95% dos pilotos de IA não entregam resultado. O caso Klarna mostra por quê, e o método de quatro etapas que separa quem
A ferramenta não resolve o problema que você não formulou
O caso Klarna, os dados do MIT e o que separa as iniciativas de IA que geram resultado das que viram vitrine
Dezoito meses foi o tempo que a Klarna levou para descobrir o que não perguntou antes de começar.
Em fevereiro de 2024, a fintech sueca anunciou, junto com a OpenAI, que seu agente de inteligência artificial já respondia 75% das conversas de atendimento ao cliente, o equivalente ao trabalho de 700 pessoas. A empresa congelou contratações por mais de um ano e pediu ao time que usasse IA para cobrir as saídas naturais.
Em maio de 2025, o próprio CEO admitiu publicamente que foram longe demais. A Klarna voltou a contratar.
O que falhou não foi a tecnologia. O agente funcionava, e muito bem, na média das interações rotineiras. Quebrava exatamente nos 5% de disputas, fraudes e dificuldades financeiras. Onde mora quase todo o risco real de perda de cliente.
Eles otimizaram o ticket médio. Ignoraram o ticket perigoso.
A causa desse erro não estava no modelo de IA escolhido, no orçamento investido ou na competência do time. Estava em uma pergunta que ninguém fez antes de a ferramenta entrar.
O caso que o mercado não esqueceu
A história da Klarna não é sobre inteligência artificial. É sobre a ordem em que as decisões foram tomadas, e sobre como um problema mal formulado destrói até a melhor tecnologia disponível.
A pressão que levou à aposta na IA tinha contexto legítimo: a empresa saía de um período de expansão agressiva e enfrentava um mercado mais difícil em 2022 e 2023. A IA chegou como resposta a uma necessidade real de eficiência operacional. O problema é que "reduzir custo com atendimento" não é um problema. É uma solução disfarçada de objetivo.
Há uma distinção crítica aqui. O problema real seria algo como: por que o volume de atendimento está acima do custo sustentável, e quais interações têm valor diferencial que o cliente reconhece? Essa pergunta leva a um diagnóstico. O objetivo de corte leva a uma métrica de volume, e a Klarna tinha um número impressionante: 75% das conversas resolvidas.
O que a métrica não capturava era a distribuição de risco. Os 5% que restaram eram, em proporção ao custo total, muito mais caros do que os 75% que foram automatizados. Nenhuma análise de uso da ferramenta identificaria isso. Só uma análise do problema real, com quem vive o atendimento, conseguiria.
O CEO Sebastian Siemiatkowski reconheceu: a empresa focou demais em eficiência de custo e de menos em experiência do cliente. O que chamou de "qualidade" no recuo era, na prática, a capacidade humana de ler nuance em situações de crise. A IA não perdeu porque era ruim. Perdeu porque nunca soube qual era, de fato, o problema que precisava resolver.
Não foi a Klarna. É o padrão.
Se fosse um caso isolado, poderia ser descartado como excesso de entusiasmo de uma empresa específica. Os dados dizem outra coisa.
Um estudo do MIT de 2025, o The GenAI Divide, analisou 300 implementações de IA generativa em empresas e chegou a uma conclusão que vai contra o que a maioria intuitivamente acredita: cerca de 95% dos pilotos não geram impacto mensurável no resultado do negócio. A causa principal, segundo o estudo, é organizacional, não tecnológica. O MIT chama de learning gap, a incapacidade de integrar a IA aos fluxos reais de trabalho, à estrutura e à cultura da empresa antes de a ferramenta entrar.
O Gartner projeta que, até 2027, metade das empresas que substituíram atendimento humano por IA precisarão recontratar. Amazon, Ford e Commonwealth Bank estão entre os nomes que recuaram de decisões parecidas, todas guiadas pela ferramenta antes do problema.
O padrão se repete porque o erro se repete. E o erro começa antes do primeiro prompt.
A inversão que quase todo mundo comete
Por que tantas empresas competentes, com lideranças experientes e recursos disponíveis, repetem o mesmo erro?
A resposta está em como o problema costuma ser formulado, ou, mais precisamente, em como a solução costuma ser disfarçada de problema.
"Queremos reduzir o custo com atendimento em 30%" não é um problema. É uma solução com roupagem de objetivo. A Klarna tinha esse objetivo. E escolheu a ferramenta que melhor o servia, não a que melhor servia o cliente. O resultado foi uma iniciativa tecnicamente bem executada que resolveu a coisa errada de forma muito eficiente.
