Alto Desempenho com IA
Apenas 2% dos líderes avaliam o desempenho de IA da organização como alto na entrega de resultados de negócio mensuráveis (notas 9 ou 10).
Estudo global MIT Technology Review Insights e Databricks
Construindo uma Organização de Dados e IA de Alta Performance
Desafios de escalabilidade, governança semântica e o que separa os 2% das empresas que geram ROI real dos 98% que permanecem travados em pilotos departamentais.
2% dos executivos avaliam a IA da empresa como de alto impacto no negócio
Cada ponto é um dos 100 executivos. Os dois em destaque são os que dão nota 9 ou 10 ao desempenho de IA.
O Raio-X da Maturidade Corporativa em Dados & IA
Os números contraintuitivos da pesquisa global que mostram a distância entre a euforia da IA generativa e a geração de valor tangível nos negócios.
Sucesso na Estratégia de Dados
Só 12% se dizem "altamente bem-sucedidos" em dados. Em 2021, antes da IA generativa, eram 13%.
O Abismo da Escala
65% já implantaram IA generativa, mas só 7% em larga escala. A maioria (58%) fez uma implantação limitada.
Governança Fragmentada
Apontam modelos de governança separados para dados e IA como a maior fragilidade para alinhar as duas estratégias.
Capacidade de Adaptação
Dizem que a estratégia de dados é amplamente ou altamente capaz de se adaptar aos avanços futuros da IA. Outros 42% a veem só como moderadamente capaz.
Adoção de Inteligência de Dados
Já usam inteligência de dados hoje. Outros 67% já usam ferramentas de gestão de dados com tecnologia de IA.
Fonte: MIT Technology Review Insights, pesquisa de 2025. Amostra: 800 CIOs, CTOs, CDAOs e outros executivos seniores de dados e tecnologia, em organizações com receita anual de US$ 500 milhões ou mais, em 12 países.
Quatro anos equivalem a uma vida inteira quando o assunto é inteligência artificial. Desde a primeira edição do estudo, em 2021, as capacidades de IA avançaram em ritmo acelerado, com a multimodalidade e a ascensão dos agentes autônomos.
Uma verdade permanece: a qualidade dos resultados de um modelo de IA é tão boa quanto os dados que o alimentam. E a maioria das organizações não está aproveitando as novas práticas de gestão de dados rápido o bastante para acompanhar a IA.
Capítulo 01
O Paradoxo dos 2%: O Abismo entre Experimentação e Escala
O resultado mais contundente da pesquisa é o contraste entre adoção e impacto. Enquanto 65% das organizações declaram já ter implantado IA generativa, só 7% conseguiram expandi-la em larga escala. E apenas 2% dos líderes avaliam o desempenho de IA como alto (notas 9 ou 10 em uma escala de 10).
- Dados em 2021, antes da IA generativa
- Dados em 2025
- IA em 2025alto: 2%
- Alto desempenho (notas 9 e 10)
- Intermediário (notas 7 e 8)
- Baixo (notas 1 a 6)
Fonte: MIT Technology Review Insights, pesquisa de 2025. Alto desempenho: notas 9 e 10. Intermediário: 7 e 8. Baixo: 1 a 6.
Em dados, o cenário praticamente não mudou desde antes da IA generativa: 12% das organizações são de alto desempenho (eram 13% em 2021), e as de baixo desempenho cresceram de 12% para 18%. Em IA, a distância é maior: 71% estão na faixa de baixo desempenho e só 29% na intermediária.
A maioria das equipes de dados está com dificuldade de atender às necessidades dos modelos e dos casos de uso de IA. As dificuldades com dados estão impedindo as organizações de gerar resultado de negócio valioso com IA.
Alto desempenho2% em IA, 12% em dados
Dados e IA unificados, governança centralizada e modelos em produção gerando resultado de negócio mensurável.
Desempenho intermediário29% em IA, 70% em dados
Casos de uso pontuais, silos e dificuldade de escalar.
Baixo desempenho71% em IA, 18% em dados
Estratégia que não entrega resultado de negócio mensurável.
- 0%10
- 2%9
- 8%8
- 21%7
- 36%6
- 27%5
- 5%4
- 2%3
- 1%2
- 0%1
- 1%10
- 11%9
- 29%8
- 41%7
- 15%6
- 2%5
- 1%4
- 0%3
- 0%2
- 0%1
- 2%10
- 11%9
- 34%8
- 41%7
- 9%6
- 1%5
- 2%4
- 0%3
- 0%2
- 0%1
- Alto (9 e 10)
- Intermediário (7 e 8)
- Baixo (1 a 6)
Fonte: MIT Technology Review Insights, pesquisa de 2025.
