Por que os contratos de IA ainda pagam por horas quando o valor está em outro lugar
A maior fricção na adoção de inteligência artificial empresarial não é técnica. Não está nos modelos, nem na qualidade dos dados, nem na capacidade de computação. Está no contrato. Enquanto as organizações investem centenas de milhões em implementações de IA esperando retornos estruturais, a maioria continua assinando acordos que recompensam o tempo investido, não o impacto gerado. Esse desajuste não é um detalhe administrativo: é a causa raiz de por que tantas iniciativas de IA ficam presas entre o piloto promissor e a escala operacional que nunca chega.
O relatório mais recente da McKinsey sobre o estado da IA confirma isso com uma precisão incômoda: a adoção se expandiu, mas os desafios de escalabilidade persistem, e a correlação mais forte com o impacto real não está no investimento tecnológico, mas no redesenho dos fluxos de trabalho. Dito em termos econômicos: as empresas estão pagando pela instalação quando deveriam pagar pela transformação.
A contratação baseada em resultados não é uma moda. É a resposta estrutural a um problema de arquitetura de incentivos que os modelos tradicionais não conseguem resolver.
O problema não é o fornecedor, é a lógica do contrato
Os contratos de tempo e materiais e os acordos de preço fixo nasceram para gerenciar a entrega de software onde os entregáveis eram definíveis, os prazos previsíveis e o valor relativamente linear em relação ao esforço. A IA quebra as três condições.
Um sistema de IA que automatiza o gerenciamento de incidentes em infraestrutura não entrega um módulo. Entrega uma redução no tempo de resolução, uma queda nos custos operacionais, uma menor dependência de pessoal de plantão e, eventualmente, uma reorganização da equipe de operações. Nenhum desses resultados aparece em uma fatura de horas. E nenhum deles pode ser atribuído com precisão a um marco específico de projeto.
O resultado é previsível: o fornecedor cobra pelo que pode medir, que são as horas. O cliente paga por algo que esperava, mas que o contrato nunca prometeu formalmente. Quando o ROI não se materializa, ninguém é tecnicamente responsável porque o contrato não o exigia.
Há três falhas estruturais nessa lógica. A primeira é a ausência de correlação entre o insumo e o valor gerado: gastar mais em consultoria ou em licenças não produz necessariamente mais impacto. A segunda é a falta de mecanismos de prestação de contas, porque sem um resultado definido contratualmente, o fornecedor não tem incentivo para persegui-lo. A terceira, e frequentemente ignorada, é o custo total de propriedade que os contratos tradicionais tornam invisível: a gestão da mudança organizacional, a alfabetização em IA da equipe, a reconversão de processos e os custos que desaparecem quando a solução funciona bem, como o pessoal ou o software que a IA substitui. Tudo isso fica fora do balanço, embora determine se o investimento foi rentável.
A lógica de um contrato orientado a resultados
Um contrato baseado em resultados não é simplesmente aquele em que o fornecedor recebe um bônus se as coisas correrem bem. Sua arquitetura é mais precisa e mais exigente para ambas as partes.
O ponto de partida é a definição colaborativa dos indicadores que importam — não os técnicos, mas os de negócio: redução de custos operacionais, aumento na taxa de resolução no primeiro contato com o cliente, diminuição do tempo de ciclo na cadeia de suprimentos. Sobre esses indicadores, estabelecem-se linhas de base verificadas, com metodologia de medição acordada, e constrói-se a lógica de atribuição: qual parte do resultado pode ser razoavelmente conectada à solução de IA e sob quais condições.
O pagamento é estruturado em camadas. Uma base fixa cobre os custos mínimos de operação do fornecedor. Um componente variável é ativado quando os resultados superam limites definidos. Nas implementações mais sofisticadas, estabelecem-se faixas de variância — o que alguns chamam de corredores de tolerância — dentro das quais o fornecedor assume risco na queda, mas também captura valor na alta.
