A inteligência artificial é frequentemente anunciada como um divisor de águas, mas muitas empresas descobrem que seus ousados projetos-piloto de IA entram em colapso quando seus modelos operacionais não conseguem sustentá-los. Neste artigo, os autores argumentam que o sucesso da IA depende menos dos algoritmos e mais do alinhamento entre as ambições de uma empresa e sua realidade organizacional. Com base em pesquisas e em exemplos de empresas de diversos setores, eles apresentam um framework construído sobre duas dimensões — controle da cadeia de valor (o grau de influência que uma empresa exerce sobre o percurso da ideia até o mercado) e amplitude tecnológica (o alcance e a interdependência das tecnologias que uma empresa precisa integrar para competir). Eles analisam as quatro estratégias resultantes que as empresas podem usar para transformar o potencial da IA em desempenho: diferenciação focada, integração vertical, ecossistema colaborativo e liderança de plataforma.
Em 2018, dois gigantes globais decidiram usar a inteligência artificial para remodelar a forma como projetavam e levavam produtos ao mercado. A General Motors aplicou um software de design generativo usando o Fusion 360, da Autodesk, para repensar um componente simples, porém crítico — o suporte do assento. A IA gerou uma estrutura que lembrava algo que a natureza poderia ter criado — uma forma leve, em treliça, 40% mais leve e 20% mais resistente do que a original. No entanto, a peça nunca entrou em produção. Por quê? A cadeia de suprimentos e o sistema de manufatura da GM — projetados para aço estampado — não conseguiam lidar com a geometria complexa do design gerado pela IA. A adaptação do sistema levaria anos. A inovação estagnou.
Ao mesmo tempo, a Apple começou a experimentar metalentes — componentes ópticos ultrafinos, otimizados por IA, capazes de substituir lentes de câmera tradicionais. A tecnologia exigia a integração de aprendizado de máquina, ciência dos materiais e manufatura de semicondutores. Em dois anos, a Apple havia registrado dezenas de patentes e (no momento em que este texto foi escrito no final de 2025) estaria se preparando para incorporar a inovação em seus sensores de Face ID — primeiro no iPad Pro e depois também nos próximos modelos do iPhone 17. Diferentemente da GM, a Apple não tinha apenas uma ideia ousada — ela tinha o sistema para executá-la.
As duas histórias capturam uma verdade importante sobre a IA: o problema geralmente não está no que a IA pode ou não fazer. Com mais frequência, o problema é o desalinhamento entre o que os líderes desejam alcançar e o que suas cadeias de valor, modelos operacionais e pilhas tecnológicas conseguem realisticamente sustentar. A questão é generalizada — 62% das empresas citam o baixo alinhamento entre funções e 63% apontam a necessidade de ajustar fluxos de trabalho como as principais barreiras para a adoção bem-sucedida da IA. Apenas 25% dos CEOs afirmam sentir-se totalmente preparados para implantar IA em toda a organização, segundo uma pesquisa da Kearney e do Futurum Group.
Infelizmente, a grande maioria das empresas se assemelha mais à GM nesse aspecto do que à Apple. Estudos sugerem que muitas iniciativas de IA não conseguem gerar valor de negócio tangível: de acordo com a S&P Global Market Intelligence, 42% das empresas abandonaram a maior parte de suas iniciativas de IA em 2025 (acima de 17% em 2024) e, em média, 46% das provas de conceito foram descartadas antes de chegar à produção. Além disso, uma pesquisa recente com 1.600 líderes e funcionários corporativos, conduzida pela empresa de IA Writer, constatou que apenas um terço das organizações obtém ROI significativo com seus investimentos em IA, embora 73% delas gastem mais de US$ 1 milhão por ano em IA.
Neste artigo, oferecemos um framework prático para ajudar as empresas a melhorar o retorno sobre seus investimentos em IA. Com base em nossas pesquisas e na experiência com empresas de diversos setores — incluindo bens de consumo e manufatura avançada — identificamos duas dimensões-chave que moldam o sucesso da IA: controle da cadeia de valor e amplitude tecnológica. Essas forças definem o campo de possibilidades — e apontam para quatro abordagens distintas que as empresas podem adotar para concretizar o potencial da IA: diferenciação focada, integração vertical, ecossistema colaborativo e liderança de plataforma. Cada uma traz seus próprios riscos, requisitos e potencial para inovações disruptivas. Mas, quando a abordagem se ajusta à realidade da empresa, o retorno é significativo.
