Avaliação de Fornecedores de IA: Guia para CEOs

Há dezoito meses, “IA” no slide de um fornecedor era um diferencial. Hoje é uma alegação padrão — estampada em toda página de produto, da folha de pagamento ao leitor de código de barras do depósito. Os pitches soam parecidos, os demos parecem impressionantes e os contratos prometem transformação. Seu papel como CEO é descobrir quais são reais.

Esse trabalho ficou mais difícil, não mais fácil, no último ano. O Gartner prevê que 30% dos projetos de IA generativa serão abandonados após a prova de conceito até o fim de 2025, citando má qualidade de dados, custos crescentes e valor de negócio incerto. O padrão é consistente: o demo convence, o contrato é assinado, o piloto trava e, um ano depois, não há nada para mostrar ao conselho. Avaliar fornecedores de IA bem — antes de assinar — virou uma das tarefas de due diligence mais consequentes na mesa do CEO.

Por que “IA” Deixou de Ser um Diferencial

Toda categoria de software passou por esse ciclo. “Cloud-native” tinha um significado específico; em 2018, todo produto legado do mercado se descrevia assim. “Tempo real” tinha sentido antes de virar papel de parede. A IA está agora na mesma fase — só que o intervalo entre capacidade real e linguagem de marketing é maior do que em qualquer onda anterior.

O relatório de 2025 do CFA Institute sobre AI washing documenta como a prática se espalhou — tanto em produtos quanto em comunicações corporativas. O problema para o CEO é que quem compra — você, seu CFO, seu COO — geralmente não é quem pode validar tecnicamente as alegações. E os fornecedores sabem disso. O pitch é calibrado para a linguagem executiva: “transformador”, “agêntico”, “automação inteligente”. O que está embaixo às vezes é um sistema de IA sofisticado, às vezes um motor de regras com chatbot por cima — e nem sempre dá para distinguir pelo demo.

Duas coisas mudaram o cálculo do comprador no último ano:

O volume de fornecedores explodiu. Toda categoria — ERP, CRM, processamento de documentos, atendimento, finanças, RH — agora tem dezenas de entrantes “AI-first” ao lado de incumbentes que adicionaram funcionalidades de IA. A relação sinal-ruído está pior do que nunca.
O custo de errar subiu. Uma má escolha de CRM desperdiça dinheiro. Uma má escolha de IA desperdiça dinheiro, expõe dados, cria risco de compliance e consome 6-12 meses de atenção executiva enquanto o resto do negócio espera.

Comprar IA bem em 2026 exige uma disciplina de avaliação diferente da que se usava para comprar SaaS cinco anos atrás.

Os Padrões de IA Washing Que Todo CEO Deveria Reconhecer

Você não precisa ser técnico para identificar a maior parte do IA washing. Os sinais aparecem em como o fornecedor fala, no que se recusa a mostrar e no que falta na documentação. Alguns padrões que vale reconhecer:

“Powered by AI” sem mecanismo. Um fornecedor genuíno responde três perguntas de cabeça: qual modelo está fazendo o trabalho, em que ele foi treinado (ou como é alimentado pelos seus dados) e qual decisão específica ele toma. Se a resposta vem em adjetivos — “inteligente”, “smart”, “avançado” —, a alegação de IA provavelmente não mapeia para um passo real do fluxo.

Agent washing. A variante de 2026. Um produto é vendido como “IA agêntica” ou “agentes autônomos”, mas o demo ao vivo não consegue mostrar raciocínio em múltiplos passos, uso de ferramentas ou qualquer decisão sem humano no loop. A previsão do Gartner de junho de 2025 de que mais de 40% dos projetos de IA agêntica serão cancelados até 2027 reflete essa lacuna: a maior parte do que é rotulado como “agêntico” hoje é um chatbot conectado a um workflow programado.

Sem documentação técnica. Site bem produzido, vídeos de demo polidos e nada por baixo. Sem whitepaper, sem visão de arquitetura, sem referência de API. Fornecedores reais publicam esse material porque seus compradores — incluindo o pessoal técnico que você acabará envolvendo — exige.

Cases não verificáveis. Depoimentos sem cliente nomeado, sem linha de base definida, sem delta mensurável. “Reduziu o tempo de processamento em 40%” sozinho, sem denominador, sem contato de referência que confirme. Cases úteis têm empresa nomeada, estado “antes” definido e disposição de te apresentar à pessoa que de fato usou o produto.

