Em resumo:
Veja mais informações a seguir!
Em uma aula para gerentes de projetos, uma pergunta pode revelar a distância entre percepção e realidade: qual porcentagem dos projetos que você gerenciou foi concluída dentro do prazo e do orçamento originalmente aprovados?
Em um experimento realizado com turmas de gestores, a média das respostas costuma ficar em torno de 60%.
O resultado contrasta com os dados apresentados por Bent Flyvbjerg e Dan Gardner no livro How Big Things Get Done, publicado em 2023.
Segundo os autores, uma análise de 16 mil projetos em 136 países identificou uma proporção muito baixa de iniciativas que cumpriram simultaneamente as metas de prazo, custo e benefícios prometidos.
O texto original do estudo apresenta o índice de 0,5% para esse resultado. Em projetos de grande escala, os indicadores de sucesso em prazo ou custo, considerados separadamente, também são baixos.
A diferença entre o que os gestores acreditam e o que os dados registram ajuda a explicar por que projetos ultrapassam o orçamento, atrasam ou entregam resultados inferiores aos esperados.
O problema não se resume à competência individual. Ele também envolve vieses cognitivos, métodos de estimativa e incentivos organizacionais.
A falácia do planejamento é um viés cognitivo descrito por Daniel Kahneman e Amos Tversky em 1979. O conceito explica por que as pessoas tendem a subestimar o tempo, os custos e as dificuldades de uma iniciativa, enquanto superestimam seus benefícios.
Esse comportamento pode persistir mesmo quando existem registros de projetos anteriores que demonstram a probabilidade de atrasos e gastos adicionais.
Na gestão de projetos, o viés aparece quando o planejamento considera principalmente o cenário esperado pela equipe, sem incorporar adequadamente os riscos e os resultados de iniciativas semelhantes.
A teoria dos dois sistemas de pensamento, popularizada por Kahneman, ajuda a compreender esse comportamento:
Quando a estimativa parece razoável, o gestor pode não questionar as premissas utilizadas. Assim, o cronograma e o orçamento refletem mais a expectativa de que tudo ocorrerá conforme o planejado do que a distribuição real dos resultados possíveis.
Kahneman propõe o uso do outside view, ou visão externa, para reduzir os efeitos da falácia do planejamento.
Em vez de avaliar somente as características específicas da iniciativa, o gestor compara o projeto com outros que apresentam características semelhantes. A pergunta deixa de ser apenas quanto tempo a equipe acredita que levará para concluir o trabalho e passa a incluir quanto tempo projetos comparáveis costumam levar.
A abordagem se contrapõe ao inside view, ou visão interna, que prioriza as particularidades do projeto, as expectativas da equipe e a sequência de atividades prevista.
O desafio é que o outside view depende de dados históricos organizados e comparáveis. Sem esse material, as estimativas continuam baseadas principalmente na experiência e na percepção dos profissionais envolvidos.
+ Como usar IA para produtividade: guia prático para profissionais em 2026
Bent Flyvbjerg desenvolveu e difundiu a aplicação do reference class forecasting, método de previsão baseado em classes de referência. A abordagem transforma o princípio do outside view em um processo de estimativa fundamentado nos resultados de projetos semelhantes.
O método pode ser organizado em três etapas:
A principal mudança está na origem da estimativa. Em vez de depender exclusivamente de previsões elaboradas pela equipe, o planejamento passa a considerar o desempenho observado em projetos reais.
Pesquisas de Flyvbjerg sobre grandes projetos de infraestrutura documentam desvios de custo expressivos. Em seu trabalho, o autor apresenta médias de aproximadamente 62% para projetos de infraestrutura e 73% para projetos de sistemas de tecnologia da informação (TI).
Esses números devem ser interpretados de acordo com as amostras, os períodos e as definições utilizados em cada estudo. Eles não representam necessariamente a taxa de desvio de qualquer projeto contemporâneo.
O problema também não se limita à falta de informação. Mesmo quando existem dados históricos, a estimativa inicial pode continuar excessivamente otimista.
Um dos motivos é a pressão por aprovação. Patrocinadores podem preferir propostas com prazos curtos e orçamentos reduzidos, enquanto gestores disputam recursos e precisam demonstrar a viabilidade de suas iniciativas.
Nesse contexto, apresentar uma previsão alinhada aos resultados históricos pode tornar uma proposta menos competitiva diante de alternativas mais otimistas.
Portanto, a falha pode estar nos incentivos e nos processos de governança, e não somente na qualidade da metodologia utilizada.
+ IA no trabalho em 2026: o que mudou para profissionais e empresas
A inteligência artificial pode facilitar a aplicação do outside view ao reduzir o esforço necessário para consultar dados históricos, identificar projetos comparáveis e analisar padrões.
Quando integrada a uma base de dados confiável, uma ferramenta de IA pode apoiar diferentes etapas do planejamento:
Essas aplicações podem ampliar a capacidade analítica dos gestores, especialmente quando a análise manual de grandes volumes de dados seria demorada ou inviável.
A IA preditiva utiliza dados históricos e variáveis relevantes para estimar resultados futuros. Na gestão de projetos, modelos desse tipo podem ajudar a identificar quais iniciativas apresentam maior probabilidade de atraso ou estouro de orçamento.
Por exemplo, um sistema pode encontrar associações entre determinadas características de um projeto, como complexidade técnica, dependências externas e perfil de execução, e a ocorrência de atrasos em etapas específicas.
Essas associações não demonstram, por si só, relações de causa e efeito. Ainda assim, podem orientar investigações, análises de risco e decisões preventivas.
