Projetos de IA Falham Quando Não São Bem Definidos — E a Indústria Está Aprendendo Isso da Pior Forma
A indústria está correndo para embarcar na onda da inteligência artificial, e isso não é novidade.
Bilhões estão sendo investidos, equipes estão sendo formadas, e as promessas de transformação digital nunca foram tão altas. Mas tem um detalhe que muita gente está ignorando: a maioria dos projetos de IA está falhando. Não por falta de tecnologia. Não por falta de dinheiro. Mas por falta de objetivos claros desde o início.
É exatamente essa tensão, entre quem está colhendo resultados reais e quem está jogando recursos fora, que Rob McAveney, CTO da Aras, trouxe à tona durante a conferência ACE 2026. Em entrevista ao Design News durante o evento, McAveney compartilhou sua experiência de linha de frente em implementação de IA em ambientes industriais. Ele não veio com discurso de palco. Veio com um diagnóstico direto sobre o que separa os projetos que funcionam dos que viram apenas uma linha no relatório de prejuízos. E o que ele tem a dizer vale muito para qualquer empresa que ainda está tentando entender onde a IA realmente se encaixa no seu negócio. 🎯
O Problema Real por Trás dos Projetos de IA que Não Entregam
Quando uma empresa decide investir em IA, a primeira reação costuma ser entusiasmo. Os líderes veem demos impressionantes, leem casos de sucesso de concorrentes e sentem a pressão de não ficar para trás. O problema é que esse movimento, guiado muito mais pelo medo de perder do que por uma estratégia bem desenhada, cria um ambiente onde a tecnologia chega antes da pergunta certa. E a pergunta certa é simples, mas raramente feita com a seriedade que merece: o que, exatamente, queremos resolver com isso?
McAveney foi direto ao ponto: projetos de IA que não têm uma definição clara de sucesso desde o primeiro dia estão condenados a gerar confusão. Nas palavras dele, muitas empresas estão dedicando orçamento a projetos de IA sem definir qual poderia ser o benefício de negócio, e por isso falham miseravelmente. Ninguém sabia o que estavam tentando alcançar. Não necessariamente porque a tecnologia falhou, mas porque ninguém ao redor da mesa consegue medir se ela funcionou. Sem métricas, sem critérios, sem um problema específico para resolver, qualquer resultado pode parecer bom na superfície e catastrófico quando olhado de perto.
Essa ausência de clareza é o que transforma iniciativas promissoras em projetos-piloto eternos que nunca escalam. McAveney classificou muitos desses projetos como soluções à procura de um problema, uma inversão perigosa que consome tempo, dinheiro e paciência das equipes envolvidas.
E esse padrão é mais comum do que parece na indústria. Empresas de manufatura, engenharia, logística e energia têm ambientes operacionais extremamente complexos, cheios de variáveis, dados fragmentados e processos que evoluíram ao longo de décadas. Quando a IA entra nesse cenário sem um objetivo bem definido, ela não simplifica nada. Ela adiciona uma camada a mais de complexidade, e quem sofre as consequências são as equipes que precisam trabalhar com isso no dia a dia. O resultado é frustração, desconfiança e, eventualmente, abandono do projeto.
Onde a IA Está Funcionando de Verdade
Apesar do cenário desafiador, McAveney reconheceu que existem áreas onde a adoção de IA já mostra resultados concretos. Os casos de sucesso que ele observou compartilham uma característica em comum: foco. Empresas que conseguiram delimitar um problema específico e entenderam claramente como a IA se aplica naquele domínio são as que estão colhendo frutos reais.
O exemplo mais maduro, segundo o CTO da Aras, é o desenvolvimento de software. Nesse campo, as ferramentas disponíveis de múltiplos fornecedores estão empurrando os limites constantemente, e os resultados já são palpáveis em termos de produtividade e qualidade de código.
