99% das empresas querem IA agêntica. Apenas 2% conseguiram escalar, segundo levantamento da Blip (2026). Enquanto isso, a Gartner prevê que mais de 40% dos projetos de IA agêntica serão cancelados até o final de 2027 — por custos escalantes, valor de negócio pouco claro e controles de risco inadequados (Gartner, 2025).
A contradição não é acidente. É resultado de uma sequência errada: empresas escolhem a ferramenta antes de qualificar o processo, compram plataforma antes de mapear os dados, e lançam agentes antes de definir o que acontece quando o agente erra.
O problema não é a tecnologia. É a ordem das decisões.
Este artigo entrega quatro coisas: critérios objetivos para qualificar processos candidatos à automação, comparativo de categorias de stack com análise de vendor lock-in, framework mínimo de governança para IA agêntica no contexto brasileiro (incluindo LGPD), e dados de ROI realistas para calibrar expectativa antes da aprovação de budget. Sem prometer que automação vai resolver tudo, porque não vai.
Pontos principais
- 40% dos projetos de IA agêntica serão cancelados até 2027 — principais causas: dados ruins, business case fraco e sem sponsor executivo. (Gartner, 2025)
- Apenas 6% das organizações viram retorno do investimento em IA em menos de 1 ano; o prazo real é 2-4 anos. (Deloitte, 2025)
- 72% das empresas brasileiras ainda estão no estágio “iniciante” ou “experimental” — a escala é a exceção, não a regra. (Abiacom/Brazil Panels, 2025)
- O vendor lock-in começa antes da compra: portabilidade de dados e APIs abertas devem ser critério de eliminação, não diferencial.
- Custo real de entrada para PME: R$ 200-600 mil em 6 meses + 20-40% de OPEX anual recorrente.
Regulação de IA que afeta sistemas agênticos de alto risco.
A escada da automação: do RPA ao agente autônomo
A Gartner estima que 33% dos aplicativos empresariais incluirão IA agêntica até 2028 (Gartner, 2025). Isso não significa que todas as empresas precisam chegar ao topo da escada. Significa que o mercado vai oferecer cada vez mais opções, e que escolher o degrau errado vai custar mais do que esperar.
Há quatro degraus. Cada um tem um perfil de risco diferente.
Degrau 1 – RPA: executa sequências fixas baseadas em regras. Sem variação, sem contexto, sem compreensão. Quando o layout do sistema muda, o bot quebra. É a ferramenta certa para processos 100% estruturados: extração de dados de ERP, geração de relatórios recorrentes, preenchimento de formulários regulatórios com campos predefinidos. O custo de manutenção é baixo quando o processo é estável. Sobe rápido quando não é.
Degrau 2 – Integração low-code com gatilhos inteligentes (Make, n8n, Zapier, Power Automate): conecta sistemas, usa condições lógicas, lida com variação simples entre formatos de dados. Ainda determinístico. Não há compreensão de contexto, só roteamento baseado em regras. Bom para orquestração entre plataformas SaaS, notificações condicionais e fluxos de aprovação com lógica definida.
Degrau 3 – Fluxos com LLM: o modelo de linguagem entra como um componente específico dentro de um fluxo estruturado. Classifica, extrai, resume, rascunha. O orquestrador controla o fluxo; o LLM faz uma função. É o degrau onde mais empresas têm resultado concreto hoje: triagem de e-mail, resumo de reunião, geração de rascunho com revisão humana posterior. O risco é gerenciável porque o escopo do LLM é delimitado.
Degrau 4 – Agente autônomo: raciocina, planeja subtarefas, usa ferramentas externas, itera com base em feedback. Opera com objetivo, não com script. Aqui o espaço de falha é muito maior. Cada degrau adicional não só aumenta a autonomia, multiplica o custo de cada erro.
A armadilha mais comum não é ficar no degrau 1. É tentar pular do Excel direto para o degrau 4. Empresas que não têm processos documentados, dados estruturados ou fluxos de aprovação definidos tentam resolver tudo com um agente autônomo. O agente herda o caos do processo e o amplifica. Processos mal definidos para humanos são processos impossíveis para agentes.
