IA em foco: reduzindo o gap entre investimento e resultado

*Pedro Henrique Sebben

Poucas tecnologias mobilizaram tanto investimento e, sobretudo, expectativa quanto a inteligência artificial tem feito nas últimas décadas. Em empresas de diferentes portes, já não é incomum encontrar dezenas, em alguns casos centenas, de iniciativas em andamento: assistentes para desenvolvimento de software, ferramentas de autoatendimento, modelos de previsão de demanda, interfaces internas para consulta e análise de dados. Ainda assim, grande parte delas permanece restrita a áreas específicas ou a provas de conceito que não avançam para a operação.

• O verdadeiro gargalo da IA está no modelo de trabalho
• Confiança como arquitetura: por que a IA corporativa precisa nascer ética

Levantamentos recentes ajudam a tangibilizar esse descompasso. O último relatório “The State of AI”, da McKinsey, aponta que, embora o uso de IA tenha avançado — com cerca de 88% das organizações já adotando a tecnologia em pelo menos uma função de negócio —, apenas 39% das empresas relatam algum ganho no EBIT em nível corporativo. Na 29ª Global CEO Survey da PwC (2026), que ouviu mais de 4.400 líderes em mais de 95 países, 56% dos respondentes afirmaram que ainda não conseguiram obter retornos financeiros com inteligência artificial.

-
Entre no Canal do WhatsApp do Canaltech e fique por dentro das últimas notícias sobre tecnologia, lançamentos, dicas e tutoriais incríveis.
-

O desafio, portanto, parece já não estar mais no acesso, mas sim na capacidade de traduzir a adoção em resultados mensuráveis para o negócio. O que nos leva a pensar sobre o porquê de, mesmo diante de investimentos crescentes, poucas empresas conseguem transformar IA em resultado efetivo. Parte da resposta está na forma como essa agenda vem sendo incorporada nas organizações.

Não raramente, a adoção de IA começa sob forte pressão externa. À medida que os concorrentes testam soluções, o mercado exige posicionamento, e os executivos querem respostas rápidas. O caminho mais comum, nesses casos, é iniciar pilotos isolados, muitas vezes desconectados de uma estratégia mais ampla da companhia ou de um objetivo claro de negócio, e, não raramente, incorporando a IA apenas como uma camada adicional em processos existentes.

A questão é que, ao tratar a IA como uma ferramenta que pode ser incorporada sem mudanças estruturais, as empresas invertem a lógica necessária para gerar valor. Em vez de começar pelo objetivo e pelo redesenho do trabalho, iniciam pela tecnologia e acabam automatizando processos que nunca foram pensados para operar com esse novo nível de capacidade.

Quando observamos a parcela de companhias que já conseguem traduzir o uso de IA em impacto de negócio, alguns padrões se repetem. Entre eles, é possível destacar movimentos que, combinados, tendem a sustentar a geração de valor. O primeiro é a conexão direta com um objetivo de negócio mensurável. Projetos de IA de sucesso normalmente não começam pela tecnologia, mas por perguntas claras: qual desafio de negócio queremos endereçar? Qual resultado esperamos gerar? Como vamos medir eventuais avanços e desvios? O objetivo precisa ser claro, explicável em uma frase, pois, muitas vezes, a complexidade começa pela ambiguidade que objetivos muito vagos trazem.

O segundo é o redesenho dos fluxos operacionais. Ao contrário de apenas inserir a IA em processos existentes, essas empresas repensam seus processos de negócio, ou seja, identificam onde as pessoas são o ponto central, trazendo julgamento, responsabilidade, intenção e contexto de negócios, e onde os agentes inteligentes podem fornecer análise, orquestração, coordenação, suporte à execução e aceleração contínua, e reorganizam os processos a partir disso.

O terceiro é a criação de uma camada de tradução entre negócio e tecnologia. Na prática, isso significa contar com profissionais como os Forward Deployed Engineers, capazes de transitar entre contexto de negócio, arquitetura técnica e implementação, atuando diretamente no redesenho dos fluxos de trabalho e na incorporação da IA na operação real, trabalhando de forma imersiva no ambiente das empresas e nas áreas de negócios. São profissionais como esses que conseguem entender, em profundidade, como a organização funciona, onde estão os pontos de alavanca e como transformá-los em soluções que gerem impacto mensurável.

Por fim, há um elemento estrutural: a capacidade de escalar com consistência e segurança. Em muitos casos, diante das novas possibilidades de aplicação de IA, as empresas passam a incorporá-las sem um planejamento integrado. Como consequência, cada área desenvolve suas próprias soluções, com diferentes padrões, o que inevitavelmente gera fragmentação, dificulta a governança e compromete a consistência dos resultados, além de aumentar o retrabalho e tornar a evolução das iniciativas mais lenta e custosa. Para mitigar esse cenário, torna-se essencial estabelecer uma base tecnológica e de governança capaz de unificar dados, modelos e agentes, permitindo desenvolver, orqxuestrar e operar soluções de IA de forma padronizada, monitorada e escalável. Isso evita que cada nova iniciativa recomece do zero e garante maior rastreabilidade, conformidade e geração consistente de valor ao longo do tempo.

Para além de replicar esses movimentos, o que começa a se evidenciar é que há espaço para aprofundar e dar mais consistência aos resultados quando eles são organizados dentro de uma lógica clara de execução. Em outras palavras, antes de escalar, é preciso simplificar. Antes de automatizar, redesenhar. E, antes de transformar, definir com clareza o objetivo.

Agentes de IA ampliam o que encontram, seja organização ou desordem

Se muito já se esperava da IA, com o avanço recente dos chamados agentes inteligentes, uma nova onda de expectativas começa a se formar. Segundo dados da McKinsey, 62% das organizações já estão ao menos experimentando com esse tipo de solução. A promessa é clara: são sistemas ainda mais sofisticados, capazes de executar tarefas complexas, tomar decisões e operar com mais autonomia.

O que, no entanto, ainda é pouco discutido é que os agentes não operam no vazio, eles amplificam o modelo operacional existente. Quando aplicados sobre processos que foram pensados para um mundo que não existe mais, tendem a escalar o desperdício. Quando inseridos em fluxos redesenhados, repensados para explorar toda a capacidade tecnológica disponível hoje, com objetivos claros e governança consistente, tornam-se uma camada de execução que ajuda a empresa a se mover mais rapidamente, operar de forma mais inteligente e escalar com consistência.

A vantagem competitiva, nesse cenário, está menos em quem adotou determinada solução primeiro ou em maior quantidade, e mais em quem conseguiu integrá-la ao negócio dentro de uma lógica disciplinada de execução, onde o foco está em definir o objetivo certo, simplificar o que não gera valor, redesenhar como o trabalho acontece e usar a IA para escalar o que funciona.

É essa mudança de abordagem que começa a diferenciar empresas que experimentam com IA daquelas que estão se reinventando a partir dela.

Você também pode se interessar em saber 12 formas de usar IA no trabalho para ganhar tempo e 5 práticas para a transformação de IA de uma empresa, segundo o Google.

Leia a matéria no Canaltech.