Gabriela Camano (*)

Estamos vivendo um momento de “déjà vu” corporativo em 2026. Assim como na grande migração para a nuvem, em 2020, o mercado hoje corre para abraçar a Inteligência Artificial (IA) com o mesmo fôlego e, por vezes, a mesma falta de planejamento. O “hype” é inegável: 77% das empresas brasileiras declaram familiaridade com agentes de IA, segundo um estudo. Entretanto, o abismo entre o saber e o fazer é profundo.

Enquanto o vocabulário dos gestores está em dia, a execução prática ainda patina em experimentações que nem sempre encontram o caminho do balanço financeiro. Para que a IA gere negócios de fato, precisamos transitar da fase da curiosidade para a fase da métrica.

Os números ajudam a dimensionar esse descompasso. Um levantamento com cerca de 300 implementações corporativas apontou que aproximadamente 95% dos pilotos de IA não geram impacto mensurável em P&L. Em paralelo, outros dados indicam que 29% das empresas da Fortune 500 já possuem algum produto de IA em produção.

As duas estatísticas não se contradizem: elas medem coisas diferentes. Estar em produção significa uso ativo; gerar negócio implica impacto financeiro verificável. Entre um e outro, há um intervalo que ainda não foi plenamente resolvido pelas organizações.

Esse intervalo também aparece nos dados brasileiros. Embora 77% das empresas declarem familiaridade com agentes de IA, apenas uma fração implementa casos reais – como geração de dashboards (43% conhecem, 14% usam) ou automação de relatórios (35% conhecem, 8% usam). A familiaridade avançou mais rápido do que a execução. E, sem execução consistente, não há geração de receita ou ganho operacional relevante.

Ao mesmo tempo, onde a IA funciona, os resultados podem ser expressivos, ainda que menos frequentes do que a narrativa sugere. Um importante estudo dos EUA analisou 51 implementações bem-sucedidas e identificou padrões importantes: 61% tiveram tentativas fracassadas anteriores, e 77% enfrentaram desafios ligados a custos invisíveis, como mudança de processos, qualidade de dados e governança. Ou seja, o valor existe, mas ele é caro, iterativo e depende menos da tecnologia em si do que da capacidade organizacional de absorvê-la.

Assim como ocorreu na migração para a nuvem, a IA está criando uma camada de consumo – de dados, processamento e, principalmente, custo. O uso de modelos de linguagem em larga escala (LLMs) implica despesas recorrentes, muitas vezes em dólar, que nem sempre estão sob controle ou governança clara. Em um cenário em que “cada área vira tecnologia”, o risco de um novo “shadow IT”, agora alimentado por IA, cresce, pressionando budgets e dificultando a mensuração de retorno.

A própria economia da IA ajuda a explicar essa tensão. Diferentemente do software tradicional, em que o custo marginal por usuário tende a zero, a IA tem custo direto por uso. Cada interação consome infraestrutura – tokens, energia, processamento. Isso transforma o usuário em carga computacional (“workload”) e desafia modelos clássicos de monetização.

Não por acaso, pesquisas indicam que empresas já gastam, em média, mais de US$ 60 mil por mês com IA, com dificuldade de mensurar ROI em quase metade dos casos. O crescimento do uso, especialmente com agentes que executam tarefas contínuas, tende a ampliar essa complexidade.

Ainda assim, há sinais concretos de geração de valor. Avaliações apontam que funções mais expostas à IA já apresentam prêmio salarial médio de 56%, refletindo ganho de produtividade e escassez de talento qualificado. No nível organizacional, casos específicos mostram reduções significativas de custo e ganho de eficiência, como automações que substituem processos inteiros. Mas esses exemplos ainda são mais exceção do que regra e, muitas vezes, não capturam o custo total envolvido na transformação.

O que precisa evoluir para que os dados sobre geração de negócios sejam mais robustos? Três frentes se destacam. A primeira é governança – especialmente de dados e consumo de IA, com práticas equivalentes ao FinOps, agora aplicadas a modelos e tokens.

A segunda é clareza de propósito: projetos que começam pelo problema de negócio, e não pela tecnologia, tendem a gerar mais valor, como mostram estudos sobre modelos baseados em habilidades. A terceira é maturidade cultural, que envolve desde a capacitação das equipes até a redução do medo e o redesenho de processos.

Há uma mudança estrutural em curso: a transição da IA como ferramenta para a IA como infraestrutura de execução. Isso muda a forma de medir valor. Não se trata apenas de quantos usuários utilizam IA, mas de quanto trabalho ela executa, e com que impacto econômico. Enquanto essa métrica não se consolida, o mercado continuará convivendo com uma dualidade: uma tecnologia amplamente adotada, porém ainda em busca de sua tradução mais consistente em geração de negócios.

(*) Gabriela Camano é Business Director no Brasil da GFT Technologies