Na semana passada a TOTVS publicou um número que eu vinha esperando há anos: um terço do crescimento recorrente da receita de Gestão, entre o quarto trimestre do ano passado e o segundo deste ano, veio de “habilitadores de IA”. Não é slide de inovação — é linha de resultado trimestral, auditada, num release para investidor. Se uma empresa de capital aberto já consegue isolar e reportar esse número, a régua mudou: “IA gerando resultado mensurável” deixou de ser diferencial de quem vende IA e virou expectativa mínima de quem investe em qualquer empresa que diz usar IA — inclusive a sua, mesmo que ela nunca vá abrir capital.
Eu meço resultado de tecnologia desde antes de IA generativa existir, e a pergunta que sempre fiz não mudou: quanto dessa receita, desse custo evitado, desse risco reduzido, você consegue atribuir de verdade à ferramenta, separado do resto? A maioria das empresas médias que eu atendo hoje não tem essa resposta pronta. E o mesmo cenário que mostra a IA virando linha de receita também mostra o outro lado: bancos brasileiros já dizem que não conseguem mais distinguir uso legítimo de fraude com IA agêntica. Resultado e risco crescem juntos — e quem olha só para o primeiro está lendo metade da história.
Principais aprendizados
- Quando uma empresa de capital aberto como a TOTVS atribui formalmente parte do crescimento de receita à IA — R$ 1,92 bilhão em receita líquida e R$ 486,8 milhões de Ebitda ajustado no 2T26, com “habilitadores de IA” respondendo por um terço da receita recorrente incremental — “resultado mensurável” deixa de ser diferencial e vira expectativa mínima de investidor.
- Medir o impacto financeiro da IA exige o mesmo rigor que qualquer outra iniciativa de tecnologia sempre exigiu: linha de base antes da implementação, atribuição isolada do que é IA e do que não é, e um responsável nomeado pelo número — não um adjetivo genérico como “mais eficiente”.
- A mesma capacidade que gera receita amplia a superfície de risco: 83% dos executivos financeiros brasileiros já admitem dificuldade em distinguir uso legítimo de IA de fraude, e 63% identificaram golpes com deepfake de áudio ou vídeo nos últimos 12 meses.
- Proteção de valor e captura de valor deveriam nascer juntas no desenho de qualquer iniciativa de IA — não em sequência, com governança chegando só depois de um incidente forçar a conversa.
- Empresa média não precisa do orçamento de um banco grande ou de uma companhia aberta para aplicar essa disciplina: precisa de um dono nomeado para o número, uma linha de base e o hábito de reportar isso trimestre a trimestre.
Como saber se a IA que minha empresa já usa está gerando resultado financeiro real?
A resposta direta é: você só sabe se conseguir isolar o número. A TOTVS conseguiu dizer que os “habilitadores de IA” responderam por 28% da adição líquida de ARR no trimestre porque tinha, antes, uma linha de base clara do que era crescimento orgânico da base de clientes e o que era efeito direto de produto com IA embarcada. É um exercício de atribuição, não de opinião — e a maioria das empresas médias que eu vejo pula direto para a opinião (“a IA ajudou”) sem nenhum número que sustente a frase.
O método que eu uso com quem eu atendo é simples de descrever e difícil de fazer direito: escolha um processo, meça o que ele custava — em tempo, erro ou receita perdida — antes da IA entrar, meça de novo depois, e nomeie uma pessoa dona desse número, não do projeto. Anos atrás, num projeto de assistente virtual que ajudei a estruturar numa grande operadora de telecom, a meta de custo evitado foi definida antes de qualquer linha de código: o projeto fechou o ano com R$ 131 milhões em custos evitados, um número que só existiu porque a atribuição foi desenhada desde o início, e não reconstruída depois para justificar o investimento. Sem essa disciplina, qualquer relatório de resultado de IA é uma estimativa de boa vontade — não um dado que resiste a uma pergunta de conselho.
Por que a mesma IA que gera receita também aumenta o risco de fraude — e quem deveria estar de olho nisso?