Vamos começar analisando mais de perto as duas dimensões que formam a base desse framework.
Encontre sua posição no framework
A primeira dimensão, controle da cadeia de valor, refere-se ao grau de influência que uma empresa exerce sobre o percurso da ideia até o mercado. Empresas com alto controle da cadeia de valor conseguem testar, iterar e escalar inovações rapidamente porque possuem ou influenciam fortemente o design do produto, a manufatura, a distribuição e o relacionamento com o cliente. A Samsung, por exemplo, consegue lançar melhorias em displays ou câmeras baseadas em IA em todo o seu portfólio de produtos porque controla desde a fabricação de chips até os pontos de varejo globais.
No outro extremo do espectro estão as empresas com baixo controle da cadeia de valor (como fornecedores de segundo nível no setor automotivo ou licenciadores de marcas em bens de consumo). Como essas organizações dependem de terceiros para validar, adotar ou distribuir suas inovações, é difícil avançar rapidamente. Elas têm pouca influência sobre a forma como outras empresas operam e um espaço relativamente restrito para inovar.
A segunda dimensão, amplitude tecnológica, refere-se ao alcance e à interdependência das tecnologias que uma empresa precisa integrar para competir. Em setores de alta amplitude — como semicondutores, veículos autônomos e ciências da vida — a IA raramente funciona de forma isolada. Ela precisa ser incorporada a uma rede dinâmica de outras tecnologias, como sensores, robótica, ciência dos materiais, arquitetura em nuvem e computação de borda. Organizações nesses setores precisam gerenciar uma convergência constante.
Em contraste, setores de baixa amplitude — como processamento de alimentos, materiais de construção e logística básica — tendem a operar com pilhas tecnológicas mais estáveis. As empresas nesses setores podem usar a IA para gerar ganhos significativos, mas geralmente o fazem aprimorando processos existentes, em vez de redefinir o cenário competitivo.
Essas dimensões não são pontos fixos em um mapa — são forças dinâmicas que evoluem entre funções, geografias e ao longo do tempo. Uma empresa pode ter alta amplitude tecnológica em P&D, mas baixa amplitude no relacionamento com clientes. Pode exercer forte controle da cadeia de valor em uma região, mas depender fortemente de intermediários em outra. As empresas devem concentrar-se nos contextos em que estão mais bem posicionadas para agir com foco e confiança.
Escolha a estratégia certa
Quatro estratégias de inovação em IA emergem do nosso framework. Cada uma representa uma forma diferente de alinhar a posição da organização a um caminho viável para a inovação. A seguir, analisamos mais de perto cada estratégia — sua lógica, o tipo específico de inovação que tende a desencadear e, naturalmente, seus riscos.
1. Diferenciação focada: aprimore sua vantagem.
Empresas com controle limitado da cadeia de valor e baixa amplitude tecnológica normalmente operam em setores maduros. Elas têm profundo conhecimento em uma parte da cadeia de valor — como formulação de produtos, suprimentos a montante ou insights do consumidor — mas não controlam todo o caminho até o mercado. Não estão na vanguarda da IA, mas têm dados e sabem como utilizá-los. Não conseguem redesenhar o sistema, mas podem torná-lo mais inteligente. Usam a IA para ajustar e otimizar produtos ou processos dentro de um domínio definido. Este é o território de casos de uso precisos e de alto impacto: um rótulo melhor, um sensor mais inteligente, uma fórmula mais adaptativa. Nessas situações, as empresas vencem com IA ao aprofundar, não ao ampliar.
