O orçamento de IA que mais dói não é o que se perde, mas o que não chega onde importa
Mais de 1,5 trilhão de dólares em avaliações de software empresarial se evaporaram nos últimos dois anos. Não por falta de investimento em inteligência artificial, mas porque o investimento aterrissou no lugar errado. Este é o paradoxo que define o momento atual: as empresas nunca gastaram tanto em IA e, ao mesmo tempo, nunca foi tão difícil mostrar onde está o valor.
Rohit Kedia, CEO da Xoriant, formulou isso com precisão em uma análise recente: a maior parte do orçamento corporativo de IA se acumula na camada do modelo — ou seja, em licenças de plataforma, infraestrutura de computação, parcerias com fornecedores e desenvolvimento de provas de conceito. Essa camada capta a atenção, gera anúncios, produz demonstrações. O que não produz, com consistência, são resultados que apareçam no demonstrativo de resultados.
O Gartner estimou em fevereiro de 2025 que, até 2026, 60% dos projetos de IA serão abandonados por falta de dados prontos para serem processados. Não se trata de um fracasso tecnológico. É um fracasso de arquitetura orçamentária: financiou-se o modelo, não a infraestrutura que o sustenta.
A pergunta que os líderes de tecnologia deveriam estar fazendo a si mesmos não é se devem investir em IA. Essa decisão já está tomada. A pergunta é se o dinheiro está construindo capacidade operacional ou financiando aparência de modernidade.
O teatro caro que ninguém quer nomear
Existe um padrão que se repete com regularidade surpreendente nas salas de diretoria. Cada semana traz um novo anúncio de aliança com um fornecedor de modelos, uma demonstração de agentes autônomos, uma promessa de fluxos de trabalho transformados. O ruído é alto. O teatro, convincente.
Quando se olha além dos comunicados e se pergunta o que mudou de forma concreta na maneira como a empresa cria valor para seus clientes, a resposta honesta costuma ser decepcionante. A McKinsey reportou em seu State of AI 2025 que apenas um terço das empresas começou a escalar seus programas de IA em nível corporativo, embora 88% relatem investimento ativo. O restante está gastando. Só que não onde conta.
Esse fenômeno tem uma estrutura identificável. Os orçamentos de IA em 2023 e 2024 viveram majoritariamente em linhas de inovação ou P&D, com exigências de retorno flexíveis e revisão financeira superficial. Isso criou as condições perfeitas para a proliferação de ferramentas sobrepostas, pilotos departamentais sem conexão com processos centrais e contratos de infraestrutura que ninguém mediu em relação a um resultado de negócio específico.
O problema não é que as empresas experimentem. Experimentar tem valor. O problema é quando o experimento se torna o produto, quando a demonstração substitui o desdobramento e quando o orçamento de inovação funciona como uma forma de parecer moderno sem comprometer nada de concreto.
A Deloitte constatou que cerca de 66% das organizações que adotaram IA empresarial relatam melhorias em produtividade e eficiência como o principal benefício obtido. É um número razoável. Mas é preciso lê-lo com cuidado: produtividade e eficiência são métricas de processo, não necessariamente de impacto econômico estrutural. Reduzir o tempo que um analista leva para preparar um relatório não é a mesma coisa que reconfigurar a cadeia de decisões que faz esse relatório importar.
A distinção entre "usar IA" e "aplicar inteligência" é, no fundo, uma distinção orçamentária. Usar IA significa colocar ferramentas em cima de fluxos de trabalho existentes: um copiloto aqui, um chatbot ali, uma camada de análise sobre um painel que já existia. Aplicar inteligência significa algo categoricamente diferente: incorporar capacidade de decisão automatizada dentro de como a empresa produz e entrega valor, com rastreabilidade ao resultado que essa decisão afeta.
Essa segunda opção exige financiar coisas que não geram manchetes: limpeza de dados, redesenho de processos, modernização de arquiteturas legadas, formação de equipes. O Goldman Sachs apontou em seu relatório de março de 2026 que a IA não está consumindo o mercado de software; está expandindo-o, porque reduz o custo de escrever código ao mesmo tempo que eleva o teto do que esse código pode fazer. Isso implica que o espaço de valor aplicável cresceu. Mas capturá-lo exige ter construído os alicerces que o sustentam.
Os quatro alicerces que o orçamento ignora
Há quatro áreas onde o investimento sistematicamente chega tarde ou chega insuficiente, e as quatro determinam se qualquer gasto em modelos produz valor ou simplesmente produz atividade.
Os processos são o primeiro ponto de falha. A IA aplicada sobre um fluxo de trabalho quebrado produz resultados quebrados mais rapidamente. Cada dólar investido no modelo sem redesenhar o processo ao seu redor é um dólar que gera velocidade, não direção. O erro mais frequente nos programas de IA empresarial é presumir que a inteligência do modelo compensará a disfuncionalidade do processo. Não compensa. Amplifica.
