O avanço acelerado da inteligência artificial nas empresas trouxe um novo desafio para o mercado corporativo: comprovar o retorno financeiro dos investimentos realizados. Após bilhões de dólares aplicados em projetos de IA ao redor do mundo, conselhos administrativos, executivos financeiros e acionistas passaram a cobrar resultados concretos que muitas organizações ainda não conseguem medir com precisão.
Segundo Marcus Garcia, diretor comercial da Konia Tecnologia, o problema não está necessariamente na tecnologia, mas na ausência de métricas adequadas desde o início da implementação dos projetos.
De acordo com levantamento da International Data Corporation (IDC), os investimentos globais em inteligência artificial devem ultrapassar US$ 632 bilhões até 2028, mais que o dobro dos níveis atuais.
“Não é a primeira vez que o mercado corporativo vive esse movimento. Já aconteceu com ERPs e também com Big Data. O problema sempre aparece quando as empresas investem antes de definir claramente como medir sucesso”, afirma Garcia.
Segundo ele, muitas companhias adotaram IA como símbolo de inovação e modernidade, sem estabelecer objetivos claros ou indicadores alinhados às metas de negócio.
“O problema começou no momento em que os projetos foram aprovados sem que ninguém soubesse exatamente o que seria considerado sucesso”, explica.
Crescimento acelerado aumentou complexidade
Diferentemente de outras tecnologias corporativas, a inteligência artificial se espalhou simultaneamente por diferentes áreas das empresas.
Recursos humanos passaram a usar algoritmos para triagem de currículos. Departamentos jurídicos automatizaram análises contratuais. Setores financeiros implementaram sistemas de detecção de fraudes, enquanto equipes de marketing adotaram ferramentas generativas para produção de conteúdo.
O resultado, segundo especialistas, foi uma estrutura tecnológica descentralizada e fragmentada, com cada departamento utilizando fornecedores, métricas e critérios próprios.
“O RH mede uma coisa, o financeiro mede outra e o marketing trabalha com indicadores completamente diferentes. No final, ninguém consegue traduzir isso em valor consolidado para o negócio”, destaca Garcia.
Empresas repetem erros de ciclos anteriores
O especialista compara o cenário atual ao que ocorreu na expansão dos sistemas ERP nos anos 2000 e na onda de Big Data a partir de 2015.
“Naquela época, muitas empresas criaram enormes bases de dados sem saber exatamente como utilizá-las. Agora, o mesmo acontece com a IA”, afirma.
Ele também cita experiências anteriores em infraestruturas digitais complexas, como o Sistema de Pagamentos Brasileiro (SPB) e o Pix, onde o crescimento acelerado sem governança adequada aumentou riscos operacionais.
Três erros aparecem com frequência
Segundo Garcia, existem três armadilhas recorrentes nas empresas que enfrentam dificuldades para comprovar retorno sobre investimentos em inteligência artificial.
A primeira são as chamadas “métricas de vaidade”, como quantidade de modelos implementados, volume de dados processados ou número de usuários impactados. Apesar de impressionarem em apresentações corporativas, esses números pouco revelam sobre geração efetiva de valor.
A segunda falha é a ausência de linha de base. Sem documentar claramente a situação anterior à implementação da IA, torna-se difícil comprovar ganhos reais de eficiência, produtividade ou receita.
Já a terceira armadilha envolve o desalinhamento entre equipes técnicas e executivos responsáveis por justificar os investimentos.
“Quem constrói a IA fala uma linguagem diferente de quem precisa apresentar resultados financeiros ao conselho. Muitas vezes, projetos úteis são encerrados porque não conseguem demonstrar valor de forma compreensível”, explica.
Mercado começa a amadurecer
Dados da consultoria Gartner indicam que mais de 40% dos projetos de inteligência artificial agêntica devem ser cancelados em menos de dois anos. Entre os principais motivos aparecem custos elevados, falta de clareza sobre benefícios concretos e falhas de governança.
Em contrapartida, empresas que conseguiram estruturar melhor suas estratégias de IA apresentam características semelhantes: definição clara de objetivos antes da implementação e integração das métricas tecnológicas aos indicadores de negócio.
Nos mercados mais maduros, essa abordagem passou a ser conhecida como “AI Value Realization”, conceito voltado à garantia de retorno mensurável e sustentável dos investimentos em inteligência artificial.
Para Garcia, o atual momento representa uma mudança natural de maturidade do mercado.
“Estamos saindo da fase em que usar IA era suficiente para impressionar e entrando na fase em que ela precisa gerar resultado concreto. As empresas que conseguirem atravessar bem essa transição terão uma vantagem competitiva importante”, conclui.
