A inteligência artificial generativa virou prioridade nas empresas, mas transformar experimentação em resultado ainda é raro. Enquanto 65% das companhias já usam IA em alguma função de negócio, apenas 5% conseguem gerar impacto relevante no lucro, segundo levantamento da McKinsey. Outra pesquisa, do MIT (Instituto de Tecnologia de Massachusetts), aponta que até 95% dos pilotos de IA generativa falham.

Os números revelam um paradoxo: embora a adoção avance rapidamente, gerar valor real com IA ainda é um desafio, especialmente quando o tema deixa de ser apenas tecnologia e passa a envolver integração e operação em larga escala.

Para Marcos Bonas, Vice-Presidente de Engenharia, Arquitetura e Vendas da Zup, o problema está na forma como a tecnologia é aplicada. “Num lugar em que a IA é cada vez mais usada e é, por natureza, uma tecnologia não-determinística, precisamos aprender a trabalhar de forma determinística, identificando onde ela realmente entrega valor e onde softwares tradicionais ainda fazem mais sentido”, afirma.

Nos últimos anos, o avanço da IA foi associado ao crescimento dos modelos: mais dados, mais parâmetros e mais poder computacional. No entanto, essa lógica tem limites. Hoje, escalar IA não significa apenas torná-la maior, mas integrá-la de forma eficiente a sistemas, dados e processos corporativos.

Na prática, isso envolve múltiplas dimensões: desde infraestrutura computacional até a capacidade de operar com alta disponibilidade e atender milhões de usuários. Mas o principal desafio está na chamada escala sistêmica, ou seja, quando a IA precisa funcionar dentro de ecossistemas complexos, conectada a APIs, bases de dados e fluxos de trabalho.

“Um erro comum é testar a tecnologia em um piloto isolado e só depois pensar em escala. O ideal é considerar desde o início aspectos como métricas, infraestrutura, governança e impacto no modelo de negócio”, explica Marcelo Maylinch, executivo de tecnologia.

Esse movimento reflete uma mudança importante na forma como a IA evolui dentro das empresas. Além do crescimento dos modelos (Scaling Up), ganham espaço estratégias focadas em eficiência (Scaling Down) e, principalmente, em arquitetura distribuída (Scaling Out) — baseada na orquestração de múltiplos agentes, ferramentas e sistemas.

Nesse contexto, a IA deixa de ser apenas um modelo e passa a operar como um sistema integrado, capaz de executar tarefas, acessar dados corporativos e participar de fluxos operacionais. Isso exige uma nova abordagem: a construção de plataformas corporativas de IA, que organizam modelos, dados, integrações e mecanismos de governança em uma estrutura única.

Outro desafio relevante está na forma como as empresas avaliam o retorno sobre investimento (ROI). Muitas iniciativas ainda são analisadas isoladamente, o que limita a percepção de valor. “Quando tratamos IA como portfólio estratégico, fica mais claro o impacto que ela pode gerar no longo prazo. É uma mudança de mentalidade”, afirma Bonas.

Além dos desafios técnicos, fatores culturais também influenciam. A popularidade do tema pode gerar disputas internas e dificultar a integração entre áreas. “A IA é um tema muito atraente e, às vezes, isso gera mais competição do que colaboração dentro das empresas”, diz o executivo.

Apesar das dificuldades, a tendência é de crescimento acelerado. À medida que evoluem, as aplicações de IA deixam de ser apenas chatbots isolados e passam a integrar processos mais amplos, com agentes capazes de executar tarefas, interagir com sistemas e operar com governança e controle.

Nesse cenário, a escalabilidade da IA passa a depender menos do tamanho dos modelos e mais da capacidade de transformá-los em infraestrutura operacional - conectando tecnologia, dados e decisões dentro das organizações.

“A IA já faz parte do dia a dia das pessoas e não vai desacelerar. O desafio agora é torná-la viável, integrada e estratégica dentro das empresas”, conclui Bonas.