Por exemplo, a gigante de alimentos e bebidas PepsiCo aplicou IA a montante em sua cadeia de suprimentos de batata, onde exerce forte controle por meio de programas com produtores. Ao empregar drones e usar aprendizado de máquina para avaliar indicadores precoces da saúde das lavouras, a PepsiCo ajudou os agricultores a otimizar o uso de irrigação e fertilizantes, reduzindo a pegada de carbono, aumentando a produtividade e tornando as colheitas mais resilientes — uma vantagem crítica em um negócio de commodities. A PepsiCo Europa firmou parceria com a Yara, empresa global de nutrição de cultivos, para equipar agricultores com ferramentas digitais de agricultura de precisão, incentivando a adoção de práticas agrícolas regenerativas.
Em linha semelhante, a McCormick & Company concentrou seu foco em um ponto específico de alavancagem: o desenvolvimento de sabores. Em 2019, a fabricante global de especiarias firmou parceria com a IBM para construir o SAGE, um sistema de IA treinado com décadas de dados sensoriais, receitas e insights de consumidores. Desde então, a ferramenta tornou-se central no processo de desenvolvimento de produtos da McCormick, ajudando a empresa a acelerar a inovação e a dobrar a contribuição das vendas líquidas provenientes de novos produtos entre 2022 e 2024.
Na Fonterra, gigante do setor de laticínios da Nova Zelândia, os líderes não tentaram digitalizar todo o negócio. Eles se concentraram em um gargalo — prever a qualidade do leite antes que ele deixasse a fazenda — e aplicaram IA com precisão cirúrgica. Trabalhando com parceiros de agrotecnologia e analytics, a Fonterra integrou dados de sensores das fazendas (como clima, condições das pastagens e saúde do rebanho) com registros históricos de coleta de leite. Em seguida, modelos de aprendizado de máquina foram treinados para detectar padrões que sinalizavam possíveis quedas na qualidade do leite — identificando problemas como elevação da contagem de células somáticas ou riscos de contaminação bacteriana antes que o leite chegasse à planta de processamento. Isso permitiu à Fonterra otimizar rotas de coleta em tempo real, priorizar fontes de maior qualidade e reduzir desperdícios.
O principal risco para as empresas nesse quadrante é o excesso de ambição. No fim de 2021, a iniciativa de compra e revenda de imóveis da Zillow, o Zillow Offers, que se baseava no modelo de precificação Zestimate derivado de IA, fracassou de forma retumbante ao tentar escalar. A Zillow comprou 27.000 casas com base nas avaliações da IA, mas vendeu apenas 17.000. Os preços estimados pelo Zestimate chegaram a apresentar desvios de até 6,9% para imóveis fora do mercado. O resultado foi uma baixa contábil de estoque de impressionantes US$ 304 milhões, 2.000 demissões e o cancelamento de todo o negócio Zillow Offers.
2. Integração vertical: conecte a máquina.
Empresas com forte controle da cadeia de valor, mas amplitude tecnológica relativamente limitada, costumam ser candidatas ideais à adoção de IA em toda a empresa. Elas talvez não precisem acompanhar todas as tendências de tecnologia de ponta, mas, ao incorporar IA aos processos que já controlam, conseguem gerar impacto significativo. A IA pode conectar insights entre sistemas internos — revelando sinergias e eficiências entre dados, departamentos ou processos. Este é o espaço em que a IA fortalece a excelência operacional: manutenção preditiva, precificação dinâmica e logística orientada pela demanda, entre outros. Aqui, a escala atua como um multiplicador de impacto — quanto maiores as operações, maiores os ganhos cumulativos, mesmo a partir de pequenas melhorias de eficiência.
A JD.com, gigante chinesa do comércio eletrônico, incorporou IA em toda a sua rede logística, usando dados em tempo real para otimizar desde o estoque em armazéns e o roteamento de entregas até o dimensionamento de mão de obra e a previsão de demanda. Durante os lockdowns da pandemia, o sistema inteligente da JD.com redirecionou entregas com base em zonas de contenção, automatizou operações de armazéns com robótica orientada por IA e realocou estoques de forma dinâmica para atender a picos regionais de demanda. Enquanto concorrentes enfrentavam gargalos e atrasos, a JD.com manteve o serviço ininterrupto porque havia construído um sistema mais inteligente.
