95% das iniciativas de IA generativa não devolvem retorno mensurável. A explicação confortável é falta de treinamento. A real é bem pior.

Por Carlos Cruz, Allynson Lymer e Nicolas Domingos [Parte 1 de 3]

A CENA

Existe uma cena que se repete em praticamente toda empresa brasileira de grande porte hoje.

O ChatGPT aberto numa aba. O Claude em outra. O Gemini corporativo contratado, licença paga, quase ninguém usando. Uma planilha decisiva que mora na cabeça de uma pessoa só. Uma reunião importante que não virou memória de lugar nenhum. E uma decisão sendo tomada pela terceira vez, porque ninguém lembra que ela já foi tomada duas.

Ferramentas potentes, resultados medianos. E um CFO começando a perguntar onde foi parar o dinheiro.

Escrevemos isto de dentro do problema, não de fora dele. A Bravend forma profissionais em desenvolvimento corporativo há vinte anos, e nos últimos meses ouvimos a mesma queixa em empresas de portes e setores que não têm nada em comum entre si. Não é impressão de corredor. Tem número.

OS TRÊS DADOS QUE O MERCADO PASSOU O ÚLTIMO ANO EVITANDO OLHAR

O primeiro. Cerca de 95% das iniciativas empresariais de IA generativa não produzem retorno mensurável, apesar de dezenas de bilhões de dólares investidos. É o achado do MIT, via Project NANDA, no relatório The GenAI Divide (2025) — construído sobre 150 entrevistas com líderes, uma pesquisa com 350 profissionais e a análise de 300 implantações públicas. E o diagnóstico do próprio MIT não culpa o modelo: culpa a lacuna de aprendizagem, das ferramentas e das organizações. A IA genérica funciona para o indivíduo e trava na empresa, porque não aprende com o fluxo de trabalho e não se adapta a ele.

O segundo. Apenas 8% das companhias escalam IA em nível corporativo, com a tecnologia efetivamente embutida na estratégia de negócio. O número é da Accenture, e aparece no lançamento do modelo de maturidade que ela publicou com o Software Engineering Institute de Carnegie Mellon em junho de 2026. Guarde este dado: ele volta mais adiante, e volta de um jeito que nos obriga a uma confissão.

O terceiro é o mais desconfortável, e quase ninguém está discutindo por aqui.

Vaccaro, Almaatouq e Malone publicaram na Nature Human Behaviour uma meta-análise pré-registrada de 106 estudos experimentais e 370 tamanhos de efeito sobre colaboração humano-IA. O achado central: na média, os times formados por pessoa mais máquina tiveram desempenho pior do que o melhor dos dois trabalhando sozinho.

A precisão aqui importa, então vamos com ela. Não é que juntar não tenha adiantado nada: na média, o humano com IA foi melhor do que o humano sozinho. Houve amplificação. O que não houve foi sinergia — o conjunto ficou abaixo de pelo menos um dos dois isolados. E em tarefas de decisão, especificamente, houve perda de desempenho.

A parte que quase ninguém cita é a que explica quando isso acontece. Nos casos em que a IA era melhor que os humanos na tarefa, a colaboração rendeu menos do que a IA sozinha. Nos casos em que os humanos eram melhores que a IA, a colaboração superou os dois. As mesmas duas inteligências, resultados opostos — dependendo apenas de como o trabalho foi alocado entre elas.

Leia de novo, porque isso derruba a premissa silenciosa de quase todo projeto de IA em curso no país: a de que basta colocar a ferramenta boa na mão da pessoa competente e o ganho aparece por gravidade.

Não aparece. Sem alguém desenhando quem faz o quê e por quê, juntar inteligências pode render menos do que cada uma isolada.

Agora guarde a segunda metade do mesmo estudo, porque é ela que aponta a saída: em tarefas de criação de conteúdo, a sinergia foi claramente positiva. O time superou os dois lados sozinhos. A ferramenta era a mesma. As pessoas eram as mesmas. O que mudou foi o desenho do trabalho.

Uma ressalva honesta, e ela é nossa. O recorte cobre estudos publicados entre janeiro de 2020 e junho de 2023, boa parte deles anterior à geração atual de modelos; restringindo a análise a 2022–23, os autores não encontram efeito claro em nenhuma direção. Não citamos o estudo como prova de que a IA de hoje fracassa em decisão. Citamos porque ele mede, com rigor raro, o que acontece quando se juntam duas inteligências sem desenhar a junção.

O problema, portanto, não está na camada que todo mundo comprou. Está na que ninguém desenhou.

O DIAGNÓSTICO CONFORTÁVEL E O DIAGNÓSTICO REAL

A explicação confortável é que falta treinamento. Distribui-se um curso de prompt, mede-se presença, celebra-se adoção. Seis meses depois, o CFO refaz a pergunta.

A explicação real é outra: as inteligências da organização existem, mas existem como ilhas. E não há ninguém orquestrando.