Dependência de um único modelo apresentada como capacidade proprietária. Alguns fornecedores são camadas finas sobre um único modelo de fundação — geralmente GPT, Claude ou Gemini com outra marca. Isso não desqualifica por si só, mas precisa ser declarado, e o fornecedor precisa ter uma resposta clara sobre o que acontece com seu deployment se o preço mudar ou uma versão for descontinuada.

O fio comum do IA washing é a vagueza. Capacidade de IA real é específica porque precisa ser — o sistema tem que fazer algo concreto. Se o fornecedor não consegue ser específico sobre o que sua IA faz num caso real de cliente, essa é a resposta da sua avaliação.

Por Que a Maioria dos Pilotos de IA Não Chega à Produção

O modo de falha mais caro em IA não é um fornecedor mentindo sobre capacidade. É um fornecedor cujo produto realmente funciona em um demo controlado, te vende um piloto e depois falha silenciosamente em escalar. O piloto parece promissor, contratos são assinados e em algum momento entre o terceiro e o oitavo mês o projeto perde tração. No mês doze, foi quietamente despriorizado.

Esse é o “limbo do piloto” — e virou o padrão dominante de falha de IA em empresas de médio porte. Uma pesquisa do Gartner em 2026 com 782 líderes de operações de TI mostrou que apenas 28% dos casos de uso de IA têm sucesso completo e atingem as expectativas de ROI; o restante entrega valor parcial ou falha de vez. O State of AI 2025 da McKinsey reporta que apenas 12% das organizações identificaram completamente casos de uso de IA generativa que geram receita, apesar da experimentação difundida.

Algumas razões pelas quais pilotos travam:

O custo de integração é subestimado. Sistemas de IA funcionam em demos porque os dados são curados. No seu ambiente, a IA precisa se conectar a ERPs, CRMs, file shares e sistemas legados que não foram feitos para serem consultados. A customização necessária para tornar isso real frequentemente excede o custo do software.
O escopo do piloto era estreito demais para provar valor. Um piloto em um único departamento, num caso de uso ou numa amostra de dados pode dar certo tecnicamente sem te dizer se a expansão funcionará. A escala de produção expõe problemas de qualidade de dados, exceções e questões de adoção que o piloto não revelou.
Custos ocultos aparecem tarde. Custos de inferência, preços por usuário que escalam com adoção e modelos baseados em tokens viram múltiplos da cotação inicial quando o uso cresce. Os fornecedores nem sempre são transparentes sobre isso até a renovação.
A base de dados não estava pronta. O Gartner sinalizou que 60% dos projetos de IA não suportados por dados prontos para IA serão abandonados até 2026. Tratamos disso em detalhe no nosso guia sobre qualidade de dados para IA — mas, em resumo, a IA herda a qualidade de tudo que está conectado a ela, e a maioria das empresas descobre isso só depois de assinar.

A estrutura de incentivos do fornecedor agrava o quadro. Muitas empresas de IA — especialmente startups bem capitalizadas — são otimizadas para vender pilotos, não para entregar deployments em produção. A comissão recompensa a assinatura do piloto; o fardo de chegar à produção fica com um time de customer success enxuto que rotaciona a cada 18 meses. Reconhecer essa dinâmica é parte de comprar bem.

Quais Perguntas um CEO Deve Fazer ao Fornecedor de IA?

A maioria das perguntas de avaliação é respondida com linguagem de marketing. As perguntas abaixo foram desenhadas para forçar especificidade — e expor a diferença entre fornecedores que entregaram sistemas em produção de verdade e os que não.

1. “Me leve por um cliente do início ao fim. Onde sua IA entra, o que ela decide, o que o humano faz, o que é registrado e como vocês medem qualidade nesse tipo de caso?”

Um fornecedor com deployments reais responde de cabeça. Nomeia um cliente (sob NDA quando preciso), descreve o fluxo, identifica onde a IA decide e onde o humano decide, e explica a medição. Um fornecedor sem deployments reais ou generaliza (“nossa IA cuida de faturamento em vários clientes”) ou desvia para funcionalidades. A especificidade da resposta é a resposta.

2. “Quais deployments estão em produção agora no meu setor — não pilotos — e posso falar com um cliente de referência sobre resultados mensuráveis?”

A palavra “produção” importa. Pilotos e provas de conceito te dizem que o fornecedor consegue fazer demo. Produção te diz que ele consegue escalar, integrar e manter no ar. Se não conseguir nomear um deployment em produção no seu setor — ou recusar uma chamada de referência —, assuma que você seria o estudo de caso.

