Adoção de IA em times pequenos de produto SaaS: o que Gartner, McKinsey e DORA realmente mediram em 2025

Em novembro de 2025, a McKinsey publicou que 88% das organizações usam IA em pelo menos uma função de negócio, contra 78% no ano anterior. Na mesma pesquisa, só 5,5% dessas organizações conseguem atribuir retorno financeiro relevante a esse uso de IA. Cerca de dois terços das iniciativas de IA continuam em piloto ou experimentação. Apenas um terço chegou a escalar de fato.

A maior parte da análise feita em cima desses números é escrita para o leitor da Fortune 500, onde estratégia de IA significa um programa em nível de diretoria com CIO, chief data officer e contrato de muitos milhões com algum fornecedor de modelo. Este texto é sobre o outro extremo do mercado: times de produto SaaS de cinco a cinquenta pessoas que precisam entregar algo que um cliente pagante vá renovar no trimestre seguinte.

Esse grupo se comporta diferente do que a manchete da McKinsey sugere. A distância entre adoção e valor é maior. A falha chega mais rápido. E, para uma fração nada desprezível, o ganho potencial é maior. Os dados de 2025 já dão pra dizer algo concreto sobre de que lado da curva um time pequeno tende a cair. As fontes estão no fim; tudo o que está citado é público.

O número de adoção, e o que se esconde nele

A Stack Overflow Developer Survey 2025, com cerca de 49 mil respondentes em 177 países, achou que 84% dos desenvolvedores usam ou pretendem usar ferramentas de IA, contra 76% no ano anterior. Entre desenvolvedores profissionais, 51% dizem usar IA todos os dias. A mesma pesquisa registrou queda forte na confiança: o sentimento positivo sobre as ferramentas caiu de mais de 70% em 2023 e 2024 para 60% em 2025, e só 29% dos desenvolvedores em 2025 disseram que confiam mesmo no que as ferramentas produzem, 11 pontos a menos que em 2024.

Pondo a manchete ao lado do número de confiança, o padrão fica mais específico do que "adoção em alta". Os desenvolvedores estão usando IA porque a empresa pagou e a pressão de produtividade dos colegas é real, e ao mesmo tempo confiam cada vez menos no resultado. Sessenta e seis por cento dos respondentes citaram "respostas de IA quase certas, mas não exatamente" como a maior frustração. Quarenta e cinco por cento disseram que depurar código gerado por IA consome mais tempo do que escrever na mão.

Esse é o cotidiano de um time pequeno de produto em 2026. Todo mundo no time está usando Copilot ou Cursor ou Claude. E a maioria não tem certeza de que aquilo está deixando o time mais rápido.

A distância até a escala, segundo a McKinsey

A State of AI 2025 da McKinsey, a campo entre junho e julho, recebeu respostas de 1.993 executivos em 105 países e organizações de todos os portes. Os 88% da manchete são o topo do funil; os números mais embaixo são a parte que importa.

Das organizações que usam IA, cerca de dois terços continuam em piloto ou experimentação. Aproximadamente um terço colocou pelo menos um caso de uso pra rodar em larga escala. Só 39% da amostra inteira conseguem atribuir algum impacto em EBIT à IA, e a maioria desse grupo reporta menos de 5% de impacto. Apenas 5,5% das organizações relatam retorno financeiro relevante. Vinte e três por cento estão expandindo sistemas agentivos; outros 39% estão testando agentes sem ainda ter colocado em produção.

Algumas conclusões explicam essa distância. A turma de "high performers" da McKinsey, as organizações que de fato tiram retorno financeiro, têm três vezes mais chance de relatar envolvimento direto da liderança sênior nas iniciativas de IA. Têm várias vezes mais chance de ter redesenhado processos em torno da IA, em vez de encaixar IA em processos que já existiam. E têm mais chance de ter investido na base de dados antes de abrir os casos de uso. O padrão se repete: as organizações que ganham com IA fizeram o trabalho chato primeiro, e as que não fizeram estão rodando provas de conceito caríssimas que não saem do lugar.

