A IA que emudeceu na recepção
Imagine a cena. Em março, sua academia contratou uma IA de atendimento para o WhatsApp. Nos primeiros dias, foi mágica: respondia lead às 23h, tirava dúvida de plano, agendava avaliação, avisava sobre a promoção de verão. A recepção respirou. Todo mundo elogiou.
Seis meses depois, ninguém mais fala dela. A promoção de verão acabou — mas a IA ainda oferece 3 meses grátis na matrícula. O valor do plano subiu e ela continua citando o preço antigo. Você abriu uma unidade nova e ela jura que só existem duas. A recepcionista voltou a responder tudo no braço, porque a IA erra. A ferramenta não quebrou. Ela envelheceu — e ninguém percebeu.
Esse é o destino silencioso da maioria dos projetos de IA. Não é um estrondo: é uma erosão. E ele quase nunca começa na tecnologia. Começa na crença, muito difundida, de que IA é um produto que se compra pronto e funciona sozinho para sempre — como um bebedouro ou uma catraca. Não é. É a premissa errada que este artigo existe para desmontar.
Software de prateleira você compra e esquece. Inteligência artificial você opera — ou ela apodrece na prateleira.
O que os números dizem sobre abandono
Se a sua IA caiu no desuso, você não é exceção — você é a regra estatística. As maiores casas de pesquisa do mundo passaram 2024 e 2025 medindo a mesma coisa, e o retrato é duro.
A RAND Corporation, em seu relatório The Root Causes of Failure for AI Projects (2024), estima que mais de 80% dos projetos de IA fracassam — cerca do dobro da taxa de projetos de TI comuns que não envolvem IA. A consultoria Gartner previu que pelo menos 30% dos projetos de IA generativa seriam abandonados após a prova de conceito até o fim de 2025, por dados ruins, custo crescente e valor de negócio pouco claro.
O dado mais alarmante veio da S&P Global Market Intelligence: na pesquisa Voice of the Enterprise: AI & Machine Learning 2025, a fatia de empresas que abandonam a maioria de suas iniciativas de IA antes de chegarem à produção saltou de 17% para 42% em um único ano. Em média, as organizações relatam que 46% dos projetos são descartados entre a prova de conceito e a adoção ampla.
E o mais recente e citado de todos: o relatório State of AI in Business 2025, do projeto NANDA, do MIT, analisou 300 implantações e concluiu que 95% dos pilotos corporativos de IA generativa não entregam retorno financeiro mensurável. A conclusão dos pesquisadores é a que mais interessa para uma academia — e está na próxima seção.
Por que a IA 'para de funcionar' numa academia
Aqui está a frase do MIT que deveria estar colada no mural de toda recepção: o fracasso "não parece ser causado pela qualidade do modelo, mas pela abordagem". As ferramentas genéricas, disseram os pesquisadores, "estagnam no uso corporativo porque não aprendem nem se adaptam ao fluxo de trabalho". Traduzindo para o seu negócio: a IA não erra porque é burra. Ela erra porque o mundo da sua academia mudou e ninguém atualizou o que ela sabe.
Uma academia é um organismo em movimento. A cada mês, alguma dessas coisas muda:
- A promoção vira. A campanha de janeiro ("comece o ano") não pode continuar rodando em julho.
- O preço e as regras de plano são reajustados.
- Entra uma modalidade nova (uma aula de ritmos, um espaço funcional, avaliação física com bioimpedância).
- Abre ou reforma uma unidade, muda horário de funcionamento em feriado.
- Muda a política de congelamento, de cancelamento, de plano família.
Cada uma dessas mudanças é uma instrução que envelheceu. A IA continua respondendo com a versão de seis meses atrás — confiante, educada e errada. E o pior: ela não avisa que está desatualizada. Um humano diria "deixa eu confirmar esse preço"; a IA sem curadoria afirma o antigo com a mesma segurança do novo.
É por isso que "a IA parou de funcionar" quase nunca é um defeito. É manutenção que faltou. E manutenção pressupõe alguém encarregado dela.
A causa raiz quase nunca é técnica
Quando um projeto de IA morre, a tentação é culpar o modelo, o robô, "a tecnologia". A pesquisa aponta para outro lugar. Na RAND, entre as cinco causas-raiz de fracasso, a mais citada não foi técnica: 84% dos entrevistados da indústria apontaram problemas de liderança e direção — projetos sem propósito claro, otimizados para a métrica errada ou que não se encaixam no fluxo real de trabalho — como a principal causa. Falta de dado, infraestrutura e maturidade vêm depois.
Traduzindo os cinco fatores da RAND para a realidade de uma rede de academias:
- Propósito mal definido: comprou IA "porque está na moda", não para resolver um gargalo concreto (lead noturno perdido, no-show de avaliação, cobrança de inadimplente).
- Sem dono: ninguém na operação é responsável por revisar e alimentar a IA. Ela é "de todo mundo", ou seja, de ninguém.
