Se nos anos recentes a pergunta que eu ouvia nas salas de conselho era: “O que podemos fazer com a IA?”. Hoje, é bem mais simples: “Onde está o dinheiro?”
Essa mudança de chave não é apenas uma percepção de mercado, é um alerta financeiro. Dados recentes da Forrester indicam que a maioria das empresas que apostaram no ROI rápido da IA vão recuar seus investimentos neste ano.
O motivo? Descobriram da pior forma que existe um abismo entre fazer um “piloto” bonitinho e colocar uma IA para rodar no sistema legado da empresa sem quebrar o caixa ou o compliance.
O cenário brasileiro agrava essa ressaca. Com a Selic pressionada e o custo de capital nas alturas, o “custo do erro” ficou impagável. Não dá mais para tratar inovação como hobby.
Ou a tecnologia impacta a última linha do balanço (o lucro), ou ela será cortada do orçamento antes do segundo trimestre.
Confesso que, como empreendedor na tecnologia desde os tempos dos sistemas feitos para monitores monocromáticos, vejo esse movimento com alívio. A IA nunca foi uma varinha mágica para inflar o preço das ações, embora muitos tenham tentado usá-la assim.
Ela é, em sua essência, uma ferramenta de reengenharia de fluxo de trabalho. E, como demonstram os dados mais recentes do MIT e de Wharton, apenas as organizações que ousam redesenhar seus processos de ponta a ponta, estão capturando valor real e sustentável.
Para o restante, resta a frustração de pilotos que nunca escalam e a queima de caixa em um cenário de capital caro.
Por que a IA “destrói” seu balanço e mesmo assim você deve investir
Muitos gestores ainda me perguntam por que seus projetos de IA não decolam. A resposta, na maioria das vezes, está na falta de fundação.
Querer implementar IA avançada sem ter dados organizados é como tentar correr a Fórmula 1 com gasolina adulterada. O carro pode ser potente, mas vai engasgar na primeira volta.
Há uma diferença brutal entre “ter IA” e “ganhar dinheiro ou eficiência com IA”. O MIT soltou no ano passado um artigo que foi divulgado amplamente.
Este artigo mostrava que, apesar de investimentos entre US$ 30 bilhões e 40 bilhões, 95% das organizações não obtinham retorno mensurável (ROI) de seus projetos de IA
Para entender o que separa esses vencedores do resto, decidi analisar os 5% que deram certo.
Eles não usam IA apenas para escrever e-mails mais rápido. Eles usam a tecnologia para mudar como a empresa funciona, em vez de apenas automatizar uma tarefa velha, eles se perguntam se aquela tarefa ainda deveria existir.
Mas se a tecnologia é revolucionária, por que não há mensuração clara e as margens estão sendo comprimidas? A resposta está menos na tecnologia e mais no descompasso estrutural entre a economia da IA, as expectativas infladas pelas redes sociais, a falta de medição nas empresas e a contabilidade tradicional.
O primeiro erro é assumir que o valor da IA aparece apenas como receita nova ou redução de custos, na prática, grande parte do ROI da IA é “invisível” para a DRE clássica porque se manifesta como cost avoidance (custo evitado). E como alguém de uma empresa de serviço, afirmo que a “evitação de custos” é a única forma de escalar margem no longo prazo.
Considere um departamento de atendimento ao cliente, os primeiros grandes casos reais de sucesso com IA. Ao usar um chatbot, a equipe atual passa a gerenciar um volume 20% maior de demandas sem a necessidade de novos funcionários, o valor real gerado é a “contratação não realizada”.
No entanto, a contabilidade não registra “salários não pagos”, e o custo com ferramentas de IA, tokens e tecnologia, é por vezes, mais alto que o custo de novas pessoas, principalmente pela diferença cambial. O resultado fica paradoxal: a empresa se torna mais eficiente operacionalmente, mas seus indicadores financeiros de curto prazo pioram.
No passado, investir em tecnologia significava comprar servidores e licenças perpétuas (Capex – expansão do capital). O dinheiro saía do caixa, mas entrava no balanço como um ativo que depreciava lentamente, protegendo o lucro líquido.
A economia da IA inverteu essa lógica, a infraestrutura agora é alugada na nuvem e o consumo é contínuo, cada interação com o modelo é uma despesa corrente (Opex). Contabilmente, isso reduz o Ebitda e o lucro líquido imediatamente, enquanto a base de ativos permanece inalterada, matematicamente, isso esmaga o ROE no curto prazo, fazendo a empresa parecer menos eficiente justamente no momento em que está construindo sua vantagem competitiva futura.
Não existe uma conta chamada “contratações que não foram feitas” ou “erros que deixaram de acontecer”.
Como sair da armadilha sem entrar em hype?
Se o problema não é a tecnologia, mas a forma como decidimos, medimos e governamos a IA, então a pergunta correta deixa de ser “quanto isso retorna” e passa a ser “onde isso faz sentido”.