A pesquisa Forrester 2025 com 800 executivos americanos confirma o mesmo desenho por outro ângulo. Setenta e três por cento das empresas estavam gastando pelo menos US$1 milhão por ano em IA generativa em meados de 2025, mas só cerca de um terço viam algum retorno. Sessenta e dois por cento dos executivos achavam que o ROI ia levar três anos ou mais.

Os dois extremos do SaaS

A SaaS Capital fez sua pesquisa anual de benchmarking no início de 2025, com cerca de mil empresas SaaS respondendo. A abertura por ARR é o dado mais interessante que já vi sobre comportamento de IA em SaaS pequeno, porque mostra a distribuição em dois polos que some nas médias do mercado.

Entre empresas SaaS abaixo de US$3M de ARR, 32% relataram "nenhuma IA no produto". Entre empresas SaaS acima de US$20M de ARR, só 12% disseram a mesma coisa. Ou seja: as empresas menores têm bem mais chance de descartar a IA por completo. Ao mesmo tempo, 26% do grupo abaixo de US$3M se descreveram como "AI-only" ou "AI-first", contra só 18% do grupo acima de US$20M. As empresas menores são, ao mesmo tempo, mais céticas em relação à IA e mais AI-nativas.

É o padrão de um mercado imaturo se organizando. O grupo abaixo de US$3M de ARR junta mais ou menos dois tipos distintos: times SaaS bootstrappados ou de fundador único que decidiram de propósito construir um produto sem IA, e um número crescente de novas startups AI-nativas cujo produto inteiro é generativo ou agentivo. O meio do caminho, a "IA como feature anexa", é onde a maioria das empresas em fase de crescimento está, e também é onde mora a maior parte das iniciativas que acabam abandonadas.

Para um time pequeno de produto decidindo o papel da IA, o dado tranquiliza de um lado e cobra do outro. Tranquiliza: não colocar IA no produto é uma posição que se sustenta e que 32% dos seus pares abaixo de US$3M também tomaram. Cobra: se você for pelo caminho da IA, quem ganha nessa faixa de ARR é o grupo AI-nativo, não o de feature anexa. É nas features de IA enfiadas em produtos que já existem que se concentra a maior parte dos PoCs abandonados.

O paradoxo entre produtividade e qualidade

O DORA Report 2025, do time de pesquisa do Google Cloud e um dos estudos longitudinais mais citados sobre desempenho de entrega de software, não deixou dúvida sobre o trade-off que a IA traz. Cerca de 90% dos desenvolvedores na pesquisa relataram usar assistência de IA de alguma forma. Cerca de dois terços disseram que dependiam muito dela para escrever código, gerar documentação, debugar ou explorar frameworks novos.

Os números de volume entregue impressionam de verdade. As tarefas concluídas por dev por semana subiram 21%. Os pull requests mergeados subiram 98%. O braço de pesquisa DX apurou, em média, 3,6 horas por semana economizadas por dev na base deles. O estudo aleatorizado da Microsoft de 2024-2025 mostrou conclusão 55% mais rápida em tarefas isoladas de código com Copilot.

Os números de estabilidade no mesmo relatório DORA são a parte que quase toda a cobertura deixa de fora:

A leitura do próprio DORA: "IA não conserta um time; ela amplifica o que já está lá." Times fortes, com CI maduro, boa cobertura de testes, ciclos de feedback rápidos e revisão de código disciplinada, absorveram o ganho de volume e transformaram em valor entregue. Times fracos usaram o mesmo ganho de volume para entregar mais bugs mais rápido.

O CodeRabbit, num estudo de dezembro de 2025 que analisou 470 pull requests open-source no GitHub (320 com co-autoria de IA, 150 só humanos), chegou à mesma conclusão por análise estática. Os PRs com IA produziram 10,83 issues cada; os PRs só humanos, 6,45, mais ou menos 1,7 vez mais. Os achados de lógica e correção foram 75% mais frequentes nos PRs com IA. Os de segurança, 1,5 vez mais frequentes. As ineficiências de performance, em especial excesso de I/O, apareceram quase 8 vezes mais.

Um ensaio controlado e aleatorizado da METR com desenvolvedores experientes de open-source, publicado em meados de 2025, foi mais longe. Os desenvolvedores que usavam ferramentas de IA ficaram 19% mais lentos em tarefas reais de código do que o grupo de controle, achando que estavam mais rápidos. Essa diferença entre a produtividade que a pessoa sente e a que se mede é a parte da história de produtividade da IA que não cabe em nenhum slide de fornecedor.

