O mundo determinístico acabou, e seus analistas ainda não perceberam

Automação cognitiva, não-determinismo e a competência que a TI ainda não desenvolveu

Durante décadas, os analistas de sistemas foram treinados, e muito bem treinados, para uma tarefa específica: modelar o mundo e os problemas de negócio de forma determinística. O processo era claro: entrevistar o usuário, levantar requisitos, desenhar fluxos, normalizar dados, escrever regras. Se X, então Y. A entrada A produz sempre a saída B.

O programa de computador era a cristalização desse raciocínio: um artefato que reproduzia, com fidelidade e previsibilidade, o modelo mental que o analista construíra do negócio. Essa disciplina construiu o mundo digital que conhecemos. ERPs, sistemas de cobrança, folha de pagamento, trading, todos funcionam porque alguém conseguiu traduzir um problema de negócio em lógica determinística exata.

A automação cognitiva chegou com um problema embutido

Agora chegou a inteligência artificial generativa e, com ela, a promessa de uma nova fronteira de produtividade: a automação cognitiva, automatizar tarefas que antes exigiam julgamento humano, como ler, interpretar, resumir, classificar, decidir e redigir. E aqui surge o problema que está quebrando projetos no mundo inteiro: a tecnologia que viabiliza a automação cognitiva é, por natureza, não-determinística.

O mesmo modelo, com o mesmo prompt, pode produzir respostas diferentes, e frequentemente o faz. Não há mais "se X, então Y". Há "se X, provavelmente Y, com variação Z, dependendo do contexto".

Na prática, isso significa decidir conscientemente o que pode ser probabilístico, como a redação de um e-mail ou o resumo de um documento, e o que jamais pode ser, como o cálculo de um imposto, a aprovação de um crédito ou o registro contábil. Essa fronteira precisa ser desenhada. E desenhá-la exige uma competência que simplesmente não existia no currículo da TI tradicional.

A tese deste artigo é que a epidemia de falhas em projetos de IA, e os números são epidêmicos, não é um veredito sobre a tecnologia. É a fatura de enfrentar um problema novo com skills antigos. Vamos às evidências e às hipóteses.

A fatura chegou

Os números convergem, e vêm de fontes que não se comunicam entre si.

O último dado é o mais revelador: a mesma indústria, com os mesmos métodos e os mesmos profissionais, falha duas vezes mais quando a tecnologia é IA. Isso aponta para algo sistêmico na forma como os projetos são concebidos, não para um defeito dos modelos de linguagem.

Da pesquisa e da prática, emergem três hipóteses principais.

Tese 1: a ilusão de simplicidade do "basta saber escrever prompts"

A IA generativa tem uma característica traiçoeira: a interface é linguagem natural. Qualquer pessoa que sabe escrever um e-mail consegue, em minutos, fazer um chatbot responder algo impressionante. Isso cria nos profissionais de TI a ilusão de que dominar a tecnologia consiste em dominar a arte do prompt.

Não consiste. Escrever prompts é a parte visível do iceberg. Submerso está tudo o que realmente determina se uma solução funciona:

Nenhuma dessas disciplinas existia no repertório clássico do analista de sistemas, porque o mundo determinístico não precisava delas. Elas são, hoje, o que a engenharia em volta do modelo precisa entregar para que uma solução sobreviva à produção.

O estudo da RAND confirmou isso empiricamente: das causas-raiz de falha identificadas, a maioria não é tecnológica. É a organização, e suas equipes, que não compreendem o que a IA exige para funcionar. O MIT deu nome ao fenômeno: o learning gap. As soluções enterprise são desenhadas como ferramentas estáticas, sem capacidade de aprender com o uso e sem adaptação ao fluxo real de trabalho, um erro de design nascido da subestimação da complexidade.

O resultado são soluções mal desenhadas não por falta de esforço, mas por excesso de confiança num paradigma que não se aplica mais. Profissionais competentes no mundo determinístico desenham soluções inadequadas para o mundo probabilístico, e só descobrem isso quando o projeto já morreu.

Tese 2: a PoC enganosa, o caso simples que prova o que não prova

A segunda hipótese é talvez a mais documentada de todas, e a mais perversa, porque nasce de boas intenções.

As provas de conceito são, quase sempre, deliberadamente restritas aos casos mais simples: um dataset limpo, um único usuário, nenhuma integração legada, nenhuma exigência de compliance, nenhuma pressão de escala. E funcionam maravilhosamente. A demo encanta o comitê. O orçamento é aprovado sob a premissa silenciosa de que o que funcionou ali vai escalar.

Não vai. Produção é outra categoria de problema.

A solução precisava ter sido desenhada para produção desde o primeiro dia, e não foi, porque a PoC convenceu todo mundo de que o desenho simples bastava.

E as causas oficiais de abandono listadas pelo Gartner, má qualidade de dados, controles de risco inadequados, custos crescentes e valor incerto, são exatamente as coisas que a PoC simplificada escondeu.

Tese 3: o critério errado, casos de uso escolhidos pelo brilho

A terceira hipótese diz respeito a uma decisão tomada antes de qualquer linha de código: a escolha do caso de uso. E ela é frequentemente feita pelo critério errado, pelo impacto visual da demo, pelo entusiasmo de um executivo, pela moda do momento. O shiny object syndrome.

O MIT encontrou um dado estarrecedor: mais da metade dos orçamentos de IA generativa vai para vendas e marketing, exatamente as áreas de menor retorno mensurável. Os maiores retornos estão onde quase ninguém olha: o back-office, com automação de processos repetitivos e substituição de serviços terceirizados.

Os casos que sobrevivem e geram valor têm uma assinatura comum: automação cognitiva com ROI mensurável. Tarefas repetitivas, de alto volume, baseadas em linguagem, nas quais o antes e o depois podem ser medidos em horas, custo ou receita.

A Deloitte fecha o argumento: 74% das organizações esperam que a IA gere receita, mas apenas 20% viram isso acontecer. O gap não é de tecnologia, é de seleção e de mensuração. O projeto de IA começa a falhar antes do primeiro prompt: na reunião em que alguém escolhe o caso de uso pelo "uau" da demo em vez do P&L que ele movimenta.

Conclusões

Os números, 95%, 42%, 80%, medem coisas diferentes, mas contam a mesma história. A IA não falha no laboratório, falha na empresa. E falha por razões que são, em essência, de desenho de solução.

Três lições emergem.

O mundo determinístico não acabou, ele continua lá, nos sistemas que rodam o negócio. Mas sobre ele agora se assenta uma camada não-determinística, e os dois precisam ser orquestrados em conjunto. As empresas que entenderem que isso exige novos skills, novo desenho e novo critério vão atravessar o vale das falhas. As que acharem que basta saber escrever prompts continuarão pagando a fatura.