Agentes de IA em analytics ainda erram mais da metade dos insights, mostra estudo

Um relatório publicado em 2 de novembro de 2026 pela MIT Technology Review Insights, em parceria com a Snowflake, disponível para download na publicação original, traz um número que deveria estar em toda reunião de orçamento de IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI →: em média, só 48% dos insights gerados por agentes de analytics nas empresas pesquisadas resultam em ação que melhora o negócio. Os outros 52% são ruído caro: tokens consumidos, dashboards gerados, tempo de revisão humana, sem contrapartida em receita, custo evitado ou risco mitigado.

Para quem fundou ou dirige uma empresa que já comprou (ou está cotando) um copiloto de analytics agente, esse número muda a pergunta que importa. Não é mais "o agente funciona?". É "quanto do que ele produz eu realmente uso, e quanto eu pago para descartar?".

De analytics generativo para analytics que age sozinho

O relatório marca uma transição que vem acontecendo desde a onda de IA generativa aplicada a dados: primeiro a IA generativa democratizou o acesso a análise, deixando qualquer pessoa da empresa perguntar algo em linguagem natural e receber um gráfico. A promessa seguinte, a da IA agente, é mais ambiciosa: o sistema não só descreve o que aconteceu, ele prescreve o que fazer e, em muitos desenhos, executa a ação.

É exatamente nessa segunda camada, a prescritiva, que a qualidade cai. O próprio estudo registra que a maioria dos executivos entrevistados elogia os insights descritivos dos seus agentes (o que houve), mas a avaliação da camada prescritiva (o que fazer a respeito) é "decididamente mista". Para o founder, isso importa porque é exatamente a camada prescritiva que justifica o preço mais alto do produto agente: se ela não entrega, o ROI prometido no contrato não se realiza.

O salto de um ano, e a distância que ainda falta

O quadro não é estático. Os 48% de hoje são uma alta relevante frente aos 37% que as mesmas organizações reportavam há um ano, segundo o levantamento. Isso sugere maturação real, não estagnação. Mas a métrica que separa quem está lucrando com agentic analytics de quem só está gastando com ele é outra: a distância entre a média do mercado e um pequeno grupo que o relatório chama de "insight leaders".

A diferença entre 48% e mais de 70% não é incremento de modelo. Segundo o próprio relatório, ela nasce de decisões de arquitetura e governança que uma empresa toma antes de o agente rodar, não de um upgrade de LLM.

Por que o agente erra: falta contexto, não falta inteligência

Quando os insights saem ruins, a causa apontada por 55% dos executivos pesquisados não é limitação do modelo de IA: é falta de contexto de negócio. O agente sabe calcular, mas não sabe o que, na cultura daquela empresa, conta como um problema relevante ou uma oportunidade que vale perseguir. Em seguida vem a fragmentação de dados, citada por 45%: o agente simplesmente não enxerga todo o sistema que precisaria para formar um julgamento confiável.

Para quem está no board aprovando orçamento de dado e IA, esse par de causas (55% contexto, 45% fragmentação) é um recado direto: a conta de agentic analytics não termina na licença da plataforma. Ela inclui o trabalho, caro e nada automatizável por IA, de organizar a semântica do negócio (o que significa "cliente ativo", "churn", "margem saudável" para aquela empresa específica) e de unificar as fontes de dados que hoje vivem espalhadas.

Excesso de insight também é um custo

Há um segundo problema, menos óbvio que o da qualidade: o volume. Em 52% das organizações pesquisadas, os agentes geram insights demais para serem avaliados, e menos de um quarto (24%) consegue sequer avaliar todos os insights produzidos. A avaliação, quando acontece, é em grande parte manual, caso a caso.

Em resumo: se o agente produz mais do que a empresa consegue julgar, o excedente não é benefício, é passivo. Cada insight não avaliado é um ciclo de compute pago e não convertido, e pior: é um insight que, se fosse prescritivo e ruim, poderia ter disparado uma ação errada sem ninguém perceber a tempo. O relatório é explícito sobre esse risco: insight equivocado que vira ação automática pode causar dano financeiro ou reputacional, não só desperdício.

O que as empresas estão priorizando para destravar isso

As organizações pesquisadas não estão esperando o próximo modelo resolver o problema. Elas estão investindo em dois pilares concretos:

• Governança de IA e de dados, citada por 60% como prioridade: regras sobre quem aprova o que um agente pode decidir sozinho, auditoria de decisão, e critérios claros de quando a ação exige revisão humana antes de sair do papel.
• Camada semântica no dado, citada por 45%: uma estrutura que traduz as tabelas e métricas brutas em definições de negócio consistentes, para que o agente "entenda" a empresa, não só o schema.

O próprio relatório relata que os especialistas entrevistados convergem num ponto: a camada semântica é condição, não opcional, para agentes de alto desempenho. Isso é coerente com o padrão que o mercado de dados vem seguindo nos últimos anos, em que fornecedores de nuvem de dados (a Snowflake entre eles, patrocinadora deste próprio estudo) vêm empacotando camadas semânticas como parte da oferta de IA agente.

A pergunta que cabe ao CTO, e o filtro que cabe ao founder

Para quem aprova o investimento, o número de 48% funciona como linha de base de negociação com qualquer fornecedor de agentic analytics: se a proposta comercial não vem com um plano explícito de governança e de modelagem semântica, o contrato está vendendo só a parte fácil do produto. A pergunta certa para o CTO não é "o agente funciona?", é "quem definiu, nesta empresa, o que conta como insight relevante, e quem audita a ação antes dela sair do papel?".

Vale uma ressalva de leitura: o estudo é conteúdo produzido pelo braço de conteúdo patrocinado da MIT Technology Review (a Insights), em parceria comercial com a Snowflake, fornecedora de nuvem de dados com interesse direto em vender camada semântica e governança.

Os números agregados (48%, 37%, 55%, 45%, 52%, 24%, 60%) são úteis como termômetro de mercado, mas o relatório não nomeia as empresas pesquisadas nem detalha a metodologia da amostra, o que limita o quanto dá para extrapolar para o caso específico de uma operação brasileira de menor porte. Isto é benchmark de mercado, não auditoria independente, e deve ser tratado como tal na hora de embasar uma decisão de board.

Fonte: MIT Technology Review