Por que 40% dos projetos falham, e o que os 60% fazem diferente
A Gartner não chegou a 40% de cancelamentos por pessimismo. O número reflete uma estrutura de falha recorrente, com causas identificáveis (Gartner, 2025). Compilando dados de Jitterbit (2026), Deloitte (2025) e McKinsey (2025), cinco causas respondem pela maioria dos projetos cancelados.
Qualidade e prontidão dos dados (43%): os dados da empresa existem, mas não no formato que o modelo precisa. Campos livres, planilhas inconsistentes, sistemas legados sem API. O projeto começa com dados simulados em sandbox, funciona, vai para produção com dados reais e falha. A causa não é o modelo. É que o processo de dados nunca foi preparado para automação.
Maturidade técnica insuficiente (43%): sem arquitetura de integração, sem time com experiência em orquestração de agentes, sem infraestrutura de monitoramento. O projeto é contratado como solução de software, mas exige capacidade de engenharia que a empresa não tem internamente e não contratou.
Escassez de habilidades (35%): implementar um agente é uma coisa. Mantê-lo em produção quando o comportamento do modelo muda, quando os dados de entrada mudam, quando o processo de negócio evolui, é outra. Empresas que não constroem capacidade interna ficam dependentes do fornecedor para cada ajuste.
Business case inviável (29%): o projeto foi aprovado com premissas de ganho que nunca foram validadas com dados reais. Volume de processos superestimado, tempo de execução manual subestimado, custo de erro ignorado. Quando o controller pede o ROI depois de 12 meses, não há número para mostrar.
Perda de sponsor executivo (21%): o padrão mais silencioso de falha. O projeto começa com apoio de uma diretoria, passa a ser responsabilidade de TI e perde prioridade quando o sponsor muda de cargo ou de foco. Reuniões de status viram relatório de progresso sem decisão. O projeto não é cancelado, fica em modo zumbi consumindo budget.
O padrão de falha na fase de dados é mais comum do que os relatórios mostram. Na prática, o que a empresa chama de “dados estruturados” costuma ser um conjunto de planilhas Excel com formatação inconsistente entre unidades, campos de texto livre onde deveriam existir menus, e datas em três formatos diferentes dependendo de quem preencheu. A descoberta acontece na fase de integração, depois do contrato assinado.
Segundo a Deloitte apenas 6% das organizações viram payback do investimento em IA em menos de 1 ano. O prazo típico observado é 2 a 4 anos. Apenas 10% das organizações com IA agêntica reportam ROI significativo, embora 85% tenham aumentado o investimento no período. (Deloitte, 2025)
Quais processos qualificar e quais descartar antes de começar
Esta é a decisão que separa projetos que funcionam dos que viram POC zumbi. Cinco critérios objetivos determinam se um processo está pronto para automação. Aplicar os cinco antes de qualquer conversa com fornecedor.
1. Volume e frequência. Processo raro tem ROI negativo quase garantido. A referência prática: mínimo de 50-100 execuções por mês para justificar automação simples com RPA ou low-code. Acima de 500 execuções mensais para justificar o custo e a complexidade de um agente. Abaixo disso, a conta não fecha.
2. Clareza das regras. Se você não consegue documentar as regras do processo em menos de duas páginas, ele não está pronto. Processos que dependem de “bom senso do analista” ou “experiência de quem fez isso por anos” não têm regras explícitas. Não é questão de complexidade é questão de explicitação. O que não pode ser escrito não pode ser automatizado com confiança.
3. Custo de erro. Processos com alto custo de erro regulatório, financeiro ou de reputação precisam de supervisão humana mesmo depois da automação. Automatize a execução, não a responsabilidade. Um agente que erra numa transação de R$ 50 mil sem alerta humano é um risco que o seguro não cobre.
4. Qualidade dos dados de entrada. Antes de qualquer decisão de tecnologia, mapeie: de onde vêm os dados que alimentam este processo, em que formato, com que frequência e com que consistência. Se a resposta real é “depende de quem enviou”, o processo não está pronto. Dado mal estruturado mata automação antes do go-live.