Para produzir resultados confiáveis, o sistema precisa de dados consistentes, variáveis relevantes e validação adequada. Bases incompletas, registros inconsistentes ou mudanças nas condições de execução podem comprometer as previsões.
A IA também pode ajudar a aplicar o reference class forecasting de maneira mais frequente e padronizada. Em vez de depender exclusivamente da iniciativa individual de cada gerente, a organização pode incorporar comparações históricas ao processo de aprovação dos projetos.
+ IA para pequenas empresas: como começar sem precisar de TI em 2026
A IA pode ajudar a reduzir limitações cognitivas e operacionais, mas não elimina todos os fatores que levam projetos ao fracasso.
A falácia do planejamento envolve, entre outros elementos, vieses de julgamento e dificuldades para incorporar informações externas. A tecnologia pode contribuir para reduzir esses problemas ao tornar os dados mais acessíveis e facilitar análises comparativas.
Entretanto, existe outra dimensão: a política organizacional.
Uma ferramenta pode indicar que determinado projeto tem alta probabilidade de ultrapassar o orçamento ou não cumprir o cronograma. Ainda assim, a organização pode decidir ignorar o alerta.
Isso acontece quando a aprovação depende de estimativas excessivamente otimistas, quando os gestores são penalizados por comunicar riscos ou quando a competição por recursos favorece propostas que parecem mais viáveis no papel.
Flyvbjerg discute esse tipo de comportamento por meio do conceito de strategic misrepresentation, ou representação estratégica distorcida. Ele descreve situações em que as previsões são apresentadas de forma a favorecer a aprovação de um projeto, mesmo quando os responsáveis têm motivos para questionar sua viabilidade.
Nesse cenário, a IA pode fornecer uma estimativa mais consistente sem alterar a decisão de quem prefere ignorá-la.
A tecnologia também pode reforçar vieses existentes. Se o gestor solicita uma análise com o objetivo de confirmar uma decisão já tomada, ou se os dados de entrada foram selecionados para favorecer determinada conclusão, a ferramenta pode produzir resultados que sustentam uma visão parcial do problema.
Por isso, a qualidade da decisão depende tanto da análise quanto da disposição da organização para considerar evidências contrárias às expectativas iniciais.
A adoção de inteligência artificial não significa, por si só, que uma organização esteja utilizando a tecnologia de maneira eficaz.
O Panorama Artia 2026, citado neste contexto, registra que 85% das organizações brasileiras pesquisadas utilizam IA em projetos, enquanto 57% demonstram insatisfação com os resultados. Os percentuais devem ser interpretados conforme a metodologia e a amostra do levantamento.
A diferença entre adoção e satisfação reforça a necessidade de avaliar como as ferramentas são incorporadas aos processos de trabalho.
Na gestão de projetos, a IA tende a produzir mais valor quando está associada a objetivos claros, dados confiáveis, validação humana e mecanismos de governança que permitam revisar decisões diante de novas evidências.
+ Inteligência artificial na gestão de projetos em 2026: o que mudou fase por fase
Os estudos de Kahneman e Flyvbjerg oferecem princípios que podem ser incorporados à rotina dos gestores. A IA pode facilitar essa aplicação, desde que a organização também esteja disposta a rever seus processos de decisão.
Três perguntas ajudam a transformar esse diagnóstico em ações práticas.
Se o prazo e o orçamento foram definidos somente com base na percepção da equipe, existe o risco de que a estimativa reflita uma visão excessivamente otimista.
Antes de aprovar o planejamento, procure projetos comparáveis em tipo, escala e contexto. Analise os prazos realizados, os custos finais e os desvios registrados.
Quando houver dados suficientes, utilize uma distribuição de resultados históricos para estimar intervalos e avaliar a probabilidade de cumprir as metas.
A IA pode agilizar a identificação de projetos semelhantes e a análise dessas informações.
Uma metodologia consistente não resolve o problema se os processos de aprovação recompensam previsões otimistas e penalizam quem apresenta riscos.
É importante avaliar como a governança trata as estimativas, quais critérios são utilizados para aprovar projetos e como os responsáveis são avaliados durante a execução.
O objetivo é criar condições para que os gestores comuniquem incertezas e apresentem previsões fundamentadas em evidências, sem serem incentivados a distorcer os números.
A inteligência artificial deve ajudar a questionar premissas, comparar cenários e identificar riscos que poderiam passar despercebidos.
Usá-la apenas para justificar uma decisão já tomada pode reforçar vieses de confirmação. Para evitar esse problema, solicite análises de cenários alternativos, evidências contrárias à hipótese inicial e fatores que poderiam invalidar as previsões.
Também é importante verificar as fontes dos dados, as limitações dos modelos e a coerência entre os resultados produzidos e as condições reais do projeto.
+ PMO operacional vs PMO estratégico: a diferença que determina o resultado
Mario H. Trentim é membro do Board of Directors do PMI, Reitor da Allevo Tech / Qeevo Group, doutorando do ITA e autor de 13 livros sobre gestão e execução estratégica.
Atua como conselheiro e conector estratégico em organizações em transformação.
A falácia do planejamento, os vieses cognitivos e a pressão organizacional ajudam a explicar por que tantos projetos ultrapassam prazos e orçamentos. Entenda como a inteligência artificial pode melhorar as estimativas e quais problemas ela não consegue resolver.
Saiba como trabalhar no exterior com gestão de projetos, entenda o papel da certificação PMP, conheça mercados internacionais e planeje sua carreira.
Entenda os desafios da gestão de projetos no setor público, a importância do PMO e as oportunidades de carreira e certificações na área.
