A pergunta certa sobre inteligência artificial não é mais se a empresa vai adotá-la. Todas vão. A questão que separa as organizações é quão fundo essa tecnologia atravessa a operação, a decisão e a cadeia de valor. O que pesa para o líder não é o modelo técnico, mas o vão que se abre entre o piloto de sucesso e o impacto escalado, aquilo que a literatura chama de "missing middle".
Este texto sintetiza, a partir de fontes verificadas (McKinsey State of AI 2025, BCG e MIT Sloan, California Management Review, MIT Sloan Management Review, Harvard Business School e Microsoft AI-3017), o que bloqueia essa travessia e o que os dados apontam sobre onde a vantagem competitiva de fato nasce.
A pergunta deixou de ser "adotar" e passou a ser "até onde integrar"
O cenário mudou de "usar IA?" para "quão fundo integrar?". A vantagem competitiva de hoje vem da profundidade de integração, não da adoção em si. Pontos em comum atravessam todas as fontes: o fator decisivo para o impacto estratégico não é o modelo, e sim o desenho de processos, a governança, os dados e o papel do humano. A IA não gera vantagem sozinha; quem a usa com propósito e processos redesenhados, gera.
O "missing middle": o piloto que nunca vira produção
Menos de um terço das empresas escala IA para toda a organização. A maioria permanece em pilotos que nunca chegam a produção, presa na chamada "pilot purgatory", segundo a McKinsey State of AI 2025. Esse é o gargalo estrutural do momento: um esforço grande de experimentação que não se traduz em valor de ponta a ponta.
O potencial existe. A McKinsey estima entre US$ 2,6 e 4,4 trilhões o valor anual potencial da IA generativa, mapeado em 63 casos de uso, com picos em operações de cliente e em marketing e vendas. A captura, porém, é rara: apenas 5% das empresas classificadas como "AI high performers" enxergam acima de 5% de impacto no EBIT. Há um abismo entre adotar a tecnologia e capturar valor.
Os números reforçam o mesmo ponto, vindos de ângulos diferentes. Apenas 30% dos pilotos transitam para impacto escalado, e menos de 40% das automações entregam valor mensurável (McKinsey, com apoio do Deloitte CFO Survey 2025, citado pela California Management Review). Em agentic AI, a BCG com o MIT Sloan aponta 35% das empresas já em uso e 44% planejando adotar; três quartos dos que adotam em escala veem a IA como uma nova fonte de vantagem. Empresas AI-native apresentam receita por empregado de 25 a 35 vezes maior que a de pares tradicionais (BCG).
Os bloqueios que consomem o valor
Se o potencial está claro, o que segura o impacto é o que as fontes chamam de inimigo real. Seis bloqueios se repetem.
Primeiro, o "AI theater": adoção sem profundidade. Ferramentas são compradas, mas a operação não muda; reuniões e KPIs continuam parecendo de 2024, e nenhuma decisão muda de lugar. Depois, dados não-prontos: falta de dados conectados, limpos e governados, o que leva a projetos abandonados e resultados irreprodutíveis.
Há ainda a rigidez do fluxo de trabalho, quando os processos não são redesenhados em torno da IA e o ganho de produtividade não se materializa (Brynjolfsson, via California Management Review); a inércia do modelo de operação, com estruturas e silos intactos e ausência de ownership claro no middle management; a falta de medição, sem KPIs bem definidos por solução, o que torna impossível justificar retorno ou elevação de EBIT; e a questão de confiança e governança, quando os empregados duvidam da integridade dos dados e dos outputs e a adoção estanca no time de TI.
Confiança é descrita pela California Management Review como a "moeda" da adoção. Sem ela, nenhum dos outros bloqueios se desfaz.
O caminho em cinco estágios
Para atravessar o "missing middle", Pandiri traça na California Management Review (2025) um framework em cinco estágios.
