O próximo inverno da IA.

Eu sei que a afirmação soa controversa. Como empresas que colocaram a IA no topo da lista de prioridades podem congelar, enquanto empresas onde a IA não é a prioridade número um avançam e colhem os frutos?

Antes de explicar, vale voltar no tempo e lembrar o que foram os invernos anteriores.

Os invernos anteriores

Na história da IA, “inverno” é o nome dado aos períodos em que o dinheiro e o interesse pela área secam. O roteiro se repete: a promessa cresce mais rápido que a entrega, vem a frustração e, depois, o corte de investimento.

O primeiro grande inverno foi de 1974 a 1980, mas os sinais vieram antes. Em 1966, o relatório ALPAC concluiu que a tradução automática era mais cara, mais lenta e menos precisa que a humana, e o governo americano encerrou o financiamento. Em 1973, o Relatório Lighthill, encomendado pelo Parlamento britânico, acusou a área de não entregar seus objetivos grandiosos, e a pesquisa em IA no Reino Unido foi praticamente desmontada.

Nos Estados Unidos, a DARPA passou a exigir aplicação prática e, em 1974, já era difícil conseguir verba para IA. O pesquisador Hans Moravec resumiu o problema: as promessas eram otimistas demais, a entrega ficava aquém e, a cada nova proposta, prometia-se ainda mais.

O segundo inverno começou em 1987 e é o que mais interessa a quem está dentro de uma empresa. Nos anos 80, corporações do mundo todo correram para os “sistemas especialistas” e, em 1985, já gastavam mais de US$ 1 bilhão com IA, a maior parte em departamentos internos. Em 1987, o mercado das máquinas LISP, hardware caro feito sob medida para IA, desabou: uma indústria de meio bilhão de dólares foi substituída em um único ano.

No começo dos anos 90, os sistemas especialistas se mostraram caros demais para manter, difíceis de atualizar e frágeis diante de qualquer situação fora do script. O projeto japonês da Quinta Geração, que reservou US$ 850 milhões para criar máquinas capazes de conversar e raciocinar como humanos, terminou em 1992 sem cumprir as metas.

Um detalhe curioso: o termo “inverno da IA” nasceu como alerta ao mercado. Em 1984, num debate da AAAI, Marvin Minsky e Roger Schank avisaram o mundo dos negócios que o entusiasmo com a IA tinha saído do controle e que a decepção viria. Três anos depois, a indústria bilionária de IA começou a ruir.

E o estrago durou. Nos anos 2000, muitos pesquisadores evitavam a expressão “inteligência artificial” e rebatizavam o próprio trabalho de machine learning, analytics ou sistemas inteligentes, em parte para fugir do estigma das promessas não cumpridas.

Nos dois casos, a tecnologia ainda não estava à altura da promessa: faltavam poder computacional, dados e técnicas. A virada veio com computação mais barata, bases de dados enormes e o deep learning. O marco simbólico é 2012, quando a rede AlexNet venceu a principal competição de reconhecimento de imagens com metade dos erros do segundo colocado.

O inverno da descredibilização

O terceiro inverno não vai acontecer por falta de hardware, nem por falta de dados. Vai acontecer porque empresas empolgadas demais estão colocando a IA na frente dos seus processos, dos seus dados e das suas pessoas.

Participei de diversos workshops e, nas conversas com amigos da área, a conclusão se repete: adicionar IA em tudo o que já existe não basta e, muitas vezes, atrapalha. O novo hobby de CEOs e diretorias, colocar IA em tudo, pode ser justamente o que empurra uma empresa para o próximo inverno.

Esse é o inverno da descredibilização. Ele chega quando a alta gestão percebe que está pagando caro em créditos, tokens e ferramentas que não reduziram custos, não melhoraram o retorno sobre o investimento e não elevaram a qualidade das entregas. O que já era ruim continuou ruim. Só passou a ser apresentado mais rápido e mais colorido.

A partir daí, a IA perde crédito dentro daquela empresa e o investimento seca. É um inverno descentralizado, interno e frustrante. E os sinais já aparecem nos dados.

