A Gartner prevê que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027. Segundo a consultoria, os principais motivos serão custos crescentes, valor de negócio pouco claro e controles de risco insuficientes.
A previsão não significa que agentes de IA fracassarão como categoria. Ela aponta para um problema mais específico: muitas empresas estão iniciando projetos porque “agentes” se tornaram uma tendência estratégica, sem definir antes qual processo deve ser melhorado, quais dados o sistema utilizará e como o retorno será medido.
O que a Gartner realmente prevê
Em comunicado publicado em junho de 2025, a Gartner afirmou que grande parte dos projetos de IA agêntica ainda se encontra em estágio experimental ou de prova de conceito. A consultoria associa os cancelamentos esperados a três fatores principais:
- custos que aumentam durante a implantação;
- falta de valor de negócio claramente demonstrável;
- controles inadequados para riscos e autonomia.
Em uma pesquisa citada pela Gartner com 3.412 participantes de webinars em janeiro de 2025, 19% disseram que suas organizações haviam feito investimentos significativos em IA agêntica e 42% relataram investimentos conservadores. Os números mostram interesse elevado, mas também cautela.
O problema do “agent washing”
A Gartner também alertou para o chamado agent washing: produtos de automação, assistentes ou chatbots existentes são reposicionados comercialmente como “agentes de IA”, mesmo sem apresentar autonomia ou capacidade agêntica relevante.
Isso dificulta decisões de compra porque duas soluções vendidas com a mesma categoria podem ter arquiteturas e níveis de autonomia completamente diferentes. Para uma empresa, o risco é adquirir uma ferramenta com expectativas de automação autônoma quando, na prática, ela executa apenas fluxos predefinidos.
Como saber se um caso de uso precisa de um agente
Antes de escolher tecnologia, a equipe deve avaliar o processo. Um agente faz mais sentido quando há decisões de múltiplas etapas, necessidade de adaptar o plano durante a execução e acesso controlado a ferramentas ou sistemas.
| Pergunta | Sinal de alerta |
|---|---|
| Qual resultado de negócio será melhorado? | Resposta vaga como “usar IA” ou “ganhar eficiência” |
| Como o resultado será medido? | Não existe métrica de custo, tempo, receita ou qualidade |
| Quais sistemas o agente pode acessar? | Permissões amplas sem princípio de menor privilégio |
| O que acontece quando o agente erra? | Não existe rollback, aprovação ou trilha de auditoria |
| Os dados de entrada são confiáveis? | Bases duplicadas, desatualizadas ou contraditórias |
Dados ruins continuam sendo dados ruins
Agentes podem acelerar decisões e executar ações, mas não corrigem automaticamente problemas históricos de informação. Se CRM, ERP, planilhas e bases internas produzem versões diferentes da verdade, aumentar a autonomia pode simplesmente automatizar inconsistências em maior escala.
Por isso, governança de dados, identidade, permissões e observabilidade precisam ser tratados como parte do projeto, não como uma etapa posterior.
Autonomia aumenta a necessidade de controle
Em automações tradicionais, o caminho de execução costuma ser previsível. Agentes podem escolher ferramentas, reorganizar etapas e adaptar a estratégia. Essa flexibilidade aumenta o potencial do sistema, mas também amplia a superfície de risco.
Controles mínimos para ambientes empresariais incluem:
- limites claros de permissões;
- aprovação humana para ações irreversíveis ou de alto impacto;
- logs completos de decisões e ferramentas utilizadas;
- limites de custo e duração por execução;
- testes com cenários adversos;
- mecanismo de interrupção e rollback.
Onde os agentes ainda podem gerar valor
A própria Gartner mantém uma visão de crescimento para a tecnologia no longo prazo. O ponto é que os casos de uso mais sólidos tendem a ser aqueles em que a autonomia resolve um gargalo definido.
Exemplos incluem triagem de incidentes, pesquisa técnica, operações repetitivas entre sistemas, análise de documentos e tarefas em que uma sequência de decisões pode ser auditada.
Na pesquisa em IA, por exemplo, sistemas agênticos já estão sendo usados para propor e avaliar experimentos. Nosso artigo sobre Research Preference Models da Meta FAIR mostra como uma camada de seleção pode ajudar a controlar o gasto computacional de agentes de pesquisa.
Checklist antes de iniciar um projeto de IA agêntica
- Defina um processo específico, não uma meta genérica de “adotar agentes”.
- Registre a linha de base atual: custo, tempo, erros e volume.
- Comece com permissões mínimas e ações reversíveis.
- Use dados confiáveis e documente suas fontes.
- Estabeleça critérios objetivos para interromper o projeto.
- Compare o agente com uma automação convencional mais simples.
- Expanda autonomia somente depois de medir benefício real.
Análise Panorama IA
A previsão de cancelamentos é menos uma crítica à IA agêntica e mais um alerta contra implantação orientada por hype. Empresas conseguem comprar autonomia antes de construir governança — e essa ordem aumenta custo e risco.
Também é importante separar “agente” de “AGI”. Um software pode executar tarefas autonomamente sem possuir inteligência geral. Explicamos essa distinção no guia sobre o conceito de AGI e seus critérios.
Fonte principal: Gartner.
Sobre o autor