Outras áreas que também se destacam incluem:
- Design generativo e ferramentas especializadas para casos de uso em engenharia
- Uso de LLMs como Copilot, Claude e Gemini para tarefas de escrita, pesquisa e análise
- Compressão de ciclos em processos de engenharia, com ordens de mudança que costumavam levar semanas sendo resolvidas em horas
Esse último ponto é especialmente relevante. McAveney descreveu como a IA está, no estágio atual, tornando processos existentes mais rápidos, e não necessariamente criando capacidades completamente novas. Ele comparou a situação com a evolução da simulação computacional: uma simulação que antes demorava dois meses agora leva duas horas, mas o processo fundamental ainda é o mesmo. A IA ainda não chegou ao ponto de fazer coisas que não podiam ser feitas antes, mas ele acredita que esse momento está chegando rapidamente. 🚀
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
A Visão de Descobrir, Enriquecer e Amplificar
McAveney descreveu a jornada da IA industrial em três fases: descobrir, enriquecer e amplificar. A fase atual, segundo ele, é a de amplificação, onde a IA libera tempo ao acelerar tarefas existentes. Com esse tempo livre e os aprendizados acumulados usando IA para fazer as coisas mais rápido, as empresas poderão usar a tecnologia para fazer as coisas de forma melhor. No espaço de dados de PLM, ele admitiu que ainda não viu muitos exemplos dessa evolução, mas demonstrou otimismo sobre o que está por vir.
A Pressão dos Stakeholders e o Gap de Talentos
Um dos pontos mais relevantes levantados por McAveney foi a pressão que os executivos enfrentam para adotar IA, mesmo quando não existe um caso de uso claro. Segundo ele, as empresas têm muitos problemas para resolver. O que falta é saber como resolvê-los com IA. Isso é um desafio de aprendizado e capacitação.
O gap de talentos é um agravante sério nessa equação. Simplesmente não existem especialistas suficientes para atender à demanda. McAveney observou que muitas empresas recorrem a consultorias que prometem revolucionar seus processos, mas quando se entrevista os consultores, são pessoas inexperientes que talvez tenham feito o trabalho uma vez e não fizeram um bom trabalho.
Essa realidade criou uma indústria inteira de consultoria em IA que surgiu para suprir a demanda, mas que nem sempre entrega valor proporcional ao investimento. A única saída que McAveney viu funcionar de verdade é quando os próprios executivos arregaçam as mangas, mergulham no assunto, se dedicam a entender e melhoram a cada dia. Só assim conseguem realmente compreender o que é possível e aplicar à realidade do seu negócio.
O Que Significa Definir Objetivos Claros na Prática
Definir objetivos claros para um projeto de IA não é o mesmo que escrever uma declaração de missão bonita para a apresentação executiva. É um trabalho concreto, que envolve mapear o problema real, entender quem é afetado por ele, qual é o custo atual de não resolvê-lo e o que seria considerado uma melhoria mensurável. Quando esses elementos estão na mesa antes de qualquer decisão tecnológica, o projeto já começa com uma vantagem enorme em relação à maioria das iniciativas que existem por aí.
McAveney usou exemplos práticos do contexto industrial para ilustrar isso. Numa planta de manufatura, por exemplo, um objetivo vago seria algo como melhorar a eficiência operacional. Um objetivo claro seria reduzir o tempo de parada não planejada de máquinas em 20% nos próximos seis meses, usando modelos preditivos alimentados por dados de sensores já existentes na linha de produção. A diferença entre essas duas formulações não é apenas semântica. Ela determina quais dados precisam ser coletados, quem precisa estar envolvido no projeto, como o modelo será avaliado e, principalmente, como a equipe vai saber se a implementação funcionou ou não.
Esse nível de especificidade também muda a dinâmica interna das empresas. Quando todos os envolvidos, desde o time técnico até os líderes de negócio, compartilham o mesmo entendimento do que se quer alcançar, as decisões ao longo do projeto ficam mais fáceis de tomar. Conflitos que normalmente surgem por expectativas desalinhadas começam a diminuir. E a conversa deixa de ser sobre tecnologia para ser sobre resultado. 💡
O Papel do Contexto nos Dados — E Por Que a IA Sozinha Não Basta
Um dos insights mais valiosos que McAveney trouxe à conferência diz respeito à relação entre dados e contexto. Para ele, a IA está sim tornando a análise de dados mais acessível, especialmente em aplicações como manutenção preditiva. Mas ele faz uma ressalva importante: embora seja mais fácil, os dados precisam de contexto.
Não se trata simplesmente de despejar uma montanha de dados de IoT em um data lake e esperar que insights apareçam. É preciso conectar esses dados ao que estava sendo fabricado naquele dia, às condições ambientais, a todo o cenário ao redor. Esse contexto é fundamental para obter bons resultados da IA.
