IA nas empresas: o que funciona e o que quebra, setor por setor (com dados e fontes)

Empresas adotam IA em massa, mas quase nenhuma transforma isso em lucro. Em 2025, 88% das organizações já usavam IA em pelo menos uma função, contra 78% no ano anterior. Ainda assim, apenas cerca de 6% capturavam valor financeiro relevante, segundo a McKinsey. Um levantamento do MIT foi mais direto: por volta de 95% dos pilotos de IA generativa não geraram impacto mensurável no resultado.

A diferença entre quem colhe e quem só gasta quase nunca está no modelo de IA. Está no método de implementação. Este texto reúne o que funcionou e o que quebrou em cinco setores, sempre com número e fonte, e mostra o padrão por trás dos dois lados.

O paradoxo: todo mundo adota, quase ninguém colhe

A adoção virou quase universal, mas o retorno continua raro. Na pesquisa da McKinsey (1.993 respondentes, 105 países), 39% das empresas relatam algum impacto no EBIT vindo de IA, e a maioria delas diz que é menos de 5% do EBIT. O grupo que realmente extrai valor significativo é de cerca de 6%.

O MIT nomeou isso de "GenAI Divide". A causa apontada não é tecnológica, é organizacional: a incapacidade de integrar a IA aos fluxos de trabalho, à estrutura e à cultura da empresa. No mesmo estudo, ferramentas compradas de fornecedores especializados tiveram cerca de 67% de sucesso, contra um terço disso nos projetos construídos internamente sem método.

Setor por setor: ganhos e fracassos comprovados

A tabela abaixo resume os dois lados de cada setor. Na sequência, o detalhe e a lição de cada um.

Setor	Onde funcionou (com fonte)	Onde quebrou (com fonte)
Financeiro	IA generativa pode somar US$ 200–340 bi/ano à banca, ~9–15% do lucro operacional (McKinsey). Klarna: 2/3 do atendimento e ~US$ 40 mi de impacto.	A própria Klarna recuou em 2025 e voltou a contratar humanos para o suporte premium.
Saúde	1.451 dispositivos com IA aprovados pela FDA até 2025. Escrita clínica com IA poupou ~15.791 h de documentação na Kaiser Permanente.	IBM Watson/MD Anderson: US$ 62 mi e recomendações "inseguras e incorretas". Epic Sepsis Model deixou de identificar 2/3 dos casos (JAMA).
Varejo e atendimento	Klarna resolveu tickets em ~2 min contra 11 min antes e cortou 25% dos recontatos.	Air Canada foi responsabilizada em tribunal (2024) por informação errada dada pelo próprio chatbot.
Indústria	Fábricas do WEF Lighthouse: +40% de produtividade, −41% de defeitos, −44% de tempo de ciclo.	Tesla: Musk admitiu que "a automação excessiva foi um erro" na produção do Model 3.
Jurídico e software	Revisão de contrato com 94% de acurácia contra 85% de advogados. GitHub Copilot: +55% de velocidade em tarefa controlada.	Devs experientes ficaram 19% mais lentos com IA (METR). Ferramentas jurídicas alucinam de 17% a 34% (Stanford). Multa por casos falsos em Mata v. Avianca.

Financeiro: ganho de escala, mas com humano no loop

A McKinsey estima que a IA generativa pode adicionar de US$ 200 a 340 bilhões por ano ao setor bancário, principalmente por produtividade. O caso mais citado é a Klarna: seu assistente teve 2,3 milhões de conversas no primeiro mês, respondeu por dois terços do atendimento e representou cerca de US$ 40 milhões de impacto em lucro em 2024.

O contraponto veio da mesma Klarna. Em 2025, o CEO admitiu ter cortado fundo demais em pessoas e reabriu vagas para suporte premium. A lição não é "IA não serve para atendimento". É que qualidade exige humano no loop para os casos sensíveis. Automatize o volume repetitivo, mantenha gente onde a decisão importa.

