Os projetos de IA empresariais falham devido a lacunas na infraestrutura de dados, segundo um estudo do MIT

Os projetos de IA empresarial na África do Sul e a nível global estão a ser cancelados ou adiados este trimestre, depois de terem falhado na transição de prova de conceito para produção, apesar de demonstrações impressionantes seis meses antes. As falhas têm origem sobretudo em custos inesperados de infraestruturas e de computação, falta de preparação a nível empresarial e governança de dados fragmentada, e não em limitações da tecnologia de IA. A iniciativa NANDA da MIT analisou mais de 300 implementações empresariais para o seu estudo de 2025 The GenAI Divide e concluiu que cerca de 95% não geraram impacto mensurável no resultado final, com apenas um em cada vinte a chegar à produção com valor real. Já o Data Readiness Index 2026 da Cloudera revelou que 89% dos líderes de TI da EMEA afirmaram ter visibilidade total dos seus dados, mas apenas 26% confirmaram que esses dados estavam totalmente governados.

Estudo da MIT revela que 95% das implementações de IA empresarial não geram impacto mensurável

A iniciativa NANDA da MIT analisou mais de 300 implementações empresariais para o seu estudo de 2025 The GenAI Divide e documentou que cerca de 95% não geraram impacto mensurável no resultado final. Apenas aproximadamente uma em cada vinte iniciativas chegou à produção com valor real. A MIT atribuiu grande parte da taxa de falhas à fraca integração dos fluxos de trabalho e dos sistemas que nunca aprendem. Nos serviços financeiros, nas telecomunicações e no setor público em África, os dados fragmentados, não governados e mal integrados representam o fio condutor comum por detrás de implementações falhadas.

Índice da Cloudera expõe falha de governança de dados entre líderes de TI da EMEA

O Data Readiness Index 2026 da Cloudera concluiu que 89% dos líderes de TI da EMEA afirmaram ter visibilidade total sobre onde os seus dados residem, mas apenas 26% disseram que esses dados estavam totalmente governados. A Gartner previu em 2025 que esta lacuna de prontidão dos dados levaria a que 60% dos projetos de IA corporativa falhassem até ao fim de 2026, por falta de dados prontos para IA. A distância entre aquilo que os líderes acreditam conseguir ver e o que conseguem efetivamente governar representa o principal desafio de infraestruturas enfrentado pelas implementações de IA empresarial.

Engenheiros da Anthropic quantificam taxas de consumo de tokens para agentes de IA

Os sistemas de IA generativa são medidos pelo número de tokens, cobrando pelo volume de texto e conteúdo processados, independentemente da qualidade das respostas. Os engenheiros da Anthropic descobriram que um único agente consome cerca de quatro vezes mais tokens do que um chat comum e que um sistema multiagente consome aproximadamente quinze vezes mais tokens antes de qualquer coisa correr mal. Dados fragmentados forçam as organizações a incluir mais contexto em cada prompt para compensar a fraca qualidade dos dados, enquanto respostas não fiáveis despoletam tentativas adicionais que geram chamadas adicionais também cobradas. A Gartner previu que mais de 40% dos projetos de IA agentica serão cancelados até ao fim de 2027, apontando o aumento dos custos como a primeira razão.

Organizações da EMEA enfrentam barreiras de acesso e integração de dados

Nos resultados da EMEA do índice da Cloudera, 42% dos líderes identificaram requisitos de acesso complicados como principal barreira para usarem os dados que conseguem ver, e apenas aproximadamente um terço tem as suas fontes de dados totalmente integradas entre ambientes. As organizações sul-africanas enfrentam ainda pressões adicionais, incluindo obrigações POPIA, orçamentos apertados e escassez de competências, que tornam financeiramente insustentáveis demonstrações dispendiosas assentes em bases de dados instáveis. As equipas tratam frequentemente os projetos de IA como experiências centradas na tecnologia, medidas pela exatidão técnica, em vez de pelo valor empresarial tangível; e descuram a gestão de mudança humana e os requisitos reais de fluxos de trabalho necessários para a adoção pelos colaboradores.

Melhorias na infraestrutura de dados precedem uma implementação de IA bem-sucedida

As organizações que obtêm valor real com a IA priorizam tornar os dados acessíveis, integrados e governados antes de implementar sistemas de IA. A governança que acompanha os dados, em vez de viver dentro da plataforma de um único fornecedor, cria trilhos de auditoria compatíveis com POPIA em vez de passivos. Levar a IA para dados governados por meio de padrões abertos permite planear custos em vez de lidar com gastos não controlados. Warren Olivier, Vice-Presidente Regional para África na Cloudera, afirmou que os projetos de IA bem-sucedidos começam com trabalho de infraestrutura de dados, e não com a implementação de modelos ou o lançamento de agentes.

Perguntas Frequentes

Que percentagem das implementações de IA empresarial geraram impacto empresarial mensurável, segundo o estudo de 2025 da MIT?

A iniciativa NANDA da MIT analisou mais de 300 implementações empresariais para o seu estudo de 2025 The GenAI Divide e concluiu que cerca de 95% não geraram impacto mensurável no resultado final, com apenas aproximadamente uma em cada vinte a chegar à produção com valor real.

Em quanto mais consumo de tokens os agentes de IA geram em comparação com sistemas de chat comuns?

Os engenheiros da Anthropic descobriram que um único agente consome cerca de quatro vezes mais tokens do que um chat comum e que um sistema multiagente consome aproximadamente quinze vezes mais tokens antes de qualquer coisa correr mal, criando um crescimento exponencial de custos quando aplicado a bases de dados frágeis.

Que lacuna de governança de dados o índice 2026 da Cloudera revelou entre líderes de TI da EMEA?

O Cloudera Data Readiness Index 2026 concluiu que 89% dos líderes de TI da EMEA afirmaram ter visibilidade total sobre onde os seus dados residem, mas apenas 26% disseram que esses dados estavam totalmente governados; enquanto 42% identificaram requisitos de acesso complicados como principal barreira para usarem os dados visíveis.