É justamente aí que entra o conceito de digital thread, o fio digital que conecta todas as informações ao longo do ciclo de vida de um produto. A Aras, como fornecedora de tecnologia PLM, posiciona-se como provedora desse contexto para que as ferramentas de big data e IA possam fazer seu trabalho de forma efetiva. Sem essa camada de contexto, mesmo os modelos mais sofisticados vão produzir análises incompletas ou até enganosas.
McAveney reforçou: existem insights a serem obtidos analisando dados brutos, sem dúvida. Mas o valor real, na experiência dele, vem de ter o contexto necessário para enxergar a história completa, e não apenas um monte de números, padrões e tendências desconectados.
Adoção de IA por Setor: Quem Está na Frente e Quem Está Ficando para Trás
Nem todos os setores da indústria estão no mesmo estágio quando o assunto é adoção de IA. McAveney compartilhou uma visão bastante franca sobre quem está avançando e quem está enfrentando mais obstáculos.
Aeroespacial: regulação como freio
Surpreendentemente, o setor aeroespacial não está na vanguarda da adoção. Segundo McAveney, isso se deve em grande parte às restrições governamentais sobre quais modelos podem ser usados e como podem ser adotados. É um setor onde a regulação, embora necessária por razões de segurança, acaba desacelerando a experimentação.
Eletrônica de alta tecnologia: os líderes naturais
As empresas de eletrônica de alta tecnologia e aquelas que constroem produtos definidos por software estão na linha de frente. Isso faz sentido: como estão incorporando IA diretamente nos seus produtos, naturalmente também adotam IA nos seus processos internos de análise e desenvolvimento.
Dispositivos médicos: depende do produto
No setor de dispositivos médicos, a adoção varia muito conforme a complexidade do produto. Se a empresa fabrica cateteres, a adoção é menor. Mas se está construindo marcapassos ou dispositivos com forte presença de eletrônica e software, McAveney observa uma adoção significativamente maior.
Regulação: Europa na Frente, EUA em Território Incerto
Com sinais confusos sobre a regulação de IA nos Estados Unidos, a Europa tem se posicionado como referência em termos de estabelecer guardrails para o uso da tecnologia. McAveney demonstrou respeito pelo que os europeus estão fazendo, embora reconheça que os EUA são historicamente menos regulados nesse contexto.
Para ele, o ponto mais importante da abordagem europeia é a exigência de que as respostas da IA sejam explicáveis. Isso é muito importante, segundo McAveney, porque sem essa explicabilidade, você constrói respostas ruins em cima de respostas ruins em cima de respostas ruins, e acaba seguindo caminhos que não são bons. É preciso encontrar um equilíbrio entre inovação e proteção, e ele considera que o que foi feito na Europa tem sido amplamente positivo nesse sentido.
O Medo da IA: Ferramenta, Não Ameaça
Quando perguntado se sente medo da IA, McAveney respondeu com humor: Me atormenta todos os dias, e riu. Na realidade, ele nunca experimentou esse tipo de receio.
Para ele, pessoas que possuem pensamento crítico e a capacidade de distinguir o que sai de bom e o que sai de ruim da IA não são assustadas por ela. Essas pessoas enxergam os erros. Elas entendem que a tecnologia ainda não está nem perto de ser tão boa quanto o cérebro humano, e por isso não temem ser substituídas ou ver a sociedade ser dominada pela máquina.
McAveney citou a artista Pinar Demirdag como alguém que faz um excelente trabalho ao descrever a IA como uma ferramenta. Ele achou refrescante porque esse ponto de vista não é comum. É raro encontrar alguém que elogia o lado humano da experiência humana sem depreciar a IA, e ao mesmo tempo elogia a IA, especialmente alguém que foi inicialmente substituída pela tecnologia.
A analogia final dele foi simples e poderosa: eu não tenho medo de uma chave de fenda. Não tenho medo de uma chave inglesa. 🔧
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
Implementação que Funciona: Lições do Ambiente Industrial
A implementação de IA em ambientes industriais tem características que não existem em outros segmentos. Os dados costumam ser antigos, mal documentados e espalhados por sistemas legados que nunca foram pensados para se comunicar entre si. As equipes operacionais têm rotinas rígidas e pouca tolerância para ferramentas que interrompem o fluxo de trabalho. E as margens de erro são pequenas, porque qualquer falha pode ter consequências físicas reais, não apenas métricas ruins num dashboard. Tudo isso faz com que a abordagem de tentativa e erro, tão comum no universo de startups, seja praticamente inviável nesse contexto.
