Em junho de 2025, a Gartner publicou uma previsão que devia estar afixada no gabinete de qualquer administrador que esteja a considerar investir em agentes de IA: mais de 40% dos projetos de IA agêntica serão cancelados até ao final de 2027.
Os motivos apontados são três: custos a escalar, valor de negócio pouco claro e controlo de risco inadequado. Segundo a analista Anushree Verma, a maioria dos projetos atuais são experiências ou provas de conceito “movidas sobretudo pelo hype” e muitas vezes mal aplicadas.
Isto não significa que os agentes de IA não funcionam. Significa que a forma como estão a ser implementados não funciona. Este artigo analisa as sete causas mais comuns de falhanço e o que fazer para que o seu projeto fique nos 60% que sobrevivem.
O contexto: muito entusiasmo, pouca maturidade
Uma sondagem da Gartner a mais de 3.400 participantes num webinar, em janeiro de 2025, mostrava o seguinte panorama de investimento em IA agêntica:
| Nível de investimento | % |
|---|---|
| Investimento significativo | 19% |
| Investimento conservador | 42% |
| Sem investimento | 8% |
| À espera ou sem certeza | 31% |
Ao mesmo tempo, a Gartner estima que, entre os milhares de fornecedores que dizem vender IA agêntica, apenas cerca de 130 o fazem de facto. Os restantes praticam agent washing: rebatizam chatbots, assistentes ou automações como “agentes”.
Muito investimento, muita oferta de qualidade duvidosa e pouca experiência de implementação: é a receita clássica para uma vaga de projetos falhados.
As 7 causas de falhanço
1. Começar pela tecnologia em vez do problema
“Precisamos de ter agentes de IA” não é um objetivo de negócio. Projetos que começam pela ferramenta acabam à procura de um problema para resolver — e raramente encontram um que justifique o investimento.
Sinal de alerta: ninguém consegue dizer, numa frase, que indicador de negócio o agente vai melhorar e quanto.
2. Usar agentes onde não são precisos
A própria Gartner nota que muitos casos de uso apresentados como “agênticos” não precisam de agentes. Uma automação simples ou um assistente de IA resolveriam o problema a uma fração do custo e da complexidade.
Sinal de alerta: a tarefa segue sempre os mesmos passos, sem necessidade de decisão. Isso é automação, não um agente.
3. Âmbito demasiado largo
O “agente que faz tudo” — atende clientes, qualifica leads, faz propostas e ainda gera relatórios — é o projeto com maior probabilidade de falhar. Quanto mais largo o âmbito, mais difícil testar, corrigir e confiar.
Sinal de alerta: a descrição do agente tem mais de três funções principais.
4. Dados e processos desorganizados
Um agente é tão bom quanto a informação e os processos em que se apoia. Informação de produto desatualizada, CRM cheio de duplicados, processos que “cada um faz à sua maneira” — tudo isto se transforma em erros automatizados e em escala.
Sinal de alerta: a equipa humana também tem dificuldade em encontrar a informação certa.
5. Custos que escalam sem controlo
Os custos de um agente não se limitam à licença: incluem utilização de modelos (muitas vezes por volume), integrações, manutenção, revisão humana e correção de erros. Projetos sem modelo de custos acabam cancelados quando a fatura chega.
Sinal de alerta: ninguém sabe quanto custa, em média, cada conversa ou tarefa executada pelo agente.
6. Sem controlo de risco nem supervisão
Agentes que comunicam com clientes, alteram dados ou tomam decisões sem regras claras de supervisão são um risco reputacional, legal e financeiro. Um erro visível pode encerrar o projeto de um dia para o outro.
Sinal de alerta: não existe uma lista escrita do que o agente não pode fazer e de quando deve passar a decisão para um humano.
7. Sem dono e sem medição
Muitos projetos são lançados por entusiasmo de uma pessoa ou de um fornecedor e ficam sem responsável interno. Sem medição, é impossível demonstrar valor — e sem valor demonstrado, o projeto é o primeiro a ser cortado.
Sinal de alerta: o projeto não tem indicadores definidos antes do lançamento.
