Empresas investem bilhões em IA, mas o retorno ainda não aparece, diz PwC

Muitas corporações apostaram pesado em IA - mas, por enquanto, a grande máquina de dinheiro não saiu do papel.

Agora começa a conta amarga.

Em conselhos e diretorias ao redor do mundo, a empolgação com a inteligência artificial vem perdendo força. Depois de anos de promessas e visões em slides, surge uma pergunta incômoda: isso tudo faz sentido financeiramente - ou as empresas estão, neste momento, pagando caro para aprender?

Bilhões em IA - e o balanço assusta os executivos

Uma pesquisa internacional da PwC com 4.454 líderes em 95 países traz um retrato bem mais sóbrio do que o hype em torno da IA sugeria. Muita gente redirecionou orçamento de forma agressiva para IA, montou times, comprou licenças, contratou consultorias - mas os resultados quase não aparecem na demonstração de lucros e perdas.

"56 por cento dos principais gestores entrevistados afirmam que o uso de IA não aumentou a receita nem reduziu os custos."

Na prática, para mais da metade das empresas o impacto financeiro, por enquanto, é simplesmente neutro - ao mesmo tempo em que os gastos com infraestrutura, nuvem, preparação de dados e profissionais especializados continuam elevados. A rentabilidade esperada ainda está longe.

Um grupo menor relata ganhos: pouco menos de 30 por cento dizem ter visto aumento de receita graças à IA. Mas o cenário dos sonhos - mais receita com custos menores ao mesmo tempo - ainda é exceção. Só cerca de 12 por cento das empresas chegaram a essa combinação até agora.

A grande miragem da IA: expectativas contra realidade

É justamente aqui que a euforia dos últimos anos bate de frente com o chão da operação. Em muitos relatórios corporativos, iniciativas de IA eram descritas como o passaporte para novos mercados, eficiência radical e processos automatizados. Em apresentações estratégicas, a tecnologia já vinha como certa - e os orçamentos eram reforçados para que ninguém ficasse "para trás".

No dia a dia, o roteiro frequentemente muda: projetos de IA não passam da fase piloto, ficam isolados do negócio principal e não chegam à rotina produtiva. O resultado é previsível: custos com ferramentas, consultoria e tempo interno - e pouco valor mensurável.

• Investimentos iniciais altos em infraestrutura e software
• Preparação de dados trabalhosa, muitas vezes fora do planejamento
• Pilotos sem um caminho claro para virar operação padrão
• Indicadores de sucesso mal definidos

Para muitos executivos, isso vira um choque de realidade. E, então, vem a parte difícil: justificar ao conselho por que o salto de produtividade prometido ainda não apareceu.

IA não é "ligou, funcionou" - e isso é subestimado

Um erro central se repete: tratar IA como se fosse apenas mais uma ferramenta, que se compra, ativa e imediatamente entrega resultados. A tecnologia não opera desse jeito.

"A IA não se comporta como um mouse que você conecta e já sai usando. Ela exige mudanças na empresa inteira."

Para usar IA com sentido, as organizações precisam repensar processos. Os dados têm de ser estruturados, limpos e acessíveis. Responsabilidades, fluxos de trabalho e, em muitos casos, até o modelo de negócio precisam ser ajustados. Isso consome tempo, dinheiro e energia.

Por que tantos projetos acabam numa rua sem saída

Em várias empresas, falta um plano objetivo de como inserir a IA em processos que realmente gerem valor. No lugar disso, surgem múltiplas "ilhas" de experimentos: um chatbot aqui, um protótipo de previsão ali, um assistente interno para laboratório. Fica bom em demonstrações - mas longe de impactos de milhões mensuráveis.

Um relatório do MIT aponta na mesma direção: segundo o estudo, 95 por cento das tentativas de levar IA generativa para dentro das empresas ainda não produziram um aumento de receita perceptível. Somam-se a isso obstáculos típicos da tecnologia:

• Alucinações: sistemas de IA inventam fatos ou entregam números errados - e, sem controles, ninguém percebe.
• Uso prático limitado: tarefas que parecem simples travam em detalhes pequenos ou regras específicas.
• Segurança de dados: informações confidenciais acabam em sistemas cujos mecanismos internos muitas vezes são pouco transparentes.