5. Estabilidade do processo. Processos que mudam todo trimestre têm custo de manutenção da automação maior que o ganho de eficiência. A automação não é resiliente a mudanças de processo por design. Automatize o que é estável e bem definido. O que muda frequentemente fica melhor em low-code ou em fluxo humano.
Os red flags que eliminam um processo imediatamente: decisão criativa sem critério objetivo, julgamento contextual que depende de histórico de relacionamento, primeiro contato com cliente em situação sensível, e processos legalmente auditáveis onde a trilha de decisão do agente não é legível por auditores externos.
A descoberta mais contraintuitiva na qualificação de processos: os processos mais lentos e mais manuais raramente são os melhores candidatos. Eles são lentos porque envolvem julgamento humano legítimo que nenhum agente atual replica com confiança. Os melhores candidatos costumam ser processos que já funcionam bem, mas em volume alto o suficiente para que a escala manual tenha custo relevante. Automatizar o que funciona bem é mais seguro do que tentar corrigir um processo ruim com IA.
Como escolher o stack sem criar dependência de fornecedor
O vendor lock-in em automação com IA começa antes da compra. A decisão de plataforma feita pela apresentação de vendas, sem critério técnico de portabilidade, cria dependência estrutural difícil de reverter depois. Três categorias de stack com critérios objetivos para cada perfil de empresa.
SaaS com IA embarcada (Salesforce Einstein, HubSpot AI, SAP Joule, Microsoft Copilot for M365): a vantagem é zero fricção de integração. O sistema que você já usa passa a ter capacidade de IA sem nova infraestrutura. A desvantagem é proporcional: quando você muda de CRM ou de ERP, os fluxos de automação vão junto. O lock-in não é contratual, é arquitetural. Recomendado para automações dentro de um ecossistema existente, sem necessidade de cruzar sistemas de diferentes fornecedores.
Low-code e no-code de integração (n8n, Make, Zapier, Power Automate): portabilidade razoável, especialmente n8n que é open-source e pode ser self-hosted. Desvantagem: o custo de manutenção cresce com a complexidade dos fluxos. Um workflow simples é gerenciável. Cinquenta workflows interdependentes com lógica condicional criam uma dívida técnica que o time de TI não antecipou no contrato. Recomendado para empresas com múltiplos SaaS e sem equipe de engenharia dedicada.
Agentes customizados sobre LLM (LangChain, LlamaIndex, CrewAI sobre GPT-4o, Claude, Gemini): máxima flexibilidade, máximo custo de construção e manutenção. Requer engenharia com experiência em orquestração de agentes. Recomendado para processos proprietários complexos onde nenhuma solução off-the-shelf resolve o problema sem customização profunda.
| Critério | SaaS embarcado | Low-code | Agente customizado |
|---|---|---|---|
| Portabilidade de dados | Baixa | Média | Alta |
| Custo de setup | Baixo | Médio | Alto |
| Custo de manutenção | Baixo | Médio-alto | Alto |
| Risco de vendor lock-in | Alto | Médio | Baixo |
| Adequado para equipe sem eng. | Sim | Sim | Não |
| Flexibilidade | Baixa | Média | Alta |
Checklist anti-lock-in antes de assinar qualquer contrato de plataforma de automação:
- API de exportação de dados documentada e sem custo adicional
- SLA de migração assistida em caso de encerramento de contrato
- Suporte a padrões abertos de integração (OpenAPI, webhooks, OAuth2)
- Cláusula contratual explícita de portabilidade de configurações e fluxos
O levantamento Jitterbit (2026) com 1.500 decisores mostra média de 28 agentes implantados por organização, com planos de escalar para 40 em 12 meses. Empresas que chegam a esse volume sem uma política de portabilidade de dados criaram uma dívida técnica difícil de quantificar no balanço, mas muito cara de reverter. Cada agente adicional é mais um ponto de dependência com o fornecedor.