- Sem dado atualizado: a IA não conversa com o ERP, então não sabe quem está inadimplente, quem congelou, qual plano venceu.
- Sem infraestrutura de acompanhamento: ninguém olha as conversas, mede o que ela acertou e ajusta.
- Expectativa irreal: esperar que ela resolva 100% sozinha, para sempre, sem toque humano.
A RAND recomenda comprometer cada time com um problema por, no mínimo, um ano. IA não é uma compra — é um compromisso operacional.
Repare no padrão: quatro das cinco causas são sobre o que acontece em volta da IA, não sobre a IA em si. Dono, dado, acompanhamento, expectativa. Nenhuma dessas coisas vem dentro da caixa quando você "compra uma ferramenta". Elas vêm de um parceiro que opera o sistema com você.
Vender uma licença x operar um ecossistema
Aqui está a descoberta do MIT que costura tudo. O relatório do NANDA mostrou que comprar de fornecedores especializados e construir parcerias dá certo cerca de 67% das vezes — enquanto tentar construir e tocar a IA sozinho, por dentro, tem um terço dessa taxa de sucesso. A diferença entre acertar e abandonar não está no modelo (é o mesmo GPT para todo mundo). Está em quem cuida dele depois.
Existe uma diferença de natureza entre dois modelos de contratação, e ela decide o destino do projeto:
Quem vende uma licença tem o incentivo econômico de instalar e sumir: quanto menos contato, maior a margem. Quem opera um ecossistema tem o incentivo oposto — só continua sendo pago se a IA continuar entregando. É a diferença entre um fornecedor que te deixa um manual e um parceiro que senta ao seu lado toda semana olhando o que a IA respondeu para os seus alunos.
não dão retorno (MIT)
a maioria dos projetos (S&P)
parceiro especializado (MIT)
A escada do que realmente importa
Implantar a IA é importante — mas é só o degrau de baixo. Colocar o robô no ar, conectá-lo ao WhatsApp e vê-lo responder é o começo, não a vitória. Quase todo fornecedor sabe fazer essa parte; é a mais fácil, e a que menos separa o sucesso do fracasso.
Manter a informação atualizada é mais importante do que implantar. A IA que não sabe da promoção nova, do preço reajustado ou da unidade que abriu erra com confiança — e nada corrói mais rápido a confiança do aluno. Ainda assim, isso também não é o topo.
No topo está o monitoramento contínuo do comportamento da IA, focado na eficácia — e não só na eficiência. Essa distinção, que parece sutil, decide o projeto:
- Eficiência é fazer a coisa rápido e barato: a IA responde em segundos, atende centenas ao mesmo tempo, custa pouco por conversa. É o que quase todo painel mostra — e é uma armadilha, porque é fácil de medir e sempre parece ótimo.
- Eficácia é fazer a coisa certa, a que gera resultado: renovar o plano, recuperar o inativo, marcar a avaliação, resolver a dúvida que evita o cancelamento. Uma IA pode ser altamente eficiente e péssima em eficácia — responder rapidíssimo… o preço errado, a promoção que já acabou.
Monitorar o comportamento é ler o que a IA de fato respondeu e se aquilo resolveu — não apenas se respondeu depressa. É isso que trava a erosão silenciosa: alguém olhando a eficácia, semana após semana, e corrigindo o rumo antes de o aluno perceber.
O verdadeiro diferencial: a mentalidade (e o time) por trás
Existem centenas de aplicativos de resposta por IA no mercado, e a verdade incômoda é que o modelo é quase o mesmo para todos — virou commodity. O que separa a IA que dá certo das que fracassam não é a tecnologia. É a experiência do time que está por trás dela.
E esse time precisa evoluir uma coisa que raramente se discute: a mentalidade de IA — que não é evolução tecnológica, é evolução de postura. É pensar como parceiro do negócio: enxergar oportunidades, cavar oportunidades, descobrir brechas na operação e melhorar a sincronia com o time humano da academia. A tecnologia é a mesma de todo mundo; a leitura do negócio, não.
Os números do sucesso vivem desse lado. Segundo a McKinsey (State of AI, 2025), as empresas que realmente extraem valor da IA — as high performers — não a tratam como enfeite de eficiência: usam-na para transformar o negócio e relatam retorno bem acima da média, na ordem de três vezes o retorno por real investido em comparação com a média do mercado. O separador não é o robô. É a mentalidade e o time.
É exatamente assim que a ECIAA opera: implantação com propósito, curadoria e monitoramento de eficácia contínuos, e um time que evolui a mentalidade de IA junto com a sua rede — enxergando oportunidade onde o painel só mostra volume. IA, aqui, não é um produto que se entrega e abandona; é um ecossistema que se conduz.
Por isso a pergunta que separa um custo de um investimento não é "qual IA comprar?". É "quem vai cuidar dela depois?" — porque uma IA sem quem a conduza não envelhece com elegância. Ela emudece na recepção, exatamente como começou esta história.