A inteligência artificial já entrou em muitas empresas brasileiras, mas isso não significa que elas estejam conseguindo convertê-la em resultados. Um levantamento da HubSpot divulgado pela Computer Weekly aponta um contraste: 94% das organizações entrevistadas usam ou exploram IA, enquanto 57% dizem não ter conhecimento especializado suficiente para extrair valor da tecnologia. O gargalo, portanto, não está apenas em escolher um modelo ou contratar um serviço: envolve também pessoas capacitadas, dados organizados e decisões sobre como usar esses sistemas.
Adoção não é sinônimo de preparo
O Panorama de Dados 2025 ouviu 200 profissionais em cargos de liderança, em empresas de diferentes portes e setores. A coleta ocorreu em 29 de julho de 2025. No recorte brasileiro, 46% dos entrevistados disseram que suas empresas adotavam IA ativamente, acima da média de 28% indicada para outros mercados latino-americanos no estudo. Esses números descrevem as organizações participantes da pesquisa; não são um censo de todas as empresas do país.
A diferença entre experimentar e incorporar a tecnologia ajuda a explicar por que a adoção, sozinha, não garante ganhos. Segundo o levantamento, 69% consideram as ferramentas complexas demais e 58% relatam resistência interna à mudança. Isso pode significar que uma solução disponível não se encaixa nos processos cotidianos ou que as equipes não sabem avaliar quando confiar em uma resposta automatizada. Nesses casos, o uso tende a ficar restrito a testes ou tarefas isoladas, em vez de se integrar ao trabalho de forma consistente.
Para quem trabalha ou compra de uma empresa, esse debate tem efeitos concretos. Uma ferramenta mal implantada pode acrescentar etapas, produzir respostas que precisam ser corrigidas ou deixar funcionários sem clareza sobre o que pode ser automatizado. Já uma aplicação bem delimitada pode apoiar tarefas como organizar informações ou preparar uma primeira versão de um texto — desde que haja revisão adequada e que as pessoas saibam quais são os limites do sistema. A pesquisa não mede diretamente esses resultados individuais, mas mostra obstáculos que podem impedir que os benefícios esperados apareçam.
Dados dispersos limitam os resultados
O relatório também chama atenção para o trabalho menos visível que antecede qualquer automação. De acordo com a pesquisa, 68% das equipes gastam até cinco horas por semana limpando ou transferindo dados entre sistemas. Além disso, 80% usam até cinco ferramentas diferentes para lidar com informações de clientes, e 81% dos colaboradores recorrem a planilhas ou grupos de WhatsApp para gerir dados. O levantamento associa falhas nessa gestão à perda de oportunidades de negócio: 45% das empresas ouvidas disseram já ter passado por isso.
Esses dados ajudam a entender por que instalar IA não resolve, por si só, problemas de integração. Se informações semelhantes estão espalhadas por diferentes sistemas, incompletas ou desatualizadas, uma ferramenta pode reproduzir essa desorganização em vez de eliminá-la. O relatório não demonstra que a IA tenha causado as perdas mencionadas, nem prova que a integração de sistemas vá evitá-las. Mostra, porém, que a qualidade e a circulação dos dados são parte relevante do contexto em que as empresas tentam aplicar a tecnologia.
Regras também precisam acompanhar a tecnologia
A preparação não é apenas técnica. Um briefing da ClarityBriefs, que reúne notícias publicadas por outros veículos, destacou uma reportagem atribuída ao G1 sobre empresas que procuram filósofos e lideranças religiosas para discutir diretrizes éticas para sistemas de IA. O resumo também registra uma ressalva: transformar tradições religiosas em regras simples pode apagar diferenças culturais ou privilegiar determinadas visões. É um exemplo de uma discussão mais ampla sobre quem define os critérios que orientam ferramentas usadas por pessoas de origens e necessidades distintas.
Para uma empresa, estabelecer regras claras significa decidir, por exemplo, quais tarefas podem receber apoio automatizado, quem revisa resultados importantes e como lidar com erros ou informações inadequadas. Essas escolhas não substituem a capacitação: funcionários precisam entender o que a ferramenta faz e o que não faz. Tampouco uma política escrita garante, por si só, que o sistema seja justo ou confiável. Ela pode, no entanto, tornar responsabilidades e limites mais explícitos e oferecer um ponto de partida para corrigir problemas.
O que medir daqui para a frente
Os números da pesquisa devem ser lidos com cautela. O estudo é baseado em respostas de 200 lideranças e reúne empresas de vários setores; não detalha, no material divulgado, resultados para cada segmento ou porte. Além disso, percepções como “falta de expertise” e “complexidade” não medem diretamente a qualidade de cada implementação. A cobertura resumida sobre ética, por sua vez, indica uma discussão em andamento, não uma solução já testada ou adotada de forma generalizada.
Um próximo passo útil para os negócios é avaliar resultados concretos, não apenas contar quantas ferramentas foram compradas ou quantos funcionários tiveram acesso a elas. Isso inclui observar se o processo ficou mais claro, se o tempo gasto em tarefas repetitivas diminuiu e se os erros são identificados antes de afetarem clientes. Também importa verificar se os dados usados são apropriados para a tarefa e se existe supervisão humana compatível com o impacto da decisão.
A mensagem central é que a IA não substitui os fundamentos de uma operação bem organizada. Para transformar experimentos em valor, empresas precisam combinar ferramentas com dados confiáveis, processos compreensíveis e equipes preparadas. Para o público, essa diferença importa porque a tecnologia não aparece apenas como novidade: ela influencia a qualidade do atendimento, a circulação de informações e as decisões tomadas em serviços e negócios. A adoção pode ser rápida; construir confiança e demonstrar resultados exige mais do que instalar um sistema.
Fontes