- IA tradicional, baseada em regras
- IA generativa
- IA agênticalarga escala: 4%
- Implantação limitada
- Em larga escala
Fonte: MIT Technology Review Insights, pesquisa de 2025. A IA tradicional é usada por 97% (71% em larga escala). IA generativa: 65%. IA agêntica: 19%.
A Disparidade por Porte: Por que as Grandes Disparam na Frente?
O estudo mostra relação direta entre receita e eficácia em dados. Entre as companhias com faturamento acima de US$ 10 bilhões, 32% alcançam o patamar de alto desempenho. Nas de US$ 500 milhões a US$ 1 bilhão, o índice cai para apenas 4%. Por setor, serviços financeiros lideram (21%).
Fonte: MIT Technology Review Insights, pesquisa de 2025.
Capítulo 02
O Fator Crítico: Unificação de Dados, Analytics e IA
Por que tantas organizações têm dificuldade em transformar IA em retorno? A pesquisa aponta para a falta de alinhamento entre as estratégias de dados e de IA. Historicamente, as empresas construíram feudos tecnológicos: data warehouses para BI, data lakes para experimentação e iniciativas de machine learning espalhadas. Com a IA generativa, muitas criaram um novo feudo.
A IA generativa deixou claro que as organizações que combinam suas estratégias de dados e IA conseguem implantar abordagens sofisticadas de IA com muito mais facilidade do que aquelas em que dados e IA são gerenciados separadamente.
As 3 Maiores Barreiras de Alinhamento
Perguntamos aos executivos o que mais dificulta alinhar a estratégia de dados à de IA. Três fatores aparecem no topo:
46%altamente ou amplamente capaz
- Altamente capaz6%
- Amplamente capaz40%
- Moderadamente capaz42%
- Pouco capaz12%
- Nada capaz0%
Fonte: MIT Technology Review Insights, pesquisa de 2025. Entre as organizações de alto desempenho em dados, 80% consideram a estratégia altamente capaz de se adaptar.
Organizações siladas
- Governança duplicada e catálogos de metadados conflitantes.
- Pipelines estáticos, em lote e com dias de atraso.
- Dificuldade de rastrear a linhagem: não se sabe qual dado alimentou o modelo.
- IA restrita a tarefas de copiloto, sem autonomia.
Organizações unificadas
- Plataforma aberta e única para dados estruturados e não estruturados.
- Governança e controle de acesso unificados, da ingestão ao agente.
- Contexto semântico de negócio compartilhado entre analistas, cientistas e modelos.
- Implantação ágil e segura, com medição contínua de precisão e ROI.
Fonte: MIT Technology Review Insights, pesquisa de 2025.
- 51%Aprimorar análise e decisões orientadas por dados
- 42%Modernizar e simplificar a arquitetura de dados
- 38%Melhorar a qualidade dos dados e os pipelines de IA/ML
- 32%Fortalecer a governança de dados e IA
- 30%Melhorar a segurança cibernética e a gestão de riscos
- 29%Ampliar o uso de dados em streaming e não estruturados
- 25%Implementar uma estratégia multicloud
Fonte: MIT Technology Review Insights, pesquisa de 2025.
Capítulo 03
A Ascensão dos Agentes e a Prevenção do "Caos dos Agentes"
A IA corporativa migra da fase conversacional, em que o modelo responde perguntas, para a fase agêntica: sistemas que raciocinam, formulam planos e acionam ferramentas para concluir tarefas com autonomia. Hoje, 19% das organizações já implantaram IA agêntica, a maioria de forma limitada, e 68% pretendem investir nela nos próximos um a dois anos.
Do Piloto à Escala: Onde a IA Generativa Trava
A imagem de adoção universal da IA generativa não se confirma. As maiores empresas lideram, mas poucas escalam. A principal barreira para escalar é a mesma da estratégia de dados: falta de talentos (45%), seguida de infraestrutura fragmentada (41%).
