Quarenta por cento das iniciativas de IA nas maiores empresas da Europa são mantidas como pilotos perpétuos — nunca encerrados, nunca escalados — "por design". Esse número não cai à medida que as organizações melhoram em IA. Sobe. Dentro dos programas de IA mais maduros, a parcela de pilotos permanentes sobe para 48%, mesmo quando o gasto médio em IA atinge 39,2 milhões de libras por ano e cresce 27% ano a ano (Valliance, via Consultancy.uk, 2026). Mais experiência, mais orçamento, mais sofisticação — e mais pilotos que não levam a lugar nenhum. Esse é o paradoxo, e é o sinal mais claro até agora de que o que quebra os retornos da IA não são os experimentos. É a decisão ausente que deveria segui-los.
A leitura reflexa desses dados é "pilotos de IA fracassam, então cuidado ao iniciá-los". Essa é exatamente a lição errada. O achado mais afiado enterrado na pesquisa da Valliance com 1.000 altos executivos é que a experimentação funciona bem; o que falta é o portão kill-or-scale — o momento em que alguém examina um piloto, contra métricas combinadas de antemão, e o declara morto ou pronto para produção. Para um Head of Operations de uma empresa de 200 funcionários que está fechando o plano de IA do próximo ano, o problema da passagem do piloto à produção não é um motivo para desacelerar. É um motivo para instalar uma decisão que seus pares das grandes empresas, com todo o orçamento deles, ainda não têm.
O paradoxo: a maturidade deveria curar a "pilotite". Não cura.
O modelo intuitivo de aprendizado organizacional diz que quanto mais projetos de IA você executa, melhor fica em concluí-los. Você cria músculo: aprende quais casos de uso escalam, mata os fracos mais rápido, sua taxa de acerto sobe. Os dados da Valliance dizem que no topo do mercado acontece o oposto. As organizações com os programas mais consolidados são as que acumulam mais pilotos perpétuos — 48% contra 40% de base (Valliance, via Consultancy.uk, 2026).
Isso deveria fazer você parar. Significa que a "pilotite" — a condição de experimentar sem fim sem nunca se comprometer — não é uma doença de iniciante que a maturidade cura. É uma condição estrutural que a maturidade amplifica, porque programas maduros têm o orçamento para manter mais pilotos vivos indefinidamente e a complexidade política para evitar matar qualquer um. Cada piloto tem um patrocinador. Cada patrocinador tem uma razão pela qual ele "ainda está aprendendo". Ninguém é dono do veredito. O resultado é um portfólio que cresce nas margens e nunca se resolve no centro.
A Valliance é precisa sobre o mecanismo: o fracasso não é o experimento, é o que acontece — ou não — depois. Métricas de sucesso ruins, baixa adoção e contratos de consultoria estruturados para estender em vez de concluir empurram os pilotos para uma órbita de espera. Os 39,2 milhões de libras de gasto médio não compram sistemas de produção. Uma grande parte compra o direito de continuar rodando experimentos que ninguém jamais encerrará formalmente.
Por que "a experimentação fracassou" é o diagnóstico errado
Eis por que a distinção importa operacionalmente. Se o diagnóstico é "a IA não funciona", o tratamento é implantar menos. Se o diagnóstico é "nunca decidimos", o tratamento é governança — e o ganho de acertar é grande e bem documentado.
Quando a IA está genuinamente integrada a um fluxo de trabalho em vez de deixada no limbo do piloto, a diferença de desempenho não é marginal. O experimento de campo da Harvard Business School e BCG com trabalhadores do conhecimento descobriu que os consultores que usavam a IA corretamente concluíam tarefas cerca de 25% mais rápido e produziam trabalho avaliado em cerca de 40% mais alto em qualidade do que o grupo de controle (Harvard Business School & BCG, 2023). Esse é o prêmio que aguarda do outro lado do portão. A organização de pilotos perpétuos paga o preço cheio da IA e colhe quase nenhum retorno, porque o ganho de qualidade de 40% só se materializa quando a ferramenta está em produção, no fluxo de trabalho diário, com adoção — não quando está sendo "avaliada" num ambiente de testes pelo décimo oitavo mês.
O custo de não decidir aparece também nos dados macro. A análise de 2025 do MIT, amplamente citada, constatou que cerca de 95% dos pilotos de IA generativa em empresas não produziram nenhum impacto mensurável na demonstração de resultados — apenas cerca de um em vinte cruzou para um retorno financeiro real (MIT, via Fortune, 2025). Lida junto com a Valliance, a imagem fica mais nítida: o problema não é que a IA não possa render — os poucos que a integram bem rendem muitíssimo. O problema é que a esmagadora maioria dos pilotos nunca é obrigada a provar que rende, e por isso cai nos 95% por inércia.
Esse é o diagnóstico. Não "a experimentação fracassou". A experimentação teve sucesso e nunca foi convertida. O órgão ausente é o portão de decisão.
O custo de um portão ausente é maior por euro para o mid-market
Seria confortável arquivar isto como problema de grandes empresas — orçamentos de 39,2 milhões de libras, multinacionais europeias de 1.000 líderes, uma escala de desperdício que uma empresa mid-market nunca alcançará. Esse conforto é equivocado, e a razão é aritmética.
Uma empresa com 39,2 milhões de libras de gasto em IA pode carregar uma dúzia de pilotos zumbis como erro de arredondamento. O desperdício é real, mas diluído num orçamento enorme; o piloto perpétuo é uma linha que o CFO tolera. Uma empresa de 200 funcionários não pode diluir nada. Se você roda três pilotos de IA e dois são perpétuos por inércia, não está desperdiçando um erro de arredondamento — está alocando mal uma fração significativa de um orçamento de tecnologia discricionário que foi difícil de conquistar. O percentual de desperdício pode ser semelhante; a capacidade de sobreviver a esse desperdício, não. O mid-market sente cada piloto travado de um modo do qual as grandes empresas estão estruturalmente isoladas.
