Cada orçamento de IA esconde uma aposta sobre como sua empresa opera
O dinheiro já foi aprovado. Os pilotos foram executados. Alguns funcionaram; a maioria parou antes de gerar valor mensurável. Segundo a S&P Global, 42% das organizações abandonou a maioria de suas iniciativas de IA em 2025, contra 17% no ano anterior. Essa estatística não descreve um problema tecnológico. Descreve um problema de arquitetura de decisão: as empresas compraram capacidade sem projetar o modelo operacional que deveria sustentá-la.
É isso que está em jogo por trás de cada linha do orçamento de inteligência artificial. Não é uma aposta sobre qual modelo de linguagem vai dominar o mercado, nem sobre qual provedor de nuvem oferece melhor latência. É uma aposta sobre como o trabalho vai fluir, quem toma quais decisões, onde reside o julgamento proprietário e quanto custará operar tudo isso em escala. Formular a questão dessa maneira muda completamente a análise financeira que um CFO ou um conselho de administração deveria estar fazendo antes de assinar.
A maioria não está fazendo isso. E essa lacuna entre o capital comprometido e a clareza do modelo que deve sustentá-lo é onde se acumula o risco estrutural mais relevante deste ciclo de investimento em IA.
O que os fornecedores SaaS não te disseram quando você pagava por assento
Durante uma década, o modelo de assinatura por assento treinou os executivos a pensar em capacidade como algo que se arrenda. O fornecedor gerencia a complexidade técnica; a empresa compra o resultado. Esse arranjo funcionou enquanto a tecnologia era um sistema de registro ou uma ferramenta de suporte. Deixa de funcionar no momento em que a tecnologia começa a executar julgamentos de negócio.
Quando um agente de IA aplica uma política de reembolsos, toma uma decisão de crédito ou escala um caso de suporte, ele não está executando software. Está rodando em produção a lógica do seu modelo operacional. Você pode terceirizar o servidor onde isso acontece. Não pode terceirizar as regras que determinam o que ele decide. Essas regras são a empresa.
A mudança que está ocorrendo no mercado SaaS confirma isso. As empresas estão cortando assentos, deslocando trabalho para agentes internos e renegociando contratos sob termos diferentes. Os próprios fornecedores estão migrando para modelos de precificação por resultado, porque sabem que a fronteira entre o que se arrenda e o que se constrói está se movendo. O reconhecimento implícito desse deslocamento é que o valor não está mais no acesso à ferramenta, mas na lógica que roda sobre ela.
Isso tem uma consequência financeira direta que poucos análises de retorno capturam. Quando uma empresa reduz um contrato SaaS de dois milhões de dólares porque vai internalizar capacidade com agentes próprios, esse dinheiro não desaparece. Ele se redistribui: aproximadamente entre 30% e 45% para inferência de modelos, entre 20% e 30% para engenharia de dados e ferramentas, e entre duas e quatro posições para governar o que os agentes decidem. No primeiro ano, o resultado é uma reatribuição de gastos, não economia. Um modelo de negócio que apresenta essa transição como redução de custos sem mapear para onde foi o dinheiro tem um erro contábil estrutural no seu caso de investimento.
O fantasma do modelo de automação anterior
Existe um antecedente que torna o risco atual mais legível: a onda de automação robótica de processos entre 2017 e 2022. As empresas implantaram milhares de bots sem nenhum padrão de implantação, sem versões controladas, sem ciclos de vida definidos. Até 2023, o padrão era consistente: bots em produção, ninguém com certeza sobre o que exatamente eles fazem, engenheiros com medo de tocá-los porque qualquer intervenção poderia quebrar algo que ninguém compreende completamente.
Os agentes de IA são essa mesma arquitetura de fracasso com raciocínio incorporado e um raio de impacto ordens de magnitude maior. Um bot que processa formulários de forma incorreta pode gerar erros custosos. Um agente que interpreta políticas, toma decisões contextuais e opera em múltiplos sistemas simultaneamente pode propagar erros em uma velocidade e escala que nenhum sistema de revisão humana tardia consegue conter.
