O mito da adoção de IA: por que 88% das empresas usam e só 6% ganham dinheiro com isso

Sua empresa comprou licenças de IA, o dashboard mostra 90% de “adoção”, e mesmo assim ninguém está entregando mais rápido. Se você já viu essa cena, não é coincidência — é o padrão.

Em agosto de 2026, vas (@vasuman), CEO da Varick Agents — uma consultoria que implementa agentes de IA nas maiores empresas do mundo — publicou no X uma tese chamada “AI Adoption is a Myth” que acumulou quase 500 mil visualizações em poucas horas. É um dos textos mais honestos que li sobre o que realmente acontece quando você joga IA dentro de uma empresa grande.

Achei tão relevante para quem hoje decide sobre rollout de IA no Brasil — CEOs, diretores de RH, líderes de L&D e times de transformação — que resolvi comentar aqui, adicionando o que vejo em campo nas empresas que atendo com palestras e treinamentos.

O dado que ninguém quer olhar de perto

Duas pesquisas colocam o problema em números:

• McKinsey (2025): 88% das organizações já usam IA em pelo menos uma função de negócio. Só 6% relatam mais de 5% do EBIT vindo de IA.
• MIT NANDA (GenAI Divide Report): de todos os pilotos integrados, 5% extraem milhões em valor. Os outros 95% não mostram impacto mensurável no P&L.

Ou seja: quase todo mundo “adotou”. Quase ninguém está ganhando dinheiro com isso.

Se você é executivo e olha só o número de adoção, está sendo enganado por uma métrica que só sabe responder sim ou não para “essa pessoa fez login este mês?”. É um sinal binário sobre um fenômeno que é um espectro.

O padrão do barbell: 5 / 20 / 70

O vas descreve o que ele viu em todas as empresas, de 50 a 5 mil funcionários — sempre o mesmo formato:

• 5 a 10% viram power users. Usam IA todo dia, criam skills reutilizáveis, conectam a ferramenta ao Outlook, ao ERP, ao CRM. São os evangelistas — os mesmos que empurraram o projeto lá atrás.
• 20% usam pouco e mal. Colam um e-mail para reformatar, pedem um resumo, aceitam o que sai. Tiram uma fração do valor.
• 70% simplesmente não usam. O login existe. A licença foi paga. E a ferramenta fica lá.

Esse é o “barbell”: os dois extremos existem, o meio é oco. O dashboard mostra adoção. A operação não anda mais rápido. Ambas as coisas são verdadeiras ao mesmo tempo.

Vejo exatamente isso nos treinamentos que faço aqui no Brasil. A diferença entre a pessoa que decide “isso muda meu trabalho” e a que decide “isso não é comigo” aparece nos primeiros 15 minutos da sessão. E ela raramente muda depois.

O paradoxo financeiro que vai bater no seu board

Outra observação do texto que vale ouro:

Em uma empresa com compromisso de 8 dígitos em licenças de IA no ano, 10% das pessoas consomem 90% dos tokens.

Parece um problema de subutilização. Mas faz a conta ao contrário: se os outros 90% começassem a usar como o top decil, o custo sobe cerca de 10x. Uma conta de US$ 10 milhões vira US$ 100 milhões. E o “melhor cenário” da sua adoção passa a ser o pior cenário do seu financeiro.

Esse é o desconforto que ninguém coloca no slide do comitê: a suposta meta de “todo mundo usando” é economicamente inviável na configuração atual das ferramentas.

Usar e usar bem são habilidades diferentes

O vas dá um exemplo que qualquer líder técnico vai reconhecer.

Dois engenheiros recebem o mesmo ticket do Jira.

O primeiro cola o texto no Claude, aceita o que sai, vê que os testes passaram, faz merge. Três semanas depois, alguém descobre que aquele PR mudou um valor de configuração sem motivo, e a produção começa a falhar.

O segundo cola o mesmo texto, mas antes indica exatamente em qual pasta o código vive, o que pode e o que não pode ser tocado, tem um arquivo de skill garantindo que todo PR gerado seja mínimo e testado, lê o diff linha por linha, corrige um efeito colateral e faz merge de um PR com metade do tamanho do primeiro.

Mesma ferramenta. Mesma cadeira. Resultado oposto.

E aqui está a parte incômoda: pelo menos metade da sua organização nunca vai chegar à segunda versão. Não por falta de acesso. Por falta de repertório, de curiosidade acumulada, de tempo, de contexto.