3. “Qual é a estratégia de modelos? Vocês dependem de um único modelo, e o que acontece com meu deployment se o provedor mudar preço ou descontinuar uma versão?”

Muitos produtos de IA são camadas finas sobre um único modelo de fundação. Pode ser aceitável, mas é um risco de aprisionamento que precisa entrar na conta. O fornecedor deve ter uma resposta clara sobre abstração de modelos, suporte a múltiplos modelos ou plano de migração. Escrevemos sobre essa categoria de risco em aprisionamento de fornecedor de ERP — os paralelos se aplicam à compra de IA.

4. “Mostre uma projeção de custo de 12 meses dividida por inferência, licenciamento por usuário e integração. O que faz esse número dobrar?”

A pergunta força transparência de custo antes da assinatura. Fornecedores honestos dão uma faixa real e nomeiam as variáveis. Fornecedores evasivos cotam um preço por usuário e param.

5. “Como vocês tratam residência de dados, trilhas de auditoria e controles de acesso? Qual é a posição sobre o EU AI Act e estruturas equivalentes?”

Ambiguidade de compliance virou um bloqueador real de procurement. A resposta não precisa ser “estamos em conformidade com tudo em todo lugar” — mas precisa ser específica.

6. “Se eu estiver insatisfeito no nono mês, como recupero meus dados e configurações, e qual é o prazo realista?”

Trate como qualquer outra pergunta de saída de fornecedor. A resposta revela como o fornecedor pensa parceria de longo prazo versus extração de piloto.

O Custo Total Que o Preço do Fornecedor Não Mostra

Avaliar preço de IA é mais difícil do que avaliar SaaS tradicional porque os direcionadores de custo são diferentes e a variabilidade é maior. Uma avaliação típica foca no custo por usuário do contrato — geralmente a menor parte do total real.

Os componentes que costumam ser ignorados:

Custos de inferência. Cada consulta, cada documento processado, cada ação de agente consome computação. Fornecedores que escondem inferência em “faixas de uso” podem apresentar um preço base pequeno que cresce 5-10x conforme a adoção avança.
Integração e customização. Conectar a IA ao ERP, CRM e sistemas de arquivos costuma exigir consultoria — às vezes do fornecedor, às vezes de um parceiro. É um custo real que não aparece na fatura do software.
Preparação de dados. Se seus dados não estão na forma que a IA precisa, alguém tem que colocá-los lá. Esse trabalho frequentemente é o item mais caro de um deployment de IA real, e não é opcional.
Gestão da mudança interna. Ferramentas de IA que exigem mudança de fluxo, retreinamento ou novos processos de aprovação têm custo real em produtividade perdida durante a implantação. Empresas que ignoram esse item acabam pagando-o de qualquer forma, só que de modo menos visível.
Escalada na renovação. O primeiro ano é o ano com desconto. O preço do segundo e terceiro ano é onde o fornecedor frequentemente recupera margem. Negociar contratos plurianuais com tetos é uma das poucas vezes em que isso está sob seu controle.

Pela nossa experiência com empresas de médio porte, o custo contratado do software costuma ser 30-50% do total real do primeiro ano quando integração, trabalho com dados e tempo interno são honestamente contabilizados. CEOs que planejam só com o custo contratado se surpreendem duas vezes — quando a fatura chega e quando a liderança pergunta por que o ROI não apareceu.

A Checagem de Referência Que Realmente Diz Algo

Referências fornecidas pelo vendedor são filtradas. O cliente que aceitou a chamada aceitou porque o deployment funcionou. Isso é útil — mas não basta.

Uma checagem de referência que diz alguma coisa:

Fale com um cliente que cancelou, não só com um que renovou. Peça ao fornecedor uma referência honesta em que a relação não continuou. A forma como ele lida com a pergunta já é diagnóstica. Fornecedores éticos vão oferecer; defensivos vão desviar.
Pergunte sobre modos de falha específicos. Não “você está feliz?”, mas “o que quebrou, o que te surpreendeu, o que foi mais difícil do que o contrato indicava?”. Clientes reais dão respostas específicas porque deployments reais têm desafios específicos.
Pegue a história da integração. “Quanto tempo a integração levou de fato versus o cotado? O que vocês construíram internamente versus o que o fornecedor entregou? Qual é o ônus de manutenção contínua?”
Pergunte sobre a renovação. “O que mudou em preço ou escopo na renovação? Vocês renegociaram? Por quê?”
Valide a alegação de ROI. Se o case do fornecedor cita 40% de redução em algo, pergunte ao cliente como esse número foi medido, qual era a linha de base e se ele defenderia o número se questionado.

