A prisão do proof-of-concept na APAC - quatro vozes, uma mesma parede

Quatro artigos da e27, Tech in Asia e Nikkei se lêem como um mesmo diagnóstico: na APAC, a IA nas empresas continua presa nos PoCs. Não por falta de ambição — mas por falta de fundações.

Em termos simples

Quatro publicações convergem na mesma semana: e27 sobre os PoCs bloqueados na APAC, Tech in Asia sobre sistemas legados em Singapura, outro e27 sobre execução fraca em vez de resistência dos funcionários, e um caso de uso concreto (triagem de pacientes na área da saúde). O diagnóstico é unânime: a IA nas empresas na APAC esbarra em três paredes — legado, qualidade dos dados e execução — não na tecnologia.

O caso

A parede #1 - o legado. Em Singapura, grande parte dos grandes bancos e instituições públicas ainda operam com mainframes COBOL/AS400, sem APIs modernas. Um agente LLM não consegue ler um mainframe via RPC direto. Resultado: meses de trabalho com MQ/ESB antes que a primeira chamada LLM seja possível.

A parede #2 - a qualidade dos dados. A constatação que se repete em todas as pesquisas da APAC: os PoCs de IA na região falham na transição para produção em larga escala na esmagadora maioria dos casos porque os dados de referência (clientes, produtos) estão dispersos em inúmeros sistemas não reconciliados. O LLM é brilhante com dados limpos — ele "alucina" com dados sujos.

A parede #3 - a execução. O e27 defende uma tese contra-intuitiva: a resistência dos funcionários é superestimada como barreira. O verdadeiro problema é a incapacidade das equipes de TI de evoluir de um PoC para um pipeline de produção versionado, monitorado, com SLO. O que falta: engenheiros seniores de MLOps — o recurso mais raro da APAC.

O contraexemplo que funciona — triagem de pacientes na saúde. Os casos de uso documentados no Sudeste Asiático (hospitais e clínicas que industrializaram a triagem com IA — veja e27) mostram o padrão vencedor: LLM que realiza a triagem de pacientes (anamnese, classificação, formulários) em uma fração do tempo de um enfermeiro. O que funciona: escopo estreito (apenas triagem), dados limpos (formulários padronizados), ROI mensurável em semanas (tempo de enfermeiro liberado).

Por baixo do capô

• Ordem de grandeza: a taxa de PoC → produção na APAC permanece muito baixa (claramente abaixo de 20% nas pesquisas convergentes), sem que um número consolidado único esteja disponível.
• Custo médio de um PoC bloqueado: estimado em centenas de milhares de dólares pelas pesquisas de campo, grande parte em salários de equipes internas. Custo irrecuperável não nulo.
• Formação: a falta de MLOps é estrutural — os programas regionais formam algumas centenas de profissionais por ano, enquanto a demanda supera vários milhares.
• Fio (#1002): esta publicação consolida 4 sinais convergentes sob um mesmo diagnóstico.

E então

Três consequências. Um: os vendedores que terão sucesso na APAC em 2026 são aqueles que oferecem a "canalização" (data mesh, MDM, conectores legados) — não aqueles que vendem um LLM bonito em demonstração. Dois: os casos de uso de escopo estreito (triagem na saúde, classificação de e-mails, suporte, reclamações) vencem — os grandes sonhos horizontais ("copiloto transversal") perdem. Três: a soberania de dados + on-premise torna-se um verdadeiro diferencial na APAC — os reguladores bancários e de saúde de Singapura, Malásia e Indonésia exigem que nada saia do país. A se observar: os KPIs de retenção de MLOps da DBS, Grab, Sea — as três que melhor industrializaram.