Falhas de agentes de IA: o que trava um agente
A adoção de agentes está quase universal. Os resultados são raros. Diversas organizações sem nada em comum comercialmente já mediram essa diferença.
Todos os estudos aqui medem se os agentes falham. Nenhum isola o porquê a uma única causa, e vários apontam motivos diferentes. Quando um analista aponta um motivo, dizemos qual analista.
Principais conclusões
- Mais de 40% dos projetos de IA agêntica serão cancelados até o final de 2027, prevê a Gartner, citando custos crescentes, valor de negócio pouco claro e controles de risco inadequados.
- Frameworks de agentes de ponta completam no máximo 2,5% dos projetos reais de trabalho remoto no Remote Labor Index da Scale AI, que paga profissionais pelos mesmos briefings e compara os resultados.
- Apenas cerca de 130 dos milhares de fornecedores de IA agêntica entregam capacidade agêntica substancial, segundo estimativa da Gartner, com o restante apenas rebatizando assistentes, RPA e chatbots.
- 21% das organizações têm um modelo de governança maduro para IA agêntica, de acordo com a pesquisa da Deloitte com 3.235 líderes de TI e negócios em 24 países.
- 42% do conhecimento institucional é exclusivo da pessoa que o detém, segundo a pesquisa da Panopto com a YouGov. Um agente não consegue ler nada disso.
Com que frequência os projetos de agentes falham
A previsão da Gartner de junho de 2025 é o número mais citado nessa categoria, e vale a pena lê-lo com precisão. Ela diz que mais de 40% dos projetos de IA agêntica serão cancelados até o final de 2027, e atribui isso a custos crescentes, valor de negócio pouco claro e controles de risco inadequados. Não diz que os agentes são incapazes de realizar o trabalho.
O mesmo comunicado coloca o número de fornecedores com capacidade agêntica substancial em cerca de 130, entre milhares que a comercializam, e dá um nome ao restante: agent washing, o rebatismo de assistentes de IA, automação robótica de processos e chatbots. Assim, parte de qualquer estatística de falha é, na verdade, um produto que nunca foi um agente.
O próprio enquadramento da Gartner sobre a questão de capacidade é direto. Os modelos atuais, segundo ela, carecem da maturidade e da autonomia para atingir sozinhos objetivos de negócio complexos ou seguir instruções sutis ao longo do tempo.
Para números de adoção contrapostos a essas taxas de falha, escrevemos separadamente sobre dois estudos independentes sobre adoção de agentes.
O que um agente conclui em trabalho real
O número mais útil aqui não vem de uma pesquisa de opinião. O Remote Labor Index da Scale AI pega projetos reais de trabalho remoto, do tipo que de fato é comprado e pago em plataformas freelance, e entrega os mesmos briefings a frameworks de agentes de ponta. Entre os frameworks avaliados, a taxa máxima de automação é 2,5%.
Autores costumam citar esse número errado, geralmente como 4%. Para deixar claro, 2,5% é o teto, não a média, e a Scale AI o mede contra a entrega de profissionais pagos, não contra um benchmark em que os agentes foram treinados.
Uma pesquisa de opinião diz o que os líderes acreditam sobre seus agentes. Um índice como esse diz o que os agentes realmente fizeram quando alguém conferiu.
Os motivos registrados
Três organizações registraram um motivo por escrito, e elas não concordam entre si.
A Gartner aponta custo, valor pouco claro e controles de risco, além da maturidade dos modelos.
A Deloitte aponta a governança. Em sua pesquisa State of AI in the Enterprise de 2026, com 3.235 líderes de TI e negócios em 24 países, 21% dizem ter um modelo de governança maduro para IA agêntica, deixando cerca de 80% sem limites claros sobre quais decisões um agente pode tomar sozinho, sem monitoramento em tempo real nem trilhas de auditoria. A mesma pesquisa mostra 74% esperando pelo menos uso moderado de agentes até 2027, ou seja, a curva de adoção está avançando à frente dos controles.
A Camunda e a Okta, cobertas em nosso levantamento sobre adoção, apontam identidade e permissões.
Todas essas respostas são de governança ou de economia. Nenhuma delas fala sobre se o agente sabe algo sobre a empresa para a qual trabalha.
A variável que ninguém pesquisa
Não encontramos nenhum estudo que meça a falha de agentes em relação à qualidade do contexto que o agente recebeu. O que existe, em vez disso, é um longo registro de como o conhecimento organizacional já era mal organizado, reunido bem antes de existirem agentes.
A McKinsey constatou que quase 20% da semana de trabalho era gasta procurando informações internas ou tentando localizar colegas, além de 28% gastos com e-mail. A McKinsey fez essa pesquisa em 2012, mais de uma década antes de qualquer implantação de agentes. As empresas já perdiam um quinto da semana caçando informação.
