A pressão sobre o CFO para “fazer alguma coisa com IA” raramente vem acompanhada de uma pergunta anterior, mais incômoda: a organização tem condições de absorver a tecnologia que pretende contratar? O ciclo de adoção está no ponto em que a promessa circula com mais velocidade do que a evidência, e os boards começam a cobrar pilotos como se fossem entregas.
O dilema, para quem responde pelo número, não é se a IA chegará ao FP&A. É o que acontece quando ela chega antes da hora. E como toda empresa faz orçamento, independentemente do setor, a pergunta vale tanto para o industrial mid-market quanto para o banco regulado e para a multinacional de bens de consumo.
Os dados de fracasso são consistentes e desconfortáveis. O BCG, em pesquisa de 2024 com mil executivos em 59 países, mostra que 74% das empresas não extraem valor tangível de iniciativas de IA. [1] O Gartner projeta que 30% dos projetos de IA generativa serão abandonados após o proof-of-concept. [2] Em serviços financeiros, o levantamento de 2026 do Pertama Partners com mais de 2.400 iniciativas estima o custo médio por projeto fracassado em US$ 11,3 milhões. [3] A leitura intuitiva desses números é a de que a tecnologia ainda não amadureceu. A leitura correta é outra.
A RAND Corporation, em estudo com 65 cientistas de dados sobre projetos de IA, identifica a incompreensão do problema que se pretende resolver como a causa primária de fracasso. Esse é o gargalo do dia zero. [4] O da execução vem depois, e a Prosci o mede há quase três décadas: sponsorship executivo efetivo multiplica por seis a probabilidade de sucesso de qualquer projeto de mudança, padrão que se repete em todas as 12 edições da pesquisa desde 1998 — e, ainda assim, 56% das organizações perdem o sponsor C-level em menos de seis meses. [5] As duas evidências têm uma coisa em comum: nenhuma delas é sobre tecnologia.
As causas de fracasso em projetos de IA em 2026 são as mesmas de RPA em 2018 e de ERP em 1995. Problema mal definido, sponsorship frágil, equipe incapaz de executar. Dados ruins, processos informais e governança fraca são indutores; as causas raiz são organizacionais e, sobretudo, humanas. A diferença é que a fluência verbal dos modelos de linguagem torna o fracasso menos visível e mais caro, porque o output parece competente mesmo quando a fundação é frágil. O BCG quantifica a proporção em uma regra simples: 10% do valor de IA vem do algoritmo, 20% da tecnologia e dos dados, e 70% de pessoas e processos. [6]
O cenário típico é reconhecível para quem já viveu um ciclo orçamentário. A controladoria contrata um piloto de IA generativa para acelerar a projeção de receita. O fornecedor entrega o ambiente em seis semanas. Nos primeiros dois meses, os números saem rápido e parecem plausíveis. No terceiro mês, alguém na área comercial nota que o modelo está extrapolando uma sazonalidade de um único cliente como se fosse padrão da carteira. O business partner que deveria ter capturado o erro foi alocado a outro projeto. O sponsor executivo que aprovou o piloto trocou de cargo. A discussão no comitê deixa de ser sobre o número e passa a ser sobre quem responde por ele. O piloto não falhou por causa do algoritmo; falhou porque ninguém estava posicionado para interrogá-lo. É a história padrão, com variações de setor.
Aqui está o ponto cego das ferramentas de diagnóstico disponíveis no mercado. Os frameworks clássicos de maturidade — desenhados para dados, para processos ou para governança de TI — avaliam infraestrutura com competência, mas tratam a dimensão humana como pressuposto, não como variável. Nenhum deles pergunta se o sponsor executivo permanecerá ativo nos 18 meses seguintes, ou se a equipe de FP&A tem capacidade real de interrogar um modelo, recusar uma saída suspeita e refazer a análise quando a premissa muda. A McKinsey mostra que os funcionários estão três vezes mais prontos para IA do que os líderes estimam, [7] mas a Gallup registra que apenas 22% deles afirmam que a empresa comunicou planos claros de IA. [8] O gargalo não é tecnológico nem individual: é institucional, e é exatamente onde os diagnósticos convencionais não olham.
