.webp){kind=small}
Por que importa: Os portfólios de IA estão se expandindo muito mais rápido do que a capacidade de governá-los em todas as empresas
Os portfólios de IA estão se expandindo muito mais rápido do que a capacidade de governá-los em todas as empresas. A maioria das organizações opera um conjunto disputado de plataformas, cada uma alegando ser a camada de IA "primária"; poucas conseguem detectar com segurança um modelo com problemas ou falhas em produção; e a barreira mais citada para o controle é a ausência de um único responsável pela IA em toda a pilha.
O resultado é uma lacuna de controle cada vez maior — ambição e gastos superando a visibilidade, a responsabilidade e o controle de custos — com agentes autônomos já produzindo falhas financeiras e operacionais reais. Esta edição da VentureBeat Pulse Research examina a lacuna de controle da IA empresarial: quantas plataformas alegam ser a camada de IA primária, quem de fato governa o comportamento da IA entre elas, se as organizações conseguem detectar um modelo com falhas em produção, o que mais impede a governança entre plataformas e como as falhas de controle financeiro e operacional de agentes autônomos já estão vindo à tona.
A principal conclusão é a existência de uma lacuna de controle — a distância entre a agressividade com que as empresas estão expandindo a IA e o quanto elas conseguem visualizar, controlar ou governar dela. Pouco menos de três quintos (58%) são iniciativas de IA que agregam valor líquido, sendo a “expansão significativa” a postura mais comum.
No entanto, 85% utilizam duas ou mais plataformas, cada uma alegando ser a camada de IA “primária”, e apenas 8% consolidaram em uma única plataforma. Diante desse cenário conturbado, 40% afirmam ter muita confiança de que detectariam um modelo com desvios, comportamento inseguro ou falha em produção — mas apenas 10% respaldam essa confiança com monitoramento e alertas ativos, enquanto o restante se apoia na revisão humana manual.
Os mecanismos para expandir a IA estão muito à frente dos mecanismos para controlá-la. A lacuna reside, sobretudo, na questão da responsabilidade. Apenas um terço (38%) afirma que uma equipe central governa a IA atualmente, e um quinto (20%) diz que cada equipe de plataforma governa a sua própria IA de forma independente; a barreira mais citada para a governança multiplataforma é a ausência de um único responsável (32%), e aproximadamente um em cada seis (17%) afirma que nenhuma função possui responsabilidade formal.
A mesma lacuna se reflete nos gastos: pouco menos da metade (49%) cita a IA paralela — pipelines de agentes não autorizados executados em cartões corporativos fora da supervisão central — como sua falha de controle mais grave, e outros 25% foram atingidos por uma conta exorbitante de agentes em "loop infinito".
As empresas padronizaram a ambição muito antes de padronizarem o controle. Metodologia: A VentureBeat realizou esta pesquisa como parte de sua série contínua Pulse Research. Este instrumento focou na lacuna de controle de IA empresarial — governança, observabilidade e controle de custos em múltiplas plataformas de IA.
As respostas foram filtradas para organizações com 100 ou mais funcionários e, para esta seleção, excluíram os respondentes que selecionaram "Outro" como sua função, resultando em uma base de funções identificáveis (n=145); todas provenientes de uma única onda do segundo trimestre de 2026 (junho).
Por tamanho da organização, a amostra tende para as faixas de mercado médio e pequeno-grande: 100–499 e 500–2. 499 funcionários (23% cada) lideram, com 10. 000–49. 999 (22%) e 2. 500–9. 999 (20%) logo atrás e mais de 50. 000 funcionários com 11%. Por função, predominam cargos de liderança e técnicos: consultores e assessores (20%), CIO/CTO/CISO (18%), diretores de engenharia/TI (14%), gerentes de produto e programa (13%) e arquitetos corporativos (12%) compõem o núcleo.
Tecnologia/Software é o maior setor, com 41%, seguido por Serviços Financeiros e Serviços Profissionais (12% cada) e Saúde/Ciências da Vida e Manufatura/Industrial (10% cada). Os resultados devem ser interpretados como um sinal direcional, e não como uma medida precisa; a amostra é autoselecionada e não probabilística.
Enquanto uma única ação isolada seria frágil, o relatório se concentra na direção e no agrupamento das respostas, em vez da porcentagem exata. Descoberta 1: A expansão está superando o controle. Os portfólios de IA estão crescendo mais rápido do que os meios para governá-los. Pedimos às empresas que descrevessem como seus portfólios de IA mudaram nos últimos 12 meses.