Quando a IA substitui funcionários - e tudo dá errado

Algumas empresas foram ainda mais agressivas: demitiram grandes parcelas da equipe e trocaram trabalho humano por soluções de IA. Em apresentações, parecia uma ofensiva corajosa de eficiência; no curto prazo, os custos com pessoal caíram - no papel, um sucesso.

Só que o teste na prática foi duro. A qualidade despencou, clientes reclamaram e processos internos travaram. Em certos casos, foi preciso voltar atrás rapidamente, recontratar pessoas e corrigir a estratégia. O suposto salto de eficiência acabou virando um experimento caro.

"No momento, a IA raramente serve como substituta completa de pessoas, e sim como uma ferramenta que apoia os colaboradores."

Esse contraste foi subestimado por algumas organizações. Quem mira apenas economias imediatas não só queima dinheiro, como frequentemente perde a confiança de clientes e funcionários.

Por que os investimentos continuam aumentando

Apesar da frustração, não há sinal de freio nos gastos com IA. Muitos executivos encaram o momento atual como uma fase inevitável de aprendizagem. A própria PwC estima que, por volta de 2026, a IA deve alcançar um ponto de virada relevante no contexto corporativo.

A pressão é grande. Nenhum CEO quer ser lembrado como quem perdeu o bonde. IA virou um tipo de credencial para atrair talentos, impressionar investidores e sinalizar inovação. Em vários setores, prevalece a lógica: melhor investir agora e errar do que começar tarde demais.

Postura das empresas	Consequência típica
Medo de perder a tendência	Pilotos rápidos sem estratégia clara
Expectativa de economias imediatas	Decisões erradas em cortes de pessoal
Pressão de investidores e conselhos	Grandes anúncios, resultados fracos
Crença no potencial de longo prazo	Disposição para aceitar perdas no curto prazo

O que as empresas precisam mudar para a IA se pagar

Para sair da fase cara do hype, é necessário mudar a abordagem. O ponto-chave é que a IA não pode ficar como projeto de prestígio da área de TI; ela deve ser amarrada diretamente a métricas centrais como receita, margem, satisfação do cliente ou tempos de ciclo.

Três alavancas para gerar valor de verdade

• Objetivos de negócio claros: em vez de "agora vamos fazer IA", definir metas concretas - por exemplo, menos reclamações, propostas mais rápidas ou previsões de demanda mais precisas.
• Integração nos processos críticos: a IA precisa entrar na cadeia de valor real - vendas, produção, logística, atendimento - e não ficar restrita a laboratórios ou áreas de inovação.
• Acompanhamento contínuo: os resultados devem ser verificados o tempo todo. Se um modelo não entrega melhoria mensurável, é ajustado ou descontinuado.

Empresas que levam isso a sério já veem efeitos hoje. Elas automatizam partes da documentação, apoiam analistas, fazem triagem mais inteligente de solicitações ou aprimoram rotinas de manutenção na indústria.

Riscos que muitos subestimam - e oportunidades que são reais

Entre os maiores riscos do momento não estão apenas erros técnicos ou alucinações, mas também impactos jurídicos e organizacionais. Se dados confidenciais de contratos passam por serviços externos de IA, entram em cena perguntas sobre conformidade, responsabilidade e proteção de dados. Informações erradas fornecidas a clientes podem, no pior cenário, gerar consequências legais.

Por outro lado, as oportunidades se concentram onde a IA complementa o trabalho humano em vez de substituir: resumir informação, apoiar análises rotineiras, classificar pedidos, sugerir alternativas. Quando bem aplicada, ela tende a aliviar a carga das equipes, não a empurrá-las para fora.

Para muitas empresas, a tarefa central dos próximos anos será encontrar esse equilíbrio: sair do hype caro e avançar para um uso de IA sóbrio e mensurável. Quem conseguir, pode transformar a frustração atual em vantagem competitiva - em vez de apenas pagar caro para acompanhar a próxima onda tecnológica.

---