Uma pesquisa da Amcham Brasil com a Humanizadas, divulgada em agosto de 2026, ouviu 629 executivos de médias e grandes empresas. Do lado do uso, 84% já aplicam inteligência artificial de forma pontual, “aos pedaços”. Do lado do retorno, apenas 3% dizem que a IA já gerou receita nova ou vantagem competitiva, e 61% não veem impacto relevante nos resultados.
Depois de mais de 30 anos em tecnologia, tenho uma leitura simples: ter resultado com IA e usar IA viraram coisas diferentes, e a diferença quase nunca é a ferramenta. É que ninguém fez, antes de ligar a IA, a conta que sustenta um investimento: qual número isso vai mover, de quanto para quanto, em quanto tempo, e quem responde por ele.
Uso IA conversacional desde 2011, quando a maioria das empresas ainda não sabia soletrar o termo. Já naquela época, essa conta era o que separava um projeto que aparecia no orçamento do ano seguinte de um que simplesmente sumia. O que mudou foi a escala: hoje a IA está em todo lugar, e a conta continua não sendo feita.
Principais aprendizados
- “Usar IA” e “ter resultado com IA” viraram duas coisas diferentes: 84% das empresas usam, 3% veem receita nova.
- O ganho mais comum da IA é tempo economizado — e tempo economizado não aparece no resultado financeiro sozinho.
- A decisão mais pulada antes de um projeto de IA é a métrica-norte: o número que prova sucesso, definido antes do case, não depois.
- “Banco de horas” é o nome do ganho real que ninguém converteu em reais: a pessoa continua no quadro, o custo da operação não caiu.
- Quando um projeto de IA não aparece no resultado, dá para auditar de trás para frente qual decisão — problema, métrica, exceção ou padronização — foi ignorada.
Por que “usar muita IA” e “ter resultado com IA” viraram coisas diferentes?
O dado da Amcham não está sozinho. Um estudo da ABES com a IDC, também de agosto de 2026, mostra que 95% das empresas brasileiras com mais de 100 funcionários já usam ou planejam usar IA nas operações. Adoção nominal é praticamente universal. Resultado estruturado, não.
O uso “aos pedaços” que a pesquisa descreve tem uma cara reconhecível: geração de texto numa área, um resumo de reunião em outra, uma automação simples no meio de um processo — tudo desconectado de qualquer objetivo estratégico. Cada pedaço entrega uma economia pequena de esforço. Somados, esses pedaços acumulam custo de licença, custo de atenção e uma sensação difusa de que “a gente já faz IA”. O que eles não acumulam é vantagem.
Já escrevi aqui sobre projetos com ROI comprovado no piloto que mesmo assim não saem do lugar. É o mesmo fenômeno visto de outro ângulo: o resultado existe na planilha da apresentação e não na operação. A diferença é que, no caso do uso “aos pedaços”, nem a planilha existe — porque o número nunca foi definido.
Qual é a conta que quase ninguém faz antes de começar?
No método que uso com empresas médias, uma jornada de adoção de IA se sustenta em quatro decisões, cada uma condição da seguinte: escolher o problema antes da ferramenta; definir a métrica-norte antes de contar a história; mapear a exceção antes de rodar em volume; padronizar antes de escalar para outras áreas.
A que mais é pulada é a segunda. A pergunta é simples e quase ninguém responde antes de assinar: qual número específico este projeto vai mover, e de quanto para quanto? Não vale “aumentar a produtividade” nem “melhorar a experiência”. Vale “reduzir o tempo de resposta de 40 minutos para 5”, “cair a taxa de retrabalho na conciliação de 12% para 4%”, “atender o crescimento de volume do ano sem as três contratações previstas”.
E a métrica precisa de dono. Na maioria das vezes, o dono do número não é quem pediu a automação nem a área de tecnologia — é o gestor que responde pelo processo e pelo headcount daquela operação. Quando esse nome não aparece, o projeto até roda, mas o resultado não tem para onde ir.
