Os projetos piloto de inteligência artificial malsucedidos observados em organizações sul-africanas não são consequência de a IA ser uma tecnologia de negócios ruim. Pelo contrário, eles refletem um problema mais profundo que a IA revela, e é a conta de uso que torna esse reflexo cada vez mais evidente.
Nas sedes na África do Sul, neste trimestre, há desativação ou adiamento de conceitos de IA que impressionaram o conselho executivo seis meses atrás. Embora a demonstração tenha sido excelente, o projeto nunca foi implementado no ambiente de trabalho. A análise posterior provavelmente culpará o modelo, o fornecedor, o hype ou a própria tecnologia de IA.
No entanto, esse instinto está quase sempre errado. Quando um projeto de IA falha em uma grande empresa, raramente a parte intelectual é culpada. O principal problema é que é muito mais fácil criar uma demonstração controlada e impressionante do que escalá-la para software de produção. Os projetos frequentemente falham devido a custos inesperados de infraestrutura e computação, bem como à falta de verdadeira prontidão em nível empresarial.
As equipes frequentemente veem essas iniciativas como experimentos orientados por tecnologia, onde o sucesso é medido pela precisão técnica, e não pelo valor de negócios tangível, ignorando completamente a gestão de mudanças humanas e as especificidades do fluxo de trabalho real necessárias para a adoção diária pelos funcionários. O entusiasmo experimental e o impulso dão lugar à dura realidade. Este teste de realidade inclui tanto um despertar brusco quanto uma pílula amarga: em um sentido mais amplo, o fracasso do projeto refletia deficiências mais profundas na prontidão do negócio para trabalhar com IA.
O projeto piloto serviu como um espelho para a organização, e a organização não aprovou o que viu, atribuindo a culpa ao espelho (IA), que foi então quebrado. A escala desse problema não é apenas anedótica. A iniciativa NANDA do MIT testou mais de 300 implementações em grandes empresas para seu estudo de 2025, 'O Divisor da IA Generativa' (The GenAI Divide), e descobriu que cerca de 95% não tiveram 'impacto mensurável no lucro líquido'. Apenas cerca de uma em vinte alcançou a produção com valor real. O MIT explica a maior parte disso pela fraca integração de fluxos de trabalho e sistemas que nunca aprendem.
Com base na experiência pessoal em setores financeiro, de telecomunicações e público da África, existe um fio mais básico subjacente a tudo: dados fragmentados, não regulamentados e mal integrados. O ponto desagradável é que a maioria das organizações não percebe que este é o seu problema, pois confiam nos dados aos quais, na verdade, não podem ter acesso. De acordo com o Índice de Prontidão de Dados de 2026 da Cloudera, 89% dos líderes de TI na região EMEA afirmaram ter uma visão completa de onde seus dados estão localizados, mas apenas 26% disseram que esses dados são totalmente regulamentados. A distância entre o que os líderes acreditam poder ver e o que eles realmente podem controlar é exatamente o reflexo no espelho em questão.
Da mesma forma, a Gartner previu em 2025 que esse paradoxo destruiria 60% dos projetos corporativos de IA até o final de 2026 devido à falta de dados prontos para IA. Ao se deparar com um piloto estagnado, surge a tentação de quebrar o espelho e culpar o hype em torno da IA por prometer excessivamente uma ferramenta inútil, e então reduzir rapidamente as ambições de IA. Em outros casos, eles podem substituir o modelo, simplesmente gastar mais dinheiro ou adicionar um agente. Isso parece progresso, mas no final nada muda, porque o defeito que é refletido está mais acima na cadeia. Há também uma reviravolta desagradável na economia: IA mais brilhante custa muito mais para operar (e ainda assim não tornará automaticamente a imagem no espelho mais bonita).
É aqui que a tokenização deixa de ser um item de custo insignificante e se torna toda a história. A IA generativa é tarifada por tokens. Você paga pelo volume de texto e conteúdo que entra e sai, e não pelo valor que a resposta obtida teve. Com uma base limpa e regulamentada, isso é acessível. Em uma base desorganizada, é um vazamento lento que se transforma em uma inundação assustadoramente rápida.
Dados fragmentados forçam a inserção de mais contexto em cada solicitação para compensar. Dados em que ninguém confia levam as equipes a rotear tudo através do modelo maior e mais caro, pois modelos mais baratos não podem ser confiáveis com entradas que ninguém verificou. Respostas não confiáveis causam novas tentativas, e cada nova tentativa é outra chamada paga. Agentes também tornam o crescimento de custos exponencial, e não linear. Um agente de IA não pergunta uma vez e para. Ele raciocina, relê, chama ferramentas e opera ciclicamente. Engenheiros da Anthropic descobriram que um único agente consome aproximadamente quatro vezes mais tokens do que um chat comum, e um sistema multiagente consome cerca de quinze vezes mais antes que algo dê errado. Direcione essa máquina para uma base de dados fraca, e um mau resultado não será a única consequência. Ela produz um resultado ruim rapidamente e depois lhe cobra generosamente por esse privilégio.
Em sua previsão mais recente, a Gartner agora prevê que mais de 40% dos projetos de IA baseados em agentes serão cancelados até o final de 2027, e a primeira razão que citam é o custo crescente. Assim, a conta de tokens não é uma questão separada da questão dos dados; essencialmente, é uma métrica que a precifica. Uma organização pode discutir a governança de dados em abstração por anos, mas não poderá argumentar com as faturas recebidas.
O cenário local confirma isso para mim. Nos resultados de pesquisa EMEA do nosso próprio índice, 42% dos líderes admitiram que os requisitos complexos de acesso foram seu principal obstáculo para usar dados visíveis, e apenas cerca de um terço tem fontes de dados totalmente integradas em vários ambientes. Adicione a isso a pressão característica deste mercado — obrigações POPIA, orçamentos limitados, escassez de habilidades — e realizar demonstrações caras sobre bases frágeis torna-se um custo que a maioria das organizações sul-africanas não conseguirá sustentar por muito tempo.
A solução não é chamativa, e é por isso que funciona. Antes de comprar mais inteligência, torne os dados subjacentes acessíveis, integrados e regulamentados, para que a governança siga os dados, e não esteja dentro da plataforma de um único fornecedor, e para que a Lei de Proteção de Informações Pessoais (POPIA) deixe um rastro de auditoria para você, e não uma responsabilidade. Em seguida, direcione a IA para esses dados regulamentados, mantendo padrões abertos, e permita que o custo seja algo que você possa planejar, e não algo que planeja você. E nada é tão empolgante quanto lançar um modelo ou lançar um agente. Mas as organizações que obtêm valor real e diário da IA neste país não são aquelas que realizam mais pilotos com mais recursos. São aquelas que primeiro consertaram o encanamento, independentemente de todo o resto.
Você não pode culpar o espelho pelo que ele reflete, e um espelho mais elegante não mudará nada. Isso significa: um projeto de IA bem-sucedido começa com as partes humildes. Começa com os dados — sempre.
