Resposta direta: na maioria dos casos, não. Um estudo da Sinch divulgado neste mês (“The AI Production Paradox”) mostra que 80% das empresas brasileiras já interromperam ou reverteram alguma implementação de inteligência artificial — acima da média global, de 74%. Em quase 4 a cada 10 desses casos de reversão no Brasil, o motivo declarado foi vazamento de dados ou exposição de informação pessoal, uma proporção bem maior que a registrada nos Estados Unidos ou no Canadá.
O dado mais contraintuitivo do mesmo estudo é que a reversão não freou o apetite: 66% das empresas brasileiras pretendem aumentar o investimento em IA em mais de 25% nos próximos ciclos. Ou seja, a empresa média não está desistindo de IA — está acelerando de novo, sem necessariamente ter corrigido o que causou o recuo anterior. Esse é o padrão que mais aparece quando a gente entra em projetos de diagnóstico: a decisão de reverter raramente é sobre a tecnologia em si. É sobre governança de dados que não foi tratada como parte do projeto desde o primeiro dia.
Principais aprendizados
- 80% das empresas brasileiras já interromperam ou reverteram uma implementação de IA — acima da média global de 74%.
- Em cerca de 39% dos casos de reversão no Brasil, o motivo foi vazamento de dados ou exposição de informação pessoal, contra 24% nos Estados Unidos e 16% no Canadá.
- Mesmo com essa taxa de reversão, 66% das empresas brasileiras pretendem aumentar o investimento em IA em mais de 25%.
- Não existe Marco Legal da IA aprovado no Brasil — a votação na Câmara só está prevista para dezembro de 2026 — mas a ANPD já atua na prática como autoridade reguladora residual, via sandbox regulatório de IA.
- Reversão de projeto de IA quase nunca é falha da tecnologia; no padrão observado, é falha de um perímetro de governança que devia ter sido definido antes do piloto virar escala.
Por que o Brasil reverte mais projetos de IA do que a média global?
Porque a velocidade de adoção não veio acompanhada, na mesma proporção, de maturidade de dados. O mesmo levantamento que mostra o Brasil revertendo mais também mostra o país à frente de mercados como Estados Unidos na proporção de agentes de IA já em produção — o país que mais acelera é, ao mesmo tempo, o que mais recua. Não é coincidência: colocar um agente para operar sobre dados de cliente, crédito ou saúde sem antes mapear quem tem acesso a quê, qual dado pode alimentar qual modelo e qual é a base legal para isso é decisão que cobra a conta depois, geralmente no pior momento — quando o incidente já aconteceu e o projeto vira notícia interna, não só técnica.
O erro mais comum que vemos em diagnóstico não é a empresa ignorar governança. É tratá-la como etapa posterior — “primeiro colocamos para funcionar, depois formalizamos o processo”. Nessa ordem, o projeto já está rodando com dado sensível exposto antes de qualquer controle existir. A sequência que reduz risco de reversão é a inversa: mapear o perímetro de dados e ferramentas autorizadas antes de qualquer construção, não depois.
Dá para esperar o Marco Legal da IA para organizar a governança?
Não. O PL 2.338/2023 já foi aprovado no Senado e está em comissão especial na Câmara desde 2025, mas fontes parlamentares apontam votação só prevista para dezembro de 2026 — e mesmo essa data pode se mover, dado o histórico de impasses sobre pontos sensíveis do texto. Enquanto isso, a Autoridade Nacional de Proteção de Dados (ANPD) não ficou parada: foi formalizada como coordenadora do futuro Sistema Nacional de IA por projeto complementar do Executivo e já publica relatórios de monitoramento do seu próprio sandbox regulatório, onde empresas selecionadas testam soluções de IA sob supervisão direta do órgão.
Na prática, isso significa que compliance de dados aplicado a IA já é exigível hoje, com base na LGPD vigente, independentemente de o Marco Legal específico existir ou não — vale revisar o checklist do que avaliar em dado, fornecedor e base legal antes de contratar um modelo de IA. Empresa que está esperando a lei sair para se organizar não está evitando trabalho — está adiando um trabalho que a ANPD já pode cobrar por outra via, e que continua sendo pré-requisito técnico para não entrar na estatística dos 39% de reversão por vazamento de dado.