Governança mínima para IA agêntica: o que o CTO precisa formalizar
O McKinsey State of AI 2025 indica que 23% das organizações estão escalando IA agêntica ativamente (McKinsey, 2025). Os outros 77% incluem muitos que tentaram e travaram por falta de estrutura. Governança não é burocracia. É o que diferencia um agente que vai ao ar com controle daquele que vai ao ar e cria incidente.
1. Sponsor executivo com autoridade real. Uma pessoa de negócio com poder de resolver bloqueios de dados, prioridade e budget. Sem isso, o projeto é uma iniciativa de TI. E iniciativas de TI perdem para qualquer urgência operacional quando o sponsor original muda de foco.
2. Classificação de risco por processo automatizado. Cada fluxo de agente precisa ter documentado: qual decisão toma, quais dados usa, qual o impacto se errar. Processos de alto risco exigem supervisão humana embutida no fluxo normal, não como fallback de emergência. A supervisão humana precisa acontecer antes, não depois do erro.
3. Logs e auditabilidade. Todo agente em produção precisa registrar o que fez, com qual input, com qual output e quando. Não para atender auditoria futura. Para saber, quando o comportamento mudar, o que exatamente mudou e desde quando. Sem logs, rollback é operação no escuro.
4. Política de rollback. Cada automação em produção precisa ter um interruptor funcional. Não um procedimento de emergência que leva 72 horas e envolve três times. Um mecanismo de desligamento ativável em minutos, testado antes do go-live.
5. Obrigação LGPD. Se o agente processa dados pessoais (nome, CPF, histórico de compra, dados de saúde, localização), o tratamento precisa de base legal adequada, registro no Relatório de Impacto à Proteção de Dados Pessoais (RIPD) e, dependendo do impacto, avaliação de impacto completa. A ANPD incluiu decisões automatizadas como item prioritário de sua agenda regulatória 2025-2026.
O risco específico de agentes multi-step está sendo subestimado. Cada passo de um agente pode fazer uma chamada a um sistema externo. Em processos com quatro ou cinco etapas, cada chamada pode ser auditada separadamente pela ANPD se envolver dados pessoais. A empresa que não mapeou o fluxo completo de dados do agente antes do go-live não sabe quantas bases legais precisa formalizar.
A LGPD (Lei 13.709/2018), artigo 20, garante ao titular o direito de revisão de decisão tomada exclusivamente por meios automatizados que afetem seus interesses. Qualquer agente de IA que tome decisão com efeito jurídico ou impacto significativo sobre pessoas naturais precisa de base legal explícita, RIPD e mecanismo de revisão humana documentado. A ANPD sinalizou fiscalização ativa sobre decisões automatizadas em sua agenda 2025-2026.
Classificação de risco de sistemas de IA pelo PL 2338.
LGPD e decisões automatizadas
ROI realista: o que esperar e quando cortar
Apenas 6% das organizações viram payback do investimento em IA em menos de 1 ano. O prazo típico é 2 a 4 anos, segundo a Deloitte (2025, n=1.854) — bem acima do que projetos convencionais de TI costumam prometer. Isso não é argumento contra automação. É calibrar expectativa antes da aprovação de budget, não depois.
Para o mercado brasileiro, as estimativas de custo de entrada são:
- PME com escopo único: R$ 200-600 mil em 6 meses de implementação, incluindo infraestrutura e treinamento de equipe
- Mid-cap com escopo amplo: R$ 1,5-4 milhões no mesmo período
- OPEX recorrente: 20-40% do investimento inicial por ano, cobrindo manutenção, atualização de modelos e monitoramento
Esses números são estimativas de mercado. Variam com complexidade do processo, qualidade dos dados de partida e capacidade interna da equipe.
O levantamento Jitterbit (2026) mostra que 78% dos projetos entregam valor moderado a alto. O prazo importa tanto quanto o resultado: projetos que demonstram valor parcial dentro de 90 dias têm taxa de continuidade muito maior do que aqueles que prometem resultado completo em 12 meses.
