Imagem gerada por IA
95% das empresas não obtêm retorno com IA generativa, aponta estudo
Executiva da SAS alerta sobre desperdício em projetos de IA nas empresas. Análise de tendência tecnológica relevante para gestão de supply chain e operações, mas sem urgência imediata.
O desperdício em projetos de inteligência artificial pode estar relacionado menos à tecnologia em si e mais à forma como as empresas escolhem onde aplicá-la. É o que aponta Manisha Khanna, head de marketing de produto para IA da SAS, em entrevista publicada pelo Exame nesta terça-feira (8). Segundo a executiva, o crescimento dos gastos com tokens, unidade utilizada na cobrança de modelos de linguagem, pode ser um sinal de experimentação excessiva, especialmente quando empresas recorrem à IA generativa para executar tarefas que poderiam ser realizadas por sistemas determinísticos, com resultados previsíveis e custos mais fáceis de controlar.
“Estamos tentando usar a tecnologia certa nos lugares errados”, afirmou Khanna. A questão ganha relevância em grandes empresas reguladas e submetidas a estruturas rígidas de governança, nas quais, segundo a executiva, o consumo excessivo de tokens pode indicar que a organização está experimentando mais do que deveria.
A dificuldade de transformar investimentos em IA em retorno financeiro também aparece em pesquisas e avaliações do setor. Segundo a Agência Brasil, o estudo “O Estado da IA nos Negócios em 2025”, do Instituto de Tecnologia de Massachusetts (MIT), apontou que, apesar de investimentos empresariais entre US$ 30 bilhões e US$ 40 bilhões em IA generativa, 95% das organizações analisadas obtiveram retorno zero.
Em março de 2026, Norbert Jung, CEO da Bosch Connected Industry, apresentou avaliação semelhante durante um evento relacionado à Hannover Messe. De acordo com ele, 95% dos projetos de IA não entregavam valor econômico naquele momento, apesar do entusiasmo em torno da tecnologia e do volume crescente de dados disponíveis nas empresas. Para Jung, um dos caminhos para gerar resultados está justamente na integração entre tecnologia e conhecimento humano. “A resposta está em trazer IA, máquinas e humanos juntos em uma forma de cointeligência na manufatura”, afirmou à Agência Brasil.
Como o projeto pode nascer com o objetivo errado
Khanna também identifica um sinal de alerta na própria formulação dos projetos. Segundo ela, quando o conselho de administração inicia a discussão perguntando quanto a empresa economizará com a adoção da tecnologia, há indícios de que o projeto pode estar partindo de uma premissa inadequada. Em alguns casos, acrescenta a executiva, a busca por redução de custos aparece associada diretamente à intenção de diminuir o quadro de funcionários.
“Não acredito que tecnologias como IA agêntica devam ser usadas para reduzir o quadro de funcionários. Humanos sempre serão importantes”, afirmou. Para Khanna, mesmo com o aumento da autonomia dos sistemas, a participação humana deve permanecer no processo para verificar os resultados, sobretudo em setores altamente regulados, nos quais decisões automatizadas podem afetar milhões de pessoas.
Desconfiança e custos imprevisíveis
Além da escolha inadequada da tecnologia para determinadas tarefas, Khanna aponta a confiança nos resultados como outro desafio. Segundo a executiva, um estudo recente mostrou que profissionais tendem a ignorar ou sobrepor decisões tomadas por sistemas de IA em produção, mesmo quando esses sistemas foram implementados com o objetivo de ganhar autonomia. Como exemplo, ela cita analistas de fraude que recebem resultados com níveis de confiança de 80% ou 90%, mas ainda assim podem contrariar a decisão apresentada pelo sistema.
Outro obstáculo está na dificuldade de prever os custos. Khanna afirma que implementações de agentes de IA ainda apresentam despesas difíceis de antecipar, o que complica o planejamento financeiro de CFOs e CIOs. Nesse cenário, definir previamente quais problemas realmente exigem IA generativa e quais podem ser resolvidos por arquiteturas tradicionais torna-se uma etapa importante para evitar o uso de modelos mais caros em tarefas que não necessitam desse tipo de tecnologia.
A incerteza sobre o retorno desses projetos também aparece nas projeções do Gartner citadas pelo Exame. Segundo a consultoria, mais de 40% dos projetos de IA agêntica devem ser cancelados até o fim de 2027 em razão de custos crescentes, valor de negócio pouco claro ou controles de risco inadequados, reforçando a pressão para que empresas estabeleçam objetivos, arquitetura e critérios de retorno antes de colocar novas iniciativas em produção.
FUP Explica
O ponto central aqui é que o problema, é de gestão. Empresas estão comprando IA como se fosse uma solução universal e aplicando modelos caros e imprevisíveis em tarefas que um sistema mais simples resolveria com fração do custo e com resultado auditável. Isso explica por que o investimento cresce, mas o retorno não aparece: o erro está na camada de decisão, não na ferramenta.
O alerta sobre a pergunta inicial do board é particularmente revelador. Quando a liderança entra num projeto de IA já perguntando quanto vai cortar de pessoal, o projeto nasce com objetivo errado. Eficiência operacional e redução de headcount são coisas diferentes, e confundir as duas tende a gerar resistência interna, baixa adoção e, no fim, mais desperdício. A desconfiança dos analistas nos resultados da IA, mencionada por Khanna, é um sintoma direto disso: se a organização não confia no sistema, ela não vai deixá-lo operar com autonomia, e aí o investimento vira custo sem função.
Para quem toma decisão de tecnologia nas empresas, a lição prática é mapear o tipo de problema antes de escolher a ferramenta. Tarefa com resultado previsível e replicável pede sistema determinístico. IA generativa e agentes autônomos fazem sentido onde há ambiguidade, volume de dados não estruturados ou necessidade de raciocínio contextual. Misturar os dois cenários é o caminho mais rápido para o retorno zero que o estudo do MIT identificou.