Saúde: o diagnóstico avança, a decisão clínica exige cautela

Até 2025, a FDA já havia autorizado 1.451 dispositivos médicos habilitados por IA, com 295 só em 2025, boa parte em imagem e cardiologia. Na frente administrativa, a escrita clínica com IA (ambient scribe) poupou cerca de 15.791 horas de documentação em 2,5 milhões de consultas na Kaiser Permanente, com queda relevante de burnout.

O outro lado é sério. O IBM Watson for Oncology no MD Anderson consumiu cerca de US$ 62 milhões e foi encerrado após dar recomendações classificadas como "inseguras e incorretas". O Epic Sepsis Model, amplamente implantado, deixou de identificar dois terços dos casos de sepse em validação externa publicada no JAMA. Em saúde, IA de apoio é uma coisa; IA que decide sem supervisão é outra.

Varejo e atendimento: automatize o volume, não a responsabilidade

No atendimento, os ganhos de velocidade são reais: a Klarna reduziu o tempo de resolução de 11 para cerca de 2 minutos e cortou um quarto dos recontatos. Mas o risco jurídico é concreto. Em 2024, um tribunal no Canadá responsabilizou a Air Canada por uma informação errada que o chatbot deu a um cliente. A empresa argumentou que o bot seria uma "entidade separada"; o tribunal rejeitou. A empresa responde por tudo que o bot diz.

Indústria: a IA é tão boa quanto os dados e o legado por baixo

As fábricas de referência da Global Lighthouse Network, do Fórum Econômico Mundial, mostram os melhores números do lado positivo: em média +40% de produtividade de mão de obra, −41% de defeitos e −44% de tempo de ciclo na última leva. O contraponto clássico é a Tesla, cujo próprio Musk admitiu que a automação excessiva do Model 3 foi um erro, porque robôs falhavam em tarefas de destreza fina.

A lição da indústria é a mais transferível de todas: o gargalo raramente é o algoritmo. É a qualidade dos dados e a integração com os sistemas legados por baixo. É exatamente por isso que, antes de qualquer projeto de IA, vale um diagnóstico do que já existe.

Jurídico e software: acelera, mas não dispensa verificação

Do lado dos ganhos, uma revisão controlada de NDAs mostrou IA com 94% de acurácia contra 85% de advogados experientes, e em segundos. Em desenvolvimento, um estudo do GitHub apontou 55% mais velocidade com o Copilot em uma tarefa específica.

Só que o contexto muda tudo. Um experimento da METR em 2025 mediu devs experientes trabalhando em bases que dominavam e encontrou 19% de lentidão com IA, ainda que os próprios devs achassem que tinham acelerado. Ferramentas jurídicas dedicadas alucinam de 17% a 34% das consultas, segundo Stanford. E o caso Mata v. Avianca terminou com advogados multados por citar processos falsos inventados pelo ChatGPT. A regra prática: toda saída de IA é rascunho até ser verificada.

O padrão: o que separa os 6% que colhem valor

Repare que nenhum dos fracassos acima foi causado por "IA ruim". Watson, Epic Sepsis, Air Canada, Tesla e Mata v. Avianca são falhas de implementação e governança, não de modelo. O que os 6% que capturam valor fazem diferente cabe em cinco pontos:

Começam pelo processo com ROI claro, não pela ferramenta da moda.
Tratam dados e sistemas legados antes de plugar IA em cima.
Mantêm humano no loop nas decisões que importam.
Exigem verificação de toda saída sensível: citação, número, código.
Medem impacto no resultado, não só volume de uso.

Onde a Reche entra

É essa a diferença que a Reche opera. O RecheOS entrega IA com método: quality gates, humano no loop e dados tratados, em vez de "comprar ferramenta e torcer". Se a sua empresa quer adotar IA mas não sabe por onde começar, o diagnóstico de ROI define escopo e prioridade antes de gastar. Se o gargalo é um sistema antigo, o diagnóstico de código legado ataca a causa que derruba a maioria dos projetos.