Sinais de sucesso mensuráveis:
- Tempo médio de processamento cai mais de 30% em 60 dias
- Taxa de erro do processo automatizado fica igual ou abaixo da taxa de erro humano anterior
- Volume processado cresce sem custo proporcional de time
- Sponsor de negócio renova budget sem negociação política
Sinais de fracasso que justificam corte antes dos 6 meses:
- A equipe de TI gasta mais tempo mantendo o agente do que o processo anterior levava manualmente
- Os dados de entrada continuam exigindo limpeza manual antes de entrar no fluxo automatizado
- Não há sponsor ativo: reuniões de status viram relatório de “estamos progredindo”
- O OPEX ultrapassa 50% do investimento inicial já no primeiro ano de operação
O padrão mais comum de projeto que deveria ter sido cortado mais cedo: o agente funcionava em ambiente de sandbox com dados de teste limpos. Em produção, os dados reais tinham variações de formato que o modelo não tratava. A equipe gastou quatro meses tentando ajustar prompts e pré-processamento. O que precisava ser redesenhado era o processo de entrada de dados — não o agente. Esse diagnóstico atrasado custou mais do que o custo original de implementação.
Automação que escala começa com a decisão certa, não com a ferramenta certa
A vantagem de 2026 não é ter agentes. É saber quais processos merecem agentes e quais não merecem. O mercado de IA agêntica vai crescer de US$ 7,84 bilhões em 2025 para US$ 52,62 bilhões em 2030, CAGR de 46,3% (MarketsandMarkets, 2025). Crescimento de mercado não é garantia de resultado.
Empresas que chegam a esse mercado com processos qualificados, dados organizados, sponsor com autoridade e governança mínima documentada têm resultado muito diferente das que chegam com o nome do produto na proposta e nada mais. A sequência correta existe e está documentada. O que falta, na maioria dos casos, não é tecnologia. É disciplina de execução.
Perguntas frequentes sobre automação de processos com IA
Qual o prazo realista para ver retorno de um projeto de automação com IA?
Apenas 6% das organizações viram retorno em menos de 1 ano, segundo a Deloitte (2025, n=1.854 em 14 países). O prazo típico é 2 a 4 anos. Projetos que demonstram valor parcial nos primeiros 90 dias têm taxa de continuidade significativamente maior do que os que prometem resultado completo no final do ciclo. (Deloitte, 2025)
Por que tantos projetos de IA agêntica são cancelados?
A Gartner prevê que mais de 40% dos projetos agênticos serão cancelados até 2027. As três causas principais: dados de entrada com qualidade insuficiente para sustentar o modelo (43%), value proposition fraca ou não validada para o negócio (29%), e perda de sponsor executivo com poder de decisão sobre dados e budget (21%). (Gartner, 2025)
Como saber se um processo está pronto para automação?
Cinco critérios objetivos: volume mínimo de 50-100 execuções por mês, regras documentáveis em menos de duas páginas, dados de entrada estruturados e consistentes, estabilidade do processo ao longo do tempo, e custo de erro tolerável sem supervisão humana constante. Se um desses critérios falha, o processo precisa ser preparado antes de ser automatizado.
A LGPD se aplica a processos automatizados por IA?
Sim. Qualquer agente de IA que processe dados pessoais precisa de base legal, registro no RIPD e, dependendo do impacto sobre os titulares, avaliação de impacto à proteção de dados. O artigo 20 da LGPD garante ao titular o direito de revisão de decisões automatizadas com efeito jurídico ou impacto significativo. A ANPD incluiu esse tema como prioridade regulatória para 2025-2026.
LGPD aplicada a decisões automatizadas
O que é vendor lock-in em automação com IA e como evitar?
É a dependência de uma plataforma que torna migração inviável por custo ou incompatibilidade técnica. Para evitar: exija API de exportação de dados sem custo adicional, suporte a padrões abertos, SLA de migração assistida e cláusula contratual de portabilidade antes de assinar. SaaS com IA embarcada em CRM ou ERP tem risco de lock-in alto por design, não por má-fé.