- Total65%limitada 58%, larga escala 7%
- Mais de US$ 10 bilhões78%limitada 67%, larga escala 11%
- US$ 1 a 10 bilhões68%limitada 59%, larga escala 9%
- US$ 500 milhões a 1 bilhão54%limitada 52%, larga escala 2%
- Nativo digital85%limitada 70%, larga escala 15%
- Mídia e entretenimento85%limitada 78%, larga escala 7%
- Serviços financeiros68%limitada 59%, larga escala 9%
- Telecomunicações67%limitada 61%, larga escala 6%
- Varejo e bens de consumo66%limitada 62%, larga escala 4%
- Saúde e ciências da vida60%limitada 51%, larga escala 9%
- Manufatura59%limitada 54%, larga escala 5%
- Setor público50%limitada 48%, larga escala 2%
- Energia46%limitada 41%, larga escala 5%
- Total19%limitada 15%, larga escala 4%
- Mais de US$ 10 bilhões35%limitada 31%, larga escala 4%
- US$ 1 a 10 bilhões23%limitada 17%, larga escala 6%
- US$ 500 milhões a 1 bilhão6%limitada 3%, larga escala 3%
- Serviços financeiros34%limitada 29%, larga escala 5%
- Nativo digital33%limitada 23%, larga escala 10%
- Saúde e ciências da vida28%limitada 26%, larga escala 2%
- Mídia e entretenimento21%limitada 17%, larga escala 4%
- Energia14%limitada 8%, larga escala 6%
- Telecomunicações14%limitada 11%, larga escala 3%
- Governo e setor público13%limitada 10%, larga escala 3%
- Varejo e bens de consumo11%limitada 7%, larga escala 4%
- Manufatura10%limitada 9%, larga escala 1%
- Implantação limitada
- Em larga escala
Fonte: MIT Technology Review Insights, pesquisa de 2025.
Fonte: MIT Technology Review Insights, pesquisa de 2025.
Meu cenário de pesadelo é sermos inundados por agentes descoordenados de todos os tipos, muitos dos quais possivelmente redundantes.
O estudo alerta para um risco emergente: o "Caos dos Agentes" (agent sprawl). Fornecedores oferecem cada vez mais agentes prontos, e sem disciplina nas decisões de investimento surgem duplicação, expansão descontrolada e fragmentação. Para a Gilead, um marketplace de agentes ajuda a manter a disciplina, porque avalia segurança e desempenho.
Fonte: MIT Technology Review Insights, pesquisa de 2025.
Os 3 Pilares Indispensáveis para a IA Agêntica em Produção
1. Contexto Semântico e Precisão Baseada em Dados Próprios
Um agente só decide bem se tiver acesso aos dados exclusivos da empresa: catálogo de produtos, regras contratuais, histórico de clientes e políticas de crédito. Sem isso, cresce o risco de respostas e decisões erradas. Para Irfan Khan, da SAP, uma camada de dados harmonizada é o primeiro passo crítico de qualquer estratégia agêntica.
2. Linhagem Rigorosa e Explicabilidade
Se um agente aprova um desconto ou reclassifica um sinistro, a organização precisa auditar qual dado gerou aquela decisão. Nas palavras de Sejung Lee, Diretora de Dados da KT, a IA agêntica exige recursos bem estruturados, com alto contexto e explicáveis: linhagem, governança e clareza semântica ficam ainda mais críticas.
3. Protocolos de Autenticação e Limites de Ação
Rani Johnson, CIO da Workday, descreve dois desafios: a autenticação, para confirmar se o agente tem autoridade para executar uma ação, e garantir dados suficientes para que ele entenda quais ações tomar. A Workday começa por casos de alta viabilidade, pouco volume de dados e baixo risco.
Capítulo 04
Data Intelligence: A IA a Serviço da Própria Gestão de Dados
Durante anos, as equipes de dados dedicaram a maior parte da capacidade a alimentar modelos de IA. Agora a relação se inverteu: a IA está sendo usada para limpar, integrar, catalogar e monitorar os próprios dados. 67% das organizações já usam ferramentas de gestão de dados com tecnologia de IA e 69% já usam inteligência de dados, que analisa metadados para dar visibilidade sobre qualidade, uso e impacto dos dados.
- Análise de dados em tempo real
- Análises self-service
- Inteligência de dados
- Ferramentas com IA
- Democratização de dados
- Aplicações de produtividade com IA generativa
- Análises com aprimoramento de privacidade
- Arquitetura de dados unificada
- Agentes de IA
Fonte: MIT Technology Review Insights, pesquisa de 2025. As colunas somam uso atual e planos. Só 15% já usam agentes de IA em gestão de dados, mas 65% planejam usar.
Automação de Tarefas Manuais
Na Navy Federal Credit Union, Dan Chaddock conta que a IA ajuda a focar nos dados que realmente precisam de limpeza: em vez de revisar uma lista enorme em planilha, a equipe passou a olhar só as áreas em que os modelos divergem.
Observabilidade e Qualidade Preditiva
Na 3M, Nithin Ramachandran diz que a empresa avalia ferramentas de IA para gestão da qualidade e observabilidade dos dados. Para ele, o que torna os dados mais inteligentes é adicionar contexto, e isso vem da análise de metadados.