O primeiro, Diagnose & Align, começa pelo problema de negócio, não pela tecnologia. Pilotos que nascem da "emoção" falham; os eficazes partem de um problema bem definido com stakeholders alinhados. O segundo, Governance & Accountability, trata a confiança como moeda: mapear fluxos de dados, definir ownership, criar escores e protocolos de escalada. O terceiro, Redesign for Scalability, recusa a lógica de "copiar e colar" a solução pontual e redesenha workflows, decisões e incentivos para escalar na empresa. O quarto, Reuse & Data Literacy, padroniza, repete e constrói literacia de dados e IA em todo o corpo. O quinto, Start Small, Iterate, Scale, usa a validação incremental para reduzir risco e criar momentum.
Agentic AI: quando a IA passa a executar
A próxima onda muda a natureza do uso. Se a IA preditiva é o "hemisfério esquerdo", de lógica e otimização, e a generativa é o "direito", de criatividade, a agentic AI funciona como o "córtex frontal": a função executiva que transforma probabilidade criativa em impacto de negócio, orquestrando workflows e aplicando dados próprios da empresa (BCG).
Os resultados reais ajudam a dimensionar. Um estaleiro cortou o esforço de engenharia em cerca de 40% e reduziu o lead time em 60%. Uma telecom envia mais de 40 mil mensagens por dia com um salto de 5 vezes em vendas digitais.
Escalar agentic AI, porém, esbarra na confiança, não na tecnologia. A BCG propõe uma "carreira" de autonomia em quatro níveis: no modo sombra, o agente observa; depois vem a autonomia supervisionada, a guiada e, por fim, a plena. O agente ganha autonomia provando desempenho em cada nível, dentro de guardrails.
O efeito no quadro de pessoas já aparece. Entre as empresas de uso intenso, 29% esperam menos funções de entrada, 43% esperam mais generalistas que gerenciam equipes humano-agente e 45% esperam menos camadas de middle management.
A vantagem que o algoritmo, sozinho, não dá
Há uma visão cética que importa, de Barney e colegas no MIT Sloan Management Review (via U. Utah/BYU): a IA não é, por si, fonte de vantagem competitiva. Chatbots e ferramentas estarão disponíveis igualmente a todos no mesmo setor, como argumenta Barney. O que diferencia é o uso criativo, o drive humano e a engenhosidade, incluindo formas novas de usar a IA e investimento em pesquisa e desenvolvimento.
Isso conversa direto com o que a Harvard Business School (Bojinov) e o Microsoft AI-3017 sustentam: o modelo é commodity; o tratamento humano sobre ele é que muda o jogo.
Pessoas e processos vencem o modelo
A regra da BCG condensa isso em um número quase didático, o 110/20/700: o algoritmo responde por 10%, o backbone tecnológico por 20% e pessoas e processos por 70%. A transformação precisa ser business-led, não apenas de TI. Para isso, o trabalho precisa ser redesenhado em torno de outcomes, com contexto e dados proprietários da empresa embutidos, e uma plataforma de IA desenhada para dar "liberdade dentro de um frame".
O horizonte de ação é claro. Agora, redesenhar o trabalho em torno de resultados. Depois, preparar a operação para um modelo operacional alterado, em que o gasto migra de gente para tecnologia e a estratégia de tech é recalibrada. Sempre, combinar IA preditiva, generativa e agentes, seguir o 110/20/700, investir na base de dados e medir com KPIs de negócio.
Governança e medição definem quem escala. A tracking de KPIs é a prática com maior impacto em EBIT, e o CEO precisa estar pessoalmente na arena da estratégia de IA, com a pauta em nível de conselho. Um único caso de negócio bem definido, tratado como problema e não como "vamos usar IA", com KPI de resultado explícito e um dono, é o primeiro degrau do framework e o passo que mais se correlaciona com impacto real.
O ponto que atravessa todas as fontes é o mesmo: a tecnologia está distribuída com igualdade, a organização que a transforma em vantagem não está. O algoritmo é condição, não diferencial. O diferencial ainda se constrói com humanos, processos e decisão.
Fontes
- McKinsey — State of AI 2025.
- BCG com MIT Sloan — relatório sobre agentic AI (regra 110/20/700).
- California Management Review (2025) — framework em cinco estágios.
- MIT Sloan Management Review — Barney e colegas (visão cética da vantagem de IA).
- Harvard Business School (Bojinov) e Microsoft AI-3017 — o tratamento humano sobre o modelo.
