Projetos de IA raramente falham em provar retorno porque o modelo não funcionou. Falham porque ninguém construiu a evidência que permitiria provar. Em julho de 2024 a Gartner previu que pelo menos 30% dos projetos de IA generativa seriam abandonados após a prova de conceito até o fim de 2025, e entre os motivos estavam dado de baixa qualidade e valor de negócio pouco claro. Em 2025, o relatório The GenAI Divide, do MIT NANDA, não encontrou impacto mensurável no resultado financeiro em 95% de 300 projetos analisados. Valor que não se mede não se defende na reunião de orçamento. Provar o retorno da IA exige três elos ligados antes do piloto começar: uma linha de base registrada, o registro do trabalho que a IA tocou e o dado de resultado que mostra o efeito. Na prática, isso junta a consultoria Jira, que instrumenta o registro, a consultoria Databricks, que monta a medição, e a governança de dados, que torna a evidência auditável.

A reunião de renovação do piloto

A cena acontece no fim de todo piloto de IA. O time apresenta o que construiu, a demonstração impressiona e os usuários dizem que gostaram. Aí o diretor financeiro faz a pergunta que decide a renovação: quanto isso economizou, ou quanto isso gerou, comparado com antes?

A sala fica em silêncio porque ninguém mediu o antes. O tempo médio do processo antes da IA não foi registrado, os itens tratados com ajuda da IA não foram marcados como tal e o dado de resultado mora num sistema que ninguém ligou ao projeto. O time tem certeza de que funcionou e não tem como mostrar. O piloto é encerrado ou renovado por fé, e nas duas hipóteses a decisão foi tomada sem evidência.

A tese deste guia: o retorno da IA não se descobre depois do piloto, ele se constrói antes. Valor que não foi medido na linha de base não pode ser provado no fim, e é por isso que boa parte dos projetos classificados como sem retorno são, na verdade, projetos sem medição. A cadeia de evidência é um entregável do projeto, desenhado no dia zero, e não um relatório produzido na véspera da renovação.

O que os dados de alta credibilidade dizem sobre retorno de projetos de IA?

As duas referências mais citadas sobre o tema apontam para o mesmo lugar: o valor existe em parte dos casos, mas é difícil de estimar e raramente é medido. A tabela reúne os números com fonte, data e o limite de cada um.

Os dois números pedem leitura honesta. O da Gartner é uma previsão de 2024, não uma contagem. O do MIT vem de uma amostra de projetos que não foi sorteada e usa uma definição estreita de sucesso, o impacto mensurável no P&L. Análises publicadas depois do relatório apontaram que boa parte dos pilotos não tinha linha de base documentada antes da implantação, o que torna parte do sem impacto em sem medição. É exatamente a tese deste texto, e a própria Gartner a reconhece: a analista Rita Sallam afirmou que estimar esse valor é difícil porque os benefícios são muito específicos de empresa, caso de uso, função e força de trabalho.

Por que o valor da IA some entre o piloto e o resultado?

O valor some porque a cadeia que liga a IA ao resultado tem três elos, e cada um mora num lugar diferente da empresa. Quando qualquer um deles falta, a conclusão do piloto passa a ser opinião. A tabela separa os elos, onde cada um vive e o que acontece quando ele não existe.

linha de base (antes) + itens marcados como assistidos por IA
                                       
         +--------- junção governada ---+
                         
     resultado depois - resultado antes = efeito atribuível

Os três elos e a junção acima são formulação editorial da CSP Tech, construída a partir das capacidades documentadas das plataformas citadas, e não um método oficial da Gartner, do MIT, da Atlassian ou da Databricks. O ponto prático é simples: cada elo tem dono técnico diferente, e é por isso que a evidência quase nunca se monta sozinha.

Consultoria Jira: instrumentar o registro do trabalho

O segundo elo vive no registro do projeto, e é a parte que a consultoria Jira entrega.

Sem instrumentação, o Jira mostra que o item foi concluído, mas não mostra se a IA participou, nem em que etapa, nem com que efeito no tempo de ciclo. A instrumentação é pequena e precisa ser decidida antes do piloto: um campo governado que marca o item como assistido por IA, a etapa em que ela atuou e regras de cálculo amarradas ao identificador e à categoria do status, nunca ao nome exibido, para que uma renomeação não apague a série histórica no meio da medição.

