Desde a popularização do ChatGPT, em 2022, empresas de diferentes setores passaram a experimentar ferramentas de Inteligência Artificial Generativa e incorporá-las à rotina de trabalho. Com custos iniciais geralmente baixos e ganhos rápidos em tarefas como pesquisa, tradução, revisão de textos e síntese de reuniões, a tecnologia deixou de ser uma promessa para se tornar uma realidade no dia a dia das organizações.
O problema começou quando se confundiu ganho localizado de produtividade individual com geração de valor em escala. Muitas empresas acreditaram que a simples adoção da ferramenta produziria, quase automaticamente, impactos relevantes no resultado financeiro, sem o investimento necessário em processos, dados, pessoas e modelos de governança.
Esse movimento ajuda a explicar a distância entre experimentação e escala. Um estudo do MIT, realizado em 2025 com 52 organizações, mostrou que 80% haviam testado ferramentas de IA Generativa, mas apenas 20% avançaram para testes estruturados de escala e 5% chegaram à produção. A tecnologia avançou mais rápido do que a capacidade das organizações de incorporá-la de forma sustentável.
O ganho não vem apenas da ferramenta. Sem investimentos complementares em processos, dados, pessoas e capital organizacional, a produtividade pode melhorar em pontos isolados da operação sem aparecer no resultado da empresa. O desafio, agora, é decidir quais projetos de IA realmente merecem continuar recebendo capital.
Uma PoC bem-sucedida também não é evidência suficiente para escalar uma solução. Ela mostra que a tecnologia funciona em um ambiente controlado. Escala é outra discussão. O que acontece quando o volume de usuários aumenta? Como ficam os custos, a infraestrutura e as exceções? E, principalmente, o resultado continua fazendo sentido economicamente?
Há ainda um risco silencioso. Diferentemente de um software tradicional, que costuma apresentar uma falha visível quando algo dá errado, uma aplicação de IA pode continuar funcionando enquanto produz uma resposta incorreta ou uma recomendação equivocada. Um modelo pode, por exemplo, indicar uma rota aparentemente certa, mas que aumenta o tempo ou o consumo de combustível. O sistema funciona; o resultado é que está errado.
Nesse cenário, governança de dados não deve ser tratada apenas como uma questão de compliance ou segurança. Ela também é um elemento importante para decidir onde alocar capital. Se o resultado de uma aplicação de IA não pode ser medido, auditado e comparado com o resultado esperado, torna-se muito mais difícil determinar se aquele projeto merece escala.
Qual deveria ser a régua de corte?
É aqui que as empresas precisam começar a ser mais rigorosas. Projetos que prometem apenas produtividade local, restrita à atividade individual de determinados profissionais, mas não apresentam potencial de escala ou impacto relevante sobre custos, despesas ou receitas, não deveriam estar no topo da lista de investimentos corporativos.
Isso não significa que devam necessariamente ser encerrados. Alguns podem continuar sob responsabilidade e orçamento das próprias áreas de negócio. Mas, para receber investimentos estruturados, precisam passar por uma análise mais ampla de viabilidade técnica e financeira, considerando arquitetura, segurança, qualidade dos dados, capacidade de operação em escala, custos projetados e impacto efetivo no negócio.
O próprio conceito de ROI também precisa mudar. Em projetos tradicionais, é comum construir um business case no início e avaliar o retorno a partir de premissas relativamente estáveis. Com a IA, essa lógica não é suficiente. A economia da aplicação varia conforme consumo, uso e preços praticados pelos fornecedores dos modelos. Uma alteração no custo por token pode modificar rapidamente sua viabilidade econômica.
A análise financeira, portanto, precisa ser contínua, e não uma fotografia feita no início do projeto. Programas de IA precisam ser tratados como iniciativas estratégicas da corporação, envolvendo tecnologia, dados, segurança, finanças e as áreas de negócio sob uma mesma estrutura de decisão. O entendimento sobre quais aplicações escalar precisa estar próximo da alta liderança porque deixou de ser uma decisão exclusivamente de tecnologia.
A régua, portanto, não deveria ser “a IA funciona?”. Deveria ser: “essa IA funciona em escala, é economicamente sustentável e consegue mover algum ponteiro relevante do negócio?”.
A alternativa à corrida não é congelar tudo
Diante desse cenário, pode parecer melhor esperar a tecnologia amadurecer, os preços caírem e o mercado se estabilizar. Mas essa também seria uma decisão ruim. Enquanto uma empresa pausa seus experimentos, os concorrentes podem acumular conhecimento sobre processos, dados e formatos de operação. O ativo mais importante dessa transformação não é necessariamente o modelo de IA, mas o aprendizado construído ao redor dele.
Atualmente, uma solução de ponta pode rapidamente ser atualizada ou substituída. O que realmente importa e leva tempo para construir são dados confiáveis, processos redesenhados, pessoas capacitadas, mecanismos de governança e experiência acumulada com implementação, inclusive com os erros cometidos no caminho.
Uma organização pode adotar uma nova versão de uma IA rapidamente, mas não consegue comprar dois anos de aprendizado organizacional. Também não consegue estruturar dados, redesenhar processos e desenvolver maturidade de governança de um dia para o outro.
Por isso, a alternativa à corrida desenfreada não é a paralisação. É foco. Em vez de dezenas de iniciativas competindo por orçamento, empresas precisam selecionar menos projetos, submetê-los a critérios econômicos explícitos, testar sua capacidade de operar em escala e definir, antes mesmo do início, quais resultados justificam sua continuidade e quais indicariam que é hora de parar.
Depois da corrida pela experimentação, o desafio é mais complexo e mais estratégico: separar o que apenas funciona do que realmente cria valor. No fim, a pergunta mais importante sobre uma iniciativa de IA não é quanto ela consegue fazer. É quanto valor sustentável ela consegue gerar e se esse valor justifica continuar investindo nela.
*Por Carlos Eduardo Carvalho, CEO e Sócio-Diretor da Bridge & Co.