Com inteligência de dados, os entrevistados buscam principalmente melhorar a governança (51%), conectar silos, organizar melhor as informações e ampliar a capacidade de análise (40% cada). Isso também ajuda a enfrentar a escassez de talentos: 54% dizem que o surgimento dessas ferramentas foi motivo para atualizar a estratégia de dados.
Capítulo 05
Liberdade Arquitetural e o Fim do Aprisionamento (Lock-in)
O avanço da IA generativa em 2022 e 2023 pegou muitas empresas de surpresa. Com receio de perder a oportunidade, várias se comprometeram cedo com modelos proprietários de grandes fornecedores. Eles deram poder e desempenho, mas limitaram a capacidade de experimentar e personalizar. Os líderes mais maduros agora querem manter as opções de modelo abertas.
Opcionalidade de Modelos (Small + Large Models)
Na W.W. Grainger, a prioridade é garantir opcionalidade de plataforma, sem ficar preso a um único fornecedor. A empresa costuma usar um modelo pequeno e de baixo custo no início de um caso de uso, um mais poderoso (e mais caro) depois, e outro diferente perto da produção. Nas palavras de Jonny LeRoy, é preciso ter capacidade de arbitrar entre modelos.
Padrões Abertos e Governança Interoperável
A Fox Corporation tende a usar modelos e plataformas de código aberto sempre que possível. Melody Hildebrandt diz que a empresa é agnóstica em relação a modelos e que o código aberto cria uma pressão saudável sobre o ecossistema proprietário, o que beneficia todos.
Estratégia Multicloud com Soberania de Dados
Um quarto dos entrevistados coloca uma estratégia multicloud entre as prioridades, e 41% das empresas de telecomunicações, o maior índice entre os setores. A Fonterra tem governança unificada de dados e IA em todas as nuvens que usa, e a KT adota nuvem pública segura com proteções para preservar a soberania dos dados.
Capítulo 06
O Framework de 4 Passos do MIT Technology Review para Líderes
Nenhum dos executivos entrevistados acredita que a evolução da IA vá desacelerar. Modelos multimodais 2.0, grandes modelos de mundo, IA explicável e, mais adiante, IA quântica trazem novas oportunidades e novos desafios. Quatro lições de alto nível emergem da pesquisa:
1. Exercer Disciplina Estratégica Rígida
Sem PoCs soltas, sem dono e sem critério. Nos primeiros dias da IA generativa, muitas organizações deixaram a exploração de casos de uso crescer sem supervisão. Os líderes ouvidos agora insistem em entender com clareza as entradas e as saídas dos modelos antes de avançar além das etapas iniciais.
2. Manter Opções em Aberto
Modelos, fornecedores e produtos evoluem rápido, e nem todos resistirão ao tempo. Hoje há várias opções, incluindo modelos de código aberto, para garantir flexibilidade máxima e evitar o aprisionamento em uma única solução.
3. Eliminar a Fragmentação do Stack
Há agentes e ferramentas de IA para automatizar a gestão de dados em todo lugar. Eles trazem ganhos de eficiência, mas também podem gerar duplicação, expansão descontrolada e complexidade. As equipes precisam de disciplina na escolha das novas ferramentas.
4. Focar Incansavelmente em Resultados de Negócio
A IA generativa entusiasmou executivos e equipes, mas poucas organizações geram resultado de negócio valioso: só 2% avaliam o desempenho de IA como alto. Não faça IA por fazer.
Capítulo 07
Benchmarks e Casos Práticos do Relatório
Como organizações de referência colocam esses princípios em prática, segundo as entrevistas do estudo:
Bradesco
Serviços financeirosQuando a IA generativa ganhou força, revisou a estratégia de dados e passou a tratá-la junto com as iniciativas de IA. Para Rafael Cavalcanti, empresas que combinam as duas implantam abordagens sofisticadas de IA com muito mais facilidade.
Dados e IA integradosFOX Sports
Mídia e entretenimentoA Sports AI é um chatbot que responde sobre os esportes cobertos pelo canal, com base em textos dos jornalistas e comentários dos especialistas. Para isso, a FOX trocou a busca por palavras-chave por busca semântica e vetorizou o conteúdo.
Busca semânticaGilead Sciences
Farmacêutica e ciências da vidaRecebe mais de 250 grandes conjuntos de dados de mais de 100 fornecedores. Com automação em nuvem, escanear, carregar e deixar pronto para uso um arquivo de 40 terabytes leva de duas a três horas, antes eram vários dias.
