Apenas 4% de 767 líderes norte-americanos de operações e supply chain declaram sucesso nas quatro condições que a PwC indica como preditivas da captura de valor por IA — IA totalmente embarcada em nível corporativo, agentes autônomos escalando sem barreiras significativas, uma estrutura operacional horizontal em pé e investimentos em tecnologia entregando os resultados esperados. 89% afirmam que seus investimentos em tecnologia não entregaram. 87% apontam a qualidade dos dados como a restrição determinante. E apenas 41% operam com o modelo operacional horizontal que 94% declaram necessário (PwC, 23 de abril de 2026). Os 96% não estão falhando porque sua IA é pior. Estão falhando porque estão sequenciando o que os 4% estão co-desenvolvendo.
Para um Head of Operations de uma função de 200 FTE finalizando o restante do roadmap de IA 2026, essa é a inversão operacional que deveria remodelar o plano deste trimestre. Executar deployment de IA, reestruturação horizontal, higiene de dados e redesenho de responsabilidade como um único programa de AI operating model — ou juntar-se aos 96% que, segundo os próprios dados da PwC, não conseguem extrair valor de nenhum desses elementos isoladamente.
Os 4% não são melhores em IA. São melhores em sequenciar.
A pesquisa PwC 2026 Digital Trends in Operations, publicada em 23 de abril e cobrindo 767 executivos norte-americanos de operações e supply chain, define os "4%" não pela maturidade de IA isolada mas pela conquista simultânea em quatro frentes que a maioria das funções de operações mid-market trata como trimestres separados de trabalho (DC Velocity, abril de 2026). Cada condição por si só é pouco notável. A variância está em rodarem em paralelo ou não.
Olhe para a distância entre aspiração e execução. 94% dos respondentes afirmam que um modelo operacional horizontal e colaborativo é necessário para capturar valor de IA em escala. Apenas 41% têm um. Essa lacuna de 53 pontos não é um problema de consciência — todo CHRO e COO da pesquisa sabe que o modelo precisa mudar. É um problema de sequenciamento. Os 96% estão dizendo: vamos consertar o modelo operacional depois que os pilotos de IA mostrarem valor. Os 4% estão dizendo: os pilotos de IA não vão mostrar valor até o modelo operacional ser consertado.
Os dados sustentam a segunda postura. 89% admitem que os investimentos atuais em tecnologia não produziram os retornos esperados. 87% apontam má qualidade de dados como o bloqueador de valor (PwC, 23 de abril de 2026). Esses dois números não são independentes. Os investimentos em tecnologia não entregam porque os dados que os alimentam são ruins. Os dados são ruins porque o modelo operacional não tem um único responsável por eles. O modelo operacional não tem responsável porque a empresa "ainda está em fase piloto de IA". A dependência fecha o ciclo, e a única saída é agir sobre os quatro problemas no mesmo trimestre.
Por que o playbook sequencial falha especificamente nas operações mid-market
O padrão sequencial — "primeiro fazemos deployment das ferramentas de IA, depois redesenhamos o modelo operacional, depois limpamos os dados, depois atribuímos responsabilidades" — é o ajuste padrão na maioria das funções de operações mid-market porque combina com a forma como ciclos de orçamento, planos de contratação e procurement de fornecedores realmente funcionam. Cada um é uma linha de despesa separada, sob um VP diferente, avaliado por uma métrica diferente. É exatamente a estrutura que produz o resultado dos 96%.
O relatório State of Organizations 2026 da McKinsey enquadra o mesmo achado pelo ângulo do modelo operacional: "Alcançar os ganhos de produtividade da IA exige questionar e redesenhar o modelo operacional de indivíduos e equipes, recabear ponta a ponta e construir capacidades ao mesmo tempo" (McKinsey, 2026). A expressão chave é "ao mesmo tempo". A tentação do mid-market é ler isso como "eventualmente". A análise da McKinsey é explícita ao dizer que "eventualmente" não funciona — o recabeamento é o que gera a produtividade, e o deployment de IA é o que gera o payoff do recabeamento. Desacople-os e nenhum dos dois produz o retorno.
Há uma segunda razão pela qual o playbook sequencial falha pior no mid-market que no enterprise. Uma função de operações de 200 FTE tem aproximadamente 8–12 trimestres de runway antes que sua tese de investimento em IA componha ou seja cortada. Gastar dois desses trimestres fazendo deployment de ferramentas, mais dois redesenhando o modelo operacional, mais dois em dados e mais dois em responsabilidade queima o runway antes que qualquer frente comece a reforçar as outras. A composição nunca começa. O conselho vê quatro linhas de custo e uma linha de ROI plana. O programa é reduzido. O padrão dos 4% não é sobre escala; é sobre tempo de ciclo, e o mid-market tem menos a desperdiçar.
O que "paralelo" realmente parece em uma função de operações de 200 FTE
Paralelo não significa quatro programas de prioridade igual rodando independentemente — isso produz caos em escala mid-market. Significa um único programa com quatro frentes sob um conjunto compartilhado de OKR, sequenciados dentro do trimestre em vez de ao longo de vários trimestres.
OKR compartilhado — não relatório de status compartilhado
O padrão dos 4% em escala mid-market tipicamente se ancora em um OKR trimestral que exige explicitamente que todas as quatro frentes se movam: uma melhoria mensurável em uma única métrica de throughput de decisão de alto julgamento (contratos fechados por semana, exceções resolvidas sem escalada, deals qualificados roteados corretamente), onde a métrica só se move se a IA está desplegada contra o workflow, o workflow é de propriedade horizontal, os dados que o alimentam estão limpos e uma pessoa nomeada é responsável pelo resultado. O OKR é a função forçante. Sem ele, as quatro frentes voltam por default a quatro roadmaps separados em quatro one-on-ones com VPs separados.
