Muitos projetos de machine learning que desiludem não falham no modelo. Falham antes de o treino começar: ninguém consegue dizer quão bem funciona o processo atual, a decisão que o modelo tomaria vale algumas centenas de dólares por mês, ou o resultado vai parar a um dashboard que ninguém abre. Os inquéritos dizem o mesmo em termos agregados. A Gartner espera que mais de 40% dos projetos de IA agêntica sejam cancelados até ao final de 2027, apontando custos crescentes, valor de negócio pouco claro ou controlos de risco inadequados. No inquérito da McKinsey de 2025, 39% dos inquiridos reportaram algum impacto da IA no EBIT ao nível da empresa, e a maioria destes situava-o abaixo de 5%. O estudo do BCG de setembro de 2025 concluiu que 5% das empresas obtêm valor da IA em escala e que 60% reportam ganhos mínimos de receita e de custos apesar de um investimento substancial.
Construir sistemas de ML é o nosso trabalho, e mesmo assim dizemos-lhe para não comprar um quando uma regra ou um relatório sai mais barato. Esta nota enumera os cinco sinais que verificamos, o que cada um significa para o negócio e o que construir em vez disso.
A versão curta para quem assina o orçamento
O quê. Cinco perguntas sobre o seu processo, os seus dados e a sua equipa. Se alguma resposta for «não», um modelo provavelmente não é o próximo passo.
Quando. Faça-as antes de uma fase de descoberta, não depois de uma prova de conceito. Responder leva uma tarde.
Custo de as saltar. Uma fase de descoberta com uma equipa externa custa tipicamente 6k–14k € em 2–3 semanas, uma prova de conceito 14k–38k € em 4–7 semanas, e um sistema em produção 45k–120k € em 10–20 semanas. São os nossos intervalos publicados; outros fornecedores terão valores diferentes, mas a ordem de grandeza mantém-se. Uma regra ou um relatório fica normalmente pronto em dias.
Risco. O resultado caro não é um modelo que falha. É um modelo que funciona mais ou menos tão bem como uma regra que podia ter escrito, e que agora tem de ser retreinado, monitorizado e pago todos os meses.
As próprias orientações de engenharia da Google começam pelo mesmo ponto. A regra n.º 1 das suas Rules of Machine Learning é «Don't be afraid to launch a product without machine learning», porque heurísticas básicas levam muitas vezes a maior parte do caminho com muito menos complexidade.
Sinal 1: não consegue dizer quão bem funciona o processo atual
O que significa. Se ninguém consegue indicar a taxa atual de ruturas de stock, a fração atual de encomendas fraudulentas ou o tempo atual de resposta a um ticket de suporte, ninguém vai conseguir dizer se um modelo a melhorou. O projeto acaba numa demonstração e numa discussão.
Sintoma típico. O objetivo é formulado como uma direção («reduzir as ruturas de stock», «personalizar o site») e não como um número com um método de medição e uma janela temporal.
O que fazer em vez disso. Construa primeiro a medição. Um relatório semanal do único número que o modelo moveria, calculado da mesma forma todas as semanas, durante quatro a oito semanas. Esse relatório é a referência que qualquer modelo posterior tem de superar, e é útil por si só: quando o número fica visível, pode acontecer que o problema que vale a pena resolver seja outro. A regra n.º 2 do guia da Google diz o mesmo por outras palavras: desenhe e implemente métricas antes de tudo o resto.
Sinal 2: a decisão é rara, ou o volume é pequeno
O que significa. Um modelo paga o seu custo tomando muitas decisões pequenas um pouco melhor. Se a decisão acontece cinquenta vezes por mês, a melhoria tem muito pouco para multiplicar.
Aritmética ilustrativa. Suponha que um modelo melhora cada decisão em 2% do valor em jogo.
| Decisões por mês | Valor em jogo por decisão | Ganho mensal a 2% | Meses para recuperar uma prova de conceito de 14k € |
|---|---|---|---|
| 50 | 200 € | 200 € | 70 |
| 200.000 | 1 € | 4.000 € | 3,5 |
Os números são ilustrativos, não medidos. O que importa é a forma: a primeira linha nunca se paga, mesmo antes de contar a monitorização e o retreino; a segunda paga-se em menos de um trimestre.
O que fazer em vez disso. Para decisões raras e de valor elevado, dê à pessoa que as toma uma folha de cálculo melhor: os cinco ou seis dados que ela realmente usa, lado a lado, com o resultado do ano passado ao lado de cada caso. Uma checklist mais uma pessoa vence um modelo treinado com cinquenta exemplos.
Sinal 3: uma regra simples já capta a maior parte do valor
O que significa. Muitos problemas têm uma regra que trata a maioria dos casos. Reter encomendas acima de um valor limite enviadas para uma morada nova com um cartão novo. Mostrar os mais vendidos da categoria a visitantes sem histórico. Repor quando o stock cobre menos de N dias das vendas do mês passado. Um modelo tem de vencer a regra por uma margem suficiente para cobrir o custo de construção e de operação, e muitas vezes não vence.
Sintoma típico. Ninguém experimentou a regra, por isso ninguém sabe quanto resta para um modelo ganhar.
O que fazer em vez disso. Ponha a regra em produção, meça-a com o relatório do Sinal 1 e mantenha uma lista dos casos em que ela erra. Essa lista faz dois trabalhos: diz-lhe quanto valor um modelo ainda poderia acrescentar, e torna-se os primeiros dados etiquetados e o conjunto de teste se mais tarde construir um.