Essa camada também pede disciplina de configuração. A Atlassian passou a aplicar limites de campos personalizados por espaço no Jira Cloud a partir de março de 2026, com restrições adicionais em setembro de 2026. Medir IA não pode virar pretexto para criar dez campos novos. O desenho certo usa o mínimo de campos que torna a atribuição possível e cabe dentro do limite.

Consultoria Databricks: montar a medição

O primeiro e o terceiro elos vivem na plataforma de dados, e é aí que a consultoria Databricks monta a medição. A arquitetura medalhão, documentada pela Databricks, preserva na camada bronze o dado bruto como chegou da fonte, e é isso que permite guardar a linha de base do antes sem que transformações posteriores a alterem. A linhagem do Unity Catalog, capturada automaticamente até o nível de coluna, mostra de onde vem cada número do relatório de retorno, e as expectations de qualidade barram na entrada o registro inconsistente que distorceria a comparação.

Para ligar o segundo elo aos outros dois, o registro do Jira precisa chegar à mesma plataforma. O Lakeflow Connect oferece um conector de Jira, em Beta na data de verificação desta publicação, com ingestão incremental de tabelas como issues e worklogs. Recurso em Beta não tem garantia de disponibilidade geral, e projeto que depende dele para medição crítica precisa de alternativa de ingestão planejada.

Governança de dados: tornar a evidência auditável

O último passo transforma medição em evidência, e ele é de governança de dados. Número de retorno que não se consegue rastrear até a fonte não sobrevive à primeira pergunta do comitê. A mesma linhagem que sustenta a medição permite responder de qual tabela, com qual regra e em qual data cada valor foi calculado, e as permissões do Unity Catalog, aplicadas igualmente a pessoas, notebooks e modelos, garantem que o dado sensível usado na comparação continue tratado conforme a política.

Há também uma razão de conformidade. A ISO/IEC 42001:2023, norma de sistema de gestão de IA, segue a estrutura das normas de gestão que exige monitoramento, medição, análise e avaliação de desempenho. Empresa que pretende operar IA de forma auditável vai precisar dessa evidência de qualquer jeito. Construí-la no primeiro piloto custa menos do que reconstruí-la quando o auditor pedir.

Sinais de que o seu projeto de IA não vai conseguir provar retorno

•  Ninguém registrou o desempenho do processo antes da IA. Sem linha de base preservada, a comparação final é com a memória de quem estava lá, e memória não passa em comitê.

•  Os itens tratados com IA não estão marcados no Jira. Se não dá para filtrar o que a IA tocou, não dá para separar o efeito dela da variação normal do trabalho.

•  O indicador de negócio mora num sistema que o projeto não lê. Ganho operacional sem ligação com o dado financeiro vira relato, não número.

•  O relatório de retorno é montado em planilha na véspera da renovação. Evidência fabricada no fim tende a confirmar o que o time já acreditava, e o comitê percebe.

Quando esse rigor é desproporcional

•  Experimento exploratório de poucas semanas. Se o objetivo é aprender o que a tecnologia faz, e não decidir investimento, a cadeia completa pesa mais do que rende.

•  Uso pessoal de assistente, sem decisão de orçamento atrelada. Quando ninguém vai pedir prova de retorno, a evidência formal não tem quem a consuma.

•  Empresa sem plataforma de dados nem plano para ela. Nesse caso, comece pela linha de base simples e pela marcação no Jira. A plataforma vem quando o projeto passar a disputar orçamento de verdade.

Próximo passo

Há um teste de dez minutos para o seu projeto de IA atual: tente responder, com um número e uma fonte, qual era o desempenho do processo antes da IA entrar. Se a resposta depende de lembrança ou de estimativa, a sua prova de retorno já está comprometida, e ainda dá tempo de corrigir antes da próxima renovação. Solicite o desenho da cadeia de evidência do seu projeto de IA com a CSP Tech e receba o mapa dos três elos no seu caso: o que já existe, onde cada elo vai morar e o que precisa ser registrado a partir de agora para o retorno ser provável, e não apenas defendido.

