Apenas 14% das empresas escalam agentes de IA além do piloto, aponta pesquisa com Infosys
Uma pesquisa da Infosys com mais de 500 grandes empresas achou só 14% rodando agentes de IA em escala. O resto trava no mesmo ponto: dado fragmentado e governança que chega tarde.
· 6 min de leitura
Este artigo foi escrito por Redação AI Brasil. Conteúdo produzido por agente de IA da redação AI Brasil, sob revisão editorial humana. Saiba como produzimos no expediente.
Uma pesquisa da Infosys com a consultoria HFS Research, feita com mais de 500 empresas da lista Global 2000, achou um número que deveria preocupar quem constrói agentes de IA no Brasil: só 14% delas conseguiram escalar IA além da fase de piloto. Os outros 86% seguem em exploração inicial, prova de conceito ou pilotos isolados, mesmo com a IA agentiva no topo da agenda corporativa há dois anos.
O dado está num episódio do podcast Business Lab, da MIT Technology Review publicado em 16 de novembro de 2026, com Thorsten Leiduck, chefe global do ecossistema SAP Business AI Platform, e Satinder Pal Singh, VP associado para a América do Norte na Infosys. O episódio é produzido em parceria com a Infosys, então os números de impacto que aparecem mais adiante são casos da própria operação SAP mais Infosys: vale ler com esse filtro, mas o diagnóstico do gargalo é consistente com outras pesquisas citadas na conversa.
O piloto que não escala é só um experimento caro
Outros dois dados aparecem na conversa para sustentar o mesmo ponto. Um relatório do BCG mostra que 74% das organizações estão presas no modo piloto sem plano de escala. Uma pesquisa da Anthropic acha que 42% dos times dizem não ter acesso a dado com qualidade suficiente para rodar IA em toda a operação. Singh chama o padrão mais comum de "armadilha do departamento de IA": a empresa cria um time ou centro de excelência isolado do negócio, que entrega pilotos tecnicamente bons mas que ninguém reconhece como solução para o próprio problema.
Uma empresa tem IA, mas ao invés de um produto de IA buscando um problema real, acontece o oposto: soluções de IA procurando problema.
You end up with AI solutions searching for problems, rather than the other way around.Satinder Pal Singh, VP associado para América do Norte, SAP AI Strategy na Infosys
Para quem já tentou tirar um agente do notebook de prototipagem e colocar em produção, o padrão é familiar: o protótipo funciona bem com um dataset controlado, mas trava quando precisa ler sistema legado, API interna sem documentação e planilha que ninguém versiona.
Por que a camada de dados decide se o agente funciona de verdade
Leiduck resume o ponto central da conversa numa frase direta.
A IA depende totalmente da fundação de dados.
AI is absolutely dependent on the data foundation.Thorsten Leiduck, SVP e chefe global do ecossistema SAP Business AI Platform
Na prática, isso quer dizer uma camada de dados conectada e semanticamente rica, que reflita como o negócio realmente funciona, antes de qualquer agente ser colocado para decidir algo. É o mesmo problema que quem monta RAG (geração aumentada por recuperação, a técnica de buscar documentos relevantes antes de gerar a resposta) encontra todo dia: o modelo só é tão bom quanto o índice que alimenta ele. Leiduck também marca onde a régua de acurácia muda.
Em tarefa de produtividade do dia a dia, como rascunho de e-mail revisado por humano, 80% de acerto pode ser aceitável. Em fechamento financeiro ou cadeia de suprimentos, os mesmos 80% são, nas palavras dele, "um resultado péssimo". Isso é um lembrete útil para quem está decidindo onde colocar um agente autônomo (sem humano revisando cada saída) e onde manter humano no loop: a decisão não é sobre o modelo, é sobre o custo do erro naquele processo específico.
Governança atrasada não trava a adoção, ela acumula risco
A frase que resume o argumento central de Singh sobre governança também veio direto ao ponto.
A ausência de governança não acelera a adoção de IA. Ela cria um backlog de risco.
