Semana passada, um gestor me mostrou orgulhoso uma lista. Várias iniciativas de IA ativas na empresa dele: chatbot de atendimento, geração de relatórios, análise de contratos, automação de e-mail, agente de CRM, copiloto de vendas.
Fiquei em silêncio por alguns segundos. O problema dele não estava na lista, estava no tamanho dela.
O que os dados dizem sobre projetos de IA em 2025
Um estudo do MIT Media Lab, em parceria com o projeto NANDA, analisou mais de 300 iniciativas de IA em empresas durante 2025. O dado mais revelador não foi o que as empresas fizeram, foi o que não conseguiram fazer.
Dos investimentos em IA generativa geraram zero retorno mensurável. Apenas 5% dos projetos customizados chegaram à produção em escala. Fonte: MIT Media Lab + Projeto NANDA, The GenAI Divide: State of AI in Business 2025.
A causa não foi falta de infraestrutura nem de talento técnico. Foi gerencial.
Os pesquisadores nomearam o padrão de pilot limbo: empresas gastando energia e orçamento para produzir demonstrações que impressionam em sala de reunião mas não se integram ao trabalho real. O piloto funciona, vira apresentação interna e morre ali. É piloto sabor inovação. A empresa continua pilotando e confunde movimento com progresso.
O filtro que desapareceu
Esse padrão tem uma raiz mais profunda do que parece.
Durante anos, engenharia cara funcionou como curadoria acidental. Estimar o esforço de uma feature levava tempo. Implementar levava mais. Esse atrito forçava escolhas, não por disciplina estratégica, mas por escassez. Você dizia mais "não" do que "sim" porque era caro demais dizer sim para tudo.
Com IA generativa, esse filtro desapareceu.
Andrej Karpathy nomeou o fenômeno: vibe coding. Você descreve o que quer em linguagem natural, o modelo gera o código, o protótipo está no ar antes do fim do expediente. É genuinamente impressionante, e é exatamente aí que começa o problema.
Quando começar ficou barato demais para resistir, a reação natural das equipes foi o oposto do que deveria ser: passaram a dizer sim para quase tudo. Cada ideia vira piloto. Cada piloto entra no pipeline.
John Cutler chama esse ambiente de Feature Factory, um lugar onde o sucesso é medido pelo volume do que é entregue, não pelos problemas que isso resolve. A IA não inventou a fábrica de funcionalidades. Colocou esteróide nela.
Certa vez um prospect questionou nosso preço com convicção: "programação hoje com IA é commodity." Quase um ano depois, o projeto dele ainda não está no ar. O gargalo nunca foi a programação, era saber o que construir.
A diferença que não é tecnológica
O contexto atual da IA torna esse padrão especialmente custoso.
Startups nativas de IA, construídas com IA no núcleo desde o início, alcançam product-market fit real em 47% dos casos. As que simplesmente acoplam recursos de IA ao que já existia chegam a 13%. A diferença não é tecnológica. É de foco e profundidade. Fonte: ICONIQ Growth, 2025 State of AI Report.
Construir em cima de IA é diferente de adicionar IA em cima do que já existe. O segundo caminho é o que a maioria das empresas está fazendo, e os números refletem isso.
Reconstruindo o filtro de forma consciente
Se o filtro que a escassez criava não existe mais, a saída não é lamentar que ele sumiu. É reconstruí-lo de forma consciente.
Nathan Furr e Andrew Shipilov, da Harvard Business Review, propõem três perguntas antes de iniciar qualquer projeto de IA:
- Intensidade: o problema é doloroso o suficiente para o cliente mudar comportamento por causa dele?
- Frequência: ocorre com regularidade suficiente para gerar valor recorrente?
- Densidade: existe volume de dados e contexto suficiente para a IA operar com vantagem real aqui?
Se a resposta for não para qualquer uma das três, o projeto não deveria começar, por mais barato que ficou tentar.