40 TB em 2 a 3 horasWorkday
Software corporativoPrioriza casos de IA agêntica de alta viabilidade, pouco volume de dados e baixo risco, como alertar alguém sobre o mau desempenho do dispositivo. Casos com dados sensíveis, como benefícios, exigem um nível bem mais alto de rigor.
Baixo risco primeiroNavy Federal Credit Union
Cooperativa de créditoUsa IA para reduzir previamente a lista de dados a limpar, concentrando o trabalho nas áreas em que os modelos divergem. Para Dan Chaddock, a qualidade dos dados é a maior prioridade.
Qualidade dos dadosFonterra
Laticínios, Nova ZelândiaDesenvolveu uma solução multiagente já disponível para mais de 3.000 usuários e mantém governança unificada de dados e IA em todas as nuvens que usa, para otimizar a cadeia de valor.
Multiagente e multicloudCapítulo 08
Como a Hello Conecta Estratégia de Dados, IA e Receita B2B
O estudo ouviu executivos de organizações com receita anual de US$ 500 milhões ou mais, mas os desafios refletem a realidade de médias e grandes empresas no Brasil. De nada adianta investir em licenças caras de software sem uma estratégia unificada de dados de receita, governança de mercado e inteligência comercial acionável. Na Hello Marketing B2B, aplicamos esses fundamentos para transformar marketing e comercial em um motor de alta performance previsível.
Arquitetura de Dados B2B e Enriquecimento
Unificamos dados de CRM, ERP, tráfego e bases externas em uma visão única de contas ideais (ICP), sem cadastros duplicados e leads desqualificados.
Inteligência Preditiva de Mercado
Modelagem de propensão de compra para identificar quais contas-alvo estão no momento certo de contratar no seu setor.
IA Aplicada à Prospecção e Vendas
Automação com supervisão para pesquisa de decisores, personalização de abordagens outbound e nutrição de oportunidades.
Governança e Mensuração de ROI Real
Dashboards executivos com atribuição de receita, conectando cada investimento em marketing e tecnologia ao faturamento fechado.
Capítulo 09
Perguntas Frequentes (FAQ Executivo)
Por que tantas iniciativas de IA generativa falham em gerar retorno financeiro?
De acordo com o estudo Databricks e MIT Technology Review, o principal motivo é o desalinhamento entre a estratégia de IA e a base de dados subjacente. As maiores barreiras de alinhamento são modelos de governança separados para dados e IA (41%), falta de plataformas tecnológicas unificadas (37%) e abordagens de ROI desconectadas (32%). Sem dados confiáveis, integrados e contextualizados, a IA fica presa em pilotos de baixo impacto financeiro.
Qual é o papel da Data Intelligence na transição para a IA agêntica?
Data Intelligence é um conjunto de práticas que analisa metadados para dar visibilidade sobre os dados da organização, sua qualidade, seu uso e o impacto desse uso. Na era agêntica, em que sistemas executam ações de forma autônoma, entender a origem, a linhagem e o contexto dos dados é indispensável para dar ao agente o conhecimento exclusivo da empresa, com controle de acesso e auditoria. Segundo o estudo, 69% das organizações já usam inteligência de dados.
O que é o risco de "Caos dos Agentes" (Agent Sprawl)?
É a proliferação desordenada de agentes de software, adotados de forma independente por diferentes áreas ou fornecedores. Sem disciplina nas decisões de investimento e sem governança central, esses agentes geram duplicação, expansão descontrolada e complexidade adicional, além de riscos de segurança e de conformidade, inclusive com a LGPD.
Como evitar o aprisionamento (vendor lock-in) em inteligência artificial?
Mantendo as opções em aberto. Os líderes ouvidos no estudo preservam a opcionalidade de modelos, combinando modelos menores e de menor custo com modelos mais poderosos quando necessário, e dão preferência a modelos e plataformas de código aberto sempre que possível. Também mantêm flexibilidade de nuvem: um quarto dos entrevistados cita uma estratégia multicloud entre as prioridades para dados e IA.
Como uma empresa de médio ou grande porte deve iniciar essa jornada?
O primeiro passo é unificar as equipes, a governança e as métricas de dados e de IA, priorizando casos de uso de alta viabilidade e baixo risco, com impacto direto na receita, como inteligência comercial B2B, segmentação preditiva e enriquecimento de pipeline. A disciplina estratégica, com entradas e saídas claras e metas de negócio definidas, vem antes da escala.
Agência orientada por dados, IA e performance para empresas B2B e SaaS.