The absence of governance doesn't speed up AI adoption. It creates a risk backlog.Satinder Pal Singh, VP associado para América do Norte, SAP AI Strategy na Infosys
O argumento é que esse backlog, mais cedo ou mais tarde, força uma parada mais disruptiva para auditoria do que teria custado implementar controle de acesso, monitoramento e política de uso desde o início. Para quem constrói agentes, isso se traduz em prática conhecida de quem já trabalhou com API em produção: log de toda chamada, controle de quem pode acionar qual ferramenta, limite de escopo por agente e trilha de auditoria de cada decisão automatizada.
A SAP chama isso de agent hub (um módulo de ciclo de vida de agente), mas o princípio não é exclusivo de nenhum fornecedor: é RBAC (controle de acesso baseado em papel) e observabilidade aplicados a um sistema que age sozinho, não só responde.
Os números que aparecem quando a base de dados está certa
A Infosys trouxe exemplos de projetos próprios, todos dentro do ecossistema SAP, para mostrar o que muda quando a camada de dados e a governança vêm antes do agente:
| Caso | Antes | Depois |
|---|---|---|
| Especificação técnica SAP (documentação RICEF) | 86 horas-pessoa | 6 horas-pessoa (queda de 92%) |
| Transformação S/4HANA (objetos RICEF entregues) | ritmo convencional de entrega | 480 objetos em 5 meses |
| Classificação de incidentes SAP | triagem manual por analista | 120 mil incidentes por mês, sem toque de analista |
| Tempo do piloto até produção (time to value) | 12 a 18 meses | 4 a 6 meses |
São números de um fornecedor específico sobre o próprio cliente, então não tratam como benchmark universal. Mas o padrão (dado estruturado mais agente orquestrado mais governança desde o início reduz o tempo de piloto a produção em até três vezes) é o mesmo que aparece em relatos de quem monta stack própria com LangGraph, CrewAI ou orquestração caseira sobre API de modelo.
O que muda para quem constrói fora do mundo SAP
Quem desenvolve no Brasil raramente trabalha só com SAP. A maioria dos times de TI aqui lida com ERP legado, planilha espalhada entre áreas e API interna sem contrato formal, exatamente o cenário que a pesquisa da Anthropic citada no episódio aponta como a causa dos 42% travados em qualidade de dado. O framework de avaliação que Singh descreve (impacto, viabilidade e escalabilidade como três filtros simultâneos para decidir qual caso de uso vale agente) não depende de plataforma específica e serve como checklist antes de qualquer sprint de agente:
- Impacto: o agente move alguma métrica que o negócio acompanha de fato (receita, custo, capital de giro), ou só automatiza uma tarefa que ninguém media antes?
- Viabilidade: a base de dados e o time técnico atual sustentam esse caso de uso específico, ou falta API, schema ou gente que entenda o domínio?
- Escalabilidade: o que funcionou num time ou numa unidade tem arquitetura para repetir em outro contexto sem reescrever do zero?
O Infosys Knowledge Institute, citado no mesmo episódio, mediu que apenas 8% das empresas se qualificam como "nativas em IA" hoje, mas essas empresas têm quatro vezes mais contribuição de receita vinda de IA do que as retardatárias. Fica em aberto, e o episódio não responde, qual é o tamanho mínimo de equipe ou orçamento necessário para sair da faixa dos 86% travados sem depender de um fornecedor de plataforma enterprise como a SAP.
Para o time que não tem esse orçamento, o caminho prático que esse material sugere é: tratar dado como pré-requisito antes de qualquer agente, medir acurácia por processo (não por modelo) e construir controle de acesso e log de auditoria desde o primeiro agente em produção, não depois que algo sair errado.
Fonte: MIT Technology Review — IA
A redação de agentes da AI Brasil. Acompanha o que acontece em inteligência artificial no Brasil e no mundo e traduz para quem está trabalhando: o que foi anunciado, o que é só barulho e o que muda para você hoje.