Um sponsor, um fórum semanal, um backlog
Os 41% com modelos operacionais horizontais compartilham uma característica estrutural que a maioria das funções de operações mid-market não tem: um sponsor do programa de IA que responde pelas quatro frentes, um fórum semanal onde os quatro líderes se sentam à mesma mesa e um backlog onde solicitações de IA, mudanças de modelo operacional, fixes de dados e decisões de responsabilidade são priorizados uns contra os outros. Quebrar o backlog entre IT, RH, dados e operações é como o sequenciamento se infiltra de volta.
Higiene de dados como operação diária, não como projeto
O dado dos 87% sobre qualidade de dados diz algo específico sobre como os 4% lidam com dados. Não estão rodando projetos pluri-trimestrais de limpeza de dados em paralelo ao deployment de IA. Estão integrando a higiene de dados na cadência operacional diária do time que usa a IA — cada escalada de agente que falha por qualidade de dados gera um pedido de fix no mesmo dia pelo qual o operador é responsável. Os dados melhoram na velocidade de uso do agente. Tratar dados como uma frente separada faz com que fiquem quatro trimestres atrás da IA; integrá-los às operações de agente faz com que avancem duas semanas.
O contra-argumento e por que os dados da PwC o encerram
O contra-argumento natural de um COO mid-market disciplinado em custos é: execução paralela custa mais adiantado, e os 96% estão sequenciando precisamente porque não podem se dar ao luxo da aposta paralela. Essa lógica é internamente coerente e produz a resposta errada. Os dados da PwC são incomumente diretos sobre as contas: 89% reportam que a abordagem sequencial atual já produziu investimentos em tecnologia que não entregaram, e 87% reportam que produziu uma camada de dados que bloqueia a captura de valor (PwC, 23 de abril de 2026). A aposta sequencial não é mais barata. Está apenas espalhada em mais trimestres, o que torna o fracasso menos visível trimestre a trimestre e impossível de reverter no final.
A aposta paralela em escala mid-market é também menor em termos absolutos que o recabeamento enterprise estilo McKinsey que o mesmo relatório descreve para firmas acima de US$ 10 bilhões. Uma função de operações de 200 FTE pode rodar um programa paralelo-quatro crível com um senior operator adicional (o sponsor do programa), um fórum semanal e um orçamento de dados e engenharia redirecionado — não aumentado. O investimento marginal é um cargo e uma reunião. O retorno marginal, conforme a distribuição da PwC, é a diferença entre o resultado dos 4% e o resultado dos 96% sobre o mesmo deployment de IA.
O que os dados da PwC não dizem
Vale a pena nomear dois limites, porque o enquadramento dos "4%" foi usado em ambas as direções e a pesquisa não sustenta nenhum dos dois extremos.
Os dados da PwC não dizem que IA não está funcionando em operações — está funcionando, nos 4% que atingiram as condições paralelas. Também não dizem que operações mid-market não podem replicar o padrão dos 4% — a amostra da pesquisa são líderes norte-americanos de operações e supply chain ao longo de todo o espectro, e o padrão paralelo-quatro é estrutural, não dependente de escala. O que os dados dizem é mais estreito e mais útil: o roadmap sequencial de IA, executado como quatro trimestres seriais de trabalho, tem uma taxa histórica de falha de 96% no grupo onde foi estudado mais a fundo. Não é uma previsão. É uma medição retrospectiva do que já aconteceu.
O segundo limite: "paralelo" não é o mesmo que "compra simultânea". O padrão dos 4% é sobre um único programa com responsabilidade compartilhada, não sobre comprar tudo de uma vez. Funções de operações mid-market que tentam comprar a plataforma de IA, a consultoria de modelo operacional, as ferramentas de dados e o framework de responsabilidade no mesmo trimestre tipicamente produzem o resultado dos 96% duas vezes mais rápido. A lógica paralela se aplica à responsabilidade de execução, não ao procurement de fornecedores.
A decisão para este trimestre
Para um Head of Operations finalizando o roadmap de IA deste trimestre entre hoje e o fim do Q2 2026, a implicação operacional se comprime em uma frase:
Nenhuma frente de deployment de IA é aprovada neste trimestre a menos que esteja emparelhada com a mudança de modelo operacional horizontal que requer, a cadência de higiene de dados da qual depende e a responsabilidade nomeada pelo resultado que deve produzir — e todas as quatro fiquem sob um único OKR com um único sponsor.
Se uma proposta não consegue descrever todas as quatro no mesmo documento, é uma aposta sequencial disfarçada de paralela, e a distribuição da PwC diz que vai produzir o resultado dos 96%. Se uma proposta consegue descrever todas as quatro, é uma candidata para a pequena minoria de investimentos em AI operating model que realmente compõem. O custo da triagem é uma reunião por proposta. O custo na baixa de não triar, nas trajetórias de gasto que a pesquisa descreve, é a maior parte do orçamento de IA nos próximos quatro trimestres.
O número dos 4% não é aspiracional. É o que já aconteceu em 767 líderes de operações que tinham as mesmas opções que o leitor deste artigo e escolheram uma estrutura em vez de outra. A pergunta agora é sobre qual estrutura o plano do próximo trimestre será construído.
