Em janeiro de 2025, o portal oficial do governo britânico reunia apenas 33 registros públicos sobre algoritmos em uso na administração. Não são 33 sistemas de IA em produção, e sim 33 formulários do padrão de transparência algorítmica do GOV.UK (abre em nova aba), o mecanismo pelo qual órgãos do Reino Unido documentam voluntariamente como seus algoritmos funcionam, com que dados e para quais decisões. Meses depois, o número tinha subido para 55. É um detalhe pequeno, quase burocrático, mas ele abre uma janela para o problema central da IA no setor público: a implantação anda mais rápido que a capacidade de saber, explicar e auditar o que foi implantado.
Nesse quadro se encaixa o diagnóstico do Comitê de Contas Públicas da Câmara dos Comuns, para quem o governo britânico enfrenta uma "subida árdua" para entregar a adoção de IA no setor público. A constatação aparece na conclusão de que tecnologia legada e má qualidade de dados colocam a adoção em risco. O caminho mais útil para entender esse impasse é inverso ao dos discursos oficiais: começa pelo sintoma, os pilotos que nunca escalam, e desce até a causa, a infraestrutura de dados e sistemas que ninguém vê.
Piloto não é adoção
Os números de atividade são, à primeira vista, animadores. O National Audit Office britânico constatou que sete em cada dez entidades do governo já pilotam IA ou planejam fazê-lo. Uma pesquisa recente da Gartner aponta que 74% dos CIOs governamentais já implantaram IA ou planejam implantar em até doze meses, e que 80% aumentarão os investimentos. Um porta-voz do governo britânico chegou a falar, em tom de oportunidade, em ganhos potenciais de 45 bilhões de libras (uma alegação de governo, não um resultado medido).
O contraponto vem de uma escala maior. O Policy Research Working Paper do Banco Mundial (abre em nova aba), que ouviu agências digitais centrais e ministérios de 60 economias de todos os níveis de renda, resume o estágio real em três achados: a adoção é ampla, porém rasa e desigual; a maioria dos governos relata algum uso de IA, mas esse uso é geralmente ad hoc e raramente institucionalizado; e os marcos de governança estão atrasados, com muitos governos liberando ferramentas de IA generativa antes de estabelecer diretrizes formais.
Piloto não é adoção. Institucionalizar significa incorporar o modelo em fluxos de trabalho, contratos de aquisição, rotinas de manutenção e cadeias de responsabilidade, e é exatamente aí que os governos patinam. Segundo o Gartner, muitos roadmaps do setor público são reativos ou fragmentados, concentrados em pilotos de curto prazo, com pouca clareza sobre a decisão de comprar ou construir e sobre como a IA se conecta à estratégia de dados da organização. O padrão que emerge dos dados disponíveis é o de um funil estreito: muita entrada, pouca escala.
Sistemas legados: a camada que não fala HTTP
Voltando à "subida árdua" britânica: o Comitê de Contas Públicas verificou que cerca de 28% de todos os sistemas de TI em uso no governo são considerados legados segundo as definições do Government Digital Service. Dentre os 72 sistemas classificados como de maior risco no roteiro digital intergovernamental publicado três anos antes, 21 seguiam sem financiamento para modernização (três anos depois de mapeados, o registro é seco: sem dinheiro na planilha).
Aqui convém definir o termo, porque "legado" apareceu tanto que já quase perdeu o sentido. No contexto das pesquisas citadas, sistema legado é software e infraestrutura antigos, frequentemente sem APIs documentadas, sem contrato de dados estável e às vezes dependentes de hardware ou linguagens fora de suporte. O problema se agudiza com a onda seguinte: a IA agêntica, na qual agentes de software planejam e executam tarefas de forma relativamente autônoma, chamando ferramentas e sistemas externos, quase sempre via API. Marc Reinhardt, líder global de setor público da Capgemini, resume: os sistemas legados precisam de modernização, "especialmente aqueles que nem sequer foram projetados para serem acessados por APIs e, portanto, por agentes". Um agente não opera sobre uma tela de terminal mainframe dos anos 90; ele precisa de pontos de integração.
Há uma digressão que ajuda a calibrar o problema. Sistemas legados não são exclusividade estatal, qualquer arquiteto que já trabalhou em banco ou varejo conhece o monolito intocável. A diferença está na margem de manobra: a pesquisa do National Audit Office citada pelos deputados britânicos mostra que 70% das entidades do governo relatam dificuldade para recrutar e reter profissionais com habilidades de IA, em parte por uma diferença salarial que chega a 30 mil libras por ano para arquitetos técnicos no setor privado. É o efeito combinado de dívida técnica antiga e dívida de pessoal atual, e a segunda alimenta a primeira, porque quem poderia modernizar o sistema é justamente quem o mercado paga mais caro.