A pergunta de governança que qualquer executivo deveria conseguir responder antes de ampliar a implantação de agentes não é filosófica. É operacional: quais agentes a empresa tem rodando em produção, quem é o dono de cada um e como são revertidos se algo der errado. Se essa resposta não existe, o problema já está instalado. O que falta é que ele se torne visível.
A escassez dessa visibilidade não é um acidente. Vem do fato de que a governança de IA foi tratada como uma camada posterior, algo que se adiciona depois que o sistema já opera. A evidência de outros ciclos tecnológicos sugere que essa ordem produz exatamente o tipo de dependência que depois ninguém quer tocar: dívida técnica com raciocínio incorporado.
Onde o gasto em IA se torna consumo sem controle
Existe uma dinâmica de custos que a maioria dos casos de negócio internos está ignorando. Os preços unitários de inferência estão caindo. Ao mesmo tempo, o consumo escala mais rápido do que essa queda de preços. O resultado líquido é que o gasto agregado na operação de IA sobe mesmo que cada token custe menos.
As empresas que implantaram ferramentas de IA de forma ampla estão racionando o acesso: suficiente para que as equipes experimentem, insuficiente para que dependam do sistema. Essa lacuna entre experimentação e dependência operacional é onde se acumula o próximo ciclo de investimento. Fechá-la tem um custo real, e esse custo já existe dentro dos portfólios tecnológicos atuais. Está distribuído em contratos SaaS que estão sendo consolidados, em infraestrutura que está sendo substituída. O problema não é a falta de capital; é a falta de visibilidade sobre qual parte desse capital está gerando capacidade produtiva e qual parte financia operação sem retorno mensurável.
É isso que torna a governança um assunto financeiro, e não apenas um assunto técnico. Sem a capacidade de rastrear quais agentes operam, quais decisões tomam e qual resultado produzem, o orçamento de IA se torna um gasto de fé. E os conselhos de administração que começam a entender isso estão mudando as perguntas que fazem nas revisões de investimento. Não perguntam mais pelo número de modelos implantados. Perguntam por métricas de fluxo de trabalho, taxas de erro, tempo economizado e satisfação dos usuários. A diferença entre os dois conjuntos de métricas descreve a distância entre uma empresa que está apostando em uma tecnologia e uma empresa que está construindo um modelo operacional.
O modelo híbrido não é uma concessão, é a estrutura econômica correta por ora
O caso que melhor ilustra aonde leva uma aposta desordenada sobre o modelo operacional vem da Klarna. A receita da empresa aproximadamente dobrou entre 2022 e 2025, enquanto o quadro de funcionários foi reduzido quase à metade. Isso parecia validar uma tese extrema: IA substituindo trabalho humano em grande escala. Mas a mesma empresa teve que reconstruir seu serviço de atendimento ao cliente humano quando a satisfação caiu nas interações automatizadas.
O que restou não é uma história de sucesso puro nem de fracasso. É um modelo operacional com uma lógica específica: IA em volume, humanos na complexidade. Automação para o que é previsível, escalável e padronizável. Julgamento humano para o que requer contexto, exceção ou consequências relacionais elevadas. Essa distinção não é filosófica. É a variável que determina se o custo operacional cai de forma sustentável ou se simplesmente se desloca para problemas de qualidade que eventualmente precisam ser resolvidos com gastos adicionais.
O erro mais frequente nos modelos financeiros de adoção de IA é tratar essa distinção como uma transição temporária em direção a um estado futuro onde tudo é automatizável. A evidência atual não respalda esse cenário para a maioria dos setores. O que respalda é que a fronteira entre o que a IA executa bem e o que requer julgamento humano se move, mas não desaparece. As empresas que governam essa fronteira com precisão — que sabem exatamente onde ela está e conseguem ajustá-la quando as condições mudam — têm uma vantagem operacional mensurável sobre aquelas que a deixaram indefinida.
O investimento em IA, portanto, não é uma aposta sobre o futuro da tecnologia. É uma aposta sobre a capacidade de uma organização para projetar, operar e corrigir um modelo híbrido sob condições de mudança contínua. As empresas que têm essa capacidade instalada hoje serão compradoras informadas quando chegar o próximo ciclo de consolidação de ferramentas. As que não a têm estão construindo dependências que ninguém conseguirá inventariar quando chegar o momento de migrar.
