95% de ROI Zero em IA: o Que o Estudo do MIT Prova

TL;DR: O estudo do MIT por trás dos "95% de ROI zero em IA" é real, com metodologia declarada: 300 iniciativas revisadas, 52 organizações entrevistadas, 153 líderes em survey, entre janeiro e junho de 2025. Tem limites que os próprios autores admitem: amostra não randômica, sucesso definido por relato em entrevista, não por auditoria financeira. Mesmo com esses limites, três achados específicos do próprio relatório sustentam a mesma conclusão: o gargalo é organizacional, não tecnológico. Para C-level: pare de discutir se o número está certo e comece a discutir o que ele está medindo de verdade.

A leitura crítica do estudo que todo executivo cita sobre ROI de IA

Antes de descartar os "95% de retorno zero" como marketing de consultoria, ou de repetir o número em toda apresentação de board sem checar a fonte, vale a pena ler as oito páginas onde ele nasceu.

"Um número vira clichê no momento em que todo mundo cita e ninguém lê a nota de rodapé. Fui atrás da nota de rodapé." — Paulo Castello, CEO Fhinck, setembro de 2026

Em abril, publicamos um artigo explicando os quatro motivos pelos quais 95% das empresas não têm retorno com IA. O artigo continua de pé. Mas uma pergunta que recebemos depois, de mais de um executivo, merece resposta separada: esse número de 95% é forçado por consultoria querendo vender remédio para um problema que ela mesma inventou?

É uma pergunta boa. E a resposta exige ir na fonte, não na manchete.

De onde vem o número, exatamente

O estudo é "The GenAI Divide: State of AI in Business 2025", publicado em julho de 2025 por pesquisadores do MIT NANDA (Networked Agents and Decentralized AI), com quatro autores nomeados: Aditya Challapally, Chris Pease, Ramesh Raskar e Pradyumna Chari.

A metodologia, declarada no próprio documento: revisão sistemática de mais de 300 iniciativas públicas de IA, entrevistas estruturadas com representantes de 52 organizações, e respostas de survey de 153 líderes seniores, coletadas em quatro grandes conferências do setor entre janeiro e junho de 2025.

Não é uma citação de segunda mão nem um número solto de post de LinkedIn. É pesquisa com amostra declarada, período declarado e autor nomeado. Isso já separa o estudo de boa parte do que circula como "dado de mercado" sem fonte rastreável.

A objeção do conflito de interesse (e por que ela não se sustenta contra o estudo em si)

Os próprios autores anteciparam essa desconfiança. O relatório inclui uma nota de confidencialidade explícita: todos os dados e citações de empresa foram anonimizados "para garantir neutralidade e evitar qualquer percepção de promoção comercial ou opinião", e um aviso de que "as visões expressas neste relatório são exclusivamente dos autores e revisores, e não refletem a posição de nenhum empregador afiliado".

Isso não elimina o uso comercial que terceiros fazem do número depois de publicado, inclusive consultorias, inclusive plataformas como a nossa. Mas é uma distinção que importa: o dado tem uma origem acadêmica declarada. O jeito como cada empresa usa o dado para vender alguma coisa é outra camada, e essa camada sim merece ceticismo permanente.

Só que existe uma versão mais afiada da mesma objeção, e essa a nota de anonimização não cobre. O MIT NANDA — sigla para Networked Agents and Decentralized AI — é um projeto de pesquisa cuja missão declarada é construir infraestrutura para agentes de IA autônomos com memória e protocolos de comunicação entre agentes. E a saída que o relatório recomenda para o problema que ele descreve é, em linhas gerais, sistemas de IA agêntica com memória e capacidade de aprender continuamente — exatamente o tipo de infraestrutura que o próprio NANDA pesquisa. Isso não é prova de má-fé dos autores. É o tipo de conflito que deveria fazer qualquer leitor cuidadoso desacelerar antes de repetir o número como verdade neutra.

O estudo também não passou incólume pela crítica acadêmica de fora. Kevin Werbach, professor da Wharton, avaliou publicamente que a alegação central do relatório é "insuficientemente sustentada, com o vínculo ao MIT potencialmente enganoso". Paul Roetzer, do Marketing AI Institute, apontou que a definição de "sucesso" usada no estudo era estreita demais e recomendou não dar peso à pesquisa como está. Nenhum dos dois é concorrente comercial dos autores — são vozes acadêmicas e de mercado, nomeadas, discordando publicamente.

Onde o estudo é frágil (e os próprios autores dizem isso)

Aqui está a parte que quase ninguém cita, porque não cabe numa manchete.

Na página 6 do relatório, sob o título "Limitações da pesquisa", os autores escrevem, em tradução direta: "Estes números são direcionalmente precisos, baseados em entrevistas individuais em vez de relatórios oficiais das empresas. O tamanho da amostra varia por categoria, e a definição de sucesso pode diferir entre organizações."

Três fragilidades reais, ditas pelos próprios autores:

A amostra não é aleatória. As 300 iniciativas vieram de divulgação pública e de participantes de conferências específicas do setor de tecnologia. Empresa que não fala publicamente sobre IA, ou que não frequenta esse tipo de evento, não entrou na conta.
"Sucesso" foi definido por relato, não por auditoria. O próprio relatório define uma implementação "bem-sucedida" como aquela em que usuários ou executivos "comentaram" ter causado impacto de produtividade e/ou P&L marcante e sustentado. Isso é percepção relatada em entrevista, não balanço contábil auditado.
O número é por projeto, não por empresa. Uma empresa que roda vinte iniciativas de IA e acerta uma parece "95% de fracasso" na contagem por projeto, mesmo que essa única iniciativa bem-sucedida mude o resultado da companhia inteira.