• 5%

  dos pilotos de IA generativa aceleraram receita de forma relevante

  MIT, 2025

• 37%

  relatam algum impacto da IA no EBIT da empresa

  McKinsey, 2026

• 25%

  das iniciativas de IA entregaram o retorno esperado

  IBM, 2025

Em 2025, o relatório The GenAI Divide, do MIT, cruzou 150 entrevistas com líderes e a análise de 300 implementações públicas: só cerca de 5% dos pilotos de IA generativa aceleraram receita de forma relevante, e a grande maioria teve pouco ou nenhum impacto mensurável no resultado. A causa apontada não foi a qualidade dos modelos, e sim a integração falha com a forma como as empresas trabalham.

A edição de 2026 do State of AI, da McKinsey, publicada em agosto, mostra o mesmo descompasso. Oito em cada dez profissionais dizem que a IA aumentou a própria produtividade, mas só 37% relatam algum impacto da IA no EBIT da empresa, praticamente o mesmo patamar de 2025. As empresas de alta performance, que capturam valor de verdade, seguem sendo cerca de 6%.

A conta já começou a pesar: uma em cada cinco empresas diz que limita o uso de IA por causa dos custos operacionais, tokens incluídos. E a redução de quadro que muita gente esperava não veio: só 14% relatam queda de pessoal ligada à IA no último ano, menos da metade dos 32% que previam isso um ano antes.

Do lado dos CEOs, o estudo da IBM com 2.000 executivos mostra que só 25% das iniciativas de IA entregaram o retorno esperado, e apenas 16% chegaram à empresa inteira.

O “mais rápido e mais colorido” é a versão com IA de um princípio antigo da computação: garbage in, garbage out (lixo entra, lixo sai). A diferença é que agora o lixo sai bem formatado, e isso já ganhou até nome: workslop. Uma pesquisa da BetterUp Labs com o Stanford Social Media Lab, publicada na Harvard Business Review, mostra que 41% dos profissionais pesquisados nos EUA já receberam conteúdo gerado por IA com cara de trabalho bem-feito, mas sem substância. Cada caso custa quase duas horas de retrabalho para alguém.

O Gartner projeta que mais de 40% dos projetos de agentes de IA serão cancelados até o fim de 2027, por custo alto, valor de negócio pouco claro ou falta de controle de risco. E, no Hype Cycle de IA de 2026, a pergunta central mudou: deixou de ser se a empresa consegue construir com IA e passou a ser se ela consegue explicar o que essa IA faz e quanto ela custa.

Já tem empresa AI First voltando atrás. Em 2024, a Klarna anunciou que sua IA fazia o trabalho de 700 atendentes e congelou contratações por mais de um ano. Em 2025, o próprio CEO admitiu que a estratégia focada em IA não tinha sido o caminho certo: saiu mais barato, mas a qualidade caiu. A empresa voltou a contratar pessoas para o atendimento.

A lição da eletricidade

Numa palestra do meu amigo Kauan Alves Batista, especialista em IA, ouvi a melhor analogia para este momento. Em 1882, Edison ligou a primeira usina elétrica em Nova York. A tecnologia era muito superior ao vapor, mas, por décadas, a produtividade das fábricas praticamente não se mexeu.

O motivo foi estudado pelo historiador econômico Paul David, de Stanford, no clássico The Dynamo and the Computer, de 1990. As fábricas trocaram a caldeira pelo motor elétrico, mas mantiveram o mesmo desenho: o mesmo eixo central, as mesmas correias, os mesmos prédios de vários andares. Em 1899, os motores elétricos ainda respondiam por menos de 5% da força mecânica das fábricas americanas.

O salto só veio quando as fábricas foram redesenhadas do zero: um motor em cada máquina, prédios térreos e mais leves, linhas organizadas pelo fluxo do material. A produtividade da indústria só sentiu o efeito no começo dos anos 1920, quatro décadas depois da primeira usina. Quem redesenhou primeiro liderou o século.

Paul David já tinha notado esse padrão: em transições tecnológicas, é comum empilhar o sistema novo sobre o antigo. Foi assim com o motor elétrico convivendo com os eixos e as correias do vapor, e de novo com os primeiros computadores, quando as empresas mantinham os processos em papel ao lado dos digitais, às vezes prejudicando os dois.