No setor de energia, a ExxonMobil utilizou IA para interpretar dados sísmicos e otimizar trajetórias de perfuração na Guiana. Algoritmos treinados com terabytes de dados históricos reduziram o tempo médio de perfuração de poços em 15%, economizando milhões de dólares por local. Como a Exxon controla a infraestrutura — da exploração à produção — pôde avançar rapidamente, sem esperar validação externa.
Considere também o Walmart. Com controle sobre a cadeia de suprimentos, as operações de loja e os sistemas de precificação, o Walmart usou IA para otimizar logística, estoques e alocação de equipes. Na Flórida, por exemplo, a empresa executou um projeto-piloto que utilizou previsões meteorológicas locais e tendências de redes sociais para antecipar picos de demanda. Antes da chegada do furacão Ian, o sistema realocou automaticamente suprimentos de emergência. Após a tempestade, redirecionou remessas para evitar um centro de distribuição danificado e manteve as lojas abastecidas com itens essenciais.
Empresas que seguem a integração vertical frequentemente se destacam ao revelar conexões inéditas — ligando dados e processos entre silos para descobrir padrões e eficiências que outros não conseguem enxergar. Quando a IA é implantada em um sistema rigidamente controlado, a capacidade de conectar pontos — entre logística e precificação, ou entre operações e previsão — torna-se uma fonte única de vantagem competitiva.
É importante, mais uma vez, não ir além do que a execução permite. Mesmo empresas com operações sólidas podem tropeçar quando a ambição supera a capacidade de implementação. A GE, por exemplo, buscou tornar-se a Microsoft da IA industrial com sua plataforma Predix, projetada para conectar análises entre máquinas — de turbinas a locomotivas e dispositivos médicos. Porém, dados isolados, resistência interna, falta de softwares de integração e mudanças na liderança prejudicaram a implementação. Após gastar mais de US$ 4 bilhões, a GE reduziu suas ambições com a plataforma e desmembrou grande parte da GE Digital.
3. Ecossistema colaborativo: ative a rede.
Algumas empresas operam em ecossistemas tecnologicamente complexos, mas não controlam como suas soluções chegam, em última instância, ao mercado. Nesse quadrante, o sucesso da IA não vem de agir sozinho, mas de formar parcerias estratégicas — compartilhando riscos de inovação, infraestrutura e conhecimento. As empresas aqui costumam atuar em setores de alta tecnologia e rápida evolução, mas as alavancas de execução não estão totalmente em suas mãos: elas dependem de reguladores, pesquisadores ou parceiros de plataforma para alcançar o usuário final. Sua vantagem está na parceria: plataformas compartilhadas, ferramentas co-desenvolvidas e alianças que alinham incentivos, e não apenas cronogramas.
Veja, por exemplo, a Novartis e a Microsoft. Elas não se limitaram a formar uma parceria — criaram um laboratório de inovação em IA com o objetivo de acelerar a descoberta e o desenvolvimento de medicamentos. No centro da iniciativa estava um conjunto de modelos de aprendizado de máquina treinados para prever o comportamento molecular, identificar potenciais alvos terapêuticos e otimizar protocolos de ensaios clínicos. Em um caso, as ferramentas do laboratório ajudaram a Novartis a identificar novas combinações de biomarcadores para estudos oncológicos — reduzindo o tempo de desenho dos ensaios em mais de 30%. O sucesso do esforço não veio apenas da tecnologia compartilhada, mas de um propósito comum, de uma infraestrutura co-desenvolvida e de um compromisso com a integração científica e operacional.
A aliança do BMW Group com a Intel e a Mobileye é outro exemplo relevante. Cada participante contribuiu com capacidades distintas — poder de processamento, visão computacional e integração veicular — para desenvolver soluções de direção autônoma. O protótipo desenvolvido em conjunto foi testado em uma autobahn alemã, onde demonstrou condução segura e sem as mãos em ambientes controlados. Nenhuma das empresas teria alcançado isso sozinha.
Considere também a colaboração entre a Pfizer e a BioNTech durante a pandemia de Covid-19. Os modelos de IA da BioNTech analisaram mais de 10.000 candidatos de mRNA em poucos dias, selecionando a formulação BNT162b2 que se tornaria a vacina. As capacidades globais de regulamentação e manufatura da Pfizer — ampliadas por ferramentas de IA — aceleraram a produção e a aprovação. Juntas, as empresas transformaram uma aposta ousada em um sucesso histórico.
