O CONARH 2026 fechou com um número que pesou mais do que qualquer painel sobre "o futuro do RH": 95% das organizações analisadas por uma pesquisa do MIT não conseguiram medir retorno financeiro nos projetos de IA generativa que colocaram de pé. O dado foi citado no encerramento do maior congresso de RH da América Latina, para uma plateia de gente que passou o evento inteiro ouvindo falar de agentes de IA, automação e "RH autônomo".
Isso não é ceticismo de quem não testou. É estatística de quem testou e não viu o dinheiro voltar. E para quem está comprando — ou vendendo — tecnologia de recrutamento com IA em 2026, esse número muda a pergunta que importa: não é mais "sua ferramenta usa IA?", é "por que a sua ferramenta ficaria entre os 5% que funcionam?".
O que a pesquisa do MIT descobriu sobre o retorno da IA generativa?
Entre janeiro e junho de 2025, o Project NANDA do MIT analisou mais de 300 iniciativas públicas de IA, entrevistou 52 organizações e ouviu 153 executivos em conferências do setor. A conclusão, batizada de "GenAI Divide": 95% dos investimentos corporativos em IA generativa não geraram retorno financeiro mensurável (relatório original do MIT NANDA; Fortune).
O funil por trás do número é o que explica o tamanho do problema, segundo o mesmo relatório: 80% das empresas já exploram ferramentas de modelo de linguagem, cerca de 40% têm algum tipo de implementação, só 20% chegam à fase de piloto — e apenas 5% chegam à produção com retorno mensurável. Isso em um mercado que já investiu entre US$ 30 e 40 bilhões em IA corporativa (MIT NANDA). O relatório também aponta que contratar um parceiro externo especializado praticamente dobra a taxa de sucesso em relação a construir a solução internamente — ponto que volta mais adiante neste texto.
Essa é exatamente a citação que apareceu no painel de encerramento do CONARH, coberta pela Dimep: "95% das organizações não obtiveram retorno financeiro mensurável com projetos de IA generativa" (Dimep). Não é mais leitura de mercado — é número duro, de fonte acadêmica internacional, repetido para quem toma decisão de RH no Brasil.
No Brasil, o retorno é melhor ou pior que a média global?
Um estudo brasileiro publicado poucos dias antes, em 24 de agosto, mostra um quadro parecido, mas com uma curva mais reveladora do que o número isolado: apenas 40,7% das empresas brasileiras conseguem transformar investimento em IA generativa em resultado financeiro comprovado — e essa taxa não sobe de forma constante com o tempo de uso, ela afunda no meio do caminho.
O estudo, do TEC.Institute em parceria com a Peers Consulting + Technology e publicado pela MIT Technology Review Brasil, cruza maturidade de adoção com resultado acima do esperado (CNN Brasil; relatório completo):
| Tempo de adoção | % de empresas com retorno acima do esperado |
|---|---|
| Menos de 6 meses | 35,1% |
| 12 a 24 meses | 13,3% |
| Mais de 2 anos | 39% |
| Bancos (setor mais maduro em IA) | 72,7% |
A leitura por trás da tabela: no começo, o entusiasmo do piloto infla o resultado percebido. No meio, quando a empresa tenta sair do piloto e escalar de verdade, o resultado despenca — é o que o estudo chama de "vale da escala", o momento em que escalar exige reorganizar processo, sistema e governança, não só comprar mais licença. Só quem atravessa esse vale (ou quem, como os bancos, já tinha maturidade de governança de dados antes da IA generativa chegar) volta a ver retorno crescente.
Por que o RH costuma ficar de fora da conta que funciona?
O RH costuma ficar de fora porque o orçamento de IA nas empresas segue um viés claro: prioriza marketing e vendas, funções de "linha de frente" com resultado mais fácil de atribuir, e deixa funções administrativas — RH incluído — para depois. Ao mesmo tempo, o RH brasileiro já comprou a tecnologia sem ter comprado a capacidade de usá-la.
O dado que sustenta a segunda metade dessa frase: 58% das empresas brasileiras já usam algum tipo de IA, mas apenas 15,2% das equipes se dizem de fato familiarizadas com a tecnologia (Mundo RH). É o mesmo "GenAI Divide" do MIT, só que em escala de time: a empresa "tem" IA, mas quem executa o processo no dia a dia não sabe operar o que foi comprado. Recrutamento é, ao mesmo tempo, um dos processos mais repetitivos e mais ricos em dado estruturado de qualquer empresa — candidatura, currículo, entrevista, feedback, decisão — exatamente o tipo de processo em que ferramenta de IA deveria entregar retorno rápido. Na prática, é o processo que menos recebe prioridade de orçamento e o que mais sofre com ferramenta mal implementada.
O que separa quem sai do piloto de quem fica preso nele?
O relatório do MIT NANDA identifica quatro padrões que separam as poucas empresas que capturam retorno das que ficam presas no piloto — e o mais relevante para quem compra tecnologia de RH é o último da lista (relatório original).
| Padrão identificado pelo MIT | O que significa na prática |
|---|---|
| Disrupção estrutural baixa | O ganho real de IA generativa ainda está concentrado em tecnologia e mídia — outros setores adotam sem redesenhar o processo por trás |
| Paradoxo corporativo | Empresas grandes testam mais pilotos, mas escalam menos deles para produção do que empresas menores |
| Viés de investimento | O orçamento de IA prioriza marketing e vendas; funções administrativas como RH ficam para depois |
| Vantagem da parceria externa | Empresas que compram de um parceiro especializado têm taxa de sucesso cerca de duas vezes maior do que as que tentam construir a solução internamente |
Isso não é argumento contra construir tecnologia própria — é leitura honesta do que os dados mostram até agora: ferramenta genérica, configurada por dentro por um time que não tem esse foco como prioridade número um, tende a ficar no piloto. Ferramenta construída para resolver um processo específico, do início ao fim, tende a sair dele.
O que isso muda pra quem tá comprando IA pra recrutamento hoje
Não muda a decisão de usar IA no RH — muda o critério de escolha. Antes de assinar contrato com qualquer ferramenta de IA para recrutamento, três perguntas separam quem vai virar retorno de quem vai virar mais um piloto esquecido na conta que não fecha.
Ela executa uma tarefa inteira, do início ao fim, ou só sugere e deixa o trabalho de fechar com alguém? Ela foi construída nativa para o processo ou é um recurso de IA colado em cima de um sistema antigo? E o fornecedor tem cliente real usando em produção há mais de 12 meses, ou só logo de piloto na página inicial?
Vale a ressalva honesta, para não soar discurso de venda: nenhuma dessas três perguntas é bala de prata. Uma plataforma nativa de IA reduz o risco de ficar preso no "vale da escala", mas não substitui prioridade de orçamento, meta de retorno definida com clareza e um time que sabe operar o que foi comprado. Os mesmos dados que mostram vantagem de quem usa parceiro especializado também mostram banco superando 72,7% de resultado acima do esperado — e banco não tem nada de nativo em IA, tem décadas de governança de dado madura antes da IA generativa existir. Tecnologia certa ajuda. Não substitui organização.