O crescimento lidera — com uma minoria significativa recuando deliberadamente. A expansão lidera. Combinando “expansão significativa” (33%) e “crescimento líquido positivo” (25%), pouco menos de três quintos das empresas (58%) estão adicionando iniciativas de IA. No entanto, uma parcela substancial está reduzindo o ritmo deliberadamente: aproximadamente um quarto (23%) está racionalizando ativamente — escalando o que funciona e cortando o resto — e outros 12% mantêm seus portfólios estáveis.
Apenas alguns (3%) fizeram uma pausa para organizar a governança primeiro. Este é o motor. Por trás de cada lacuna que se segue: as empresas estão acelerando em direção a um cenário que ainda não aprenderam a enxergar ou dominar, e notáveis 4% sequer conseguem descrever seu próprio portfólio. A ambição documentada aqui é exatamente o que torna as deficiências de visibilidade e domínio nas Descobertas 3 e 4 consequentes, e não meramente acadêmicas.
Descoberta 2: Nenhuma camada de IA “primária” única — a superfície é disputada. Mais de quatro em cada cinco empresas utilizam múltiplas plataformas, cada uma reivindicando primazia. Perguntamos quantas plataformas corporativas atualmente se declaram a camada de IA “primária” da organização — o ERP, o EHR, o ITSM, o pacote de produtividade ou a plataforma de dados, cada uma se posicionando como o centro de gravidade.
Impactos: Pouco menos de três quintos (58%) são iniciativas de IA que agregam valor líquido, sendo a “expansão significativa” a postura mais comum
Quase ninguém tem uma resposta única. A condição determinante é a primazia disputada. Somando as duas categorias de multiplataformas, 85% das empresas têm pelo menos duas plataformas, cada uma se afirmando como a camada de IA primária, e mais de um terço (36%) descreve uma disputa aberta entre quatro ou mais plataformas.
Apenas 8% consolidaram em uma única camada, e outros 6% sequer abordaram a questão. Esta é a razão estrutural pela qual a governança é difícil: não existe um centro de gravidade consensual a partir do qual governar. Cada plataforma traz sua própria IA, seus próprios controles e suas próprias premissas — e, como mostra a Descoberta 3, a questão de quem governa entre elas está cada vez mais sem uma resposta definitiva.
Descoberta 3: A governança é reivindicada no centro, mas contestada na prática. Uma equipe central a detém no papel; na prática, ela está se fragmentando. Perguntamos quem é realmente responsável por governar o comportamento da IA em todas essas plataformas hoje e qual função detém a responsabilidade principal.
A resposta principal é tranquilizadora; os detalhes, não. Superficialmente, uma função central de governança é a resposta mais comum — mas apenas um terço (38%) afirma que existe uma, bem abaixo da maioria. O restante da distribuição enfraquece ainda mais essa ideia: um quinto (21%) diz que a responsabilidade é incerta ou contestada entre as equipes, um quinto (20%) diz que cada equipe de plataforma simplesmente governa sua própria IA de forma independente e 19% dizem que ninguém abordou o assunto.
A responsabilidade se fragmenta ainda mais quando perguntamos qual função realmente a detém: CIO/CTO/CISO lideram em 27% dos casos, um Diretor de IA ou equivalente em 22%, e impressionantes 17% afirmam que ninguém ainda detém a responsabilidade formal. Mesmo quando se alega a existência de uma equipe central, o responsável nomeado é, na maioria das vezes, o executivo de tecnologia em geral, e não uma autoridade dedicada à IA.
A função de governança existe mais frequentemente como uma aspiração no organograma do que como uma realidade operacional — a condição prévia para a lacuna de detecção mencionada na Descoberta 4. Descoberta 4: A lacuna de detecção — a confiança é real, mas em grande parte manual. Apenas uma em cada dez empresas possui monitoramento e alertas ativos.
Perguntamos o quão confiantes as empresas estão de que detectariam um modelo de IA em produção que estivesse se desviando do padrão, se comportando de maneira insegura ou falhando em concluir tarefas corretamente. Este é o cerne da lacuna de controle. Este é o número central do relatório. Embora 40% afirmem ter muita confiança de que detectariam um modelo com falhas, a grande maioria dessa confiança se baseia na revisão humana manual (30%) em vez de automação — apenas 10% têm monitoramento e alertas ativos implementados.