Como esse exemplo demonstra, esse quadrante é o mais bem posicionado para viabilizar descobertas fundamentais — aquelas inovações em estágio inicial que redefinem a ciência, a tecnologia ou a medicina. Mas a descoberta exige coordenação. Quando a governança é pouco clara, as culturas entram em choque ou os objetivos divergem, até mesmo as ferramentas mais promissoras podem fracassar. Quando o alinhamento é profundo — quando conhecimento, incentivos e execução são co-desenhados — o retorno é transformador. A IA nesse quadrante não se resume à colaboração. Trata-se de coerência e de como os parceiros trabalham juntos.
Para que parcerias em IA liberem sinergias poderosas, o alinhamento precisa ir além do comunicado à imprensa. A colaboração de grande visibilidade da IBM com o centro oncológico MD Anderson tinha como objetivo revolucionar o tratamento do câncer com seu Oncology Expert Advisor, baseado no Watson. Apesar de resultados técnicos promissores, o projeto enfrentou desafios organizacionais e de integração. A implementação mostrou-se difícil, e o sistema nunca avançou além da fase piloto. O esforço acabou estagnando — não por falta de ambição, mas porque a parceria teve dificuldades para alinhar tecnologia, dados e prática clínica.
4. Liderança de plataforma: molde as normas.
No ápice de ambas as dimensões — alta amplitude tecnológica e amplo controle da cadeia de valor — estão as empresas que não apenas se adaptam à mudança; elas a moldam. Elas criam infraestrutura e ecossistemas, além de desenvolver produtos. Este é o domínio da orquestração: definir padrões, abrir APIs e projetar sistemas sobre os quais outros desejam construir.
Veja o lançamento do BloombergGPT pela Bloomberg, um grande modelo de linguagem específico para finanças, treinado com mais de 700 bilhões de tokens. Não foi apenas uma atualização técnica — foi um movimento estratégico para definir a próxima geração de IA financeira. Diferentemente de modelos de uso geral, o BloombergGPT foi treinado com uma combinação única de documentos financeiros, teleconferências de resultados e conjuntos de dados proprietários, permitindo resumir relatórios de resultados, automatizar a classificação de notícias e auxiliar na modelagem de risco — tudo dentro do ecossistema altamente integrado do terminal Bloomberg. A oferta da Bloomberg não se limitou à IA generativa. Tratou-se de estabelecer um novo padrão para o setor.
A Siemens Healthineers alcançou posição semelhante de liderança de plataforma em imagens médicas. Seu conjunto AI-Rad Companion integra-se diretamente aos sistemas hospitalares, analisando automaticamente radiografias, tomografias e ressonâncias magnéticas para destacar anomalias. Treinado com mais de 400 milhões de exames, o sistema fornece resultados aprovados por órgãos regulatórios em mais de 60 países — aumentando a precisão diagnóstica e otimizando os fluxos de trabalho clínicos. A Siemens não apenas vende ferramentas de IA. Ela molda a forma como os hospitais as utilizam e estabelece novos padrões de cuidado.
A abordagem de plataforma da Microsoft para IA combina infraestrutura, ferramentas e orquestração de ecossistema. O GitHub Copilot, treinado com bilhões de linhas de código, hoje contribui com até 40% do código escrito em linguagens compatíveis. No Microsoft 365, copilotos de IA incorporados ao Word, Excel e Teams estão redefinindo a forma como o trabalho é realizado. E, com o Azure OpenAI Service, a Microsoft tornou-se a espinha dorsal corporativa da IA generativa. De forma crucial, essa liderança foi construída não apenas pela entrega de desempenho técnico, mas por governança, transparência e alinhamento com clientes corporativos.
As empresas nesse quadrante estão bem posicionadas para avançar para domínios aparentemente distantes graças à sua capacidade de detectar sinais fracos e padrões inéditos entre geografias, setores e áreas de atuação. Líderes de plataforma têm a escala, os dados e o alcance arquitetural para enxergar o que outros não veem — e agir antes de todos.
