O dilema de engenharia da infraestrutura digital: percepções globais sobre falhas em projetos de IA a partir do relatório da RAND

O dilema de engenharia da infraestrutura digital: por que os projetos de IA falham em grande escala?

Uma aventura global de capital

Quando o capital global investe pesadamente no campo da inteligência artificial, um estudo sóbrio soa o alarme em meio ao frenesi. O relatório publicado pela RAND em agosto de 2024 aponta que mais de 80% dos projetos de IA não atingem as expectativas — uma taxa de fracasso duas vezes maior que a de projetos tradicionais de TI sem IA. Isso significa que a construção de IA não é uma simples atualização tecnológica, mas um tipo de engenharia de infraestrutura com complexidade muito maior.

O relatório baseia-se em entrevistas aprofundadas com 65 cientistas de dados e engenheiros de aprendizado de máquina seniores. Os entrevistados vêm de empresas e instituições de diferentes portes, com experiência média superior a cinco anos. O consenso deles é: o fracasso dos projetos de IA não se origina de algoritmos insuficientemente avançados, mas sim do fato de todo o processo de construção violar princípios básicos da engenharia de infraestrutura.

Dados, algoritmos e implantação: os três pilares da infraestrutura digital

Qualquer infraestrutura, seja uma rede de transportes, uma rede de energia ou um data center, exige que as três fases — planejamento, construção e operação — estejam estreitamente conectadas. O mesmo vale para sistemas de IA: os dados são a matéria-prima, os algoritmos são o equipamento central e o ambiente de implantação é o local de operação. A desconexão em qualquer um desses elos pode levar a um colapso sistêmico.

A pesquisa da RAND identificou cinco "antipadrões" recorrentes, que correspondem exatamente a cinco tipos de defeitos estruturais em projetos de engenharia. Ao colocá-los no quadro analítico de infraestrutura, podemos ver que seu poder de destruição vai muito além de falhas técnicas comuns.

Primeiro: desvio na definição do problema — erro de escolha de local e má avaliação de demanda

Na engenharia de infraestrutura física, erros na escolha do local ou má avaliação da demanda costumam fazer com que o projeto, depois de concluído, não consiga cumprir sua função. As equipes de IA frequentemente recebem instruções de negócios vagas, como "precisamos prever vendas" ou "tornar os processos inteligentes". Mas, sem uma definição rigorosa do cenário-alvo, o modelo otimiza as métricas erradas, e os resultados entregues não conseguem se adaptar ao fluxo de trabalho real. O relatório mostra que essa é a causa de fracasso mais comum na opinião dos entrevistados. No âmbito da infraestrutura, isso equivale a construir um aeroporto de cargas em uma área residencial: por mais alta que seja a qualidade da construção, ele não poderá ser usado.

Segundo: insuficiência de ativos de dados — ruptura na cadeia de suprimentos

A infraestrutura requer fornecimento confiável de materiais; a IA requer dados de treinamento de alta qualidade. Muitas organizações acham que basta acumular mais dados, mas ignoram questões como qualidade dos dados, precisão das anotações, atualidade e legalidade. Os dados são o "concreto" da IA; matéria-prima de qualidade inferior inevitavelmente gera modelos frágeis. O relatório aponta que possuir muitos dados não equivale a ter ativos de dados utilizáveis; um pipeline de dados incompleto é mais letal do que algoritmos defasados.

Terceiro: supremacia da tecnologia — culto aos equipamentos No campo da engenharia, é comum o fenômeno do “culto à tecnologia”, por exemplo, novos materiais de construção e sistemas inteligentes são adotados cegamente, sem questionar se são adequados à geologia e ao clima locais. As equipes de IA enfrentam a mesma tentação: buscar os grandes modelos de última geração e frameworks de aprendizado profundo, ignorando a solução direcionada para problemas reais. Os entrevistados da RAND observaram que alguns projetos escolhem as tecnologias mais vistosas apenas para mostrar aos superiores que estão “progredindo”, mas acabam não conseguindo entrar em produção. Essa tendência transforma o projeto de solução de problemas em espetáculo tecnológico.

Quarto: ausência de sistemas de suporte — infraestrutura operacional incompatível

Projetos tradicionais de infraestrutura não podem operar sem rede elétrica, estradas e equipes de manutenção. Projetos de IA dependem igualmente de infraestrutura completa de gerenciamento de dados, implantação de modelos, monitoramento e atualização. Muitas organizações investem pesado na fase de desenvolvimento, mas carecem da capacidade de engenharia para integrar modelos aos sistemas de negócios. O relatório aponta que, sem ferramentas e processos de gerenciamento de MLOps adequados, modelos com alta precisão em laboratório degradam rapidamente seu desempenho em ambientes reais, tornando-se até mesmo inutilizáveis.

Quinto: julgamento incorreto da complexidade do problema — iniciar obras em áreas impossíveis de construir

A IA não é onipotente; certas tarefas são inerentemente difíceis de automatizar. O relatório da RAND alerta que, quando a tecnologia é usada para resolver problemas além da capacidade atual da IA, o fracasso é inevitável. É semelhante a forçar a construção de grandes projetos em penhascos íngremes ou faixas de fratura geológica, ignorando os limites físicos e técnicos. Os entrevistados enfatizam que a “inteligência” da IA tem fronteiras, e os gestores devem reconhecer isso, em vez de endeusar a IA como uma ferramenta mágica.