A alternativa construtiva não é desacelerar a adoção. É inverter a sequência e ampliar o escopo do que se diagnostica. Antes de selecionar fornecedor, antes de aprovar piloto, o CFO precisa de respostas honestas a cinco perguntas:
1. Clareza de propósito: Que problema específico esse piloto resolve, para quem, com qual métrica de sucesso, e qual o custo de não resolver?
2. Sponsorship e equipe: Existe um sponsor executivo com horizonte de permanência compatível com o ciclo do projeto, e a equipe de FP&A tem capacidade técnica para interrogar o modelo, não apenas operá-lo?
3. Maturidade de dados: Os dados que alimentam o processo orçamentário têm linhagem rastreável, qualidade mensurada e um responsável nomeado?
4. Maturidade de processos: O ciclo orçamentário é formalizado o suficiente para que premissas sejam documentadas, versionadas e auditáveis?
5. Governança e controles: Existe trilha de auditoria, política de uso e mecanismo para concentrar escrutínio onde o risco material é maior?
A regra de decisão é direta. Resposta firmemente positiva nas duas primeiras dimensões e razoável nas três últimas: prossiga com escopo estreito, métrica de sucesso definida ex ante e milestones de reavaliação a cada 90 dias. Resposta frágil em qualquer uma das duas primeiras: não há piloto que sobreviva, e o melhor uso de capital nos próximos seis meses é investir nas fundações antes de qualquer contratação.
A Deloitte registra que organizações com pontuação acima de 70% em readiness — incluindo a dimensão humana — têm o triplo de probabilidade de implementar IA com sucesso em 12 meses, [9] e o BCG mostra que projetos bem-sucedidos alocam 47% do orçamento em fundações contra 18% nos fracassados. [10]
A disciplina não é cosmética; é a variável que separa os dois grupos. A comunicação ao board exige linguagem precisa: “não estamos prontos” soa como resistência; “estamos investindo na fundação para que a IA funcione” é a mesma decisão posicionada como disciplina de alocação.
A pergunta estratégica que o CFO deveria estar fazendo, portanto, não é “qual ferramenta de IA contratar?”, mas “minha equipe e meu sponsor sobreviverão ao primeiro ano de implementação?”. Quem confunde as duas perguntas compra tecnologia para atacar problemas que ela não resolve sozinha. Em Finanças, a decisão mais cara raramente é a que se posterga com critério. É a que se acelera sem ele.
[1] BCG. AI Adoption in 2024: 74% of Companies Struggle to Achieve and Scale Value. Disponível em: https://www.bcg.com/press/24october2024-ai-adoption-in-2024-74-of-companies-struggle-to-achieve-and-scale-value.
[2] GARTNER. Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept By End of 2025. Disponível em: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025
[3] PERTAMA PARTNERS. AI Project Failure Statistics 2026: The Complete Picture. Disponível em: https://www.pertamapartners.com/insights/ai-project-failure-statistics-2026
[4] RAND CORPORATION. The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed: Avoiding the Anti-Patterns of AI. Disponível em: https://www.rand.org/pubs/research_reports/RRA2680-1.html
[5] PROSCI. Change Management Success. Disponível em: https://www.prosci.com/change-management-success
[6] BCG. AI Adoption in 2024: 74% of Companies Struggle to Achieve and Scale Value. Disponível em: https://www.bcg.com/press/24october2024-ai-adoption-in-2024-74-of-companies-struggle-to-achieve-and-scale-value
[7] MCKINSEY & COMPANY. Superagency in the workplace: Empowering people to unlock AI’s full potential at work. Disponível em: https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/superagency-in-the-workplace-empowering-people-to-unlock-ais-full-potential-at-work.
[8] GALLUP. AI Use at Work Has Nearly Doubled in Two Years. Disponível em: https://www.gallup.com/workplace/691643/work-nearly-doubled-two-years.aspx.
[9] DELOITTE. State of Generative AI in the Enterprise. Disponível em: https://www.deloitte.com/us/en/what-we-do/capabilities/applied-artificial-intelligence/content/state-of-ai-in-the-enterprise.html
[10] BCG. AI Adoption in 2024: 74% of Companies Struggle to Achieve and Scale Value. Disponível em: https://www.bcg.com/press/24october2024-ai-adoption-in-2024-74-of-companies-struggle-to-achieve-and-scale-value