Toda empresa que aprova um orçamento para o artificial intelligence corre o mesmo risco: comemorar um projeto-piloto tecnicamente impecável que não altera nem um único item da demonstração de resultados. O problema não é aprovar um valor excessivo. É avaliar os indicadores errados: uso, precisão e adoção, em vez de resultados financeiros.

Os números mostram o custo dessa confusão. De acordo com a S&P Global Market Intelligence, a proporção de empresas que abandonaram a maior parte de suas iniciativas de IA saltou de 17% para 42% em 2025. Em média, 46% de provas de conceito foram descartadas antes de chegarem à fase de produção, sendo o custo, data a privacidade e a segurança alguns dos principais obstáculos.

Grande parte desse desperdício pode ser evitada com a aplicação de disciplina financeira desde a fase piloto. Seis etapas ajudam a avaliar, com maior rigor, a probabilidade de que um projeto de IA gere retorno.

1. Defina a linha de base antes de iniciar um projeto-piloto

As métricas de adoção, como usuários ativos ou precisão do modelo, indicam se a ferramenta funciona. As métricas de resultado indicam se ela compensa o custo.
Um dos erros mais comuns é implementar a solução sem antes mapear o processo afetado, avaliar seu desempenho atual e definir os KPIs de resultados que indicarão o sucesso do projeto. Sem esse ponto de partida, qualquer ganho posterior torna-se uma questão de opinião.

Cada KPI também precisa de um responsável na área de negócios, e não na área de tecnologia. A pessoa responsável pelo resultado da demonstração de resultados é quem garante que o ganho vá além da fase piloto e chegue à demonstração de resultados.

Em uma cervejaria multinacional, um projeto para desenvolver um modelo que reestruturasse as decisões de crédito acompanhou os KPIs relevantes para o negócio antes e depois da implementação. Com essa clareza e as linhas de base para comparação estabelecidas, foi possível medir o impacto real da solução: um aumento de 1,7% no volume de compras, uma melhoria de 7% no prazo de cobrança e uma redução de 19% nas inadimplências.

2. Calcule o custo total, e não apenas o custo da ferramenta

Um projeto de IA possui quatro camadas de custo, e os orçamentos geralmente levam em conta apenas a primeira:

  • Custos diretos: APIs, infraestrutura e licenças de software. Fáceis de identificar nas faturas.
  • Custos de desenvolvimento: horas de engenharia para desenvolvimento, integração e testes. Frequentemente incluídas de forma difusa no orçamento da unidade de negócios.
  • Custos operacionais: manutenção, suporte e gestão de mudanças, como treinamento e adoção. Frequentemente subestimados.
  • Custos ocultos: governança, conformidade, gestão de riscos e dívida técnica. Raramente levados em conta, mas determinantes para a viabilidade a longo prazo.

A última camada é a mais surpreendente, pois não aparece como um erro na fase piloto, mas sim como um custo crescente à medida que a empresa se expande. Um projeto que parece barato na fatura pode sair caro no balanço patrimonial.

3. Distinguir o ROI tangível do intangível e calcular ambos

O ROI tangível é o impacto financeiro direto e mensurável: custos operacionais mais baixos, receita adicional ou capital liberado. As horas de trabalho liberadas só são consideradas aqui quando se traduzem em redução de custos ou em capacidade realocada para gerar receita.

O ROI intangível é o impacto indireto e estratégico, como a experiência do cliente, a redução do risco regulatório, a rapidez na tomada de decisões ou a retenção de talentos.

O ROI tangível é o que garante a aprovação do orçamento. O ROI intangível ajuda a sustentar o investimento a longo prazo. Ambos precisam ser registrados, na forma de hipóteses, antes do início do projeto-piloto.

4. Identificar a verdadeira contribuição da IA

Se um modelo de pontuação de leads for implementado e a equipe de vendas começar a fechar mais negócios, a quem cabe o mérito: ao modelo, à nova metodologia de vendas ou ao líder de vendas recém-contratado?
Isolar a contribuição da IA exige rigor experimental: um grupo de controle, uma comparação com um período equivalente ou, no mínimo, a disciplina de não atribuir à IA um resultado que tenha múltiplas causas.

5. Avaliar no momento certo

Avaliar um projeto de IA muito cedo é tão arriscado quanto avaliá-lo muito tarde. O prazo mínimo é de um ciclo completo do processo em questão, seja um ciclo de crédito, um fechamento financeiro ou uma colheita. O prazo exato depende do caso de uso, da sazonalidade, do volume de data e do tempo que as operações levam para adotar a solução.
Após a ampliação, o monitoramento continua, pois os sistemas de IA tendem a agregar mais valor à medida que sua adoção e maturidade aumentam.

6. Compare antes de dimensionar

Um valor isolado de ROI diz muito pouco. Ele precisa ser comparado a duas referências: a linha de base da etapa 1 e o uso alternativo do mesmo capital, ou seja, o retorno que o investimento geraria em outra iniciativa. Os índices de referência do mercado podem servir como referência secundária, desde que sua origem seja conhecida e que sejam verdadeiramente comparáveis.

Há também uma terceira questão, aquela que distingue um projeto de uma plataforma: o próximo caso de uso custará menos do que este? Se cada novo aplicativo for desenvolvido do zero, os retornos não serão proporcionais ao investimento.

Definir esses critérios antes da decisão, em vez de fazê-lo posteriormente como justificativa, transforma o ROI em uma ferramenta para estabelecer prioridades entre casos de uso concorrentes.

Recomendação prática: rigor proporcional à etapa

O objetivo não é impedir os pilotos, mas garantir que cada um deles responda a uma questão de negócios, e não apenas a uma questão técnica. O nível de exigência deve aumentar à medida que o investimento cresce.

Com essas respostas em mãos, a aprovação do próximo projeto de IA deixa de ser um ato de fé e passa a ser uma decisão financeira, com riscos conhecidos, retorno estimado e um caminho claro para monitorar o impacto.