Mas, com esse alcance, vem o risco. A capacidade de moldar setores traz uma responsabilidade maior de conquistar e manter a confiança — de parceiros, reguladores e usuários finais. O fracasso nesse quadrante raramente decorre de tecnologia fraca. Considere a entrada do Google em IA para saúde por meio do DeepMind Health. A equipe firmou parcerias com hospitais do Reino Unido para desenvolver modelos de diagnóstico treinados com dados reais de pacientes. Do ponto de vista tecnológico, o projeto era promissor. Mas, quando veio à tona que a DeepMind havia acessado milhões de registros do NHS sem o devido consentimento, houve forte reação pública. A iniciativa foi então absorvida pelo Google Health e perdeu impulso. O fracasso não foi do algoritmo; foi a quebra de confiança.
Quadro: Alinhando a estratégia de IA à realidade do negócio
Ao decidir como melhor capturar os benefícios da inteligência artificial, as empresas devem se avaliar ao longo de duas dimensões-chave: controle da cadeia de valor (quanto de influência elas têm sobre a jornada da ideia ao mercado) e amplitude tecnológica (quantas tecnologias de rápida evolução e interdependentes elas precisam integrar para se manter competitivas). Essas forças apontam para quatro abordagens distintas que as empresas podem adotar para concretizar o potencial da IA. Cada quadrante do mapa reflete um padrão único de força. Algumas empresas evoluem entre os quadrantes à medida que suas capacidades crescem. Outras operam em múltiplas zonas simultaneamente. Com o tempo, escolhas estratégicas, capacidades organizacionais e experimentação com IA podem ser integradas em um sistema que evolui, e não apenas em uma estratégia que escala.
Fonte do gráfico original: Cyril Bouquet, Christopher J. Wright e Julian Nolan – publicado na HBR 2601
Engaje as pessoas
Em todas as quatro estratégias, o desafio determinante não é técnico. É humano. Muitas iniciativas de IA fracassam não porque os algoritmos subjacentes sejam fracos, mas porque as pessoas resistem a usar as ferramentas. Na pesquisa corporativa da Writer mencionada anteriormente, 31% dos funcionários admitiram resistir ativamente às iniciativas de IA de suas empresas — muitas vezes por medo de serem substituídos. Um em cada 10 foi ainda além, afirmando ter manipulado métricas de desempenho ou gerado intencionalmente resultados de baixa qualidade para minar os esforços de adoção.
Quando a Rent a Mac, uma empresa de locação de dispositivos Apple, lançou um sistema de gestão de estoque orientado por IA, isso gerou ansiedade em toda a força de trabalho. Isso levou a um atraso de sete semanas na implementação e a uma perda de cerca de US$ 85 mil em economias de eficiência esperadas. No entanto, ao nomear “embaixadores de IA” para demonstrar casos de uso reais, a empresa viu os níveis de engajamento triplicarem — de 31% para 89% em apenas alguns meses. Transparência, diálogo e experiências pessoais mudaram a narrativa. A Colgate-Palmolive reconheceu a importância do engajamento dos colaboradores quando lançou seu AI Hub interno, que capacitou os funcionários a desenvolverem seus próprios assistentes — milhares deles — sem necessidade de conhecimento em programação. O resultado não foi apenas fluxos de trabalho melhores. Foi adesão. Quando as pessoas se sentem participantes do futuro, elas não o temem — ajudam a construí-lo.
O papel do gestor está mudando nas organizações orientadas por IA. Além de coordenar pessoas, os gestores agora precisam ajudar as equipes a aprender a colaborar com algoritmos — interpretando insights das máquinas, redesenhando fluxos de trabalho e traduzindo o progresso técnico em progresso humano. Isso geralmente exige uma mudança cultural: criar espaço para experimentar, falhar rapidamente e aprender em tempo real.
As organizações mais bem-sucedidas tratam a IA não como uma resposta, mas como uma pergunta: como podemos trabalhar de forma mais inteligente, juntos? E, no fim das contas, isso significa que algumas delas estão presentes nos quatro quadrantes. Vejamos como isso se manifesta.
