A inteligência artificial (IA) deixou de ser uma promessa distante para se tornar uma ferramenta presente em grande parte do ecossistema corporativo brasileiro. Um estudo da TOTVS em parceria com o MIT Sloan Management Review Brasil revela que 80% das organizações no país já experimentam ou utilizam IA em alguma medida. No entanto, essa adoção inicial esbarra em um obstáculo significativo: 93% das empresas ainda não conseguiram incorporar a tecnologia de maneira estruturada à sua estratégia de negócio.
Essa lacuna entre a experimentação e a integração efetiva levanta um ponto crucial para o futuro próximo: a necessidade de provar o retorno sobre o investimento. A pressão por resultados tangíveis se intensifica, impulsionada por dados globais que reforçam essa tendência. Uma pesquisa recente do Gartner com 2.002 CIOs e executivos de tecnologia indicou que apenas 13% das empresas já obtiveram valor significativo ou transformacional com IA. Adicionalmente, 51% dos CIOs preveem que a IA aumentará o custo total de propriedade das soluções de tecnologia. Para 2027, enquanto os orçamentos globais de TI devem crescer uma média de 3,7%, o financiamento para IA agêntica é projetado para disparar 31,8%. Esse descompasso entre a ambição de investimento e a expansão dos orçamentos torna imperativo definir claramente o que cada iniciativa de IA precisa entregar e como seu valor será medido.
O Critério para Continuar Projetos
A busca por valor em meio a um cenário de incertezas econômicas e tecnológicas foi um dos temas centrais no painel “O dia seguinte: as apostas de tecnologia para 2027”, realizado no Inovatech Executive Summit em São Paulo. Lucas Barros, CEO da Profectum, destacou que, apesar do cenário, prioridades como demandas regulatórias, projetos vitais para a operação e iniciativas com retorno mais rápido tendem a manter seu espaço na agenda executiva. Em contrapartida, projetos que carecem de um responsável claro, uma meta definida ou uma estratégia explícita de entrega de valor correm o risco de perder relevância ou serem descontinuados.
A distinção é fundamental: revisar investimentos não significa interromper iniciativas de forma indiscriminada. Significa, sim, um exercício de discernimento para identificar quais compromissos devem ser mantidos, quais projetos podem avançar com base em evidências concretas e quais necessitam de redirecionamento ou encerramento. A recomendação é que as empresas estabeleçam critérios de valor claros e pontos de revisão periódica ao longo do ciclo de vida das iniciativas de IA, incluindo a disposição para interromper aquelas que não demonstrarem resultados. Essa disciplina deve ser aplicada tanto a projetos piloto quanto a soluções já em operação.
A Necessidade de Partir do Problema de Negócio
Para que a escolha de tecnologias de IA seja acertada, é essencial que ela comece pela resolução de problemas de negócio concretos. Lucas Barros enfatizou, durante o painel, uma mudança de paradigma na formulação de projetos: “A discussão não deve se limitar ao software ou à plataforma a ser desenvolvida, mas considerar o indicador da área de negócio que precisa melhorar.” Essa abordagem desloca o foco do técnico para o estratégico. Exemplos como a redução de custos com materiais, a diminuição da sinistralidade em operadoras de saúde, a otimização do tempo de entrega ou o aumento das vendas de um mix de produtos ilustram essa nova perspectiva.
Essa mudança de ponto de partida — entender profundamente a necessidade da operação antes de definir a solução tecnológica — também ajuda a diferenciar uma verdadeira transformação digital de uma mera aplicação de camadas digitais. Automatizar ou aplicar IA a um processo sem alterar seu resultado final pode, paradoxalmente, aumentar custos sem impactar positivamente nenhum indicador relevante. O risco de adicionar complexidade sem gerar valor real é uma preocupação que exige atenção constante.
Custo por Uso vs. Custo por Resultado
A economia da IA também demanda uma análise cuidadosa dos custos ao longo da operação. Mesmo com a potencial redução do custo unitário de processamento, o volume de uso, a complexidade das tarefas e a necessidade de modelos de IA mais sofisticados podem, em conjunto, elevar o custo total. O Gartner projeta que os custos de inferência por fluxo de trabalho com IA agêntica possam aumentar mais de cinco vezes até 2028. Essa projeção reforça a importância de acompanhar métricas como o custo por tarefa concluída e o impacto gerado, em vez de focar unicamente no preço de tokens ou no número de usuários. Uma solução pode ser tecnicamente viável, mas não economicamente vantajosa quando se consideram os custos integrados de infraestrutura, supervisão, governança e as necessárias mudanças nos processos operacionais.
Pessoas, Arquitetura e Mensuração como Pilares
A transição da fase de experimentação para a operação efetiva da IA depende de fatores que vão além da escolha de uma ferramenta. As equipes precisam desenvolver a capacidade de avaliar as respostas da IA, redesenhar tarefas e identificar os pontos onde a decisão humana deve permanecer como elemento central. A adoção bem-sucedida também requer uma arquitetura de TI robusta, capaz de conectar dados e sistemas existentes, garantindo governança e flexibilidade. Essas condições são fundamentais para uma mensuração eficaz.
Antes de iniciar qualquer iniciativa de IA, as empresas precisam definir claramente qual problema de negócio será abordado, qual é a situação de partida, quem será o responsável pelo projeto e quais indicadores permitirão acompanhar o progresso. Ao longo da execução, os resultados obtidos servirão como base para decidir se a iniciativa deve continuar, escalar, mudar de rota ou ser encerrada. A disciplina e a clareza nos objetivos são, portanto, essenciais para navegar nesta nova era da inteligência artificial.
Com reportagem de Brazil Valley
Source · TIInside
