88% dos projetos de prova de conceito de IA não chegam à produção
17 de outubro de 2026 · 2 min de leitura
Um estudo conjunto da IDC e da Lenovo revela que 88% dos projetos de prova de conceito (POC) de IA não atingem a produção devido a objetivos não claros, dados não preparados e falta de expertise em IA agente dentro das organizações. A pesquisa mostra um padrão de divisão entre construção e execução, onde a equipe que projetou e implantou os agentes de IA, frequentemente um parceiro especializado, não participa da execução nos processos de negócio.
Quando a equipe operacional, acostumada a demonstrações, assume o uso do sistema sem suporte externo, surgem erros que podem desencadear falhas em cascata e catástrofes empresariais se um único agente desviar do comportamento esperado. Serhii Semenchenko, CTO da Dedicatted, empresa canadense especializada em soluções de IA agente para AWS, afirma que os ambientes de demonstração são controlados, com dados limpos e prompts definidos, enquanto a produção enfrenta cenários imprevisíveis e exige mecanismos de segurança robustos.
Semenchenko destaca a necessidade de timeout em cada etapa, registro detalhado de todas as interações e a capacidade de autoavaliação dos agentes para decidir se devem continuar ou reprogramar tarefas. Ele defende que os agentes devem operar com permissões específicas e chaves de curta duração, evitando chamadas a ferramentas não autorizadas que possam causar vazamentos ou ataques de injeção de prompt.
A orquestração multiagente, segundo Semenchenko, envolve um roteador que direciona a entrada do usuário para agentes especializados, como análise de vídeo, áudio ou documentos, cada um com acesso a APIs específicas. O agente final compila os resultados e, em caso de falha, não inventa dados ausentes, mas repete ou marca o erro, garantindo uma definição clara de responsabilidades entre os passos.
Em um caso real, a Dedicatted adaptou seu fluxo para CASSEN Testing Laboratories, onde agentes ajustaram o formato dos relatórios para corresponder ao estilo interno da equipe de químicos, evitando divergências entre expectativas automatizadas e práticas manuais. Semenchenko também aborda a migração de infraestrutura, como o caso da Zivian Health, que transferiu seu ambiente de AWS para Azure sob pressão regulatória, exigindo mapeamento rigoroso de permissões e ferramentas de monitoramento independentes da nuvem.
Ele conclui que projetos bem-sucedidos de IA agente devem validar taxa de sucesso, latência e custo de tokens após a migração, e aponta que, segundo pesquisa da PwC, cerca de 66% dos agentes entregam valor produtivo, embora falhas ainda possam ocorrer em horários críticos, como um agente que tenta chamar ferramentas repetidamente sem critério claro.