Liderando na era da IA
À primeira vista, a P&G pode parecer um exemplo clássico de integração vertical. (A P&G é cliente da Iprova, onde dois de nós — Christopher e Julian — trabalham.) Com controle de ponta a ponta sobre tudo, desde laboratórios de P&D até fábricas e a execução no varejo, a empresa incorporou a IA profundamente em seu núcleo operacional. Usando o Azure IoT Operations, da Microsoft, a companhia reduziu em até 90% o tempo necessário para implantar novos modelos de aprendizado de máquina em suas fábricas, permitindo que algoritmos preditivos monitorem dados de vibração e temperatura de máquinas, antecipem falhas de equipamentos e otimizem continuamente a produção.
Além das operações, a P&G aplica IA com precisão onde isso realmente importa. A escova de dentes Oral-B iO utiliza sensores e aprendizado de máquina em tempo real para orientar os usuários sobre a técnica de escovação, melhorando os resultados de higiene bucal. A equipe responsável pelo Tide usou IA para acelerar os testes de formulação, reduzindo prazos que antes levavam meses para poucas semanas. Esses são exemplos clássicos de diferenciação focada — de escopo restrito, mas de impacto profundo.
Fora de suas próprias fronteiras, a P&G cultiva ativamente ecossistemas colaborativos por meio de iniciativas como a plataforma Connect + Develop, mantida há anos. Essa rede de inovação aberta alimenta ferramentas baseadas em IA, como o Olay Skin Advisor, que analisa selfies para recomendar rotinas de cuidados com a pele. A P&G também construiu um sistema proprietário de pulso do consumidor que integra sinais de redes sociais, atendimento ao cliente, avaliações de produtos e dados de varejo — dando à empresa o poder não apenas de reagir às tendências de mercado, mas de moldá-las.
O que torna a P&G singular é o fato de atuar deliberadamente nos quatro quadrantes: foca onde a IA pode gerar valor imediato; integra onde a escala impulsiona o desempenho; estabelece parcerias onde capacidades complementares são essenciais; cria plataformas que a colocam no centro dos principais ecossistemas em que opera. Ao fazer isso, revela uma verdade mais profunda: a estratégia pode começar em um quadrante, mas o sucesso é construído por meio de um sistema.
A próxima década não será vencida pelas empresas que lançaram mais projetos-piloto. Será vencida pelas empresas que sabem escalar. Isso significa transformar ambição em ação — escolher a estratégia que se encaixa na realidade organizacional, capacitar as pessoas e alinhar a IA ao que realmente se pode controlar. Porque, no fim das contas, a IA não é a estratégia. É uma ferramenta que dá vida à estratégia. Portanto, faça as perguntas difíceis: onde temos alavancagem? Onde conseguimos avançar rapidamente? Que tipo de inovação estamos preparados para destravar? A IA pode gerar insights, mas apenas a sua organização pode transformá-los em resultados. A diferença entre a GM e a Apple não foi apenas a tecnologia. Foi o sistema que a cercava. As empresas que constroem os sistemas certos — aqueles em que ambição encontra execução — serão as que deixarão de apenas testar e passarão a liderar.
Fonte:
Uma versão deste artigo foi publicada na edição de janeiro-fevereiro de 2026 do periódico Harvard Business Review.
Sobre os autores:
Cyril Bouquet é professor de estratégia e inovação no IMD. Ele é coautor de ALIEN Thinking: The Unconventional Path to Breakthrough Ideas (2021).
Christopher J. Wright é diretor-chefe de invenção da Iprova, uma empresa suíça que utiliza IA para acelerar a criação de inovações disruptivas.
Julian Nolan é fundador e CEO da Iprova.
Sobre a empresa Iprova:
A Iprova é uma empresa suíça de tecnologia especializada em inovação orientada por inteligência artificial, com foco específico na criação sistemática de inovações disruptivas (breakthrough innovations). Diferentemente de soluções de IA voltadas apenas à automação ou eficiência operacional, a proposta central da Iprova é apoiar empresas na descoberta de oportunidades estratégicas que não são óbvias a partir de análises tradicionais.