Duas casas grandes chegam, por caminhos completamente diferentes do nosso, à mesma conclusão sobre onde o valor mora. O BCG trabalha com a proporção 10-20-70: cerca de 10% do esforço de uma transformação com IA está nos algoritmos, 20% em tecnologia e dados, e 70% em pessoas e processos. A McKinsey coloca a conta em outra moeda: para cada dólar gasto em desenvolvimento de modelo, espere gastar três em gestão da mudança.

Uma consultoria de estratégia e uma consultoria de gestão dizendo, cada uma do seu jeito, que a maior parte do valor está fora da camada que todo mundo compra.

DE ONDE ISSO VEIO

A tese não nasceu numa escrivaninha. Nasceu de uma pausa forçada.

Em março de 2025, Carlos foi a Austin atrás de uma resposta que o incomodava havia anos: por que o discurso dominante sobre IA nas organizações passava ao largo de algo essencial que ele, com duas décadas em educação corporativa, sentia e não conseguia nomear. Um acidente bobo interrompeu a agenda e transformou aceleração em observação. Nicolas estava lá, e o primeiro esboço da ideia foi gravado ainda em Austin, num vídeo improvisado.

A pergunta mudou naquele intervalo. Deixou de ser “como crescer?” e virou: como criar um sistema que escale inteligência sem depender da energia artesanal de poucas pessoas?

Dali saiu uma ideia. A ideia virou tese. E a tese foi a campo.

No CBTD 2026, montamos um laboratório de aprendizagem ampliada e transformamos o estande num diagnóstico ao vivo. Três dias, dez especialistas na curadoria, decisores de T&D de 149 empresas de grande porte, 553 votos, 161 diagnósticos.

O achado foi desconfortável de tão nítido. As empresas não precisam de mais conteúdo. Já têm trilhas, plataformas, LMS, dados, ferramentas. Falta a camada que faz tudo isso virar mudança de comportamento, de performance e de resultado.

Essa camada tem nome.

A IAx EM UMA FRASE

IAx é Inteligência Ampliada e Multiplicada. Pronuncia-se iáquis.

É a lente segundo a qual a capacidade real de uma organização pensar, decidir, criar e executar não vem de uma inteligência isolada. Vem da orquestração consciente de quatro.

Inteligência Humana (IH). Direção, julgamento, criatividade, propósito. É quem nomeia o problema certo antes de pedir qualquer coisa à máquina, e quem assume a decisão quando os dados não fecham.

Inteligência Organizacional (IO). A memória viva da empresa: processos, cultura, dados, decisões, aprendizados. É o que faz a organização continuar sendo ela mesma quando as pessoas mudam.

Inteligência Artificial (IA). A camada de amplificação. Tratada como colega de trabalho, que recebe briefing, colabora e é avaliada — não como software que se instala e pronto.

Inteligência Conectiva (IC). A meta-inteligência. Ela não se soma às outras três: opera sobre elas. É a única que trabalha sobre relações, e não sobre objetos. É o ritual, o fluxo, a governança, a liderança que costura o que estava solto.

A IC é a que quase ninguém está olhando. E é a que decide o jogo.

Acesse também: https://bravend.com.br/letramento-iax/ 

MULTIPLICAÇÃO, NÃO SOMA

A formulação que usamos internamente é simples, e serve como régua mental:

IAx = (IH · IO · IA) ^ IC

Multiplicação, porque qualquer fator zerado anula o produto inteiro. Um time humano excepcional, com IA ausente e uma organização desmemoriada, não produz inteligência ampliada. Produz heroísmo individual que não escala e que vai embora junto com a pessoa.

E a IC entra como expoente porque não é mais um item da lista. Ela define a ordem de grandeza do que as outras três produzem juntas.

Aqui a meta-análise da Nature deixa de ser curiosidade acadêmica e vira leitura de campo. Quando a IC é fraca, o resultado não fica um pouco abaixo do potencial: ele encolhe. Um expoente menor que 1 não reduz o produto, comprime. É exatamente o formato do que aqueles 106 estudos mediram — amplificação sem sinergia. Aquilo não foi falha de IA. Foi ausência de camada conectiva.

Outra ressalva, antes que um leitor competente a faça por nós. Nem o 10-20-70 do BCG nem o 1:3 da McKinsey provam esta equação. O 10-20-70 é aditivo, fecha em 100; a nossa formulação é multiplicativa. São afirmações diferentes sobre coisas diferentes. O que esses dados fazem é convergir com a nossa conclusão sobre onde o valor está. Convergência de ênfase, não validação da álgebra. Preferimos dizer isso antes de alguém dizer por nós.

Em linguagem de negócio, sem álgebra: a IAx acontece quando pessoas, organização e inteligência artificial deixam de operar como partes e passam a operar como sistema. E alguém orquestra isso deliberadamente.

ONDE A SUA EMPRESA ESTÁ

Conceito sem régua vira vocabulário. Por isso a IAx opera com uma escala de maturidade de cinco níveis:

1. Manual. Esforço humano puro. A IA praticamente não existe na rotina. O conhecimento mora nas cabeças e vai embora com elas.
2. Sistematizado. Há sistemas: ERP, CRM, repositórios. Eles não conversam entre si, e quase ninguém consulta o que está lá.
3. Aumentado. A IA entrou, sem arquitetura. Cada um usando do seu jeito, governança zero. Ganho e ruído na mesma medida. É onde está a maior parte do mercado hoje.
4. Orquestrado. IAx aplicada com disciplina: vocabulário comum, governança, fluxos integrados, liderança que orquestra.
5. Multiplicado. A inteligência escala por sistema. A IAx deixa de ser projeto e vira infraestrutura.

