ROI de IA: Por que Empresas Investem Bilhões e Colhem Pouco Retorno

Introdução

Uma empresa gastou meio bilhão de dólares em inteligência artificial para empresas em um único mês — sem nenhum controle de uso. O resultado? Ninguém sabia ao certo o que aquele dinheiro havia produzido. Esse caso, relatado pelo Axios em maio de 2026, não é anomalia: é sintoma de uma epidemia silenciosa que assola organizações de todos os setores. Enquanto os gastos com IA devem quase dobrar em 2026 — saltando de 0,8% para 1,7% da receita das companhias —, menos de 1% das organizações reportam ROI de IA superior a 20%. O problema não é a tecnologia. É a forma como as empresas estão comprando, implantando e gerenciando a IA.

A corrida dos gastos: por que todo mundo está investindo em IA

A pressão para adotar IA deixou de ser interna. Hoje ela vem de fora: investidores exigem uma estratégia de IA nas apresentações de resultados, concorrentes anunciam projetos-piloto em todo press release, e consultorias publicam relatórios que transformam a adoção em questão de sobrevivência competitiva.

O resultado é um fenômeno que especialistas já batizaram de AI FOMO — o medo de ficar para trás. Executivos aprovam orçamentos para IA não porque têm um caso de uso claro, mas porque "precisam mostrar que estão se movendo". A Intuit demitiu 3.000 funcionários — 17% do seu quadro global — para redirecionar investimentos a parcerias com OpenAI e Anthropic. O setor de tecnologia como um todo cortou mais de 100.000 empregos em 2026 justificando as demissões pela automação via IA. Os gastos com IA são reais. O retorno, nem sempre.

Por que o ROI não vem: os 3 problemas centrais

1. Falta de governança de IA e controle de gastos

O caso do cliente que consumiu U$ 500 milhões em um mês expõe uma falha de gestão, não de tecnologia. Plataformas de IA generativa cobram por uso — tokens processados, consultas realizadas, agentes em execução. Sem limites estabelecidos, dashboards de monitoramento e responsáveis pelo orçamento de IA, os custos escalam de forma invisível.

Segundo dados do Axios, poucas empresas têm processos formais para rastrear o consumo de IA por departamento, projeto ou usuário. O orçamento vai para um "balde de tecnologia" sem granularidade suficiente para avaliar o que funciona e o que desperdiça recursos.

2. Projetos sem caso de uso claro

A segunda causa é a mais comum: empresas contratam plataformas de inteligência artificial antes de definir o problema que querem resolver. O resultado são projetos-piloto que duram meses, consomem recursos de TI e de negócios, e morrem sem escalar porque nunca tiveram um objetivo mensurável.

Automatizar um processo existente é diferente de reimaginar como o trabalho é feito. Empresas que simplesmente "adicionam IA" a fluxos já ineficientes continuam com os mesmos problemas — só que agora com uma fatura mensal de computação em nuvem.

3. Expectativas mal calibradas

Vendedores de tecnologia apresentam casos de sucesso de empresas com anos de maturidade em dados, equipes de engenharia dedicadas e processos bem documentados. Empresas que estão começando compram essa promessa e projetam os mesmos resultados para contextos completamente diferentes.

Quando a ServiceNow anuncia agentes autônomos que resolvem 100 milhões de casos por mês, o número impressiona — mas esconde anos de integração de sistemas, qualidade de dados e refinamento de modelos. Copiar a ferramenta sem copiar a maturidade operacional não produz os mesmos resultados.

Os 3 critérios que separam quem tem retorno real em IA

Organizações que consistentemente reportam ROI de IA positivo compartilham três características:

Critério 1: Caso de uso com valor econômico mensurável antes do projeto começar

Antes de qualquer investimento em inteligência artificial para empresas, defina: qual métrica de negócio vai melhorar? Em quanto? Em que prazo? Se a resposta for vaga — "vamos ser mais eficientes" — o projeto não está pronto. Se for específica — "reduzir o tempo médio de atendimento ao cliente de 12 para 8 minutos em 6 meses" — você tem uma tese de valor para validar.

Critério 2: Governança de IA com limites e responsáveis

Estabeleça um modelo de FinOps para IA: quem aprova novos contratos com fornecedores, quais são os limites de gasto por área, quem monitora o consumo semanal. A governança de IA começa no orçamento — trate esses gastos com a mesma disciplina que trata capex ou folha de pagamento.

Critério 3: Piloto pequeno, escala rápida ou corte decisivo

O maior desperdício em IA não é o piloto que falha — é o piloto que não falha nem escala. Defina antes do início: se em 90 dias o piloto não atingir X resultado, encerramos. Se atingir, dobramos o investimento em Y semanas. Velocidade de decisão é vantagem competitiva.

O que o cenário brasileiro adiciona ao cálculo de ROI

O Brasil tem variáveis que tornam a equação ainda mais complexa para a inteligência artificial nas empresas. O Marco Legal da IA (PL 2338/23), em avanço no Congresso, estabelece responsabilidade civil para empresas que causarem danos com sistemas automatizados. Para gestores brasileiros, isso significa que projetos sem auditoria, documentação e controle de viés podem gerar passivo jurídico — não só desperdício de orçamento.

Além disso, a infraestrutura de nuvem no Brasil tem custo em real, com câmbio oscilante e tributação específica. Um contrato de U$ 1 milhão com fornecedor americano pode custar 20% a mais dependendo do momento cambial. Projetos que não consideram esse fator no modelo financeiro chegam ao final do ano com orçamento estourado sem que nenhuma decisão técnica tenha sido errada.

Por fim, a escassez de profissionais com capacidade de avaliar, implementar e operar IA em contexto de negócio — não apenas desenvolvedores, mas gestores que entendem onde a tecnologia agrega valor — é um limitador real. Terceirizar sem internalizar conhecimento cria dependência permanente e reduz a capacidade de fiscalizar entregas.

Conclusão: o que o executivo deve fazer agora

O problema do ROI de IA não é tecnológico — é de gestão. Antes de aprovar o próximo orçamento de inteligência artificial, faça três perguntas: Temos um caso de uso com impacto mensurável? Temos controles de gasto e responsáveis definidos? Temos critérios claros para escalar ou encerrar o projeto?

Se alguma das respostas for não, você ainda não está pronto para investir — está pronto para desperdiçar. A boa notícia é que as empresas com boa governança de IA antes de escalar são exatamente as que aparecem no percentil de retorno acima de 20%. A tecnologia não mudou. A disciplina de gestão fez toda a diferença.