Dados: a barreira que aparece em toda pesquisa
Se os sistemas legados são o obstáculo na camada de integração, os dados são o obstáculo na camada de cima. O levantamento do Capgemini Research Institute com 350 organizações do setor público (conduzido entre dezembro de 2024 e janeiro de 2025) dá uma medida concreta: apenas 21% das organizações possuem os dados necessários para treinar e ajustar (fine-tunar) modelos de IA de forma eficaz. Só 12% se consideram altamente maduras na ativação de dados e apenas 7% dizem ser avançadas no cultivo de habilidades de dados e IA. É a situação de quem planeja um banquete com a despensa pela metade: a receita existe, os convidados confirmaram, mas falta ingrediente.
O contraste com a ambição é grande. Cerca de 90% das entidades pesquisadas planejam explorar, pilotar ou implementar IA agêntica em dois ou três anos, com 39% visando avaliar a viabilidade, 45% explorando pilotos e apenas 6% planejando escalar iniciativas já existentes. Em IA generativa, 64% já pilotam, escalam ou exploram ativamente, com concentração em defesa (82%), saúde (75%) e segurança (70%). As barreiras declaradas seguem sendo de fundação: 79% citam preocupações com segurança de dados e 74%, confiança limitada nas saídas geradas por IA. E mesmo onde há iniciativa de compartilhamento de dados, condição básica para qualquer caso de uso interinstitucional, 65% dos planos seguem em estágio de planejamento ou piloto.
Laura Gilbert, à frente do programa de IA para governos do Tony Blair Institute, costuma formular o diagnóstico de um jeito que quem trabalha com infraestrutura reconhece: a tecnologia raramente é o que trava os governos, o gargalo está nas fundações por baixo dela. Nas palavras dela, "a tecnologia em si raramente é o que segura os governos. A verdadeira lacuna está nas fundações que estão por baixo".
Governança: a regra que chega depois da ferramenta
O terceiro eixo, governança, é onde as evidências mais se cruzam entre economias ricas e pobres. O trabalho do Banco Mundial mostra que a ordem dos fatores costuma estar invertida: o acesso a ferramentas de IA generativa foi liberado antes das diretrizes formais que deveriam disciplinar seu uso. As barreiras também variam com o nível de renda, o que sugere que não existe receita única de adoção:
| Perfil de renda | Barreiras mais enfatizadas |
|---|---|
| Todas as economias | Qualidade e disponibilidade de dados; restrições orçamentárias |
| Renda baixa | Ausência de políticas formais de IA |
| Renda alta | Privacidade e ética; TI legada; interoperabilidade; escassez de talento |
O dado europeu adiciona um prazo concreto a essa lacuna: apenas 36% das organizações europeias pesquisadas pela Capgemini se sentem preparadas para atender aos requisitos da Lei de IA da União Europeia (abre em nova aba), que impõe obrigações graduadas conforme o risco da aplicação. Para quem implementa sistemas públicos na Europa, isso significa projetar já com rastreabilidade, documentação e classificação de risco em mente.
A Gartner acrescenta dois pontos que merecem ceticismo calibrado. O primeiro é analítico: governar IA com estruturas isoladas de dados ou de tecnologia não captura todos os riscos, e sem governança integrada desde o início fica mais difícil identificar viés nos modelos ou atribuir responsabilidade por resultados. O segundo é projeção, e deve ser lido como tal: a consultoria prevê que ao menos 80% dos governos terão sua adoção e monitoramento de IA auditados de forma independente até 2028. A mesma pesquisa sustenta que organizações com bases robustas de dados e analytics alcançam o dobro do impacto na corrida por IA empresarial, o que, se valioso como direção, é uma generalização entre setores e não uma promessa de desempenho para casos específicos.
O inventário e a pilha de pilotos
O número com que este texto abriu, 33 registros de transparência algorítmica no início de 2025, era pequeno em absoluto e relativo: pequeno diante de um estado que declara pilotar IA em sete de cada dez entidades, pequeno diante da ambição de 45 bilhões de libras. O avanço para 55 registros mostra movimento real, mas também uma velocidade de documentação bem menor que a velocidade de implantação. Se as pesquisas disponíveis permitem alguma conclusão provisória, é que o gargalo da IA governamental não está nos modelos nem sequer nos pilotos, e sim na camada invisível de dados, integrações e regras. Enquanto o inventário de algoritmos crescer mais devagar que a pilha de pilotos, a conta de transparência continuará sendo o termômetro mais honesto da distância entre o anúncio e a adoção.