Como decidir se um piloto de IA está pronto para escalar sem virar estatística de reversão?
O critério não é “o piloto funcionou tecnicamente” — é se o perímetro de dados e ferramentas que sustentou o piloto foi formalizado antes de qualquer decisão de escala. É essa a lógica por trás do primeiro passo da metodologia que a HAIA usa em programas de capacitação de times de negócio: antes de qualquer construção de agente ou automação, mapear quais ferramentas já são autorizadas pela TI da empresa, quais regras de segurança de dados se aplicam e onde estão os limites de LGPD — só depois disso o time de negócio constrói dentro desse perímetro, sem depender de fila de TI para cada iteração.
Em um programa recente conduzido pela HAIA numa operação de serviços financeiros de médio porte, esse diagnóstico de governança foi o passo zero antes de qualquer automação de crédito, documentação ou controle de risco entrar em produção. O resultado foi escala de atendimento sem aumento proporcional de equipe, redução de consultas de crédito desnecessárias e monitoramento contínuo de SLAs regulatórios — com 106 avaliações internas do programa, a maioria com nota máxima. Os resultados refletem o contexto, a maturidade e os processos daquela organização específica e não constituem promessa de resultado equivalente em outro ambiente — mas o padrão replicável não é o número, é a ordem: governança primeiro, automação depois, nunca o contrário.
Isso não significa burocratizar cada iniciativa pequena. Controle excessivo paralisa tanto quanto ausência de controle dispersa — a diferença entre as duas é que governança bem desenhada acelera a captura de valor porque remove a insegurança que hoje faz muita empresa manter IA em uso informal, sem processo formal por trás. Antes de aprovar a próxima fase de um piloto, vale checar três coisas: quem tem acesso ao dado que o agente consome, qual é a base legal documentada para esse uso, e quem, dentro da empresa, é o responsável formal caso algo saia do previsto. Se qualquer uma dessas três respostas não existir, o piloto não está pronto para escala — está pronto para ser a próxima reversão da estatística.
Perguntas frequentes
O que causa mais reversões de projetos de IA no Brasil, segundo o estudo da Sinch?
O motivo mais citado é vazamento de dados ou exposição de informação pessoal, presente em cerca de 39% dos casos de reversão no país. É uma proporção bem maior que a de mercados como Estados Unidos (24%) e Canadá (16%), o que indica que o gargalo brasileiro está mais concentrado em governança de dados do que em limitação técnica do modelo ou da ferramenta usada.
A empresa precisa esperar o Marco Legal da IA ser aprovado para ter governança de dados?
Não. A LGPD já se aplica a qualquer uso de IA que processe dado pessoal, com ou sem lei específica de IA em vigor. Enquanto o PL 2.338/2023 aguarda votação — prevista só para dezembro de 2026 — a ANPD já regula na prática via sandbox regulatório, o que torna compliance de dados uma exigência atual, não uma pendência para o futuro.
Aumentar investimento em IA e reduzir o risco de reversão são objetivos conflitantes?
Não precisam ser. O mesmo estudo mostra 66% das empresas brasileiras planejando aumentar investimento em mais de 25% mesmo após uma reversão. O problema não é investir mais — é investir mais na mesma ordem que gerou a reversão anterior. Definir o perímetro de governança antes de escalar reduz o risco sem exigir que a empresa desacelere a adoção.
Que critério prático usar antes de aprovar a escala de um piloto de IA?
Confirme três respostas antes de escalar: quem tem acesso ao dado que o agente ou automação consome, qual é a base legal documentada para esse uso, e quem é o responsável formal pela solução dentro da empresa. Piloto sem essas três respostas definidas tende a acumular o mesmo risco de governança que já levou 8 em cada 10 empresas brasileiras a reverter algum projeto de IA.
