elas já estão totalmente comprometidas.
Essa é a verdadeira restrição de escala, e explica um padrão que a maioria dos líderes de operações reconhecerá: pilotos vencem em dados curados e falham em dados de produção. O piloto rodou contra um extrato limpo que alguém preparou à mão. A produção roda contra o sistema de registro, com seus IDs de cliente duplicados, seu campo de status em texto livre e seus quatro anos de registros migrados que ninguém validou.
Nada do modelo mudou entre as duas execuções. Os dados mudaram.
Mais um achado que vale reter: 45% disseram que a IA está ajudando funcionários juniores a trabalhar melhor ou mais rápido, e 24% que ela está criando novos papéis (Klarus, 2026). O efeito imediato da IA sobre a força de trabalho no mid-market aparece como apoio a tarefas e redesenho de funções, não como corte de pessoal. Se o seu business case de IA está construído sobre economia de mão de obra enquanto seus pares relatam ganhos de capacidade, você não está sendo mais rigoroso que eles. Está medindo um retorno que esse segmento ainda não produz.
Três movimentos antes de financiar o próximo piloto
Audite os dados, não o time
Antes que a próxima iniciativa receba orçamento, pegue os três conjuntos de dados que ela de fato vai consumir e verifique quatro coisas: completude, taxa de duplicação, propriedade e linhagem. Não o data warehouse em geral — aquelas três tabelas. Isso toma uma semana de um analista e dirá mais sobre as chances do piloto do que qualquer avaliação de capacidade de quem o conduz.
Construa o portão de promoção antes de rodar o piloto
Escreva, com antecedência, o que um piloto precisa demonstrar para chegar à produção, quem aprova, quem passa a ser dono depois e o que acontece quando uma saída está errada. Cinquenta e nove por cento desse mercado não tem framework algum. Um piloto sem saída definida não é um experimento; é uma demo com linha orçamentária.
Realoque uma libra de treinamento para uma libra de dados
Se o seu plano de IA para 2026 financia enablement e contratações, mas nada em qualidade de dados, você está financiando a explicação de 48% em vez da de 83%. Não é preciso abandonar o treinamento. É preciso uma linha do outro lado do razão, dimensionada para um trimestre de remediação real.
Uma decisão neste trimestre
Pegue o seu piloto de IA mais recente que não escalou e escreva uma única frase dizendo por que ele parou. Depois confronte essa frase com os dados sobre os quais ele rodava.
Se a resposta honesta for que o modelo funcionava e o pipeline não, não faltou competência em IA. Faltou a coisa chata, não financiável e inteiramente corrigível que está por baixo — e os 90% que nunca escalaram um piloto de IA no mid-market são, em sua maioria, pessoas que continuaram financiando a metade errada do problema.
91% de confiança não compram nada. 10% escalados é o único número no placar.