Marty Cagan complementa com precisão: a maioria dos times não tem um problema de priorização. Tem um problema de foco que a liderança não quer nomear. Priorizar sem abandonar nada é só reorganizar a fila.
A pergunta que a maioria evita
Em vez de "o que podemos construir com IA?", a pergunta passa a ser: "qual problema é intenso, frequente e denso o suficiente para merecer foco real?"
É uma pergunta mais difícil de responder. Por isso a maioria evita.
O gestor com a lista de seis iniciativas não precisava de mais uma. Precisava de uma conversa honesta sobre quais três valiam o esforço de aprofundar, e da coragem de encerrar as outras.
O gargalo das empresas migrou. Não está mais na engenharia. Está na curadoria. A competência que diferencia agora não é a capacidade de iniciar projetos, é a disciplina de não iniciar os errados.
Estratégia sempre foi, antes de tudo, renúncia. A IA não mudou isso. Só tornou a falta de renúncia mais visível e mais cara.
Fontes desta edição MIT Media Lab + Projeto NANDA, The GenAI Divide: State of AI in Business 2025 · Nathan Furr e Andrew Shipilov, "Beware the AI Experimentation Trap", Harvard Business Review (2025) · ICONIQ Growth, 2025 State of AI Report · Marty Cagan, Silicon Valley Product Group (SVPG) · Andrej Karpathy, termo "vibe coding" popularizado em fevereiro de 2025 · John Cutler, conceito de Feature Factory
Sua empresa está pilotando ou implementando?
Trabalhamos com empresas que querem sair do pilot limbo, com diagnóstico honesto de onde a IA faz sentido, implementação real e resultado mensurável. Sem lista de iniciativas. Com foco.
Falar com a HiveAgentPerguntas frequentes
O que é pilot limbo em projetos de IA?
Pilot limbo é o padrão em que empresas gastam energia e orçamento para produzir demonstrações que impressionam em sala de reunião mas nunca se integram ao trabalho real. O piloto funciona, vira apresentação interna e morre ali. Segundo o MIT Media Lab, esse foi o destino de 95% dos investimentos em IA generativa em 2025, e a causa não foi técnica, foi gerencial.
Por que a maioria dos projetos de IA nas empresas não gera retorno?
A causa principal foi gerencial, não técnica. Com a IA generativa, o custo de começar um projeto caiu drasticamente, e as equipes passaram a dizer sim para quase tudo. O filtro natural que a escassez de recursos criava desapareceu, e ninguém o substituiu por disciplina consciente de seleção. O resultado: mais projetos iniciados, menos profundidade em cada um, e a maioria morrendo antes de chegar à produção real.
Quais as três perguntas para avaliar um projeto de IA antes de iniciar?
Furr e Shipilov (HBR) propõem três critérios: Intensidade, o problema é doloroso o suficiente para o cliente mudar comportamento? Frequência, ocorre com regularidade suficiente para gerar valor recorrente? Densidade, existe volume de dados e contexto para a IA operar com vantagem real? Se a resposta for não para qualquer uma, o projeto não deveria começar, independente de quanto ficou barato tentar.
O que é Feature Factory e qual a relação com IA?
Feature Factory é o termo de John Cutler para um ambiente onde o sucesso é medido pelo volume do que é entregue, não pelos problemas que isso resolve. Com a IA generativa, o custo de prototipar qualquer funcionalidade caiu para quase zero, o que acelerou a produção de features sem critério. A IA não inventou esse problema: colocou esteróide nele. A saída não é priorizar melhor, mas ter disciplina para não iniciar os projetos errados.
Qual a diferença entre startups nativas de IA e empresas que adicionam IA ao que já existe?
Segundo a ICONIQ Growth, startups construídas com IA no núcleo desde o início alcançam product-market fit real em 47% dos casos. Empresas que acoplam recursos de IA ao que já existia chegam a 13%. A diferença não é tecnológica, é de foco e profundidade. Construir em cima de IA exige repensar o produto desde a base. Adicionar IA em cima do que já existe geralmente resulta em mais um piloto que não chega à produção.