A arquitetura tecnológica é o segundo problema. Sistemas legados fragmentados não conseguem suportar inteligência incorporada no ponto de decisão. Comprar um modelo mais potente não resolve um problema de integração. O que parece ser um problema de capacidade de IA é, com frequência, um problema de dívida técnica não resolvida que o orçamento de IA nunca tocou — porque dívida técnica não gera demonstrações atraentes.
As habilidades ocupam o terceiro lugar e talvez sejam o déficit mais caro por sua invisibilidade. Existe uma diferença entre uma força de trabalho que sabe o que é a IA e uma que sabe trabalhar com ela. A primeira pode responder a uma pesquisa de adoção. A segunda pode redefinir como um time de operações, de risco ou de atendimento ao cliente toma decisões. A transformação de capacidades continua sendo uma das linhas orçamentárias mais consistentemente subestimadas nos programas de IA empresarial, tratada como gestão de mudança no final de um projeto, em vez de condição de entrega desde o início.
Os dados fecham o quadro. Nenhum modelo, por mais sofisticado que seja, produz inteligência confiável a partir de dados não confiáveis. E ainda assim, a preparação de dados recebe uma fração do investimento destinado à seleção de modelos e à aquisição de plataformas. O achado do Gartner não é apenas estatístico: é um diagnóstico de prioridades. As empresas investem onde há visibilidade e reconhecimento. Dados limpos, bem governados e conectados aos processos corretos não geram demonstrações espetaculares. Geram resultados. Essa diferença explica por que 60% dos projetos não sobrevive.
Um estudo de custos publicado em 2026 estima que sistemas de IA prontos para produção, com conformidade normativa e escalabilidade real, custam entre 250.000 e mais de um milhão de dólares por sistema, uma vez contabilizados engenharia, trabalho de dados, governança e integração. Esse número inclui os custos recorrentes de manutenção de modelos, retreinamento e monitoramento. Quase nenhum piloto foi desenhado para sustentar essa estrutura. O que explica por que os pilotos não escalam.
A arquitetura orçamentária que diferencia quem captura valor de quem o observa
A diferença entre as empresas que estão capturando valor sustentável com IA e as que estão acumulando dívida de implementação não está em quais modelos escolheram. Está em como construíram a arquitetura de investimento ao redor desses modelos.
As empresas que estão gerando retorno mensurável compartilham um padrão de três camadas. A primeira é o investimento de alicerce: trabalho de preparação de dados, redesenho de processos, modernização de sistemas legados e programas de capacitação com métricas de adoção. É o trabalho sem glamour que determina se todo o restante funciona. A segunda camada é o desdobramento de inteligência: IA integrada de forma nativa em fluxos de trabalho reais, não como ferramenta paralela, mas como capacidade dentro da plataforma, do produto ou da jornada do cliente, com rastreabilidade direta a um resultado de negócio. A terceira é a orquestração — tanto humana quanto agêntica —, mas só tem valor quando as duas camadas anteriores já estão construídas.
A projeção da Deloitte indica que o número de empresas com mais de 40% de seus projetos de IA em produção vai dobrar no próximo ciclo de planejamento. Esse número importa menos como indicador de adoção do que como sinal do tipo de empresa que será capaz de competir sobre uma base de custos estruturalmente diferente.
Os diretores financeiros estão começando a mover os orçamentos de IA das linhas de inovação com revisão flexível para os orçamentos operacionais de tecnologia, com as mesmas exigências aplicadas a um investimento em ERP ou em plataformas de gestão de relacionamento com clientes. Isso tem duas consequências imediatas. A primeira é que os projetos que não consigam mostrar um retorno operacional mensurável perderão financiamento. A segunda é que os fornecedores e integradores de sistemas que sobreviverão serão aqueles capazes de conectar sua oferta a métricas de processo concretas, não a promessas de transformação abstrata.
O argumento central da análise de Kedia — e o que mais incomoda as equipes de tecnologia — é que o investimento em IA que mais importará no próximo ano é o que hoje parece menos atraente. Isso não é um paradoxo retórico. É uma descrição precisa de como o valor se distribui em mercados com alta assimetria de informação: quem investe no que não pode ser demonstrado em uma apresentação captura o valor que os demais apenas descrevem em seus relatórios anuais.
A arquitetura orçamentária que constrói inteligência aplicada é, por definição, menos visível do que aquela que financia experimentos com modelos avançados. Mas é a única que produz resultados que resistem a uma auditoria real de valor. E em um ambiente onde os conselhos de administração começam a exigir exatamente isso, a visibilidade do gasto deixou de ser sua principal vantagem.