O que McAveney defende é uma abordagem incremental com critérios de validação bem definidos em cada etapa. Em vez de construir um sistema grandioso que vai resolver tudo de uma vez, a recomendação é começar com um problema menor, mas representativo, e provar valor de forma rápida e mensurável. Esse ciclo curto de aprendizado permite que a empresa entenda melhor seus próprios dados, suas limitações técnicas e as expectativas reais dos usuários antes de comprometer recursos maiores. É uma forma de construir confiança no processo tanto internamente quanto entre os operadores que vão usar a ferramenta no dia a dia.
Outro ponto levantado na conferência foi a importância de envolver as pessoas certas desde o início. Projetos de IA que são desenhados exclusivamente por times de tecnologia, sem a participação ativa das áreas de negócio e dos usuários finais, tendem a gerar soluções tecnicamente impressionantes, mas completamente fora de contexto. Na indústria, isso é especialmente crítico, porque o operador que trabalha numa linha de produção há quinze anos tem um conhecimento sobre aquele processo que nenhum modelo de linguagem vai capturar sozinho. Ignorar essa inteligência humana é um dos erros mais custosos que uma empresa pode cometer durante a implementação.
Como Medir o Sucesso de um Projeto de IA
Medir o sucesso de um projeto de IA vai muito além de verificar se o modelo tem uma boa acurácia técnica. Acurácia é importante, claro, mas ela não paga as contas. O que importa para a empresa é saber se o projeto resolveu o problema que foi proposto resolver, se o impacto é sustentável ao longo do tempo e se o custo de manter a solução funcionando é proporcional ao benefício que ela gera. Esses são os três eixos que qualquer liderança deveria usar para avaliar uma iniciativa de IA antes de decidir escalar ou descontinuar.
McAveney trouxe uma perspectiva que vai contra o senso comum: nem todo projeto de IA precisa escalar para ser considerado bem-sucedido. Às vezes, uma solução que resolve um problema específico para uma equipe de cinquenta pessoas já representa um retorno significativo, e forçar esse projeto a crescer além do seu escopo natural pode destruir exatamente o que o tornou eficiente. A pressão por escala, quando não está alinhada com a realidade operacional da empresa, é uma das principais causas de fracasso em projetos que até então estavam funcionando muito bem.
Também é fundamental revisar os critérios de sucesso ao longo do tempo. O ambiente de negócios muda, as prioridades mudam, e o que era um objetivo relevante há seis meses pode ter perdido sentido. Projetos que não passam por revisões periódicas tendem a se tornar soluções à procura de um problema, consumindo recursos sem gerar valor real. Manter essa disciplina de revisão é o que garante que a IA continue sendo uma ferramenta estratégica e não uma despesa difícil de justificar na próxima reunião de orçamento. 📊
O Papel da Aras Nesse Cenário
McAveney fez questão de esclarecer o posicionamento da Aras no ecossistema de IA industrial. A empresa é essencialmente uma fornecedora de tecnologia, não uma consultoria de IA. Embora tenha uma divisão de serviços que inclui suporte a clientes com IA, o foco principal do negócio é ajudar com problemas de PLM e digital thread. Para a implementação mais ampla de IA, a Aras conta com consultores externos.
Essa clareza de posicionamento é, de certa forma, um reflexo da própria mensagem de McAveney sobre definição de objetivos. A Aras sabe o que faz bem e não tenta ser tudo para todo mundo, uma lição que muitas empresas do setor ainda precisam aprender.
O Recado Final: Menos Projetos, Mais Qualidade
O recado central que veio da ACE 2026 é simples, mas poderoso: a indústria não precisa de mais projetos de IA. Precisa de projetos de IA melhores. E projetos melhores começam com perguntas melhores, objetivos mais honestos e uma disposição real para medir o que importa, mesmo quando o resultado não é o que todo mundo esperava ouvir.
A IA não é mágica. Não vai resolver problemas que a empresa nem consegue articular. Mas quando aplicada com foco, contexto e critérios claros de sucesso, ela tem o potencial de transformar operações inteiras, comprimir ciclos que antes pareciam imutáveis e liberar as equipes para trabalhar no que realmente importa. Esse é o caminho que separa as empresas que estão transformando seus negócios com IA das que estão apenas contando histórias sobre transformação.
