Por que tantos projetos de dados e IA param no relatório?

Toda empresa que conheço tem dados. Muitas têm dados demais: anos de vendas, de estoque, de crédito concedido, de horas trabalhadas, de consumo de energia, espalhados por sistemas que nem sempre conversam entre si. E quase todas já ouviram que esses dados valem ouro, que a inteligência artificial pode prever a demanda, reduzir perdas e apontar onde o dinheiro está escapando. A promessa é verdadeira. O que pouca gente conta é quantos projetos começam com essa promessa e terminam em uma apresentação bonita, guardada em uma pasta, sem nunca ter mudado uma única decisão do dia a dia.

Por isso, é preciso pensar e definir o que precisa acontecer na sua operação para que o projeto tenha valido a pena? Quase sempre é um processo que roda melhor, um custo que cai, uma decisão que passa a ser tomada com mais segurança. E chegar lá exige duas coisas que costumam ser subestimadas: uma solução feita sob medida e uma equipe que saiba levá-la até o fim.

Cada empresa tem o seu problema

Comecemos pela primeira. Existe uma tentação compreensível de procurar a solução pronta, aquela ferramenta que funcionou para o concorrente e que, em tese, bastaria instalar. Para muitas tarefas do escritório isso funciona bem. Mas, quando o assunto é analisar dados complexos e otimizar processos que pesam no resultado, cada empresa tem uma combinação própria de sistemas, de histórico, de regras de negócio e de gargalos. Dois varejistas do mesmo porte podem perder margem por motivos completamente diferentes: um pelo estoque parado, outro pelo mix de produtos que não conversa com o cliente de cada região.

Vejo isso de perto nos projetos da Palmsoft. Um score de crédito para uma cooperativa de microcrédito, como o que desenvolvemos para a AMCRED-SUL, não é igual ao que uma distribuidora farmacêutica e hospitalar com 17 mil clientes, como a GAM, precisa para recomendar limites usando dados geolocalizados. Uma companhia de energia como a CTG Brasil, que buscava organizar seus dados em um data lake corporativo e levar ao board uma matriz de riscos baseada em séries temporais, tinha perguntas que nada têm a ver com as de uma rede de moda como a Marisol, interessada em ajustar o mix de produtos para melhorar o markup. Todos são projetos de dados e IA, e nenhum deles poderia ter sido resolvido com a mesma receita.

Isso não significa começar do zero a cada cliente. Ao longo de mais de 20 anos, construímos módulos que se repetem em muitos projetos, como integrações, motores de score, antifraude, reconhecimento facial e dashboards, e eles aceleram bastante a entrega. A personalização está em outro lugar: em entender qual é a pergunta de negócio daquela empresa, quais dados de fato respondem a ela e como a resposta precisa chegar às pessoas que tomam decisões todos os dias.

Entendida a pergunta, vem a segunda parte, e é nela que muitos projetos ficam pelo caminho. Fazer um bom estudo de dados é uma coisa; transformar esse estudo em algo que funcione todos os dias, dentro dos sistemas da empresa, é outra bem diferente. Um modelo que acerta as previsões em uma planilha de teste ainda precisa ser integrado ao ERP, receber dados novos sem intervenção manual, responder rápido o suficiente para a operação, ser monitorado para não perder qualidade com o tempo e ter segurança e controle de acesso adequados. Sem isso, a melhor análise do mundo vira um documento que alguém consulta de vez em quando, e não uma ferramenta que muda a rotina.

O mercado conhece bem essa distância. Em 2024, a consultoria Gartner previu que pelo menos 30% dos projetos de IA generativa seriam abandonados depois da prova de conceito até o fim de 2025, citando como causas a baixa qualidade dos dados, controles de risco insuficientes, custos crescentes e valor de negócio pouco claro (GARTNER, 2024). Repare que nenhuma dessas causas é falta de tecnologia. São problemas de preparação, de engenharia e de clareza sobre o objetivo, justamente o que separa um experimento de uma solução em operação.

É por isso que, na Palmsoft, organizamos os projetos na metodologia A³ em três etapas que se encadeiam. O diagnóstico serve para entender antes de investir: mapear o cenário, a maturidade dos dados e as oportunidades que mais pesam no resultado. A prova de conceito serve para validar antes de escalar, testando viabilidade técnica, qualidade dos dados e desempenho com uma meta clara. E a solução completa existe para transformar a oportunidade em operação, com o software, as integrações, os modelos de IA e machine learning e os painéis funcionando no dia a dia do cliente. O relatório, quando existe, é um passo no meio do caminho, e não a linha de chegada.

Como escolher quem vai fazer

Se o desafio está tanto em entender o problema quanto em levar a solução até a operação, a escolha da equipe pesa tanto quanto a escolha da tecnologia. Um bom cientista de dados sozinho pode entregar uma análise brilhante, mas colocar um modelo em produção pede também engenharia de software, integração com sistemas legados, infraestrutura, segurança e, depois da entrega, alguém que acompanhe e ajuste a solução quando os dados mudam. É um trabalho de time, e de um time que já passou por isso antes.

Na prática, sugiro aos clientes algumas perguntas simples na hora de avaliar um parceiro. A equipe já colocou soluções de dados e IA para rodar em empresas reais, e consegue mostrar onde elas estão funcionando hoje? Ela começa pela pergunta de negócio ou pela ferramenta que quer vender? Propõe validar antes de escalar, com metas claras, ou pede o investimento inteiro de uma vez? E, principalmente, quem será responsável por integrar, manter e evoluir a solução depois que o estudo terminar? Se a resposta a essa última for vaga, o risco de o projeto parar no relatório é grande.

Foi esse tipo de experiência que a Palmsoft construiu desde 2002, entregando de bancos digitais e plataformas de crédito a data lakes, painéis de gestão e controle de acesso com reconhecimento facial, com uma liderança técnica formada em inteligência artificial e um time que une ciência de dados e desenvolvimento de software. Não conto isso para dizer que somos a única opção, mas para mostrar o que vale procurar em qualquer parceiro: histórico de soluções em uso, e não apenas de estudos entregues.

Dados, otimização de processos e inteligência artificial são, hoje, algumas das ferramentas mais poderosas que uma empresa tem para reduzir custos e decidir melhor. Mas o valor não está na análise em si, e sim no que muda na operação depois dela. Antes de começar o próximo projeto, vale fazer duas perguntas: a solução está sendo pensada para o problema específico da minha empresa? E quem vai garantir que ela saia do papel e funcione no dia a dia? Quando as duas têm boa resposta, os dados deixam de ser promessa e passam a ser resultado.

Autora: Elaine Coelho, Gerente Comercial da Palmsoft, formada em Gestão Comercial pelo SENAC.

Referências

GARTNER. Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept By End of 2025. Sydney: Gartner, 29 jul. 2024. Disponível em: gartner.com/en/newsroom. Acesso em: 8 out. 2026.

PALMSOFT. Apresentação Institucional 2026 e site institucional. Disponível em: www.palmsoft.com.br. Acesso em: 8 out. 2026.