No segundo dia do Futurecom 2026, a programação do Futurecom Leaders Congress reforçou os impactos da Inteligência Artificial em múltiplos mercados, e, principalmente, como as empresas podem implementar a IA de maneira bem-sucedida. 

A pesquisadora Elisa Pereira, do Stanford Digital Economy Lab e do Stanford Institute for Human-Centered AI (HAI), apresentou no Futurecom os resultados de uma pesquisa que analisou 51 casos de implementação bem-sucedida de inteligência artificial em empresas. 

Destes casos, que foram encontrados em quatro continentes, foram obtidas seis lições sobre com a IA gera impacto real nas empresas. Acompanhe esses insights a seguir. 

1. Falha como parte do processo 

A primeira lição da pesquisa indica que 61% dos casos de sucesso tiveram uma falha anterior. “A falha era parte do caminho. Todos começam pequenos, chamam de piloto”, afirmou Elisa. A pesquisadora destacou que nos casos estudados, quem liderou a falha também liderou o sucesso, sem troca de liderança no projeto. 

Um exemplo citado foi o de uma empresa americana de caminhões com frota de 15.000 carretas. A companhia implementou IA para processar notas de manutenção, mas na primeira tentativa o time precisou dobrar de sete para 14 pessoas devido a erros de taxonomia. “Imagina você começar um projeto que é pra trazer um ganho de produtividade e na primeira implementação, você tem que dobrar o time”, comentou a pesquisadora. 

Após ajustes e união com as equipes que executavam o processo, o projeto reduziu o time de sete para duas pessoas. 

2. Áreas de suporte como principais obstáculos 

Contrariando a percepção comum, a pesquisa identificou que as áreas que mais travam projetos de IA são jurídico, RH, compliance e TI. “Ninguém acorda e fala ‘nossa, hoje eu quero muito boicotar um projeto de inteligência artificial’. Ninguém tem esse desejo nessas áreas, mas tem a função de proteger a empresa de risco”, explicou Elisa. 

A solução encontrada nos casos de sucesso foi trazer essas áreas para participar da construção, não apenas da aprovação. A pesquisadora destacou o uso de embaixadores de IA que vão além da área técnica e a criação de OKRs comuns, colocando todas as áreas no mesmo objetivo. Em vários casos, a adoção e utilização da IA entrou no sistema de bônus das equipes. 

3. IA não necessariamente significa demissão 

Quando questionadas sobre o que fazem com os ganhos de produtividade, 45% das empresas responderam demissão. No entanto, a pesquisa mostrou que existem alternativas. “Tem outras coisas que você pode fazer quando você captura um ganho de produtividade”, afirmou. 

Entre as alternativas, estão evitar novas contratações em empresas em crescimento e agregar funções de maior valor às pessoas. A pesquisadora citou casos em que funcionários saíram de atividades operacionais, como contas a pagar, para gestão de contratos. 

4. Receita supera produtividade no longo prazo 

A quarta lição indica que 74% das empresas querem gerar receita com IA, mas apenas 10% conseguem. “A gente fica muito focado em ganho de produtividade, e ganho de produtividade parece ser um esforço cognitivo mais baixo, porque basicamente significa ‘eu vou fazer o que eu já faço hoje mais rápido’”, observou Elisa. 

A pesquisadora apresentou o caso de uma empresa de call center que mudou seu modelo de negócio. Ameaçada por clientes que queriam reduzir contratos pela metade devido à IA, a empresa incorporou a tecnologia e passou a precificar por ticket resolvido, em vez de por posição de atendente.  

Para além da produtividade, e nesse ensejo de crescer receita com IA, a pesquisa encontrou três caminhos: 

  • Personalização que converte: aumentando a intenção de compra com ofertas customizadas; 
  • Velocidade que ganha contrato: com documentos prontos e revisados em tempo reduzido, garantindo a conversão; 
  • Ferramenta interna que vira produto: a solução feita para uso da própria empresa vira um produto que pode ser vendido. 

5. Delegação para IA aumenta produtividade 

A pesquisa comparou ganhos de produtividade quando a IA trabalha junto com humanos validando cada etapa versus quando a IA executa 80% ou mais do trabalho sozinha e delega apenas exceções para validação humana. O ganho de produtividade passa de 30% para 71% no segundo modelo. 

A recomendação é que humanos revisem apenas exceções quando há alto volume de tarefas simples com erro recuperável, ou seja, quando o erro não coloca a empresa em risco de exposição de marca ou reputação. 

Um exemplo citado foi uma rede de supermercados na Europa que implementou um sistema multiagentes para procurement. Diferentes agentes faziam previsão de demanda, consolidação de compras, validação e liberação para fornecedores. O resultado foi o aumento de duas vezes na margem do supermercado. 

6. Vantagens dos modelos intercambiáveis 

A sexta lição mostra que 42% das empresas consideram os modelos de LLM totalmente intercambiáveis. “Não faz mais sentido a gente ficar apegado a um modelo só”, afirmou Elisa. A pesquisadora destacou que a arquitetura deve permitir navegar por vários modelos e buscar o modelo ótimo para cada pergunta, evitando usar modelos grandes e caros para respostas simples. 

Elisa também destacou a posição do Brasil nesse cenário. Segundo ela, modelos chineses já estão equiparados aos americanos em performance, mas empresas dos Estados Unidos não os utilizam por questões geopolíticas. “Daqui podemos testar americanos, europeus e chineses e escolher o melhor para cada tarefa”. 

Concluindo a palestra, Elisa destacou que o sucesso da IA (da implementação até o ROI) em uma empresa passa por uma mudança de mentalidade. “Tire a IA do título do projeto. Coloque o problema e qual é a solução”, finalizou, compartilhando com o público o relatório completo de Stanford.   

Siga acompanhando a cobertura oficial do Futurecom 2026.