O padrão
O estudo longitudinal MIT Sloan / BCG 2024 indica que entre 67% e 78% dos fabricantes mid-market europeus têm pelo menos um piloto de IA em curso que não chegou — e provavelmente não chegará — a produção. O mesmo padrão aparece na coorte inaugural do Arqmetrica AI Maturity Index do 2T 2026: no segmento da indústria transformadora, a pontuação mediana na dimensão de ROI & medição é de 41 em 100 — onze pontos abaixo do limiar que a nossa metodologia associa à coorte "pelo menos um caso de uso de IA em produção". O inquérito Capgemini Research Institute do 4T 2024 sobre o estado da IA industrial na UE chega à mesma conclusão por uma definição diferente. O quadro é suficientemente consistente para ser tratado como característica estrutural do segmento, e não como artefacto de medição.
Isto importa porque o custo raramente está na linha orçamental visível. A despesa acumulada com pilotos parados é tipicamente a componente menor. Os custos maiores são a deterioração da confiança do conselho ao longo de dois ou três ciclos de revisão, a saída do talento operacional sénior que defendeu o piloto inicialmente, e — o mais consequente — a desistência lenta da IA enquanto categoria estratégica, muitas vezes disfarçada de "vamos rever quando a tecnologia amadurecer". Depois de uma organização passar duas vezes por este ciclo, a terceira tentativa exige quase sempre intervenção externa.
Porque acontece
Duas causas estruturais repetem-se em quase todos os pilotos parados que auditámos no mid-market industrial europeu. Não são técnicas.
Causa 1 — Propriedade de dados fragmentada
Os parques informáticos da indústria transformadora acumulam-se ao longo de décadas. Os dados necessários para qualquer caso de uso de IA minimamente relevante atravessam MES, ERP, sistemas de qualidade e historiadores PLC, muitas vezes com vários esquemas de séries temporais incompatíveis dentro da mesma fábrica. Sem um proprietário claro de produto de dados — uma pessoa nomeada e responsável pela limpeza, esquema e via de acesso de um domínio de dados definido — cada piloto recomeça do zero o mesmo projecto de aquisição de dados. Seis a nove meses desaparecem antes de o trabalho de modelo sequer começar. Quando o modelo está treinado, o patrocinador inicial já mudou de função ou o ciclo orçamental fechou.
O Artigo 10 do EU AI Act torna isto mais difícil, não mais fácil. A partir de Agosto de 2026 exige governance de dados demonstrável para qualquer sistema de IA de alto risco, incluindo proveniência documentada e critérios de qualidade. Os pilotos que não consigam evidenciar essas condições a montante não conseguirão progredir para produção, independentemente do mérito técnico.
Causa 2 — Sem critérios de cancelamento
A segunda causa é metodológica. A maioria dos pilotos arranca com uma hipótese vaga ("queremos testar manutenção preditiva na linha 4") em vez de uma hipótese falsificável com critérios explícitos de cancelamento — uma métrica definida, um limiar definido e uma data limite por que essa métrica tem de ultrapassar o limiar. A norma ISO/IEC 42001:2023, na Cláusula 9 (Avaliação de desempenho), espera precisamente esta disciplina como parte de um sistema de gestão de IA. Na prática, raramente está em vigor no arranque de um piloto no mid-market.
Sem critérios de cancelamento acontecem três coisas. Primeiro, os pilotos arrastam-se para lá do seu ponto natural de decisão porque ninguém está contratualmente obrigado a terminá-los. Segundo, a equipa confunde "saída interessante do modelo" com "valor operacional" — não são a mesma coisa. Terceiro, a organização nunca desenvolve o músculo de cancelar pilotos com limpeza — e por isso o piloto seguinte arranca com o mesmo defeito.
O catálogo de movimentos da Arqmetrica atribui ao movimento "Pré-comprometer critérios de cancelamento antes de qualquer piloto de IA começar" um peso de evidência de 5 em 5 — o nível mais alto. Não por o movimento ser inovador, mas porque a base de evidência publicada que o sustenta é invulgarmente clara.
O que o Índice nos diz
A coorte do Índice do 2T 2026 permite ir além da literatura publicada e ler os padrões directamente.
Para os fabricantes mid-market europeus do quartil superior (pontuação global ≥ 60), três padrões repetem-se com frequência:
- Um proprietário nomeado de produto de dados por cada domínio principal — tipicamente MES, qualidade, energia, cadeia de abastecimento. Identificável na resposta a STR-04 ("Como está organizado o trabalho de IA na sua empresa?") e corroborado pela pontuação em DAT-02.
- Uma taxa de cancelamento de pilotos de 30% ou mais — contra-intuitivamente, um sinal de saúde, não de fracasso. Significa que a organização tem disciplina para terminar experiências com limpeza. Identificada por ROI-02.
- Um scorecard de IA revisto trimestralmente ao nível do conselho. 5 a 7 métricas, cadência mensal, apresentadas sem edição. ROI-01 capta isto directamente.
Para os fabricantes do quartil inferior, observa-se o inverso: a propriedade dos dados é partilhada por comité, a taxa de cancelamento é inferior a 10%, e a IA é reportada por excepção apenas quando algo corre mal. Tendem também a pontuar abaixo de 40 em Pessoas & capacidade — o que significa que a equipa operacional consegue identificar casos de uso de forma plausível, mas falta-lhe o músculo sénior de entrega para os pôr em produção.
Três intervenções que funcionam
O catálogo de movimentos da Arqmetrica contém 24 intervenções, cada uma ponderada por força de evidência. Três delas repetem-se como os movimentos de maior alavanca para fabricantes mid-market presos no purgatório dos pilotos. Por ordem de peso de evidência:
- Pré-comprometer critérios de cancelamento antes de qualquer piloto começar. Definir métrica, limiar, data. Aprovação por escrito do patrocinador executivo e do líder técnico antes de se escrever uma linha de código. (ISO/IEC 42001 Cláusula 9; peso de evidência no catálogo Arqmetrica 5/5.)
- Construir um scorecard de uma página de ROI de IA para a equipa executiva. Cinco a sete métricas, com seguimento mensal, apresentadas sem edição na próxima reunião de conselho. Escolher métricas ligadas a resultados operacionais (unidades, horas, defeitos, energia) e não a desempenho de modelo (accuracy, F1). (MIT Sloan / BCG 2024 — Value capture cluster; peso de evidência 5/5.)
- Realizar um exercício de 60 dias de propriedade de produto de dados. Inventariar os principais domínios de dados que alimentam casos de uso de IA. Nomear um proprietário responsável por domínio. Documentar a via de acesso. O resultado não é um deck; é um registo de uma página que o conselho consegue ler em três minutos. (NIST AI RMF 1.0 — função Map; peso de evidência 4/5.)
Estes três movimentos não exigem novas ferramentas, novos fornecedores, nem contratações externas. Exigem a decisão de liderança de os instalar e a disciplina para os defender ao longo do primeiro ciclo de revisão. Essa decisão é o estrangulamento real.
O que fazer hoje
Se a sua organização é mid-market industrial europeu e o padrão deste artigo se aplica, o próximo passo é descobrir onde se encontra dentro do espectro. O Arqmetrica AI Maturity Index devolve a sua pontuação global, a decomposição por dimensão e os seus três movimentos com maior alavanca, retirados do catálogo descrito acima. Demora cerca de dez minutos, o resultado é privado e a metodologia está integralmente publicada.
O padrão deste artigo é estrutural, não pessoal. As empresas que actuam sobre ele saem do purgatório dos pilotos em um a dois ciclos orçamentais. As empresas que não actuam tendem a repetir o ciclo.