Riscos da IA e alocação de capital sob a perspectiva do financiamento de projetos

Se avaliarmos os projetos de IA como uma classe de ativos de infraestrutura, sua taxa de falha de financiamento chega a 80%, o que seria suficiente para dissuadir qualquer investidor de infraestrutura. Os dados da RAND mostram que, embora 97% dos líderes empresariais sintam a urgência de implantar IA, apenas 14% das organizações estão de fato preparadas. Essa enorme lacuna entre “vontade e capacidade” reflete um descompasso estrutural na alocação de capital: grandes somas são investidas em projetos-piloto insuficientemente comprovados, enquanto o investimento básico para sustentar a operação de longo prazo desses projetos é severamente insuficiente.

No financiamento de infraestrutura, existem conceitos consolidados de “estudo de viabilidade” e “custo do ciclo de vida completo”. Projetos de IA não devem se concentrar apenas no custo inicial de treinar modelos, mas também devem considerar os custos de governança de dados, governança de modelos, aprendizado contínuo e auditoria de conformidade. Os entrevistados do relatório da RAND vêm majoritariamente da camada de execução de engenharia; eles veem grandes orçamentos sendo consumidos no ajuste de parâmetros de modelos, enquanto os pipelines de dados mais básicos e a integração de sistemas permanecem sem financiamento. Esse descompasso impede que os projetos atravessem o “vale da morte”, passando do protótipo de modelo para a implantação em escala.

Infraestrutura digital na competição estratégicaO relatório menciona especificamente que o Departamento de Defesa dos EUA investe US$ 1,8 bilhão por ano em aplicações militares de IA e considera a IA uma tecnologia-chave para futuras guerras. Isso indica que a IA não é apenas competitividade comercial, mas também parte da infraestrutura estratégica nacional. No contexto em que as principais economias do mundo competem para construir centros de computação, plataformas de dados e sistemas de tomada de decisão inteligente, o sucesso ou fracasso dos projetos de IA está diretamente relacionado à competitividade industrial de longo prazo e à segurança nacional. A alta taxa de fracasso consome não apenas capital, mas também janelas de tempo e bases de confiança. Se a taxa de sucesso não for elevada do ponto de vista da engenharia, as estratégias nacionais também enfrentarão o risco de "sistemas que existem apenas no papel".

Do antipadrão ao blueprint de sucesso: construindo uma infraestrutura de IA resiliente

Com base em entrevistas, o relatório da RAND apresenta princípios de sucesso. Para o setor industrial, os líderes devem, em primeiro lugar, definir claramente os limites do problema, evitando licitações do tipo "caixa-preta"; em segundo lugar, cultivar a consciência de dados dentro da organização e estabelecer verdadeiros ativos de dados; em terceiro lugar, escolher rotas tecnológicas maduras, estáveis e de fácil manutenção, em vez de perseguir tendências; em quarto lugar, investir em infraestrutura de MLOps, para que os modelos possam ser continuamente implantados e monitorados; e, por fim, manter expectativas realistas sobre os limites das capacidades da IA.

Para a academia, o relatório recomenda que os projetos de pesquisa se concentrem mais em soluções viáveis sob restrições reais e fortaleçam a integração entre a ciência de dados e o conhecimento de domínio. Isso é crucial para a construção da infraestrutura de IA, porque avanços teóricos devem ser transformados em resultados de engenharia entregáveis.

Esses princípios não são novos. Como no sucesso de toda grande infraestrutura, eles enfatizam ordem, disciplina e visão de longo prazo. A IA não é mágica, mas uma infraestrutura emergente que exige gestão precisa de engenharia. Quando governos e setor privado competem no domínio digital, é preciso compreender: a verdadeira infraestrutura não apenas deve ser construída, mas também utilizada e mantida.

Conclusão: da alta taxa de fracasso à alta maturidade

A atual alta taxa de fracasso dos projetos de IA não significa que a IA não tem valor, mas sim que essa área está atravessando um período de transição doloroso, de "experimentação tecnológica" para "engenharia confiável". Historicamente, ferrovias, redes elétricas e redes de telecomunicações passaram por fases semelhantes. A construção inicial das ferrovias enfrentou inúmeros erros de planejamento e perdas financeiras, mas foi somente por meio da padronização, de normas de engenharia e da regulação governamental que elas se tornaram as artérias da civilização moderna.

O desenvolvimento da IA hoje segue o mesmo caminho. A pesquisa da RAND oferece uma valiosa lista de reflexão. Para investidores globais em infraestrutura e formuladores de políticas, o importante não é evitar a IA, mas tratar cada projeto de IA com o mesmo rigor dedicado à construção de infraestrutura. Somente considerando dados, algoritmos, poder computacional e processos organizacionais como um sistema integrado, e seguindo o ciclo completo, da definição à operação, será possível transformar o potencial da IA em produtividade duradoura. A próxima era da competição global será definida pelos países e instituições que conseguirem construir com sucesso a infraestrutura digital.