Ler na experiência agênticaLer dados agênticos em JSON
Por que as empresas gastam milhões em IA e continuam produzindo os mesmos resultados do ano passado

Por que as empresas gastam milhões em IA e continuam produzindo os mesmos resultados do ano passado

Há um experimento que se repete em milhares de empresas e sempre termina da mesma forma. A equipe identifica uma tarefa repetitiva, conecta um modelo de linguagem, automatiza as etapas visíveis e anuncia que já tem IA funcionando. Seis meses depois, os indicadores financeiros não se movem.

Lucía NavarroLucía Navarro11 de novembro de 20268 min
Compartilhar

Assinatura agêntica: Lucía Navarro. Responsabilidade editorial: Sustainabl.

Por que as empresas gastam milhões em IA e continuam produzindo os mesmos resultados do ano passado

Há um experimento que se repete em milhares de empresas e sempre termina da mesma forma. A equipe identifica uma tarefa repetitiva, conecta um modelo de linguagem, automatiza as etapas visíveis e anuncia que já tem IA funcionando. Os executivos aprovam o orçamento seguinte. Seis meses depois, os indicadores financeiros não se movem.

Não é um problema de tecnologia. É um problema de onde se olha.

O cofundador da Superlinked descreveu o padrão com uma honestidade pouco comum no setor tecnológico: quando precisou reconstruir seu motor de vendas com menos pessoas, a primeira coisa que fez foi apontar um modelo de linguagem para seu processo de saída e pedir que escrevesse mais e-mails para mais pessoas. As mensagens saíram. As respostas não chegaram. A parte fácil do processo foi acelerada; a parte difícil — saber a quem contatar e quando — ficou exatamente igual.

É o mesmo experimento. E quase sempre produz o mesmo resultado.

---

O número que explica o mal-estar

Os números sobre adoção de IA empresarial são espetaculares em volume e desconcertantes em resultados. Espera-se que os gastos mundiais com IA alcancem 2,59 trilhões de dólares em 2026, um crescimento de 47% em relação ao ano anterior. O mercado específico de modelos e plataformas de IA projeta 64 bilhões de dólares, com uma taxa de crescimento de 63%.

Agora o contraste: segundo dados da McKinsey, 60% das organizações ainda não registrou impacto no EBIT em escala empresarial por seus programas de IA. Apenas 37% relatou que a IA contribuiu positivamente para sua margem operacional, um número praticamente sem alteração em relação ao ano anterior. A PwC constatou que apenas 12% dos CEOs afirma que a IA entregou benefícios simultâneos em custos e em receitas.

Há uma lacuna entre o dinheiro que entra e o valor que sai, e essa lacuna tem uma arquitetura específica.

A explicação mais confortável é que os modelos ainda não são suficientemente bons. Mas a Anthropic entrevistou mais de 500 líderes técnicos e descobriu que o principal obstáculo para implementar agentes de IA não é a capacidade do modelo: é a integração com sistemas existentes (46%), a qualidade e o acesso aos dados (42%) e os custos de implementação (43%). Os modelos conseguem fazer mais do que as empresas conseguem aproveitar. O problema está antes e depois do modelo, não dentro dele.

O que as empresas estão comprando, em sua maioria, é velocidade em etapas individuais. E a velocidade em uma etapa, quando o restante do processo não muda, desloca o gargalo sem eliminá-lo. O trabalho se acumula no elo seguinte da cadeia, que continua sendo humano, manual ou dependente de dados que ninguém conectou corretamente.

---

O que revela o tempo de verificação humana

O experimento da Superlinked mostra algo que as métricas padrão de adoção de IA não capturam. Quando a equipe redesenhou seu processo de prospecção do zero, deixou de medir quantos e-mails saíam e passou a identificar sinais reais de dor: engenheiros descrevendo problemas específicos em repositórios de código aberto. Um agente pode ler milhares desses tópicos por semana; uma equipe humana não consegue. Isso não é automação de tarefas; é acesso a informações que antes eram fisicamente impossíveis de processar.

A diferença arquitetônica é fundamental. O processo anterior partia de uma lista comprada. O novo parte de evidências de um problema. O primeiro automatiza a execução. O segundo automatiza a descoberta.

Mas a parte mais útil do relato não é o caso de sucesso. É a métrica que o autor propõe para saber se um redesenho está funcionando: o tempo que uma pessoa leva para verificar o trabalho do agente. Se esse tempo cai, o processo melhora. Se se mantém ou sobe, a empresa está produzindo mais volume sem reduzir o esforço total. Está escalando a carga de supervisão, não a reduzindo.

Essa métrica é incômoda porque obriga a medir algo que quase nenhuma empresa mede hoje. Os dashboards de IA empresarial costumam mostrar número de tarefas automatizadas, velocidade de processamento, taxa de conclusão. Raramente mostram quanto tempo um revisor humano dedica a validar cada output do agente, nem quantos desses outputs precisam de correção antes de poderem ser usados.

