Resposta direta: não é coincidência, é a mesma pressa medida duas vezes. Uma pesquisa da Sinch divulgada em agosto de 2026, com 2.527 executivos, mostra que 76% das empresas brasileiras já operam agentes de IA em produção — acima da média global (62%) e dos Estados Unidos (67%) — e 66% delas vão ampliar o investimento em mais de 25% nos próximos meses. O mesmo estudo mostra que 80% das organizações brasileiras já precisaram interromper ou reverter alguma implementação de IA, acima da média global de 74%, e que 39% dessas reversões aconteceram por vazamento de dado ou informação pessoal.
Para uma empresa de médio porte, o recado não é “espere para adotar agentes de IA”. É que a decisão de colocar um agente em produção e a decisão de quem responde se ele errar precisam nascer juntas — não a segunda como reação à primeira depois de um incidente. Empresa que trata isso como duas decisões separadas é exatamente o perfil que vira estatística de reversão.
Principais aprendizados
- O Brasil lidera adoção de agentes de IA em produção (76%, acima dos EUA e da média global), mas também lidera a taxa de reversão de projetos (80% contra 74% global) — velocidade sem controle vira retrabalho, não vantagem.
- Vazamento de dado ou informação pessoal responde por 39% das reversões no Brasil — a causa mais citada, à frente de custo ou baixa performance do modelo.
- Governança de agente de IA não é o mesmo problema que governança de IA generativa de uso individual: um agente age em nome da empresa, com acesso a sistema e dado, sem revisão humana em cada passo.
- A decisão que evita reversão é definida antes do agente entrar em produção: qual dado ele acessa, qual ação ele pode tomar sozinho e quem é o responsável nomeado se algo sair errado.
- Ampliar investimento em agentes de IA (66% das empresas brasileiras planejam isso) sem fechar essa decisão primeiro é ampliar também a superfície de risco, na mesma proporção.
Por que o Brasil lidera tanto a adoção quanto a reversão de agentes de IA?
Porque as duas métricas vêm do mesmo comportamento: empresas brasileiras colocam agentes em produção mais rápido do que constroem a estrutura de controle ao redor deles. Não é uma questão de o modelo de IA brasileiro ser pior — é uma questão de sequência. Quando a pressão comercial ou a pressão de concorrência empurra um agente para produção antes de haver clareza sobre qual dado ele pode tocar e qual ação pode executar sem supervisão, o projeto entra no ar funcionando, mas sem o que a Sinch mede como “maturidade de governança”. O erro aparece depois — em geral como incidente, não como planejamento.
Isso não é motivo para desacelerar a adoção. É motivo para inverter a ordem: definir o perímetro de dado, ferramenta e permissão antes de o agente ganhar acesso a produção, não depois que ele já causou um problema. Essa é a diferença entre uma empresa que aparece nos 76% de adoção e não aparece nos 80% de reversão.
Quais controles evitam que um agente de IA vaze dado sensível?
Três controles concentram a maior parte do risco, nessa ordem de prioridade. Primeiro, mapear exatamente quais bases de dado cada agente pode consultar — não “acesso geral ao CRM”, mas os campos específicos necessários para a tarefa dele, com mascaramento ou anonimização para o que não precisa aparecer em texto claro. Segundo, definir qual ação o agente pode executar sozinho e qual exige confirmação humana antes de se efetivar — enviar uma mensagem para um cliente é diferente de aprovar uma linha de crédito. Terceiro, manter um registro auditável de cada decisão do agente, para que um erro seja identificado por revisão de log, não por reclamação de cliente ou notificação de vazamento.
Nenhum desses três controles depende de contratar uma nova ferramenta de segurança. Depende de a empresa decidir, por escrito, as respostas antes de o agente ir ao ar — e de alguém nomeado ser dono dessa decisão, não um comitê difuso.
Como uma empresa de médio porte estrutura essa governança sem travar a velocidade de adoção?
A resposta prática não é criar uma área de compliance de IA do zero — a maioria das empresas médias não tem orçamento nem prazo para isso. É a TI definir o perímetro de governança uma única vez (quais ferramentas de IA já estão aprovadas, quais dados são sensíveis, quais permissões existem) e o próprio time de negócio construir os agentes e automações dentro desse perímetro, sem depender de aprovação individual de cada caso de uso. Essa inversão — TI define a régua, negócio constrói dentro dela — é o que permite manter a velocidade de adoção sem repetir o padrão de reversão.
Um programa de capacitação em IA aplicado a uma operação de serviços financeiros de médio porte ilustra esse caminho. Ali, automações de crédito, documentação e controles de risco foram construídas pelo próprio time de negócio, dentro de um perímetro de dado e ferramenta definido previamente pela TI. O resultado observado: mais escala sem aumento proporcional de equipe, redução de consultas de crédito desnecessárias e monitoramento contínuo de indicadores de prazo regulatório — com 106 avaliações do programa, predominância de nota máxima. Como em qualquer iniciativa dessa natureza, os resultados refletem o contexto, a maturidade e os processos daquela organização específica; não constituem promessa de resultado equivalente em outro ambiente.
Perguntas frequentes
O que mais causa a reversão de projetos de IA no Brasil?
Vazamento de dado ou informação pessoal é a causa mais citada, respondendo por 39% das reversões registradas por empresas brasileiras, segundo a pesquisa “The AI Production Paradox” da Sinch (2026). Isso costuma acontecer quando um agente recebe acesso amplo a uma base de dado antes de haver mascaramento, escopo definido ou revisão sobre qual informação ele pode expor em uma resposta.
Todo agente de IA em produção precisa de aprovação prévia da TI?
Não em cada caso individual — isso travaria a adoção. O modelo mais eficaz é a TI aprovar o perímetro uma única vez (ferramentas, dados sensíveis, permissões) e o time de negócio construir dentro dele sem pedir autorização a cada novo agente. A aprovação pontual só volta a ser necessária quando o agente precisa sair desse perímetro já definido.
Como saber se minha empresa está pronta para colocar mais agentes de IA em produção?
Ela está pronta quando consegue responder, para cada agente já em produção, quem é o responsável nomeado, qual dado ele acessa e qual ação ele pode tomar sem supervisão humana. Se essas três respostas não existem por escrito, ampliar o número de agentes antes de defini-las tende a ampliar também a chance de reversão, não só o resultado esperado.
Reduzir o uso de agentes de IA é a forma mais segura de evitar vazamento de dado?
Não necessariamente — o problema raramente é o volume de agentes, é a ausência de perímetro definido antes de colocá-los em produção. Uma empresa com poucos agentes e nenhum controle de dado corre risco parecido ao de uma empresa com muitos agentes bem delimitados. O critério que reduz risco de verdade é escopo e responsabilidade definidos, não quantidade.