Quando a pressão vem de fora, do board, de um benchmark de mercado, de um concorrente que "já está usando IA", o ponto de partida natural é a ferramenta. A empresa anuncia a iniciativa, e o piloto passa a existir para provar que a compra foi boa, não para descobrir se ela resolve o problema certo.
O critério de sucesso vira uso da ferramenta, não impacto no negócio.
Isso tem nome: IA de vitrine. A que existe para o relatório de inovação, não para o resultado. Ela não falha por ser ruim, falha porque nunca teve um problema real para resolver.
A mudança começa antes da escolha da ferramenta. Começa na pergunta.
A ordem que muda o resultado
Quem tira valor consistente da inteligência artificial segue uma sequência que a maioria inverte. Não é segredo de competência, é questão de método, e a sequência importa mais do que qualquer etapa isolada.
Dor. O ponto de partida é o problema real do negócio, formulado com precisão suficiente para saber quem sofre com ele, quanto custa e o que muda quando for resolvido. Não uma área onde "a IA poderia ajudar". Um problema específico, com dono e com métrica de impacto, distinto de uma meta de corte que já pressupõe a solução.
Desenho. A solução nasce desse problema, não de uma ferramenta que já foi decidida. Design, aqui, é o processo de entender antes de propor: testar hipóteses com quem vive a dor, construir junto em vez de anunciar, iterar antes de implementar em escala. A Klarna teria chegado ao mesmo lugar se tivesse desenhado a solução com os atendentes que lidavam com casos de fraude. Sabia qual era a exceção. Sabia onde a automação quebrava antes de quebrar.
Pessoas. Quem vai usar a solução entra no processo desde o começo, não como destinatário de um treinamento depois da implementação, mas como co-autora da solução. São as pessoas que conhecem as exceções: as situações que os processos documentados não preveem, que os fluxos de atendimento não registram e que a IA não sabe que existem. Ignorar esse conhecimento é programar o fracasso para depois do lançamento.
Ferramenta. Só então a tecnologia é escolhida. Que agora responde a um problema bem definido, com contexto real e com as pessoas certas no processo. A ferramenta certa para o problema certo tem uma probabilidade muito maior de funcionar. A ferramenta certa para o problema errado falha sempre, com performance excelente nos indicadores errados.
O espelho dentro de casa
Antes de olhar para os cases de mercado, há uma questão mais próxima.
Na maioria das empresas, o time já usa inteligência artificial por conta própria. ChatGPT, Copilot, Claude, ferramentas diversas, incorporados no fluxo de trabalho do dia a dia, sem política, sem método e sem que a liderança tenha dito o que espera. É o que se chama de shadow AI: o uso que acontece antes de qualquer decisão formal.
Isso não é necessariamente um problema. É um dado, e um dado valioso. Indica que a adoção orgânica já aconteceu. O risco é quando a liderança decide sobre IA sem saber o que o time já está fazendo. A dor real raramente está onde a decisão de compra foi tomada.
Quando um projeto formal de IA é criado para resolver um problema que o time já contornou com outra ferramenta, o projeto nasce sem relevância percebida, e morre sem ser adotado. É o piloto eterno: a iniciativa que fica em prova de conceito indefinidamente porque nunca resolveu o problema que as pessoas reconheciam como seu.
O diagnóstico começa por entender esse mapa: onde o uso já acontece, onde falta base, onde a visão do topo não chegou à operação. Sem esse mapa, qualquer iniciativa formal de IA carrega um risco invisível, o de resolver muito bem o problema errado.
A inteligência artificial não é mais uma questão de tecnologia. É uma questão de método.
Não falta ferramenta. Não falta budget. Não falta disposição para inovar. O que falta, em 95% dos casos segundo o MIT, é a pergunta que precede qualquer prompt: qual é o problema real, para quem ele importa e o que muda quando for resolvido?
A Klarna é o espelho mais visível desse padrão. Mas ela é uma em centenas, e a pergunta que ela não fez antes de começar provavelmente ainda está esperando resposta dentro de muitas organizações.
Existe a empresa que usa IA para resolver o que importa. E existe a empresa que usa IA para parecer que resolve o que importa. A ferramenta é a mesma nos dois casos. O ponto de partida é diferente.
E esse ponto de partida é o único que a ferramenta não escolhe por você.
No dia 25 de agosto, das 10h30 ao 12h, a Decoding abre essa conversa ao vivo, com Karen Cartagena, Fred Parreira, que comprovou o método em mais de 100 empresas, e com um líder que viveu uma implementação de IA por dentro e topa falar do que não saiu como esperava. Webinar gratuito.