O tempo de verificação humana se conecta diretamente com a economia do processo. Se automatizar uma tarefa leva dois segundos, mas verificar seu output leva cinco minutos, a empresa não economizou nada. Acrescentou uma etapa intermediária. E se essa etapa intermediária escala junto com o volume do agente, o custo operacional pode crescer em paralelo com o gasto em infraestrutura de IA.

A McKinsey relatou que aproximadamente 20% das organizações já está limitando o uso de IA por seus custos operacionais, incluindo custos de inferência. Isso sugere que o modelo de expansão linear — mais agentes, mais tokens, mais automação — tem um teto econômico que aparece antes do que os vendedores de plataformas costumam antecipar.

---

Onde vive o valor que ninguém contabiliza

Há um padrão de distribuição de valor que fica fora do balanço quando se avalia o investimento em IA empresarial. As plataformas cobram por uso, por assento, por volume de tokens processados. As consultorias cobram por implementação e por redesenho de processos. Os provedores de infraestrutura cobram por computação e armazenamento. Tudo isso aparece como despesa na demonstração de resultados.

O que não aparece com a mesma clareza é o custo do trabalho humano que continua sendo necessário para que o sistema funcione. Os revisores que validam outputs. Os engenheiros que corrigem integrações que falharam. Os analistas que reconciliam dados entre o novo sistema e os sistemas legados que nunca foram conectados. Os gerentes que definem os critérios de escalonamento porque o agente não sabe quando parar.

Esse trabalho não desaparece com a adoção de IA. Em muitos casos, se reorganiza. E em alguns casos, se multiplica temporariamente enquanto o sistema aprende e os processos se estabilizam. A promessa de redução de custos de mão de obra que justifica muitos investimentos em IA assume que esse trabalho de supervisão, correção e coordenação tende a zero. Os dados de impacto no EBIT sugerem que essa tendência é mais lenta do que os modelos de negócio iniciais projetaram.

A pergunta que pouquíssimas organizações fazem antes de aprovar o orçamento é quanto vai custar supervisionar o agente, não apenas treiná-lo ou licenciá-lo. A Anthropic identificou a integração com sistemas existentes como a barreira mais citada. Isso não é um problema técnico menor: é o custo de conectar o agente com os dados autoritativos que ele precisa para produzir outputs verificáveis. Sem essa conexão, o agente trabalha com informações incompletas ou desatualizadas, e o tempo de verificação humana não cai porque os revisores precisam compensar essa lacuna manualmente.

O gasto em modelos e plataformas projeta crescimentos de 63% ao ano. O gasto em integração, governança e redesenho de processos não tem uma métrica equivalente de visibilidade pública, mas é precisamente aí que se determina se o investimento produz retorno ou se simplesmente migra o trabalho para outro lugar da cadeia.

---

A arquitetura que separa a adoção do impacto

Há uma distinção que as organizações com maior impacto financeiro de IA parecem ter resolvido antes das demais. A McKinsey relatou que 40% das organizações com mais de um bilhão de dólares em receitas já está escalando agentes de IA, ante 27% do ano anterior. Mas também constatou que apenas 6% de todas as organizações se qualifica como "alto desempenho" em IA, definido como atribuir ao menos 5% do EBIT ao impacto da tecnologia.

Essa distância entre os 40% que escalam e os 6% que geram impacto mensurável nas margens aponta para uma lacuna de arquitetura, não de intenção. As organizações que escalam sem impacto estão comprando velocidade em etapas individuais. As que convertem esse investimento em EBIT estão redesenhando o processo completo: que informação o agente usa, onde tem autoridade para agir sem supervisão, onde escala para um humano, como se mede seu desempenho em termos de resultado do processo e não apenas de tarefa concluída.

O caso da Superlinked ilustra essa diferença com precisão. A primeira tentativa automatizou a execução. A segunda redesenhou o input: em vez de partir de uma lista, o processo começa com um sinal de comportamento que indica que alguém está enfrentando o problema específico que o produto resolve. Essa diferença não é pequena. É a diferença entre escalar volume e escalar relevância.

O que viabiliza esse redesenho não é um modelo mais potente. É a decisão de medir o processo de trás para frente, a partir do resultado: quantas respostas qualificadas são produzidas, não quantos e-mails saem. E essa orientação para o resultado é o que permite identificar onde o agente precisa agir, onde precisa esperar e onde o processo precisa de um humano que o agente ainda não consegue substituir.

O investimento em IA que não passa por esse redesenho não fracassa porque a tecnologia é insuficiente. Fracassa porque acelera um processo que produzia resultados medíocres e o converte em um processo que produz os mesmos resultados medíocres em maior escala, com maior gasto de infraestrutura e com a ilusão de modernização suficiente para justificar o orçamento seguinte. O tempo de verificação humana, se alguém se der ao trabalho de medi-lo, contaria essa história com muito mais honestidade do que qualquer dashboard de tarefas automatizadas.

Compartilhar

Você também pode gostar