Esse desenho muda a dinâmica de poder na relação comercial. O fornecedor deixa de ser um executor de tarefas para se tornar um parceiro com exposição ao resultado. Essa mudança de posição não é retórica: tem consequências em como as equipes são alocadas, em quão rapidamente se responde a um problema de desempenho do modelo e em quanta investimento continuado o fornecedor está disposto a fazer na conta.
Para que isso funcione, o fornecedor deve ter capacidades que os modelos tradicionais não exigiam. Precisa de consultores que entendam o negócio do cliente antes de falar de tecnologia. Precisa de engenheiros que construam enquanto se define, não depois. E precisa da infraestrutura para operar o modelo em produção com continuidade, incluindo a governança dos custos de inferência e o monitoramento da degradação do desempenho do modelo ao longo do tempo.
O erro de escala que mais se repete
Há um padrão de fracasso na adoção de IA que se repete com consistência suficiente para ser considerado estrutural: as organizações não sabem onde colocar o foco e oscilam entre dois extremos igualmente custosos.
Algumas apostam em problemas excessivamente delimitados. Constroem um agente para automatizar a gestão de gastos com fornecedores sem considerar que o problema real está em toda a cadeia de abastecimento. O resultado é uma solução que funciona em seu silo e que não consegue escalar porque não foi projetada para se conectar com os processos que lhe dão contexto.
Outras organizações tentam otimizar tudo ao mesmo tempo e sem etapas. Buscam transformar operações em escala sem ter demonstrado o modelo de valor em um segmento delimitado. O resultado é um projeto que consome recursos durante anos, gera relatórios de progresso e não produz mudanças observáveis nos indicadores que importam para o conselho de administração.
O que conecta ambos os extremos é a ausência de um modelo operacional antes de escolher a tecnologia. As organizações que conseguem escalar a IA de forma sustentada trabalham com dois processos simultâneos: o redesenho de processos e a arquitetura de dados e tecnologia. Não em sequência, mas em paralelo. E o que mantém esses dois processos alinhados é a gestão da mudança, a estratégia organizacional e a gestão do produto como disciplina permanente.
Este é o argumento mais sólido a favor da contratação baseada em resultados: ela obriga a ter essa clareza antes de assinar. Um fornecedor que aceita ser medido pelo resultado precisa entender o processo que o cliente quer melhorar. Essa conversa pré-contratual tem mais valor estratégico do que muitos meses de consultoria posterior.
Quando o incentivo correto constrói o parceiro certo
A contratação por resultados reordena quem captura o valor em uma implementação de IA e como. Mas também revela algo sobre os fornecedores que muito poucas organizações analisam antes de assinar.
Um fornecedor que opera sob essa lógica precisa absorver risco. Para absorver risco, precisa ter convicção em sua capacidade de entrega. Essa convicção não pode ser apenas comercial: precisa estar respaldada por arquitetura técnica, por histórico de execução e por governança interna que lhe permita gerenciar a qualidade do modelo em produção durante meses ou anos — não apenas no momento do lançamento.
Poucos fornecedores têm essa capacidade hoje. E essa escassez tem implicações para os compradores: o mercado de fornecedores genuinamente comprometidos com resultados é menor do que parece se se lê apenas a literatura de vendas. Filtrar quem pode operar sob esse modelo e quem simplesmente o anuncia como diferenciador comercial requer fazer exatamente as perguntas que a contratação por resultados obriga a responder antes de assinar.
Do ponto de vista da distribuição do valor, esse modelo também tem uma virtude que os contratos tradicionais não têm: torna visível o que antes ficava fora do balanço. Os custos de mudança organizacional, o investimento em capacitação, os sistemas que se tornam redundantes, o pessoal que é realocado — tudo isso passa a fazer parte da análise de valor compartilhado entre cliente e fornecedor. Essa visibilidade não garante equidade, mas elimina a possibilidade de que o sucesso do fornecedor e o do cliente operem em universos paralelos.
Quando os incentivos se alinham em torno do resultado, o centro de gravidade da relação comercial se desloca da gestão de custos para a maximização do retorno. Essa diferença não é semântica. É a que determina se a IA empresarial produz impacto verificável ou simplesmente produz projetos.