Quando a regra deixa de chegar. A regra n.º 3 da Google é o contrapeso: escolha machine learning em vez de uma heurística complexa. Quando a regra cresceu para dezenas de exceções que só uma pessoa entende, e cada nova exceção parte uma antiga, um modelo é mais fácil de manter do que o livro de regras. É aí que o ML começa a fazer sentido.
Sinal 4: os seus dados não registam o resultado que quer prever
O que significa. Um modelo aprende com exemplos em que a resposta é conhecida. Se a resposta nunca foi registada, não há nada com que aprender.
Sintomas típicos.
- Previsão de procura com um histórico de vendas que não regista ruturas de stock. Quando a prateleira estava vazia, as vendas eram zero mas a procura não, e o modelo aprende que o produto é pouco procurado precisamente nos dias em que era mais desejado.
- Previsão de churn em que ninguém registou quando um cliente saiu, apenas que deixou de aparecer.
- Pontuação de fraude em que os chargebacks estão no portal de um fornecedor de pagamentos e nunca foram ligados de volta às encomendas.
O que fazer em vez disso. Comece já a registar o resultado, no mesmo sistema que os dados de entrada, com uma data e hora. A maioria dos resultados precisa de três a seis meses de histórico antes de um modelo poder ser treinado e depois testado num período posterior que não viu. Entretanto, use um relatório ou uma regra. Se o resultado chega com atraso (os chargebacks podem demorar semanas), preveja esse atraso no desenho em vez de o descobrir em produção.
Sinal 5: ninguém é responsável por agir sobre o resultado
O que significa. Uma previsão não muda nada até alguém encomendar menos stock por causa dela. Uma pontuação de fraude não muda nada até uma encomenda ser retida. Se não há uma pessoa nomeada, um sistema onde o resultado aparece e uma ação acordada para cada valor, o modelo é um custo sem retorno.
Sintoma típico. A resposta a «quem vai usar isto e o que vai fazer de diferente na segunda-feira» é o nome de um departamento, não uma pessoa e uma decisão.
O que fazer em vez disso. Tome a decisão à mão durante um mês com um relatório. Coloque o relatório onde a decisão é tomada e observe se alguém o usa. Se ninguém age com base num relatório, ninguém vai agir com base num modelo, e o problema a resolver é o processo, não a previsão.
Uma verificação rápida
Responda a cada pergunta para o processo que quer melhorar.
| Pergunta | Se a resposta for não | Construa isto em vez disso | Esforço típico |
|---|---|---|---|
| Consegue indicar o valor atual da métrica, e como é medido? | Sem referência, não há prova de melhoria | Um relatório semanal dessa única métrica | Dias |
| A decisão acontece pelo menos milhares de vezes por mês, ou cada uma vale muito? | Volume demasiado baixo para pagar um modelo | Uma folha de cálculo ou checklist para quem decide | Dias |
| Experimentou a regra óbvia e mediu-a? | Não sabe o que um modelo poderia acrescentar | A regra, mais um registo dos casos em que erra | Dias a duas semanas |
| O resultado que quer prever está registado, com data, nos últimos meses? | Não há nada com que aprender | Registo do resultado, depois um relatório | Três a seis meses de registo |
| Há um responsável nomeado e uma ação definida para cada resultado? | O resultado não vai mudar nada | Um processo manual com base num relatório durante um mês | Um mês |
Cinco respostas «sim» não garantem que um modelo compense. Um «não» costuma bastar para dizer que ainda não vai compensar.
Quando o ML passa a valer a pena
A mesma checklist, lida ao contrário, descreve um bom projeto de ML:
- A métrica é medida da mesma forma há semanas, e há uma referência a superar.
- A decisão é frequente, ou cada uma tem valor suficiente para que uma pequena melhoria importe.
- Existe uma regra, foi medida, e ficou demasiado complexa para manter.
- O resultado está registado há tempo suficiente para treinar num período e testar num período posterior.
- Uma pessoa nomeada vai agir sobre o resultado, num sistema que já usa.
Mesmo assim, o primeiro passo é pequeno: um modelo simples comparado com a regra na mesma métrica, primeiro em dados históricos e depois numa fração do tráfego real. Se o modelo não vencer a regra por mais do que custa a operar, mantenha a regra. Isso é um resultado, não uma falha.
Como verificar o seu caso
Fazemos um teardown gratuito de seis perguntas em /teardown. Pergunta pelo processo, pelos dados e pelo responsável, e uma das respostas possíveis é «ainda não faça ML», com o que construir em vez disso. Se a resposta for que um modelo faz sentido, os intervalos publicados em /pricing dizem-lhe quanto custa o próximo passo antes de alguém marcar uma chamada.
Fontes
- Gartner, Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, junho de 2025 — https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
- McKinsey & Company, The state of AI in 2025: Agents, innovation, and transformation, novembro de 2025 — https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
- Boston Consulting Group, The Widening AI Value Gap: Build for the Future 2025 (comunicado de imprensa), setembro de 2025 — https://www.bcg.com/press/30september2025-ai-leaders-outpace-laggards-revenue-growth-cost-savings
- Google for Developers, Rules of Machine Learning: Best Practices for ML Engineering (Martin Zinkevich), página atualizada pela última vez em agosto de 2025 — https://developers.google.com/machine-learning/guides/rules-of-ml