Por que treinar prompt não resolve o problema

Vejo empresas contratando treinamento de prompt como se fosse a resposta. É 10% do jogo.

Os outros 90% são coisas que treinamento genérico não entrega:

• Saber quais fluxos nunca deveriam encostar em um modelo de linguagem (regras determinísticas, cálculos financeiros, compliance).
• Saber quais fluxos deveriam ser 100% automatizados por agentes em background, sem depender de humano prompt.
• Saber ler um diff, uma resposta, um output — e ter critério para rejeitar quando está errado.
• Saber quando limpar contexto, quando começar do zero, quando transformar um prompt repetido em um artefato reutilizável.

Nada disso é ensinável em um workshop de 4 horas sobre “como escrever bons prompts”. É uma cultura, e a cultura leva meses. Foi por isso que escrevi que sua empresa não precisa de mais tecnologia, e sim de letramento em IA.

A saída em duas trilhas

O vas propõe uma solução prática que faz sentido do ponto de vista de rollout empresarial. Concordo com ela e complemento:

Trilha 1 — Para os 5-10% power users:
Dê a essas pessoas um lugar para publicar o que constroem. Uma biblioteca interna de skills, prompts e agentes, com ranking e reconhecimento. A moeda aqui é status, não bônus. Power user troca vantagem individual por reputação — se o incentivo estiver certo.

Trilha 2 — Para os outros 90%:
Pare de esperar que essas pessoas mudem como trabalham. A IA precisa entrar em background, dentro dos sistemas que elas já usam todo dia — Salesforce, NetSuite, TOTVS, Protheus, Dynamics, o que for.

O exemplo que ele dá é claro: em vez de treinar 40 analistas de contas a pagar para “prompter melhor”, você constrói um agente que processa as notas fiscais todo dia e transforma essas 40 pessoas em aprovadores/revisores. O trabalho é feito. O trabalhador não precisou virar prompt engineer.

Uma frase do texto que quero grifar:

As pessoas não estão no mercado de uma ferramenta que ajuda a fazer o trabalho. Elas querem o trabalho feito.

Isso deveria estar colado na parede de todo comitê de IA no Brasil.

O que reportar para o board (e o que parar de reportar)

O último ponto é uma virada de métrica que resolve muita conversa improdutiva.

Pare de reportar “adoção” — o número que diz se a pessoa logou. Comece a reportar o percentual do trabalho da organização hoje que é:

• Manual (humano faz do começo ao fim)
• Híbrido (humano decide, IA executa; ou IA decide, humano aprova)
• Totalmente automatizado (agente roda sozinho, humano só vê exceção)

Essa é a única conversa que importa. Ela responde à pergunta que o CEO realmente quer responder: onde meu custo marginal está caindo e onde não está.

Meu comentário para o mercado brasileiro

A tese do vas é feita para empresas americanas grandes, com US$ 500 milhões+ de receita. Mas o padrão que ele descreve é, se algo, mais forte no Brasil.

Nas empresas brasileiras que atendo, vejo três agravantes:

1. A cultura de “aula” atrapalha. Treinamento aqui virou entretenimento — a empresa contrata palestra sobre IA, o funcionário assiste, aplaude, e volta para a mesma planilha do jeito antigo. Sem consequência, sem projeto, sem métrica, sem retomada.

2. A liderança não pratica. Nos Estados Unidos, o vas conversa com CEOs que usam IA todos os dias. Aqui, muito CEO ainda pede para a secretária “colocar aquilo lá no ChatGPT”. Se a liderança não pratica, o incentivo para o meio da pirâmide desaparece.

3. Nossos sistemas transacionais são mais fechados. A promessa da trilha 2 — colocar agentes dentro do Salesforce, do NetSuite — encontra atrito real quando o seu sistema é um TOTVS customizado há 15 anos. Isso não invalida a estratégia. Só significa que ela é mais cara e mais lenta aqui.

O ponto que importa é o mesmo dos EUA: rollout de IA sem redesenho de processo é dinheiro jogado fora. E dashboard de adoção é o consolo que a diretoria dá para si mesma quando o resultado não vem.

Conclusão

O mito da adoção acaba no dia em que a empresa para de medir se as pessoas usam IA e começa a medir se o trabalho está sendo feito de forma diferente. É simples. E é o oposto do que a maior parte dos dashboards está mostrando hoje.

Fonte: o post original do vas (@vasuman), CEO da Varick Agents, está no X. Recomendo a leitura completa a qualquer executivo mexendo com IA em empresa grande.

Conheça as palestras do Fernando