O cemitério dos PoCs

O Gartner, numa previsão de julho de 2024, disse que pelo menos 30% dos projetos de IA generativa seriam abandonados depois da prova de conceito até o fim de 2025, por causa de má qualidade de dados, controles de risco insuficientes, custos cada vez maiores e valor de negócio pouco claro. Numa atualização do Gartner que circulou no início de 2026, a taxa real chegou a pelo menos 50%.

Custo é parte da história. A análise do Gartner colocou as implantações de IA generativa numa faixa de US$5 milhões a US$20 milhões; mesmo um sistema simples de busca documental por retrieval-augmented-generation saía a partir de US$750 mil só para colocar de pé. Esses números são maiores do que o orçamento inteiro de engenharia da maioria dos times SaaS pequenos. Sessenta e três por cento das organizações na pesquisa de gestão de dados do Gartner em 2024 ou não tinham as práticas de dados certas para IA, ou não sabiam se tinham. É o problema de fundo que todos os PoCs abandonados têm em comum.

Numa outra pesquisa do Gartner, com 782 líderes de infraestrutura e operações, feita entre novembro e dezembro de 2025, só 28% dos casos de uso de IA deram totalmente certo e bateram as expectativas de ROI. Vinte por cento fracassaram por completo. Os 52% do meio entregaram valor parcial, o que na prática quer dizer que consumiram orçamento e não chegaram a lugar nenhum.

Para um time SaaS pequeno, os números de gasto do Gartner não são a régua. O PoC de um time pequeno talvez custe US$15 mil em créditos de API e um mês de um engenheiro, não US$15 milhões. Mas a taxa de abandono se comporta igual. Os motivos são os mesmos: o dado que a feature de IA lê está espalhado, a métrica que a feature deveria mover nunca foi definida com clareza, o sinal do cliente não foi coletado, e depois de doze meses de investimento ninguém consegue escrever um parágrafo resumindo o que foi entregue e o que mudou.

O que separa os times SaaS pequenos que dão certo

Cruzando os estudos, quatro traços aparecem sempre nos times SaaS pequenos que de fato tiram retorno mensurável de IA em 2025-2026.

Um. Tratam IA como uma peça do sistema de engenharia, não como substituto do sistema. Testes, revisão de código, observabilidade e resposta a incidente não entram em discussão. O ganho de volume do Copilot ou do Cursor passa por esse sistema; o sistema pega o que sai errado antes de chegar no cliente. A conclusão do DORA cai certinho aqui: os times que saem no positivo com IA tinham a higiene primeiro.

Dois. Pegam um caso de uso de IA por vez e levam até produção. O dado do Gartner sobre abandono de PoC é mais cruel com os times que abriram cinco frentes generativas ao mesmo tempo, nenhuma com dono claro. Times pequenos que escolhem uma, RAG sobre a documentação, ou um assistente de revisão de código, ou uma feature de IA para o cliente, e fecham antes de abrir a segunda, têm um histórico de uma ordem de grandeza melhor.

Três. Têm alguém no time responsável pela qualidade do dado. O mesmo warehouse, schema, métricas e definições que falham nos dashboards de BI são os que as features de IA leem. Sessenta e três por cento das organizações na pesquisa de gestão de dados do Gartner ou não têm as práticas certas, ou não sabem se têm. No recorte de SaaS pequeno, esse número é ainda mais alto, porque raramente tem uma pessoa dedicada a dado no time. Escrevi sobre por que esse papel importa, justamente na transição para IA, em empresas em transição para IA precisam de um data concierge.

Quatro. Precificam a feature de IA de acordo com os dados de willingness to pay. O estudo de pricing SaaS da FTI Consulting de 2025 achou que 66% dos provedores SaaS veem IA como algo que aumenta o WTP, e 83% empacotam IA com o produto principal. Os times que capturam esse ganho de preço fizeram o trabalho de mostrar o valor da feature de IA separado do resto do produto. Os que não fizeram acabam dando a feature de IA de bandeja como adicional e engolindo a conta de inferência.