Há uma segunda assimetria. A grande empresa tem funções de governança — um escritório de transformação, um comitê de revisão de portfólio, um CIO cuja equipe pelo menos consegue ver os pilotos zumbis. Numa empresa de 200 funcionários, o piloto que seu responsável de operações iniciou com um fornecedor na primavera não tem nenhum comitê de revisão pronto para julgá-lo. Se você não construir o portão pessoalmente, não há portão. O achado da Valliance de que até programas corporativos maduros não conseguem matar pilotos é, bem lido, um aviso: se organizações construídas de propósito para governar isso ainda não conseguem, o mid-market não chegará à disciplina por acidente. Ela precisa ser instalada deliberadamente.
O contra-argumento: "a Bain diz que os casos de uso já estão escalando"
A objeção mais forte a tudo isso vem de uma fonte confiável e merece uma resposta direta. A pesquisa com executivos de 2026 da Bain & Company avança algo próximo de uma contranarrativa — de que, na maioria das categorias de casos de uso, as empresas estão levando a IA do piloto à produção, e que a história do "tudo travado em pilotos" é exagerada. Se a Bain está certa, o portão kill-or-scale resolve um problema que já se resolve sozinho.
Ambos os achados podem ser verdadeiros ao mesmo tempo, e sustentar a tensão é mais útil do que escolher um lado. A escalada é desigual. Uma organização pode de fato levar à produção seus dois ou três melhores casos de uso enquanto ao mesmo tempo acumula uma longa cauda de pilotos que nunca se resolverão — os 40% a 48% que a Valliance mediu. A Bain conta os vencedores que atravessaram; a Valliance conta a fila que não atravessou. A lição para o mid-market não é "ignore a Bain". É que as organizações que têm sucesso ao escalar são precisamente as que tomam decisões explícitas de escala — e as que se afogam em pilotos perpétuos são as que nunca construíram o mecanismo para decidir. O portão é o que separa a história de escala da Bain da história de estagnação da Valliance. Você quer estar do lado certo dessa linha, de propósito.
As evidências de apoio apontam na mesma direção. A pesquisa Work Reimagined da EY constatou que, embora quase nove em cada dez funcionários usem agora a IA de alguma forma, apenas cerca de um quarto das organizações está de fato posicionado para converter essa adoção em resultados de alto valor (Deloitte, State of AI in the Enterprise, 2026). O uso é universal; a conversão é rara. O fator diferenciador não é o acesso à IA. É a disciplina de decidir o que fazer com cada implantação.
Construir o portão kill-or-scale: três componentes para este trimestre
A solução é estreita, barata e inteiramente sob seu controle antes que o próximo ciclo orçamentário fixe o gasto. Você não precisa de um escritório de transformação. Você precisa de um portão, e um portão tem três partes. Aplique-o a cada piloto de IA ativo que você roda hoje, e torne-o obrigatório para cada novo.
Primeiro, uma janela de avaliação fixa. Cada piloto recebe uma data de término no momento em que começa — 60 dias, 90 dias, um trimestre, o que couber ao caso de uso, mas uma data, nomeada de antemão. O único comportamento que cria pilotos perpétuos é o prazo aberto: um piloto sem fim nunca precisa encarar o julgamento. Feche o prazo e você força o veredito. Se um piloto chega à sua janela sem decisão, o padrão não é "estender". O padrão é "matar".
Segundo, métricas de sucesso combinadas de antemão. Antes de o piloto rodar, escreva como é o sucesso em números que você de fato terá no fim — horas economizadas por semana, taxa de erro reduzida, throughput por pessoa, taxa de adoção entre os usuários pretendidos. A razão pela qual as grandes empresas maduras travam, segundo a Valliance, são métricas ruins e baixa adoção: pilotos que nunca receberam uma barra clara para superar sempre podem alegar que "ainda estão aprendendo". Um piloto com uma métrica combinada de antemão a atinge ou não. Defina a barra antes de ter interesse em movê-la.
Terceiro, um veredito binário e um dono nomeado. No fim da janela, uma pessoa responsável — não um comitê — emite uma de exatamente duas decisões: escalá-lo para produção com orçamento real e plano de adoção, ou matá-lo e recuperar o gasto. Não há terceira opção. "Estender por mais um trimestre" é a doença, não uma decisão. O ganho HBS-BCG — 25% mais rápido, 40% melhor — só é cobrável do lado "escalar" desse veredito, e só quando escalar significa integração real, não um ambiente de testes maior.
Nenhum desses três exige equipe ou plataforma. Exigem decidir, de antemão, que um piloto ganhe sua continuação superando uma barra definida até uma data definida, julgado por uma pessoa nomeada. Esse é todo o piso de governança para a passagem do piloto à produção, e é a diferença entre um portfólio que converte e um que cultiva zumbis em silêncio.
A história agregada dos dados de 2026 da Valliance é que as organizações com maior maturidade em IA são as piores em terminar o que começam — e que o mid-market, que não pode arcar com a tolerância delas ao desperdício, é o que mais tem a ganhar com uma disciplina que elas nunca construíram. A decisão diante de um Head of Operations neste trimestre não é se deve rodar mais pilotos de IA. É se um único piloto nos seus livros hoje tem uma data de término, um número de sucesso e um nome anexado ao veredito. Escolha seu piloto ativo mais caro e dê a ele os três antes de o orçamento fechar. O portão kill-or-scale não é o freio do seu programa de IA. É a única coisa que transforma o gasto em retorno.