Trinta minutos de conversa com um cliente real em produção — fazendo as perguntas certas — vale mais do que vinte horas de demos do fornecedor. CEOs que acertam consistentemente em compras de IA tendem a exigir essa conversa antes de assinar. Os que erram consistentemente pulam essa etapa porque o demo foi impressionante.

Perguntas Frequentes

O que é IA washing e como identificar?

IA washing é quando um fornecedor vende um produto como “powered by AI” sendo que a tecnologia subjacente é um motor de regras, um script simples de automação ou uma camada fina sobre um modelo de fundação sem customização real. Para identificar, peça ao fornecedor que descreva especificamente qual modelo está fazendo o trabalho, que decisão ele toma e como a qualidade é medida em um caso real de cliente. Respostas vagas indicam IA washing.

Que perguntas um CEO deve fazer antes de comprar software de IA?

As perguntas mais úteis forçam especificidade: peça ao fornecedor para te levar por um cliente em produção do início ao fim, peça uma chamada de referência com um cliente do seu setor, peça uma projeção de custo de 12 meses por componente e pergunte o que acontece com seu deployment se o modelo subjacente do fornecedor mudar. Essas perguntas expõem a diferença entre linguagem de marketing e capacidade real.

Por que a maioria dos pilotos de IA não chega à produção?

Pilotos de IA travam porque os custos de integração foram subestimados, o escopo do piloto era estreito demais para prever desempenho mais amplo, custos ocultos de inferência e escalabilidade aparecem tarde ou os dados subjacentes não estavam prontos para uso em produção. O Gartner prevê que 30% dos projetos de IA generativa serão abandonados após a prova de conceito até o fim de 2025. O incentivo do fornecedor de vender pilotos — não escalá-los — agrava o problema.

Quanto custa de fato uma IA empresarial?

A taxa contratada do software raramente é o custo total. Um orçamento realista inclui custos de inferência e uso, integração com sistemas existentes, preparação de dados, gestão da mudança interna e escalada na renovação. Pela nossa experiência, o custo contratado costuma representar 30-50% do total real do primeiro ano. CEOs devem pedir aos fornecedores projeções de custo que incluam todos os componentes variáveis, não apenas o licenciamento por usuário.

O que é IA agêntica e como verificar a alegação de um fornecedor?

IA agêntica é um sistema que toma múltiplas ações, usa ferramentas e decide ao longo de um fluxo sem intervenção humana em cada passo. Muitos fornecedores que vendem “IA agêntica” hoje estão oferecendo chatbots conectados a fluxos programados. Verifique a alegação pedindo um demo ao vivo de raciocínio em múltiplos passos, uso de ferramentas e decisão autônoma sobre dados reais — não vídeos pré-gravados nem cenários de sandbox.

Como o Pluto Resiste ao Escrutínio do Comprador

O framework de avaliação acima vale para qualquer fornecedor de IA, incluindo o nosso. Então aqui está como o Pluto se comporta diante das perguntas que um CEO sério faria.

O Pluto é um agente de IA que se conecta ao seu ERP atual e permite fazer perguntas de negócio em linguagem natural — margem por cliente, recebíveis em atraso, pipeline por região, qualquer coisa que seus dados sustentem. Ele é ancorado nos seus dados de negócio ao vivo, não em um conjunto pré-treinado, o que significa que as respostas refletem seus números reais e não uma estimativa probabilística. Conseguimos te levar por deployments específicos em produção, nomear clientes de referência, mostrar o fluxo do início ao fim e dar uma projeção de custo honesta que inclui integração e uso contínuo — não só licenciamento.

Também construímos com a premissa de que você vai avaliar alternativas com cuidado. As empresas que tiram mais valor do Pluto são as que nos colocam sob o mesmo escrutínio que recomendamos para qualquer fornecedor de IA: chamadas reais de referência, casos de uso específicos, plano de integração e uma definição mensurável de ROI assinada antes do deployment. É assim que se compra IA em 2026 — inclusive de nós.

Veja como o Pluto trabalha com seus dados ou agende uma demonstração com nosso time.

Os CEOs que olharão para 2026 com arrependimento são os que confundiram entusiasmo do fornecedor com capacidade do fornecedor. Os que olharão bem são os que compraram devagar, perguntaram com especificidade e fizeram o fornecedor provar o que os slides prometiam. IA é real. Os fornecedores que conseguem entregá-la também. Seu trabalho é distinguir uns dos outros.