Um estudo que admite os próprios limites com essa clareza é mais confiável, não menos, do que um número repetido sem nenhuma nota de rodapé.

O que sobrevive à leitura crítica

Aqui está o ponto central deste artigo, e a razão de valer a pena ler o estudo inteiro em vez de só a manchete: mesmo descontando as três fragilidades acima, três achados específicos do próprio relatório apontam pra a mesma causa, e nenhum dos três depende do número 95% estar certo.

Achado do estudo	O que ele mostra	Por que aponta pra causa organizacional
Empresas com mais de US$ 100 milhões de receita lideram em volume de piloto, mas levam 9 meses ou mais para escalar, contra 90 dias das empresas médias	Tamanho e orçamento não aceleram a adoção	O gargalo não é acesso a tecnologia, é velocidade de decisão organizacional
Parceria externa teve taxa de sucesso de 67%, o dobro de builds internos	Comprar a capacidade pronta funciona melhor que construir por conta própria	A empresa não sabe operacionalizar IA sozinha, mesmo tendo o time técnico
90% dos funcionários usam IA pessoal para o trabalho, enquanto só 40% das empresas têm licença oficial	A ferramenta já entrega valor percebido no nível individual	A falha não é a tecnologia, é a empresa não ter capturado e redesenhado ao redor do que já funciona informalmente

Esses três pontos não vêm do resumo executivo que todo mundo cita. Vêm do corpo do relatório, e nenhum dos três muda de sentido se o percentual real de fracasso for 80% em vez de 95%. O padrão é o mesmo em qualquer um dos dois cenários: a tecnologia funciona no nível individual, e falha no nível organizacional porque ninguém redesenhou o trabalho ao redor dela.

Há um dado do próprio relatório que parece contradizer a manchete, e vale citar exatamente porque ele reforça esse argumento em vez de enfraquecê-lo: ferramentas genéricas como ChatGPT e Copilot têm uma taxa de piloto-para-implementação em torno de 83%, bem longe dos "95% de fracasso" que viraram clichê. O estudo não se contradiz — ele mede coisas diferentes. Ferramenta genérica, usada individualmente, adota rápido porque não exige que a empresa redesenhe processo nenhum. Sistema de IA sob medida, que precisa se encaixar num fluxo de trabalho real, é onde o fracasso se concentra. Essa distinção, que está no corpo do relatório mas desaparece na manchete de 95%, é o argumento organizacional inteiro resumido numa linha.

O teste para o seu board

Da próxima vez que alguém citar "95% de ROI zero em IA" numa reunião, a pergunta certa não é "isso é verdade?". É: quem mediu isso, com que amostra, e o que exatamente foi contado como sucesso?

Se ninguém souber responder, o número virou boato reciclado. Se a resposta for a que está neste artigo, o número continua sendo um dado real, com limite conhecido, e com uma conclusão que resiste à leitura cética: o problema nunca foi só a tecnologia.

Conclusão

O estudo do MIT NANDA existe, tem autor, data e metodologia declarada. Tem limites reais, admitidos pelos próprios pesquisadores: amostra não aleatória, sucesso medido por relato, contagem por projeto. Mesmo assim, os dados que ele traz sobre empresas grandes travando na escala, parcerias externas performando melhor que times internos, e o uso pessoal de IA superando de longe a adoção oficial, sustentam a mesma tese sem depender do percentual exato.

Vale registrar o óbvio: somos parte interessada nessa discussão, porque vendemos justamente a tese de que o gargalo é organizacional. Por isso este artigo aplica a si mesmo o padrão que pede do leitor — fonte primária citada, nomes de quem discorda, números que você pode conferir sozinho, em vez de pedir para confiar na nossa palavra.

A Fhinck atravessou essa transição entre 2023 e 2025: reduzimos o time de 50 para 6 pessoas com a receita crescendo 50% no período, redesenhando o trabalho ao redor do agente em vez de comprar ferramenta e esperar o resultado aparecer sozinho. Se você quer entender como isso se aplica à sua operação, agende uma conversa.

Perguntas frequentes

O estudo dos "95% de ROI zero em IA" é confiável? É um estudo real, publicado pelo MIT NANDA em julho de 2025, com metodologia declarada: 300 iniciativas de IA revisadas, entrevistas estruturadas com 52 organizações e survey com 153 líderes seniores. Os próprios autores admitem limites (amostra por conferências, sucesso medido por relato, não por auditoria financeira). É confiável como retrato de um recorte, não como estatística universal.

O número 95% é exagerado por quem quer vender consultoria de IA? Os autores anonimizaram dados de empresa e citação exatamente para evitar essa suspeita, e o próprio relatório carrega um aviso de que as opiniões são só dos autores. Isso não impede que terceiros usem o número para vender solução, inclusive nós. A honestidade correta é separar o dado (real, com metodologia declarada) do uso comercial que se faz dele (que exige ceticismo, sempre).

Se a amostra do estudo é pequena, por que ele ainda importa? Importa porque os padrões qualitativos que ele revela, não o percentual exato, se sustentam com outras evidências dentro do próprio relatório: empresas grandes demoram mais para escalar piloto que empresas médias, parcerias externas têm taxa de sucesso maior que times internos, e o uso pessoal de IA pelos funcionários é muito maior que a adoção oficial da empresa. Esses três fatos apontam pra causa organizacional, não tecnológica, mesmo que o número 95% caia para 80% ou suba para 97% em outro estudo.