No outro extremo, mais de um quarto combina as duas respostas reativas — nenhuma visibilidade sistemática (8%) e saberiam primeiro pelos usuários finais (19%) — o que significa que tomariam conhecimento de uma falha de produção depois que ela já tivesse ocorrido, pelas pessoas afetadas. A maioria (32%) se encontra em uma posição intermediária esperançosa, prevendo “detectar a maioria dos problemas eventualmente”.
Diante da expansão agressiva da Descoberta 1, este é o cerne da lacuna de controle — as empresas estão escalando a IA para produção mais rapidamente do que estão criando meios automatizados para saber quando ela falha. A confiança é real, mas é em grande parte manual, e a detecção automatizada continua sendo a exceção.
Descoberta 5: A ausência de um responsável é a maior barreira. A governança trava na responsabilização em primeiro lugar e na visibilidade em segundo. Pedimos às empresas que nomeassem sua maior barreira para governar a IA em várias plataformas. O organograma encabeça a lista. A ausência de um único responsável lidera com 32%, sendo a barreira mais citada.
A falta de transparência dos fornecedores (25%) e a ausência de ferramentas ou infraestrutura para monitoramento entre plataformas (16%) vêm em seguida, e juntas, essas duas barreiras de visibilidade técnica (41%) superam a falta de responsabilidade. A despriorização da liderança responde por outros 17%, enquanto a clara falta de talentos é rara (5%).
Para completar o quadro, outros 5% afirmam que isso não é uma barreira para eles — já resolveram o problema. Em resumo, O cenário é mais complexo do que o título sugere: as empresas ainda costumam apontar a ausência de um responsável, mas uma boa parte delas identifica o obstáculo nas caixas-pretas dos fornecedores e na falta de observabilidade multiplataforma.
Questionados em uma pergunta aberta sobre qual seria a principal melhoria que gostariam de implementar, os respondentes convergiram de diferentes perspectivas para a mesma resposta: um único responsável e um plano de controle que abstraia custos, desvios e escolhas de modelos do usuário final. Descoberta 6: O cálculo do ROI do ajuste fino.
Aproximadamente sete em cada dez empresas têm pouco a mostrar em relação ao investimento em modelos personalizados. Perguntamos qual a porcentagem dos modelos proprietários nos quais as empresas investiram em ajuste fino nos últimos 18 meses que apresentaram um ROI positivo, claro e mensurável em produção atualmente.
Resumo final: No entanto, 85% utilizam duas ou mais plataformas, cada uma alegando ser a camada de IA “primária”, e apenas 8% consolidaram em uma única plataforma
A maioria descreve um verdadeiro cemitério de ambientes de teste — ou uma decisão deliberada de evitá-los. Para a maioria, o ajuste fino personalizado não compensou. Combinando os três resultados decepcionantes — cemitério de sandbox, evitação estratégica e perda total — aproximadamente sete em cada dez (73%) não conseguiram colocar modelos personalizados em uso produtivo ou optaram por não tentar, contra 27% para os quais modelos refinados representam uma vantagem confiável.
O maior grupo (45%) permanece no cemitério: projetos muito caros ou complexos para manter, abandonados no desenvolvimento. Outro quarto (24%) nunca começou — eles incluíram o custo da manutenção subsequente no preço e evitaram. O sinal é que muitas empresas ainda consideram o treinamento de modelos personalizados uma armadilha de custos, o que ajuda a explicar a postura pragmática de comprar e combinar fornecedores na Descoberta 7.
Descoberta 7: Postura do fornecedor — híbrida por padrão, com aumento da deserção. Empresas combinam modelos abertos e fechados; mais empresas estão reduzindo o número de fornecedores. Fizemos duas perguntas relacionadas: se as empresas estão transferindo cargas de trabalho para modelos open weight para evitar custos de API e dependência de fornecedor, e qual fornecedor proprietário, se houver, elas provavelmente irão descontinuar no próximo ano.
As respostas descrevem estratégias de proteção — e uma crescente disposição para cortes. Em relação aos modelos abertos, uma clara maioria (51%) adota um equilíbrio híbrido, com um compromisso deliberado com modelos fechados em segundo lugar, com 32%, e uma mudança radical para modelos abertos autohospedados, com 16%.