O que é o “banco de horas” — e por que ele engana o board?
Quase toda iniciativa de IA entrega um ganho mensurável em tempo: horas que deixaram de ser gastas numa tarefa manual. Esse ganho é real. Mas ele só vira uma linha no resultado financeiro se alguém tomar uma de três decisões explícitas: reduzir o quadro, realocar a pessoa para uma função que gera receita mensurável, ou evitar uma contratação futura que aconteceria sem a automação.
Sem uma dessas três decisões, o tempo economizado vira o que eu chamo de banco de horas: um ganho de verdade, mas contabilmente invisível. A pessoa continua no quadro, agora fazendo outras coisas com o tempo livre, e o custo total da operação não mudou. O ROI que estava lindo no slide da aprovação some entre a apresentação e o fechamento do trimestre.
É aí que o board fica cético — e com razão. Depois de duas ou três rodadas de projetos de IA que “prometeram muito e não apareceram no resultado”, qualquer nova proposta entra na sala com a régua mais alta. A leitura institucional desse mesmo dado da Amcham — por que a IA “aos pedaços” trava o resultado que as empresas esperam — está no blog da HAIA, com o método que a gente aplica para sair desse ponto.
Como recuperar um projeto de IA que não aparece no resultado
Quando uma empresa me procura dizendo “a gente usa bastante IA, mas não sei se está valendo”, o trabalho é ir de trás para frente pelas quatro decisões e achar qual delas foi ignorada.
Um exemplo recorrente: um assistente de IA no atendimento que vinha rodando havia meses. Todo mundo gostava dele. Ninguém sabia dizer se tinha valido. O problema estava claro, a exceção também. O que faltava era a métrica — nunca ficou definido de quanto para quanto o tempo de fila deveria cair — e o dono. Quando amarramos o número ao gestor da operação, e não à área de tecnologia, a conversa mudou em poucas semanas: deixou de ser “a IA é boa” e virou “a fila caiu de forma mensurável, e a área conseguiu adiar contratações que já estavam no orçamento”.
Nada nesse trabalho é sobre trocar de ferramenta. É sobre fechar a conta que ficou aberta no começo. O papel da IA nesse tipo de operação é amplificar a capacidade do time que já existe — e amplificação só é visível quando há um número antes e um número depois.
Perguntas frequentes
Usar IA em várias áreas conta como adoção de IA?
Resposta direta: não necessariamente. Uso disperso e pontual — um resumo aqui, uma automação ali — é sinal de que as pessoas encontraram valor, mas não é adoção no sentido que sustenta decisão executiva. Adoção com resultado exige um processo escolhido, um número definido e alguém responsável por esse número.
O que é métrica-norte em um projeto de IA?
Resposta direta: é o número específico que prova o sucesso do projeto, definido antes de começar e não depois. Precisa ter valor de partida e valor de chegada — de 40 minutos para 5, de 12% para 4% — e um dono que responde por ele, geralmente o gestor do processo.
Por que a IA economiza horas mas não reduz custo?
Resposta direta: porque hora economizada só vira redução de custo se houver uma decisão explícita de cortar o quadro, realocar a pessoa para gerar receita mensurável ou evitar uma contratação futura. Sem uma dessas três decisões, o ganho é real, mas não chega ao resultado financeiro.
Como saber se um projeto de IA está dando resultado?
Resposta direta: compare o número que você definiu como métrica-norte antes de começar com o valor atual. Se esse número nunca foi definido, esse é o primeiro trabalho — sem ele, qualquer avaliação de resultado vira opinião.
Gillian Pellegrino é fundadora da HAIA (Human Intelligence Amplified by AI) e consultora executiva em inteligência artificial. São mais de 30 anos de carreira em tecnologia, com IA conversacional desde 2011, traduzindo IA em resultado mensurável para líderes empresariais brasileiros.