O estudo tem mais dois detalhes que deveriam estar em toda reunião de diretoria sobre IA. O primeiro: a virada exigiu formar uma geração de arquitetos de fábrica e engenheiros elétricos que dominassem a nova lógica. Não bastou comprar o motor.

O segundo é ainda mais incômodo. Com as fábricas, o tempo ajudou: prédios antigos se desgastaram, precisaram ser substituídos, e os novos já nasciam redesenhados. Processos e sistemas de informação não enferrujam, então ninguém será forçado a redesenhá-los. Redesenhar precisa ser uma decisão.

Process First

Com a IA não é diferente. Se a prioridade não for mapear e redesenhar processos, a ferramenta nova vai rodar em cima do desenho velho.

Os dados apontam na mesma direção. Na pesquisa de 2026 da McKinsey, quase três em cada quatro empresas de alta performance redesenharam a fundo seus fluxos de trabalho por causa da IA; entre as demais, só uma em cada quatro fez isso. O Gartner vai na mesma linha: encaixar agentes em sistemas legados costuma ser complexo e caro, e, em muitos casos, repensar o fluxo do zero é o melhor caminho.

Também não dá para pular os dados. Eles estão espalhados em planilhas de Excel, em sistemas que não se conversam e na cabeça das pessoas, e é deles que a IA depende. No estudo da IBM, metade dos CEOs admite que a pressa nos investimentos deixou a tecnologia da empresa desconectada e fragmentada.

E tem as pessoas. O uso correto de IA precisa se espalhar pela empresa não pelo medo, mas pelo incentivo de ver quem usa bem sendo reconhecido. Não adianta redesenhar processos com um time com medo: ele sabota a mudança, mesmo sem perceber. As pessoas são as maiores apoiadoras da inovação: você desenvolve o time, e o time desenvolve a empresa (cultura, aliás, é assunto para outro texto).

Os pesquisadores do workslop chegaram a uma conclusão parecida: mandatos genéricos do tipo “usem IA em tudo” alimentam o conteúdo vazio, enquanto líderes que dão o exemplo e definem padrões de qualidade estimulam o uso que gera valor.

Sem esses três pilares, a empresa dificilmente vai estar entre os 6% que capturam valor de verdade.

Especialistas, não entusiastas

Estamos diante de uma mudança transformacional, e isso significa que o modo de fazer precisa mudar. Mais do que entusiastas, as empresas precisam de especialistas: profissionais que saibam o que estão fazendo e o que a IA está fazendo. Não só especialistas em IA, mas em processos, em dados e em desenvolvimento, além de uma liderança que entenda de fato de tecnologia.

No estudo da IBM, 67% dos CEOs dizem que se diferenciar depende de ter a expertise certa, nas posições certas, com os incentivos certos. Falta de conhecimento e silos entre áreas aparecem entre as maiores barreiras à inovação.

Na McKinsey, as empresas de alta performance têm o dobro de chance de ter uma liderança realmente comprometida com as iniciativas de IA e processos definidos para medir o impacto delas. E elas não miram só em corte de custo: eficiência está na lista de oito em cada dez empresas, mas os 6% também usam a IA para crescer e inovar.

Entusiastas seguem o mercado. Mas, se só 6% das empresas capturam valor de verdade com IA, seguir a maioria é a garantia do fracasso.

A ânsia de sair na frente

Muitos CEOs estão com medo de ficar para trás na revolução da IA, e os números confirmam. No estudo da IBM, 64% admitem que o receio de ficar para trás os leva a investir em algumas tecnologias antes mesmo de entender com clareza o valor que elas trazem.

Só que a eletricidade ensina outra coisa. Quem liderou não foi quem comprou o motor primeiro, e sim quem redesenhou a fábrica primeiro. Fazer do jeito certo, sendo Process First, pode significar que você está quatro décadas na frente das empresas AI First.

A ânsia de sair na frente é o que pode matar a inovação dentro das empresas.

Quem escreveu

Lediane Anjos

Founder da Tecnologizando. Passou pelo Itaú Unibanco, pelo Santander e pelo setor público, e criou do zero a área de Desenvolvimento e Inovação da Innova.

• Conhecer a Tecnologizando
• Portfólio da Lady (abre em nova aba)