Como evitar: o modelo dos 5 portões
Antes de avançar para cada fase, o projeto tem de passar um “portão”. Se não passa, não avança.
| Portão | Pergunta | Critério para avançar |
|---|---|---|
| 1. Valor | Que indicador de negócio vamos melhorar, e quanto? | Objetivo quantificado e aceite pela direção |
| 2. Adequação | Precisamos mesmo de um agente, ou chega uma automação ou um assistente? | Justificação escrita de porque é preciso capacidade de decisão |
| 3. Prontidão | Temos dados, processo e informação organizados? | Informação necessária documentada e atualizada |
| 4. Risco | O que pode correr mal e como controlamos? | Lista do que o agente não faz, regras de passagem para humano, plano de revisão |
| 5. Economia | Quanto custa por tarefa e quanto poupa ou gera? | Modelo de custo-benefício positivo mesmo no cenário pessimista |
Checklist anti-falhanço
- [ ] O objetivo de negócio está definido e quantificado
- [ ] A tarefa exige realmente decisão (não é apenas automação)
- [ ] O âmbito está limitado a uma função principal
- [ ] A informação e os dados necessários estão organizados
- [ ] Existe uma lista do que o agente não pode fazer
- [ ] As regras de passagem para humano estão definidas
- [ ] O agente foi testado com pelo menos 30 casos reais antes do lançamento
- [ ] Há um período de supervisão reforçada nas primeiras semanas
- [ ] O custo por tarefa é conhecido e acompanhado
- [ ] Existe um responsável interno com tempo atribuído
- [ ] Os indicadores são revistos mensalmente
- [ ] Foi verificado se o fornecedor oferece de facto capacidades agênticas
A mentalidade certa: começar pequeno, provar, escalar
A recomendação da Gartner vai no mesmo sentido: investir em IA agêntica apenas onde traz valor claro ou retorno, e repensar os processos em vez de simplesmente “colar” agentes a sistemas antigos.
Na prática, os projetos que sobrevivem seguem um padrão comum:
- Um caso de uso estreito, com volume e impacto mensurável
- Um piloto de 4 a 8 semanas, com supervisão total
- Medição rigorosa contra a situação anterior
- Decisão explícita: escalar, ajustar ou parar
- Expansão gradual para casos de uso adjacentes
Parar um piloto que não funciona não é um fracasso. É gestão. O fracasso é manter durante dois anos um projeto que ninguém consegue justificar.
Conclusão
A previsão da Gartner não é um argumento contra os agentes de IA — é um argumento contra a forma apressada como estão a ser adotados. A tecnologia vai continuar a evoluir e a Gartner prevê que, até 2028, um terço das aplicações empresariais incluam IA agêntica.
As empresas que vão tirar partido desta evolução são as que tratam os agentes como tratam qualquer outro investimento sério: com objetivos claros, âmbito controlado, gestão de risco e medição. Tudo o resto é hype — e o hype é caro.
Perguntas frequentes
De onde vem o número dos 40%?
De uma previsão da Gartner publicada em junho de 2025, segundo a qual mais de 40% dos projetos de IA agêntica serão cancelados até ao final de 2027, devido a custos crescentes, valor de negócio pouco claro ou controlo de risco inadequado.
Isto significa que os agentes de IA não funcionam?
Não. Significa que muitos projetos são mal escolhidos ou mal implementados. A mesma Gartner prevê uma adoção crescente de IA agêntica nas aplicações empresariais nos próximos anos.
O que é agent washing?
É a prática de apresentar como “agente de IA” um produto que é apenas um chatbot, um assistente ou uma automação. A Gartner estima que apenas cerca de 130 dos milhares de fornecedores de IA agêntica ofereçam capacidades agênticas reais.
Como sei se preciso de um agente ou de uma automação?
Se a tarefa segue sempre os mesmos passos, com regras fixas, uma automação chega. Se exige interpretar pedidos variados e decidir o próximo passo, um agente pode fazer sentido.
Quanto tempo deve durar um piloto?
Entre 4 e 8 semanas costuma ser suficiente para medir resultados num caso de uso bem definido, com volume razoável.
Quem deve decidir se o projeto continua?
Um responsável de negócio, com base nos indicadores definidos antes do lançamento — não apenas a equipa técnica ou o fornecedor.
