CONARH: 95% dos projetos de IA falham, e a métrica errada é parte do problema

Na Arena RH Tech do CONARH 52, Charles Schweitzer, diretor de inovação da TCS, abriu sua exposição com um número desconfortável: a maior parte dos projetos de inteligência artificial nas empresas não avança além da fase inicial. Segundo ele, esse índice giraria perto de 95%, um número próximo ao que estudos de mercado recentes sobre adoção corporativa de IA generativa também têm apontado.

A pergunta que sustentou o resto da apresentação foi direta: se a maioria dos projetos falha, será que o problema é a tecnologia, ou é a métrica usada para avaliar se ela está funcionando?

Duas lentes para medir IA: eficiência e capacidade

O palestrante propôs pensar as métricas de IA em dois eixos, que chamou de ambidestria corporativa. De um lado, o que chamou de “lado esquerdo do cérebro”, racional e incremental: eficiência, custo, velocidade, o tipo de ganho fácil de colocar num relatório trimestral. De outro, o “lado direito”, criativo e exponencial: a capacidade organizacional que a empresa constrói para aprender, criar novos modelos de negócio e se adaptar ao que ainda não existe.

O argumento central é que a maioria das empresas mede quase exclusivamente o lado esquerdo, o que a IA economizou, quantas pessoas usam a ferramenta, quanto tempo de atendimento caiu, e ignora o lado direito, o que aquela implementação tornou possível que não era possível antes.

O caso Leroy Merlin: de uma pergunta simples a 4.800 assuntos

O primeiro estudo de caso foi o de um assistente virtual criado para resolver uma dúvida específica de clientes: se a loja abriria em determinado feriado. A pergunta gerava tantas ligações repetidas que a empresa decidiu automatizar só essa resposta.

A métrica do lado esquerdo mostrou o resultado esperado, redução no volume de chamados para atendimento humano e economia de tempo. Mas o ponto que o palestrante destacou foi outro: a ferramenta, construída inicialmente para responder uma única pergunta, cresceu ao ponto de conseguir responder cerca de 4.800 assuntos diferentes. Esse crescimento de capacidade, disponível para a empresa usar em outras frentes, é o tipo de resultado que a métrica de eficiência sozinha não captura.

O caso Banco Carrefour: negociar dívida sem pressa vale mais do que atender rápido

O segundo caso tratou de uma IA generativa usada para negociar dívidas de clientes do banco, com uma dinâmica gamificada de negociação. Ao contrário de um atendente humano, a IA não tem pressão de tempo médio de atendimento, o que muda o incentivo por trás da negociação.

O resultado apresentado: mais propostas de pagamento fechadas, mais propostas efetivamente honradas depois de fechadas, e um valor médio recuperado cerca de 12% maior do que o obtido em negociações conduzidas por atendentes humanos. Avaliações dos próprios clientes, segundo o palestrante, indicaram maior satisfação negociando com a IA do que com um atendente sob pressão de meta de tempo.

A métrica que a empresa historicamente acompanhava era tempo médio de atendimento, um indicador de eficiência operacional. A métrica que de fato importava era quanto dinheiro a mais entrava no caixa e quantas promessas de pagamento se confirmavam, um indicador de resultado de negócio.

Menos de 20% das empresas medem o que realmente importa

O palestrante citou dados de adoção que reforçam o argumento: segundo ele, a maior parte das empresas com IA implementada ainda mede adoção de ferramenta, quantas pessoas usam, quantas licenças estão ativas, em vez de medir o KPI de negócio que a IA está de fato movendo, como receita ou EBITDA. Menos de 20% das empresas estariam medindo esse tipo de resultado hoje.

Ele também citou que a maioria das empresas que já usa IA como camada de automação sem intervenção humana declara sucesso de forma autodeclarada, sem comprovação objetiva de retorno. O ponto prático: uma implementação de IA que não move nenhum indicador de negócio não deveria ser tratada como sucesso, mesmo com alta adoção interna.

Antes de automatizar, perguntar se recriaria o processo do zero

Uma recomendação prática do palestrante foi usar essa pergunta como filtro antes de qualquer novo projeto de IA: se a empresa pudesse recriar esse processo do zero, ela o recriaria exatamente como está hoje, só que com uma camada de tecnologia por cima, ou o desenharia de um jeito completamente diferente?

Segundo ele, isso desloca a conversa de métricas técnicas, como disponibilidade ou tempo de resposta de um modelo, para métricas que de fato interessam ao negócio: qualidade da decisão tomada e satisfação de quem foi atendido, seja cliente, colaborador ou fornecedor.

Esse foi o fio que fechou a apresentação: a régua de expectativa das pessoas sobe com a melhor experiência que elas já tiveram em qualquer lugar, não apenas dentro da própria empresa. Colaboradores, clientes e fornecedores de uma organização estão, todos, formando essa expectativa em experiências que muitas vezes não têm nenhuma relação direta com o negócio, e é contra essa régua que qualquer projeto de IA acaba sendo comparado.

Essa foi mais uma palestra do segundo dia do CONARH 2026. A cobertura completa do evento continua no blog da VR.

CONARH