Automação promete decisão melhor. Na prática, o que ela entrega primeiro é agilidade. Isso não é falha de execução — é sequência. E confundir as duas coisas é o erro mais caro e mais comum em projetos de automação e IA hoje.
O tamanho do problema
Os números recentes do mercado deixam isso claro. A Gartner projeta que, até 2026, 60% dos projetos de IA sem dados prontos para IA serão abandonados — e, em pesquisa de 2024 com líderes de gestão de dados, 63% das organizações não tinham, ou não sabiam se tinham, as práticas de gestão de dados necessárias para sustentar IA1. O problema não é o modelo. É a base sobre a qual o modelo é construído.
A McKinsey chega à mesma conclusão por outro caminho. Em pesquisa com mais de 25 atributos organizacionais testados, o redesenho de fluxos de trabalho foi o fator com maior efeito isolado sobre o impacto de IA generativa no resultado operacional (EBIT) — à frente de investimento em tecnologia, volume de dados ou maturidade do modelo2. Ou seja: a variável que mais separa quem ganha dinheiro com IA de quem não ganha não é a IA. É o processo por trás dela.
A cadeia de cinco elos
Todo ganho de automação segue uma cadeia de cinco elos, e cada um depende do anterior estar maduro:
- Agilidade — tarefas passam a ser executadas mais rápido.
- Redução de retrabalho — etapas manuais deixam de gerar erro por inconsistência humana.
- Dado bem tratado — a operação passa a gerar dado limpo, estruturado e confiável, como subproduto de rodar de forma consistente.
- Findings estruturados — com dado confiável acumulado, padrões e relações passam a ser identificáveis.
- Decisão melhor suportada — só então a decisão de gestão tem base sólida para melhorar de fato.
Essa progressão não é uma invenção de consultoria. Ela espelha um modelo consolidado há décadas em ciência da informação: a hierarquia DIKW (Data → Information → Knowledge → Wisdom), formulada por Russell Ackoff em 1989 no artigo "From Data to Wisdom"3. Ackoff já demonstrava que dado bruto não vira decisão de um salto — ele precisa amadurecer em informação, depois em conhecimento aplicável, antes de sustentar julgamento de qualidade. O mercado de automação redescobre, projeto após projeto, o que a ciência da informação já sabia antes da IA generativa existir.
Agilidade aparece em dias. Decisão madura só aparece depois que os elos intermediários — retrabalho, dado, findings — amadurecem de verdade. Pular etapa não acelera a cadeia. Só cria a ilusão de que ela foi percorrida.
Por que o mercado vende o elo 5 como se fosse o elo 1
Esse não é um problema novo, só tem um nome novo. Em 1993, Michael Hammer — um dos criadores do conceito de reengenharia de processos — cunhou a frase que resume o erro: "Automating a mess yields an automated mess" ("automatizar uma bagunça produz uma bagunça automatizada")4. Um ano antes, em artigo na Harvard Business Review intitulado "Reengineering Work: Don't Automate, Obliterate", Hammer já alertava que sobrepor tecnologia a um processo mal desenhado apenas torna o problema mais rápido e mais caro5.
Trinta anos depois, o alerta se repete com outro nome. A Gartner prevê que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, citando como causa principal valor de negócio pouco claro e controles de risco inadequados6 — o retrato atualizado da "bagunça automatizada" de Hammer, agora com agente autônomo no lugar de macro em planilha.
O padrão se repete porque o incentivo comercial favorece vender o elo 5. "Decisão melhor suportada por IA" é uma promessa muito mais vendável do que "vamos primeiro arrumar como seu processo funciona." O problema é que a segunda frase é a única que, de fato, entrega a primeira.
Onde o ganho real começa
Mapeamento, redesenho e automação de processos existem exatamente para resolver essa distorção. Quem mapeia a operação real — sem maquiagem, gargalo e desperdício incluídos —, redesenha o fluxo eliminando retrabalho, só então automatiza onde a automação de fato gera retorno, e mede cada elo da cadeia, entrega o cliente do ponto 1 (agilidade) até o ponto 5 (decisão madura e comprovada). Quem pula direto para a automação vende o elo 5 no discurso, mas só entrega o elo 1 no resultado.
A diferença entre as duas abordagens não aparece na primeira semana de projeto — os dois parecem iguais quando o sistema liga e a tarefa fica mais rápida. Ela aparece três, seis, doze meses depois, quando uma decisão precisa se apoiar em dado que nunca foi tratado, ou em finding que nunca existiu porque ninguém redesenhou o processo que deveria gerá-lo.
Quem conhece a cadeia sabe onde o ganho real começa. Não é no algoritmo. É no processo que o algoritmo automatiza.
Referências
- Gartner, Inc. Lack of AI-Ready Data Puts AI Projects at Risk, fevereiro de 2025.
- McKinsey & Company. The State of AI: How Organizations Are Rewiring to Capture Value, 2025.
- Ackoff, Russell L. "From Data to Wisdom." Journal of Applied Systems Analysis, 16, 3–9, 1989.
- Hammer, Michael; Champy, James A. Reengineering the Corporation: A Manifesto for Business Revolution. HarperCollins, 1993, p. 7.
- Hammer, Michael. "Reengineering Work: Don't Automate, Obliterate." Harvard Business Review, v. 68, n. 4, p. 104, 1990.
- Gartner, Inc. Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, junho de 2025.
Publicado originalmente no LinkedIn.