Agora a confissão que prometemos.

Em 8 de junho de 2026, o Software Engineering Institute de Carnegie Mellon — a mesma casa que criou o CMMI, a disciplina de maturidade que formatou a engenharia de software mundial — publicou com a Accenture o AI Adoption Maturity Model: oito dimensões de capacidade, cinco níveis de maturidade, validado em pilotos com empresas da Fortune 500.

Naquele mesmo 8 de junho, estávamos abrindo o nosso laboratório no CBTD, medindo maturidade de adoção com uma escala de cinco níveis construída de forma independente, do outro lado do hemisfério, sem nenhum contato com aquele trabalho.

Não citamos isso como aval. Citamos como indício: quando se para de discutir ferramenta e se passa a discutir capacidade, a régua de maturidade é a resposta que emerge naturalmente. E a líder técnica do modelo, Ipek Ozkaya, resume a raiz do problema de um jeito que assinamos embaixo — a indústria assume que disciplina pode ser automatizada, quando o sucesso sustentável continua dependendo de engenharia, governança e prática operacional disciplinadas.

O salto que interessa é Aumentado → Orquestrado. É onde o mercado inteiro está empacado, e é o que mais fracassa. Comprar mais ferramenta não tira ninguém do Aumentado; só entrega mais ruído com mais licença paga.

POR QUE A IA NÃO É O CENTRO

Uma última escolha, e é a mais estratégica de todas.

A identidade da IAx está em inteligência ampliada, com a inteligência artificial no papel de acelerador do momento. Não de centro. Quando a IA virar commodity ambiente — e vai virar —, o que permanece durável é a inteligência humana e a organizacional.

Já dá para ver o piso subindo. Em fevereiro de 2026, o Departamento do Trabalho dos Estados Unidos publicou um framework nacional de letramento em IA, com cinco áreas fundamentais de conteúdo e sete princípios de entrega, para orientar programas de qualificação em todo o país. Letramento em IA deixou de ser diferencial competitivo e entrou na agenda de política pública. O que é piso não sustenta vantagem.

Ancorar um método na IA é prendê-lo ao ciclo do hype. Ancorá-lo em inteligência ampliada é o que faz ele sobreviver à ressaca.

O QUE NÃO VAMOS FINGIR

A IAx é um conceito validado em campo. Tem definição, componentes, régua de maturidade e evidência de que o problema que ela nomeia é real e sentido pelo mercado.

A IAx ainda não é um método, e não vamos chamá-la assim antes da hora. Método exige sequência nomeada de passos, papéis e artefatos, critérios de entrada e de saída, resultado mensurável e documentação que transfira a coisa sem nenhum de nós na sala. É o teste que separa Scrum, PDCA ou o método socrático de uma boa ideia bem embalada. É o teste que a IAx está prestando agora, com muito mais trabalho pela frente do que atrás.

Estamos escrevendo isso publicamente de propósito. Conceito que nasce em vitrine fechada não vira método, vira folheto. Preferimos construir com o mercado olhando.

A PERGUNTA

Ela é simples e desconfortável:

Em que nível a sua organização está, e quem, exatamente, está orquestrando as quatro inteligências dela?

Se a resposta for “ninguém”, você não tem um problema de tecnologia. Você tem uma vaga em aberto.

Na Parte 2, vamos ao ponto que quase ninguém traz, e que explica por que todo playbook interno fracassa: quando você pede a um especialista que documente o que faz, ele omite cerca de 70% das decisões que realmente toma. Não por má-fé. E isso muda tudo o que você acha que sabe sobre alimentar uma IA com o conhecimento da sua empresa.

Carlos Cruz (Visão), Allynson Lymer (Arquitetura) e Nicolas Domingos (Engenharia) são cofundadores do Carvion Group e coautores da IAx — Inteligência Ampliada Multiplicada.

FONTES

Vaccaro, M., Almaatouq, A. & Malone, T. “When combinations of humans and AI are useful: a systematic review and meta-analysis.” Nature Human Behaviour, 8, 2293–2303 (2024). doi:10.1038/s41562-024-02024-1

MIT / Project NANDA. The GenAI Divide: State of AI in Business, 2025.

Software Engineering Institute (Carnegie Mellon) & Accenture. AI Adoption Maturity Model v1.0, junho de 2026.

BCG. The Leader’s Guide to Transforming with AI, 2025 — proporção 10-20-70.

McKinsey & Company. Análise sobre custo de adoção de IA, 2025 — proporção 1:3 entre desenvolvimento de modelo e gestão da mudança.

U.S. Department of Labor, Employment and Training Administration. AI Literacy Framework (TEN 07-25), 13 de fevereiro de 2026.