O núcleo da Iprova é uma plataforma proprietária de IA que combina aprendizado de máquina, processamento de linguagem natural e análise semântica em larga escala. Essa plataforma analisa milhões de fontes de dados — como patentes, publicações científicas, tendências tecnológicas, sinais de mercado e ativos internos das empresas — para identificar “espaços em branco” de inovação: problemas relevantes que ainda não têm soluções claras ou viáveis no mercado.
Um diferencial importante da Iprova é o conceito de inovação guiada por problemas, e não apenas por tecnologias. Em vez de perguntar “o que podemos fazer com esta tecnologia?”, a abordagem da empresa começa com “quais problemas estratégicos ou latentes merecem ser resolvidos?”. A IA então ajuda a conectar esses problemas a possibilidades técnicas, científicas e comerciais que muitas vezes estão dispersas entre setores e disciplinas.
A Iprova atua principalmente com grandes organizações globais, em setores como bens de consumo, manufatura avançada, energia, saúde e tecnologia. Seu modelo de trabalho costuma envolver parcerias de longo prazo, nas quais a plataforma é integrada aos processos de P&D, estratégia e inovação corporativa. Casos relatados incluem aceleração significativa do funil de inovação, maior taxa de projetos realmente diferenciados e melhor alinhamento entre inovação e estratégia de negócios.
Além da tecnologia, a empresa enfatiza fortemente o fator humano. A plataforma não substitui equipes de inovação, mas funciona como um sistema de apoio à decisão, ampliando a capacidade dos especialistas de enxergar conexões improváveis, reduzir vieses cognitivos e priorizar iniciativas com maior potencial de impacto. Por isso, a Iprova costuma ser citada como um exemplo de “IA aumentativa”, que fortalece o julgamento humano em vez de automatizá-lo.
Em síntese, a Iprova se posiciona como uma ponte entre estratégia, ciência e tecnologia, usando IA para transformar inovação de algo oportunista e incerto em um processo mais estruturado, repetível e alinhado aos objetivos de longo prazo das organizações.
Sobre o Instituto IMD:
O IMD é uma escola internacional de negócios de alto prestígio, sediada em Lausanne, na Suíça, reconhecida mundialmente por sua excelência em educação executiva, pesquisa aplicada e desenvolvimento de lideranças.
A sigla IMD vem de International Institute for Management Development. A instituição tem foco quase exclusivo em programas para executivos, alta liderança e conselhos de administração, diferentemente de escolas tradicionais que concentram grande parte de suas atividades em cursos de graduação.
Alguns pontos centrais sobre o IMD:
O IMD é especialmente conhecido por seus programas de educação executiva de curta e média duração, voltados a CEOs, diretores, vice-presidentes e líderes seniores. Esses programas costumam abordar temas como estratégia, inovação, transformação digital, liderança, governança corporativa e sustentabilidade.
A escola aparece de forma recorrente entre as melhores do mundo nos rankings internacionais de educação executiva, como os do Financial Times, frequentemente ocupando posições de liderança global nesse segmento específico.
A pesquisa acadêmica do IMD é fortemente orientada à prática. Seus professores atuam como pesquisadores e também como conselheiros de grandes empresas globais, o que faz com que artigos, frameworks e estudos de caso do IMD sejam amplamente utilizados por executivos e conselhos. É comum que pesquisas do IMD sejam publicadas em veículos como Harvard Business Review, MIT Sloan Management Review e relatórios estratégicos para empresas.
O IMD mantém forte conexão com empresas multinacionais e trabalha com turmas pequenas e altamente seletivas, o que permite um nível elevado de troca entre participantes de diferentes países e setores. A diversidade internacional é uma característica central da instituição.
No contexto do artigo que você traduziu, a menção ao IMD reforça a credibilidade acadêmica e estratégica da análise. Ao citar um professor do IMD, o texto se ancora em uma tradição de pesquisa aplicada à estratégia corporativa e à inovação, com forte diálogo entre teoria e execução prática — exatamente o foco do framework apresentado no artigo.
Resumindo:
O Instituto IMD é uma referência global quando o assunto é estratégia, liderança e inovação em ambientes corporativos complexos, especialmente no nível da alta gestão.
Traduzido pelo ChatGPT 5.