A pesquisa da Panopto com a YouGov, com 1.001 adultos nos EUA, é a mais contundente dessas. 42% do conhecimento institucional é exclusivo da pessoa que o detém. 60% relataram ser difícil, muito difícil ou quase impossível obter de um colega uma informação vital para o trabalho. O funcionário médio passa 5,3 horas por semana esperando por essa informação. Em escala, o estudo estima a perda anual em US$ 47 milhões para uma empresa com média de 17.700 funcionários.
Essas duas descobertas dão a forma do problema. Quase metade do que uma empresa sabe está com uma única pessoa. Ninguém nunca registrou isso em um sistema. Um agente lê sistemas. Então o agente começa cada tarefa sem a mesma informação que um novo contratado leva meses para reunir, e nenhuma capacidade de modelo fecha essa lacuna em particular.
Nenhum estudo ainda testa essa ligação diretamente, então trate o parágrafo anterior como nosso argumento, não como um achado.
O que isso implica para quem está implantando agentes
Três coisas que os números acima sustentam diretamente.
Verifique o que o agente consegue ler antes de julgar o que ele consegue fazer. Um teto de 2,5% em trabalho remoto aberto é um fato sobre agentes trabalhando sem o seu contexto, não um fato sobre agentes em geral.
Espere que o post-mortem aponte a causa errada. Uma revisão registra custo e governança, porque são as coisas que ela consegue enxergar.
O problema do conhecimento é mais antigo que o problema dos agentes. A McKinsey mediu isso em 2012 e a Panopto em 2018. Qualquer coisa que você implantar agora herda isso.
Os 95% ausentes
O número mais citado nessa categoria não está acima, e eis o motivo.
Em agosto de 2025, o projeto NANDA do MIT Media Lab publicou The GenAI Divide: State of AI in Business 2025, e a imprensa transformou uma linha do relatório em manchete: 95% dos projetos-piloto de IA generativa corporativa não geram retorno. Forbes, Fortune e Inc. publicaram a manchete. Os mercados reagiram a ela.
Dois fatores mantêm esse número fora deste post.
Você não consegue ler o relatório. O link público do relatório agora redireciona para a página do grupo NANDA, onde o link dos relatórios pede que você solicite acesso. Esse bloqueio não é novidade: escrevendo em 26 de agosto de 2025, dias depois da publicação, R. Scott Raynovich, da Futuriom, já havia encontrado o relatório atrás de um formulário de solicitação. Toda cópia pública hoje é uma reprodução feita por terceiros, então não há uma fonte primária para citar.
O número não resistiu à revisão. Kevin Werbach, professor da Wharton e titular da cadeira de estudos jurídicos e ética empresarial, leu o documento várias vezes e não conseguiu encontrar sustentação para os 95% em nenhum lugar dele. O relatório de fato traz um número de 5%, referente a ferramentas corporativas personalizadas que alcançam o que ele chama de impacto marcante e sustentado na produtividade ou no P&L. Essa é uma afirmação bem mais restrita, e não alcançá-la não significa, explicitamente, retorno zero. A conclusão de Werbach foi que a NANDA deveria divulgar os dados subjacentes ou retratar o relatório. Raynovich catalogou o restante: eixos sem rótulo, tamanhos de amostra que o relatório nunca informa, e um salto de um subconjunto para uma manchete sobre todo mundo.
Vale conhecer a fonte também. A NANDA constrói infraestrutura descentralizada de agentes sobre o Model Context Protocol da Anthropic e o Agent-to-Agent protocol do Google, o que lhe dá interesse em uma conclusão de que as abordagens atuais de IA corporativa estão falhando.
Nada disso torna a preocupação de fundo errada. Muitos projetos-piloto realmente estagnam, o que é justamente o que mede o número de cancelamento da Gartner citado acima. Mas isso torna 95% um número que deve parar de ser repetido.
Como levantamos essas informações
Cada número tem link para a organização que conduziu a pesquisa. Não citamos agregadores nem compilações de estatísticas, e quando um número é comumente atribuído à fonte errada, dizemos isso.
Mais uma correção. O número de 4%, muitas vezes associado ao Remote Labor Index, não aparece nele. O número é 2,5%.
Perguntas frequentes
Qual porcentagem dos projetos de agentes de IA falha? A Gartner prevê que mais de 40% dos projetos de IA agêntica serão cancelados até o final de 2027, atribuindo isso a custos crescentes, valor de negócio pouco claro e controles de risco inadequados.
Quanto trabalho um agente de IA realmente consegue concluir? No Remote Labor Index da Scale AI, que usa projetos reais de trabalho remoto pagos, o melhor framework de agente de ponta concluiu 2,5% deles.
Por que os agentes de IA falham? Os motivos registrados variam conforme a fonte. A Gartner aponta custo, valor pouco claro, controles de risco e maturidade dos modelos. A Deloitte aponta a governança, com apenas 21% das organizações relatando um modelo de governança maduro para IA agêntica. A Camunda e a Okta apontam identidade e permissões.
A maioria dos produtos de agentes de IA são de fato agentes? A Gartner estima em cerca de 130, entre milhares, os que têm capacidade agêntica substancial, e chama o restante de agent washing.