A adoção de inteligência artificial (IA) avançou entre empresas de diferentes setores, mas muitas organizações ainda enfrentam dificuldades para comprovar o retorno dos investimentos realizados na Tecnologia.
Um levantamento da KPMG divulgado em 2026 apontou que 95% das organizações possuem uma estratégia formal de inteligência artificial, enquanto apenas 8% conseguem comprovar retorno efetivo sobre o investimento. Dados da McKinsey também indicam uma diferença entre adoção e resultados: cerca de 88% das empresas afirmam utilizar IA, mas apenas uma parcela consegue extrair valor significativo da tecnologia.
Segundo os levantamentos citados, 39% das empresas relatam algum impacto da IA sobre o EBIT em nível corporativo.
Indicadores de adoção nem sempre mostram resultados
Um dos principais desafios está na forma como as empresas avaliam seus programas de inteligência artificial. Indicadores como número de funcionários treinados, quantidade de licenças distribuídas e volume de casos de uso podem mostrar o nível de adoção, mas não necessariamente comprovam impacto financeiro ou operacional.
Para demonstrar retorno, seria necessário acompanhar indicadores como aumento de receita, redução de custos, ganhos de produtividade e diminuição de riscos.
A adoção dessas métricas intermediárias continua sendo útil para acompanhar a implementação da tecnologia, mas não substitui a avaliação dos resultados efetivamente gerados para o negócio.
Informações técnicas precisam chegar à liderança
Outro desafio está na comunicação entre equipes técnicas e executivos. Profissionais responsáveis pelos projetos geralmente acompanham limitações, níveis de precisão e condições necessárias para que os sistemas funcionem adequadamente.
Essas informações, porém, podem perder detalhes quando são apresentadas à alta administração. Limitações identificadas durante testes podem acabar sendo apresentadas apenas como etapas de desenvolvimento, dificultando uma avaliação precisa dos riscos e do desempenho das soluções.
A comunicação dos resultados precisa, portanto, preservar informações sobre limitações técnicas, riscos e condições de funcionamento dos sistemas.
Projetos nem sempre partem de problemas definidos
A pressão para acompanhar o avanço da inteligência artificial também pode levar empresas a iniciar projetos sem estabelecer previamente um problema de negócio específico.
Programas desse tipo podem gerar atividades como treinamentos, testes, reuniões e desenvolvimento de projetos-piloto, mas nem sempre resultam em mudanças mensuráveis nos processos ou nos resultados financeiros.
A definição de objetivos claros e indicadores de desempenho permite avaliar se uma iniciativa deve ser ampliada, modificada ou encerrada.
Governança e transparência ganham importância
A dificuldade de comprovar resultados também aumenta a necessidade de mecanismos de governança. Investidores, conselhos de administração e órgãos reguladores passaram a exigir informações mais objetivas sobre investimentos em inteligência artificial e seus efeitos.
Nesse contexto, indicadores financeiros verificáveis, metas definidas e uma relação clara entre investimento e resultado podem ajudar a diferenciar iniciativas com impacto efetivo de projetos voltados principalmente à adoção da tecnologia.
Outro ponto de atenção é o chamado AI washing, termo usado para descrever a apresentação exagerada das capacidades de inteligência artificial de uma organização sem correspondência com sua aplicação prática.
Com a expansão da IA nos sistemas corporativos, a capacidade de utilizar a tecnologia de forma estratégica e demonstrar resultados concretos tende a ganhar mais importância do que simplesmente aumentar o número de ferramentas ou projetos adotados.