Porque capacidade não escolhe lado. A mesma automação que acelera o atendimento ou identifica um cliente com risco de cancelar também pode ser usada, por dentro ou por fora da empresa, para simular identidade, manipular documento ou movimentar dinheiro sem que ninguém perceba a tempo. O dado do setor financeiro brasileiro é direto: 53,9% das instituições já usam IA para detectar fraude em tempo real, mas 83% dos executivos dizem ser extremamente difícil separar uso legítimo de ação maliciosa, e o Banco Central registrou 25 fraudes em cinco meses de 2026 — o maior número já contabilizado para o período.
Isso não é um problema exclusivo de banco grande. Há mais de dez anos, numa operadora de telecom brasileira, liderei parte da frente de proteção de receita e retenção de clientes — antes de qualquer IA generativa, já usávamos modelo preditivo para identificar padrão de fraude e vazamento de receita antes que virasse prejuízo fechado no balanço. A lição que ficou não mudou com o tempo: toda vez que você constrói um sistema capaz de gerar valor sozinho, seu primeiro trabalho é construir, junto, o controle que impede esse mesmo sistema de ser usado contra você. Detalhei o desenho prático dessa camada de controle, sem exigir equipe de compliance dedicada, em outro texto sobre governança de agentes de IA para empresas médias.
O que muda na prática para quem lidera uma empresa média, sem o orçamento de uma TOTVS ou de um banco grande por trás?
A resposta direta é: nada da disciplina muda, só a escala. Você não precisa de um time de dados dedicado, nem de um comitê de risco formal, para começar a medir e proteger o que a IA já está gerando dentro da empresa. Precisa de três coisas, nesta ordem: um responsável nomeado por número — não por projeto —, uma linha de base registrada antes de qualquer nova automação entrar em produção, e um hábito trimestral de reportar esse número para quem decide orçamento, mesmo que seja só você.
O erro mais comum que eu vejo em empresa média não é técnico, é de sequência: primeiro adotam a ferramenta, difundem o uso, e só param para medir resultado — ou pensar em controle — quando alguém pergunta “quanto isso está valendo” ou, pior, depois de um incidente. Comece pela pergunta; o resto do desenho se organiza em torno dela.
Perguntas frequentes
Como medir se a IA está gerando resultado financeiro real na minha empresa?
Isole um processo específico, registre o custo ou a receita associada antes da IA entrar e meça de novo depois, atribuindo apenas a variação direta à ferramenta. Nomeie uma pessoa responsável por esse número, não pelo projeto — sem essa atribuição isolada, qualquer relato de resultado de IA é opinião, não dado auditável.
IA aumenta o risco de fraude dentro da empresa?
Sim, na mesma proporção em que aumenta a capacidade de automação — a mesma tecnologia que acelera um processo pode ser usada para simular identidade ou manipular dado, e mais da metade das instituições financeiras brasileiras já usa IA para tentar identificar isso em tempo real. Qualquer iniciativa de IA deveria nascer com uma camada mínima de controle desenhada junto, não depois de um incidente.
Preciso de orçamento de banco grande ou de empresa de capital aberto para medir resultado de IA como a TOTVS faz?
Não. O que a TOTVS fez em escala trimestral e auditada, uma empresa média pode fazer em escala menor com disciplina equivalente: linha de base, atribuição isolada e responsável nomeado por processo. O tamanho do orçamento muda a sofisticação da métrica, não a necessidade dela.
Por onde uma empresa média deveria começar a medir resultado de IA?
Comece por um único processo onde a IA já está em uso, registre o que ele custava antes, em tempo ou erro, e defina quem é o dono desse número. Só depois de ter essa disciplina rodando em um processo vale a pena expandir para os demais — tentar medir tudo de uma vez é o motivo mais comum de nenhum número sair confiável.
A régua que a TOTVS acabou de tornar pública não é sobre big tech nem sobre empresa de capital aberto — é sobre o que qualquer investidor, cliente ou sócio vai passar a perguntar daqui pra frente: quanto dessa IA é resultado, e quanto é risco que ainda ninguém mediu. Quem responde as duas partes da pergunta antes de ser cobrado sai na frente.
Gillian Pellegrino é fundadora da HAIA e consultora executiva em IA aplicada, com mais de 30 anos de carreira em tecnologia — trabalha com IA conversacional desde 2011. Escreve sobre o que funciona, e o que não funciona, quando IA encontra decisão executiva real.
