IA nas empresas: por que o retorno financeiro fica abaixo do esperado

Se a sua empresa investiu em inteligência artificial esperando um corte grande de custos e o resultado ficou bem menor do que o previsto, você não está sozinho. Um estudo da Bain & Company, feito com 951 empresas no mundo todo, mostra que existe uma distância relevante entre o que os gestores esperam economizar com IA e o que realmente aparece no balanço. E essa distância tem explicações bem práticas, que valem a pena entender antes de aprovar o próximo orçamento de tecnologia.

O uso de IA nas empresas brasileiras cresceu de forma acelerada: segundo o IBGE, 41,9% das indústrias já utilizam a tecnologia, contra 16,9% em 2022. No mundo, o número chega a 34% das companhias, de acordo com levantamento da Concentrix com o Everest Group. O apetite por investir continua firme: 90% das empresas pretendem aumentar ainda mais os orçamentos destinados a agentes de IA, sistemas que executam tarefas e tomam decisões com certo grau de autonomia. O problema é que o retorno financeiro não está crescendo na mesma proporção.

O que explica a diferença entre expectativa e resultado

De acordo com a pesquisa da Bain, 37% das empresas estabeleceram como meta reduzir entre 11% e 20% dos custos com o uso de agentes de IA. Só que, entre as companhias que efetivamente mediram esse resultado, quase 40% conseguiram economia de apenas 0% a 10%. Para Lucas Brossi, sócio e líder de Data e AI da Bain para a América do Sul, o erro geralmente começa no próprio cálculo do retorno esperado: as empresas costumam projetar o potencial máximo da tecnologia, sem considerar as condições reais da operação, como necessidade de revisão humana, retrabalho e custos de integração.

Outro ponto importante é a confusão entre ganho de produtividade e economia financeira. Reduzir o tempo gasto em uma tarefa não significa, automaticamente, reduzir o custo do processo na mesma proporção. Segundo Brossi, se uma atividade fica 30% mais rápida, isso não quer dizer que o processo todo custará 30% menos: o tempo liberado pode simplesmente se dispersar entre a equipe, sem gerar economia concreta. Por isso, antes de implementar IA, a empresa precisa definir com clareza como aquele tempo economizado vai virar resultado, seja em mais vendas, menos gastos com terceiros ou mudança na estrutura das equipes.

Por que a autonomia total ainda é rara

Muitos projetos de IA são planejados considerando uma automação completa, mas a realidade é bem diferente: apenas 7% das empresas mantêm agentes de IA totalmente autônomos em produção. A maioria ainda depende de intervenção humana, seja para aprovar decisões (38% das empresas) ou para lidar com exceções e situações de risco (32%). Isso não é necessariamente um problema, já que decisões importantes podem exigir supervisão. A questão é financeira: se o investimento foi aprovado com base numa economia de automação total, mas a operação continua com custos de intervenção humana, o retorno real vai ficar abaixo do planejado.

Vale notar que empresas com agentes operando em níveis mais altos de autonomia têm mais chance de bater a meta: entre as que atingiram os resultados esperados, 50% tinham agentes mais autônomos, contra 38% entre as que ficaram abaixo da meta. Ainda assim, segundo Brossi, autonomia total não é a única saída. Um exemplo citado no estudo é o da equipe de tecnologia financeira da Amazon, que criou uma IA para acompanhar mudanças tributárias em diferentes países: uma tarefa que levava 26 minutos passou a levar cerca de dois minutos, uma redução de 92%, com 80% dos resumos aceitos pelos especialistas sem necessidade de ajuste.

Como se preparar antes de investir mais em IA

Um dos gargalos mais citados no estudo é o acesso e a integração de dados, apontado por 41% das empresas como principal barreira ao avanço da IA. Curiosamente, esse obstáculo aparece com mais força justamente entre as empresas que já atingiram suas metas (44%), contra 40% das que ficaram para trás. A explicação é que, quanto mais a empresa avança na implementação, mais ela esbarra nos limites da própria estrutura de dados. Já as empresas menos avançadas relatam mais problemas organizacionais, como orçamento insuficiente e falta de prioridade para o tema.

Segundo Brossi, não é preciso esperar anos para ter uma infraestrutura de dados perfeita antes de começar. O caminho mais eficiente é começar por processos relevantes em que os dados já estejam acessíveis e o escopo seja bem definido, testando a solução aos poucos. Outro alerta importante do estudo é sobre o que a Bain chama de "dívida de processos": ineficiências acumuladas ao longo do tempo, como aprovações desnecessárias, retrabalho e soluções improvisadas. Aplicar IA em cima de um processo mal desenhado só acelera um fluxo que continua caro e pouco eficaz, sem resolver o problema de fundo.

Na prática, antes de expandir o orçamento de IA, vale revisar os processos que serão automatizados, especialmente aqueles com tarefas repetitivas ou que passam por várias áreas, como compras, atendimento, finanças e planejamento. O ganho de uma automação isolada tende a ser limitado se o processo completo ao redor dela continuar dependente de informações incompletas ou etapas mal organizadas. O caminho mais seguro é combinar tecnologia e pessoas de forma planejada, com metas realistas, indicadores claros e responsabilidade