A pluralidade híbrida reflete o mesmo instinto visível em toda a pesquisa — manter a opção, evitar ficar preso —, enquanto o grupo que opta por modelos fechados permanece sincero ao afirmar que a sobrecarga operacional da autohospedagem ainda supera a economia para eles. Quanto à debandada de fornecedores, a lealdade por inércia não é mais determinante: a Microsoft agora é o alvo mais citado (29%, frequentemente mencionando cortes no Copilot/Azure em favor do acesso direto ao modelo), ligeiramente à frente dos 27% que não estão reduzindo o número de fornecedores.
A OpenAI vem em seguida, com 21% (citando a volatilidade de preços), seguida pela Anthropic, com 15%, e pelo Google, com 6%. Nenhum fornecedor enfrenta um êxodo em massa, mas entre as funções identificáveis, o equilíbrio mudou de "expansão para todos" para a redução ativa de pelo menos um fornecedor.
Descoberta 8: A crise de gastos com agentes — IA paralela lidera as falhas. Pipelines não autorizados, e não loops descontrolados, são a principal falha de controle. Por fim, perguntamos qual foi a falha de controle financeiro ou operacional mais grave que as empresas experimentaram com a execução de agentes autônomos em janelas de execução mais longas.
A IA paralela encabeça a lista — e pouquíssimas escaparam ilesas. A lacuna de controle tem um preço, e está sendo pago. Pouco menos da metade das empresas (49%) cita a IA paralela — pipelines de agentes não autorizados, criados em cartões corporativos sem qualquer supervisão central — como sua falha mais grave, o equivalente operacional da barreira de "nenhum proprietário único" da Descoberta 5.
Outros 25% foram prejudicados por uma fatura de agente em loop infinito descontrolado e 6% por um agente que degradou bancos de dados de produção. Apenas 21% relatam estabilidade controlada — a minoria que impôs limitação rígida de tokens e tetos de orçamento na camada de infraestrutura e evitou surpresas.
Em outras palavras, aproximadamente quatro em cada cinco dessas empresas (79%) já experimentaram uma falha real de controle financeiro ou operacional devido à IA autônoma, e não apenas temem que isso aconteça. Assim como na detecção mencionada na Descoberta 4, os controles determinísticos que impediriam essas falhas existem em apenas uma fração das organizações.
Em resumo: uma lacuna de controle que o investimento não consegue preencher por si só. Organizações com 100 ou mais funcionários descrevem programas de IA que estão se expandindo rapidamente e sendo governados lentamente. Pouco menos de três quintos estão agregando valor líquido aos seus portfólios; mais de quatro em cada cinco operam em um campo contestado de plataformas sem uma camada primária acordada; e O principal obstáculo mais frequentemente apontado é a falta de um único responsável.
A visibilidade necessária para alcançar essa ambição é, em grande parte, manual — apenas 10% possuem monitoramento e alertas ativos, e a confiança na detecção de falhas em um modelo se baseia principalmente na revisão humana, e não na automação. As consequências já são concretas, e não hipotéticas. O ajuste fino personalizado tem se mostrado decepcionante na maioria das vezes, levando as empresas a adotarem uma postura cautelosa, híbrida, de compra e combinação; e os agentes autônomos que agora estão em produção já causaram falhas reais de controle para cerca de quatro em cada cinco entrevistados, principalmente devido à IA paralela que opera fora de qualquer supervisão central.
Isso soa como um sinal indicativo, e não como uma medida precisa — mas a direção é consistente em todas as questões: ambição, investimento e implementação estão superando em muito a responsabilidade, a observabilidade e o controle de custos. A lacuna de controle não é um problema de ferramentas que será resolvido com mais investimentos; é, antes de tudo, uma questão de quem é o responsável pela solução.
Baseado em respostas de 145 empresas qualificadas (mais de 100 funcionários). O tamanho da amostra é pequeno; os dados devem ser considerados indicativos. Os participantes incluem diretores, vice-presidentes, CIOs, CTOs e arquitetos corporativos dos setores de tecnologia, serviços financeiros, varejo, saúde e outros.
Fonte original:
The Control Gap: Enterprise AI organizations have an ownership problem, not a technology problem — and most are governing it by hand
Categorias: Inteligência Artificial, Tecnologia, Negócios
Marcador: Notícias