A pergunta de 2026

Os dados de 2025 desaguam numa única pergunta concreta para qualquer time pequeno de produto SaaS. A base para IA está de pé, dado limpo, CI forte, métricas definidas, alguém responsável, ou não está?

Se está, os ganhos de volume documentados em DORA, GitHub e DX são reais e se acumulam. O time consegue usar IA como multiplicador da capacidade de engenharia e entrega mais produto por engenheiro. Os 5,5% de organizações que a McKinsey identificou com retorno real estão na maioria dentro dessa categoria, e o recorte de SaaS pequeno dentro desses 5,5% aparece bem mais do que o enterprise, porque tinha menos coisa para arrumar.

Se a base não está de pé, as mesmas ferramentas de IA amplificam a fraqueza que já existe. O volume sobe. A taxa de defeito sobe mais rápido. O time acumula dívida técnica em forma de código gerado por IA que ninguém entende por inteiro, em cima de uma infraestrutura de dados que ninguém documentou. A curva de abandono do Gartner aparece no nível do time, não do projeto: doze a dezoito meses de investimento, uma história sem clareza para contar na próxima reunião de diretoria, e um risco de churn do lado do cliente porque a feature de IA nunca funcionou direito.

Os dois cenários estão rolando ao mesmo tempo no mercado de SaaS pequeno agora. A pergunta para qualquer time é qual deles está acontecendo com ele, e a resposta quase nunca é a que o time imagina de dentro. A falha das iniciativas de IA chega em silêncio, não em crise: as métricas vão se afastando do alvo sem alarde, as reclamações de cliente vão pra conta de outras causas, e o orçamento acaba doze meses antes de alguém perceber.

Pra fechar

Os dados públicos sobre adoção de IA não deixam dúvida sobre duas coisas: a curva é real, e a taxa de falha é alta. O dado que ninguém publica é como está a base de engenharia e de dados dentro de cada time SaaS, um por um, porque esse dado é caro de produzir. Ele exige alguém andando pelo código, pelo warehouse, pela pipeline de CI, pelas definições de métrica, e escrevendo o que de fato é verdade.

É esse trabalho que decide de que lado dos 5,5% da McKinsey um time SaaS pequeno vai cair. Os números acima são o inventário. O trabalho é todo o resto.

Leituras relacionadas

Para o enquadramento estratégico dessa lacuna na base, veja arrumar os dados antes de adotar IA generativa. Para a versão brasileira do mesmo boom de adoção, veja o boom de adoção de IA no Brasil em números públicos. Para a disciplina que transforma iniciativa de IA em time pequeno em produção real, veja dbt para times pequenos.

Fontes

McKinsey State of AI 2025 (release de novembro de 2025): McKinsey QuantumBlack State of AI; aprofundamento sobre o gap de escala e características dos high performers: State of AI in 2025 PDF.

Stack Overflow Developer Survey 2025: seção de IA; análise do gap de confiança: blog Stack Overflow.

DORA 2025 Report sobre desenvolvimento assistido por IA (Google Cloud): anúncio Google Cloud; site do DORA; PDF completo: State of AI-assisted Software Development 2025.

CodeRabbit, State of AI vs Human Code Generation Report (dezembro de 2025): pesquisa CodeRabbit; cobertura: The Register.

Estudo METR sobre o impacto da IA no início de 2025 em devs experientes de open-source: blog de pesquisa da METR; preprint: arXiv 2507.09089.

Previsões do Gartner sobre abandono de projetos de IA generativa (julho de 2024): press release Gartner; pesquisa Gartner sobre ROI de IA em I-and-O (release de abril de 2026): anúncio Gartner I-and-O; pesquisa Gartner sobre prontidão de dados: press release sobre dado pronto para IA.

SaaS Capital 2025 Q1 AI Update e AI Assessment Framework: atualização Q1; framework SaaS Capital.

Forrester State of AI 2025: pesquisa Forrester; previsões Forrester sobre ROI de IA: previsões 2025.

Estudo FTI Consulting 2025 sobre pricing de IA em SaaS: Beyond Subscriptions: SaaS AI Pricing.

Pesquisa de produtividade e adoção do GitHub Copilot: GitHub Copilot impact measurement; estudo longitudinal: arXiv 2509.20353.