Um estudo do MIT indicou que a grande maioria dos projetos-piloto de IA generativa não gerava impacto mensurável nos resultados financeiros, e André de Barros Faria, executivo de tecnologia e inovação e CEO da Vert Analytics, aponta uma causa frequente para esse quadro: a conta do retorno costuma ser feita com metade dos custos.
O orçamento inicial quase sempre inclui licenças, infraestrutura e a equipe de desenvolvimento. Ficam de fora gastos que só aparecem quando o projeto sai da apresentação e entra na rotina. Conhecer esses custos antes de aprovar o investimento não serve para desanimar ninguém. Serve para que a promessa de retorno sobreviva ao primeiro ano.
O trabalho de preparar os dados
Uma empresa decide usar IA para prever a demanda de seus produtos. Ao começar, descobre que o histórico de vendas está em três sistemas diferentes, com códigos de produto que não se correspondem e meses inteiros sem registro.
Situações assim são a regra, não a exceção. Limpar, padronizar e integrar dados costuma consumir uma parcela grande do esforço total de um projeto de ciência de dados, e esse trabalho raramente aparece no orçamento original. Quando aparece, é tratado como etapa única, quando, na verdade, precisa ser mantido enquanto a solução existir.
A integração com os sistemas que já existem
Um modelo que funciona isolado ainda não gera valor. Ele precisa receber informações dos sistemas da empresa e devolver resultados para onde as decisões são tomadas, seja o sistema de gestão, o atendimento ou o painel do gestor.
Em empresas com sistemas antigos, essa conexão pode custar mais do que o próprio modelo. Na avaliação de André Faria, é aqui que muitos pilotos param: o resultado é promissor no ambiente de testes, mas ninguém previu o esforço de colocá-lo no fluxo real de trabalho.
A integração também envolve segurança e controle de acesso. Definir quais dados o sistema pode consultar, quem pode acionar cada função e como cada operação fica registrada exige trabalho de especialistas que raramente estão no orçamento do piloto.
O custo de operar, não só de construir
Soluções de IA generativa costumam ser cobradas pelo volume de uso. Um piloto com cem usuários tem uma conta; a mesma solução aberta para toda a empresa tem outra, às vezes muito maior do que a projeção inicial sugeria.
Somam-se a isso o monitoramento do desempenho, as atualizações de modelos, a segurança e o suporte. Diferentemente de um software tradicional, que pode rodar anos com pouca intervenção, um sistema de IA exige acompanhamento constante para continuar entregando o que prometeu.
Uma forma prática de evitar surpresas é projetar o custo por transação desde o início: quanto custa processar um pedido, um documento ou um atendimento com a solução em escala, e comparar esse valor com o custo atual do mesmo trabalho.
As horas de quem vai usar a ferramenta
O custo mais subestimado, de acordo com André Faria, talvez seja humano. As equipes precisam de treinamento, os processos precisam ser redesenhados e, durante a transição, a produtividade costuma cair antes de subir.
Há também o tempo dedicado a revisar o que a IA produz. Se cada resposta precisa ser conferida integralmente, parte do ganho prometido desaparece. Calcular esse esforço com honestidade ajuda a decidir onde a revisão humana é indispensável e onde pode ser feita por amostragem.
Retorno real começa com uma conta completa
Nenhum desses custos torna a inteligência artificial um mau investimento. Eles apenas mostram que o retorno depende tanto da disciplina de execução quanto da qualidade da tecnologia escolhida.
Empresas que incluem esses itens desde o início tomam decisões melhores sobre o que automatizar primeiro, quanto escalar e quando parar. É essa visão completa que André Faria considera decisiva para transformar a IA aplicada em geração de valor sustentável, e não em mais um piloto engavetado.