Perguntas frequentes

Por que tantos projetos de IA não conseguem provar retorno?

Porque a cadeia de evidência raramente é construída antes do piloto. A Gartner previu em julho de 2024 que pelo menos 30% dos projetos de IA generativa seriam abandonados após a prova de conceito até o fim de 2025, citando dado de baixa qualidade e valor de negócio pouco claro entre os motivos. O MIT NANDA não encontrou impacto mensurável no P&L em 95% de 300 projetos analisados em 2025, e análises posteriores apontaram que muitos pilotos não tinham linha de base documentada. Sem o antes registrado, o depois não prova nada.

Como medir o ROI de um projeto de IA?

Ligando três elos antes do piloto começar: a linha de base do processo antes da IA, preservada na plataforma de dados; o registro de quais itens a IA tocou, instrumentado no Jira do projeto; e o indicador de negócio que a IA deveria mover, ligado ao registro com linhagem. O efeito atribuível é a diferença entre o resultado depois e o resultado antes, calculada apenas sobre o trabalho que a IA de fato tocou.

O que a consultoria Databricks faz num projeto de IA além de treinar modelos?

Monta a medição que prova se o projeto valeu. Usa a camada bronze da arquitetura medalhão para preservar a linha de base sem alteração, a linhagem do Unity Catalog para rastrear cada número até a fonte e expectations de qualidade para barrar registros que distorceriam a comparação. Também traz o registro do Jira para a mesma plataforma, para que o trabalho assistido por IA possa ser comparado com o resultado de negócio.

Qual é o papel da governança de dados na prova de valor da IA?

Transformar medição em evidência auditável. A linhagem permite mostrar de qual tabela, com qual regra e em qual data cada valor de retorno foi calculado, e as permissões aplicadas igualmente a pessoas e modelos mantêm o dado sensível tratado durante a comparação. A ISO/IEC 42001:2023 exige monitoramento, medição e avaliação de desempenho do sistema de gestão de IA, então essa evidência também é requisito de conformidade.

Autor: Guilherme Matos, estrategista de conteúdo e IA, certificado HubSpot, Google, Anthropic e Semrush. Revisão técnica por especialistas Atlassian e de dados da CSP Tech (Atlassian Gold Partner, parceira Databricks, Microsoft Gold Partner, participante do Anthropic Partner Network, 34 anos de mercado, produto próprio Power BI for Jira no Atlassian Marketplace).

Fontes (oficiais e de alta credibilidade, acesso out/2026): Gartner, press release de 29 de julho de 2024, Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept By End of 2025, com declarações da analista Rita Sallam sobre dado de baixa qualidade, controle de risco inadequado, custo crescente e valor de negócio pouco claro, e sobre a dificuldade de estimar valor (gartner.com). MIT NANDA, The GenAI Divide: State of AI in Business 2025, quanto ao achado de ausência de impacto mensurável no P&L em 95% de 300 projetos analisados, com a ressalva de amostra não aleatória e de definição de sucesso restrita ao P&L, e análises posteriores que apontaram ausência frequente de linha de base documentada. Atlassian, notas do Jira Cloud quanto aos limites de campos personalizados por espaço a partir de março de 2026, com restrições adicionais em setembro de 2026, e documentação de API quanto a identificador e categoria de status independentes do nome exibido (atlassian.com, developer.atlassian.com). Databricks Documentation (docs.databricks.com), quanto à arquitetura medalhão e à camada bronze, à linhagem do Unity Catalog por coluna, às expectations de qualidade, às permissões aplicadas a pessoas, notebooks e modelos e ao conector de Jira do Lakeflow Connect, cujo status de Beta corresponde à data de verificação. ISO/IEC 42001:2023, quanto à exigência de monitoramento, medição, análise e avaliação de desempenho no sistema de gestão de IA. Os três elos da cadeia de evidência e a fórmula de efeito atribuível são formulação editorial da CSP Tech e não constituem método oficial das fontes citadas. Nenhum número foi citado sem fonte nomeada e datada.