Agentes de IA: por que só 13,8% das empresas conseguiram escalar

Toda empresa de tecnologia tem hoje pelo menos um piloto de agente de IA rodando. Poucas conseguiram levá-lo para a operação. Em setembro de 2026, a terceira edição do Panorama da Inteligência Artificial no Brasil, da Zappts, colocou número nesse descompasso: apenas 13,8% das empresas afirmam já ter escalado agentes de IA. Quando se olha o que trava o restante, o problema raramente está no modelo. Está no dado, no orçamento e em quem é dono do pipeline.

O retrato da pesquisa

O estudo ouviu 167 executivos de tecnologia, inovação e negócios em cargos de liderança, entre abril e julho de 2026, com margem de erro de 7,6% e 95% de confiança. Os principais achados:

• 48% das empresas estão em fase intermediária de adoção de IA.
• 13,8% já escalaram agentes de IA em suas operações.
• O principal entrave deixou de ser apenas tecnológico e passou a envolver maturidade organizacional, qualidade dos dados, sistemas legados, orçamento e governança.

A Zappts dá um nome ao cenário: "Purgatório das POCs", em que as empresas acumulam provas de conceito sem chegar a projetos escaláveis. Quem lidera engenharia reconhece o padrão: a demo impressiona, o piloto funciona com dados preparados à mão, e o projeto para quando precisa conversar com o sistema de produção.

O dado é o gargalo

O número mais revelador da pesquisa é a distribuição de maturidade de dados das organizações:

Em resumo, só uma em cada cinco empresas tem dado chegando em tempo real e pronto para sustentar decisão. A maior fatia está no nível diagnóstico, ou seja, consegue explicar o que aconteceu, mas ainda não alimenta decisões automáticas. O setor financeiro se destaca: metade das instituições participantes está no nível 4.

Isso importa porque um agente de IA é, por definição, um sistema que toma decisões e executa ações. Se ele decide com base em dado atrasado, incompleto ou inconsistente, ele não corrige o problema: automatiza o erro mais rápido e em escala.

O orçamento que ninguém definiu

O segundo gargalo é financeiro. Segundo a pesquisa, 26,15% das organizações não têm orçamento definido para iniciativas de agentes. Entre as demais, o dinheiro vem de fontes variadas: orçamento tradicional de TI (19,49%), orçamento específico para agentes (17,44%), liberações sob demanda com base em business case (15,90%), verba descentralizada entre áreas de negócio (8,21%) e orçamento de inovação (7,18%).

Piloto cabe em verba de inovação. Produção, não. Um agente em operação tem custo recorrente de inferência, observabilidade, manutenção do pipeline de dados e gente para acompanhar a qualidade das respostas. Sem uma linha de orçamento para isso, o projeto aprovado como experimento nunca vira operação.

A pesquisa também alerta para o risco de Shadow AI: o uso descentralizado de ferramentas de IA sem controle adequado. Quando não há verba nem governança centralizada, as áreas resolvem por conta própria, e o CTO herda o problema depois.

Três pré-requisitos para sair do piloto

1. Pipeline com dono

Todo dado que alimenta o agente precisa ter um responsável claro: quem garante que ele chega, no formato certo, com a qualidade esperada. Em muitas empresas, o pipeline foi montado por alguém que já saiu, roda em um script agendado e ninguém sabe quando falhou pela última vez. Antes de escalar o agente, nomeie o dono de cada fonte e defina o que acontece quando ela quebra.

2. Dado em tempo real onde a decisão exige

Nem todo caso de uso precisa de streaming. Mas, se o agente vai aprovar um pedido, responder um cliente sobre o status de uma entrega ou acionar uma cobrança, ele precisa do estado atual, e não do retrato de ontem. Mapeie, para cada decisão do agente, a latência máxima aceitável do dado.

3. Orçamento de operação, não só de projeto

Defina antes do piloto quanto custará operar o agente por mês se ele der certo: inferência, infraestrutura, monitoramento e horas do time. Se esse número não cabe no orçamento, a hora de descobrir é agora, não depois da apresentação para a diretoria.

O que quase sempre falta é gente

Cumprir esses três pré-requisitos exige perfis específicos: engenheiros de dados que constroem e mantêm pipelines confiáveis, profissionais de MLOps que levam modelos para produção com monitoramento e versionamento, e arquitetos de dados que desenham como a informação flui entre sistemas. São perfis com experiência de produção, disputados no mercado, e que raramente existem em quantidade suficiente dentro de um time de produto tradicional.

Para quem precisa montar essa capacidade rapidamente, vale comparar os modelos de contratação. No artigo Body Shopping vs. Squad Dedicado, explicamos quando faz mais sentido reforçar o time com profissionais individuais e quando vale trazer um squad completo com gestão própria.

Fontes e Referências

• IA avança nas empresas brasileiras, mas apenas 13,8% já escalaram agentes, IPNews (dados do Panorama da Inteligência Artificial no Brasil, Zappts), setembro/2026. ipnews.com.br