É exatamente aqui que o artigo The Gen AI Playbook for Organizations, da Harvard Business School, ajuda a organizar o pensamento executivo, oferecendo um critério claro de escolha.
Assim como medimos errado, a maioria das empresas está tentando usar IA também nos lugares errados. Em vez de começar pela capacidade da tecnologia, o ponto de partida deve ser a natureza da tarefa e o custo do erro associado a ela.
Isso cria uma matriz estratégica (imagem abaixo) que separa o joio do trigo e protege o seu caixa:
Nem todo trabalho é igual, algumas tarefas dependem fortemente de conhecimento tácito, julgamento humano, contexto, experiência acumulada e leitura política do ambiente. Outras são baseadas em dados explícitos, regras claras, padrões repetitivos e alto volume.
1. A zona “sem arrependimentos”: baixo custo de erro, dados estruturados. Aqui está o ganho rápido de eficiência que alivia o Opex, são tarefas como triagem inicial de currículos, rascunhos de e-mails operacionais, resumo de reuniões, etc.
A primeira grande iniciativa que liderei com IA generativa, foi um processo seletivo que tivemos mais de 4.800 inscrições, usamos IA para fazer a triagem inicial, a partir das premissas que o RH fazia, selecionamos os 200 principais, com notas e o motivo daquela nota.
A Unilever divulgou recentemente que com uma ferramenta parecida, reduziu o tempo de contratação de 4 meses para 4 semanas!
Logo, neste quadrante 1, o plano é ir direto, automatizar completamente! A IA faz, ninguém precisa revisar cada vírgula, o ROI é imediato e fácil, pois libera horas da equipe.
2. O modo copiloto: alto custo de erro, dados estruturados. Pense em programação ou contratos jurídicos. A IA gera o código ou a minuta em segundos, mas um erro aqui pode parar o software ou gerar um processo.
Escritórios de advocacia começaram a ter resultados com geradores de contratos treinados a partir da sua própria base, com seu jeito de escrita e toda segurança de um modelo de SLM (Small Language Models, versões compactas e específicas dos LLMs tradicionais).
O plano neste quadrante é deixar a IA produzir enquanto o humano confere! Você ganha velocidade, mas mantém a segurança, a produtividade técnica dispara.
3. O criador de alternativas: baixo custo de erro, conhecimento tácito. Brainstorming de marketing, ideias de design, slogans… O “erro” aqui é apenas uma ideia ruim que pode ser descartada.
Agora no Natal de 2025 a Coca-Cola, em parceria com a OpenAI e Bain & Company, lançou a plataforma Create Real Magic, o resultado: mais de 1 milhão de usuários em 43 mercados interagiram com a ferramenta, gerando milhares de variações criativas.
Neste caso, a IA funciona muito bem para gerar volume e opções, então o humano escolhe a melhor. Isso aumenta a criatividade sem risco financeiro.
4. A zona “humano comanda”: alto custo de erro, conhecimento tácito. É aqui que empresas perderam centenas de milhões de dólares recentemente, deixaram decisões estratégicas, demissões, diagnósticos médicos complexos ou investimentos de alto risco para a IA e isto NUNCA deve ser feito.
A IA neste caso é apenas uma assistente de pesquisa, precisa existir para tirar o trabalho irrelevante das pessoas incríveis da organização, a decisão final sempre será humana. Tentar substituir pessoas nesta zona para “melhorar o balanço” é a receita mais rápida para destruir o valor da empresa a longo prazo.
A solução também não será técnica
Projetos de IA morrem mais por métrica errada do que por falha técnica. Avaliar IA exclusivamente por ROI direto e imediato é uma forma eficiente de matar iniciativas promissoras ainda no início, projetos bem governados usam métricas intermediárias claras: tempo de ciclo, volume processado, taxa de adoção real, redução de exceções, aprendizado do sistema ao longo do tempo.
O ROI passa a ser consequência, não critério de sobrevivência precoce.
Para a liderança, o desafio é duplo: primeiro, aceitar que a contabilidade tradicional (DRE) não vai capturar tudo o que for relevante, segundo, ter a disciplina de aplicar a IA nas zonas certas da matriz acima. Temos que parar de perguntar “quanto essa IA retorna”, e passar a olhar para: “em qual tipo de tarefa ela está sendo aplicada e qual é o custo real do erro”
O desafio segue sendo grande, mas vejo luzes que indicam o caminho, tentar automatizar a estratégia é ir no quadrante de alto risco da matriz de Harvard, por outro lado, ignorar a automação do básico, é ter risco de quebrar por ineficiência.
O segredo não é parar de investir, é saber pilotar, pois a IA não destrói balanços, apenas expõe, e muitas vezes de forma implacável, decisões mal estruturadas.
*Henrique de Castro é CEO da New Rizon, cientista de dados com especialização em IA pelo MIT, MBA executivo pelo Insper e mestrando em gestão para a competitividade pela FGV