O ROI de inteligência artificial virou o maior problema das empresas em 2026: com gastos globais projetados em US$ 632 bilhões até 2028, segundo a IDC, conselhos e CFOs cobram retorno mensurável — mas a maioria das organizações ainda não sabe como provar que o investimento valeu a pena.
Segundo Marcus Garcia, Diretor Comercial da Konia Tecnologia, com mais de 20 anos de experiência em transformar complexidade tecnológica em resultado, muitas organizações não conseguem demonstrar esse retorno porque as métricas adotadas desde o início não capturam o valor real para o negócio.
De acordo com a International Data Corporation (IDC), os gastos globais com IA ultrapassarão US$ 632 bilhões até 2028, mais do que o dobro dos níveis atuais. Um volume que, na ausência de critérios claros de mensuração, pode representar desperdício em escala.
“Não é a primeira vez que o mercado corporativo passa por isso. Na virada dos anos 2000, empresas investiram pesado em ERP sem saber como medir adoção. Em 2015, a febre de Big Data gerou enormes repositórios de dados que ninguém sabia como usar. Agora, é a vez da inteligência artificial enfrentar o mesmo ciclo”, afirma Marcus.
Para ele, o problema nem sempre está na tecnologia em si, mas na ausência de clareza estratégica sobre o que se espera dela antes mesmo de decidir implementá-la
A Uber, por exemplo, em menos de quatro meses, já havia consumido todo o investimento previsto para o ano de 2026. O próprio CTO da empresa, Praveen Neppalli Naga, declarou que está praticamente recomeçando do zero, porque o orçamento sugerido como necessário acabou sendo ultrapassado rapidamente. Esse aumento foi impulsionado pela forte adesão dos engenheiros ao Claude Code, da Anthropic.
Uma crise que se repete — agora em escala global
O que diferencia este momento de ciclos passados é a escala e a velocidade com que a IA se espalhou pelas organizações.
O mercado já viveu fenômenos semelhantes em infraestruturas críticas altamente distribuídas, como no ecossistema do SPB e do Pix. À medida que múltiplos agentes, fornecedores e integrações passaram a operar em tempo real, muitas organizações descobriram tarde demais que crescer sem observabilidade e governança proporcional aumenta drasticamente o risco operacional. Com a IA, o movimento parece seguir trajetória parecida.
Diferente de tecnologias anteriores, que entraram pelas empresas por um departamento de cada vez, a inteligência artificial foi adotada simultaneamente em todas as frentes.
O RH passou a selecionar currículos por algoritmo, o jurídico delegou a revisão de contratos a modelos de linguagem, o financeiro automatizou a detecção de fraudes e o marketing terceirizou a geração de conteúdo para ferramentas generativas. Cada área com seu projeto, seu fornecedor e sua própria régua de sucesso. O resultado foi uma camada tecnológica ampla, descentralizada e sobretudo fragmentada, onde cada iniciativa respondia a métricas diferentes e nenhuma delas se traduzia em uma visão unificada de negócio.
As três armadilhas que fazem os projetos de IA fracassarem
O problema começou muito antes da cobrança por resultado. Começou no momento em que os projetos foram aprovados sem que ninguém soubesse dizer exatamente o que seria sucesso”, explica Garcia. Para ele, o mercado viveu por anos em um ciclo onde a simples adoção de IA funcionava como argumento suficiente para justificar investimentos, satisfazer conselhos e sinalizar modernidade para o mercado: “a euforia criou um ambiente onde mostrar que estava usando IA já era suficiente. Agora esse cheque está sendo descontado.
Um levantamento realizado no ano passado pela consultoria Gartner, mostra que mais de 40% dos projetos de inteligência artificial agêntica devem ser cancelados em menos de dois anos. Os principais motivos incluem alto custo, falta de clareza sobre o valor para o negócio e controles de risco insuficientes.
Marcus identifica três armadilhas recorrentes nas empresas que enfrentam esse impasse. A primeira são as métricas de vaidade: volume de dados processados, modelos em produção, usuários expostos à IA. Números que impressionam em apresentação e nada dizem sobre valor gerado.
A segunda armadilha é a ausência de linha de base. Sem um ponto de partida documentado, calcular melhoria se torna um exercício de suposição. O que sobra é comparar o presente com uma memória imprecisa do passado.
A terceira, e talvez a mais estrutural, é o desalinhamento entre quem constrói a IA e quem precisa justificar o investimento. Dentro das empresas, equipes técnicas e lideranças executivas operam com expectativas, vocabulários e critérios de sucesso completamente diferentes, e raramente existe um processo formal que traduza um universo no outro. Projetos que funcionam são cancelados por parecerem inúteis, enquanto projetos ineficientes sobrevivem por parecerem sofisticados.
O que separa quem atravessa bem essa transição
Empresas que superaram esse impasse têm algo em comum que vai além da tecnologia. Definiram o que era sucesso antes de decidir o que implementar. Organizações que nasceram digitais e construíram seus modelos de IA junto com seus modelos de negócio desde o início conseguem rastrear o impacto de cada decisão diretamente em métricas de retenção, aquisição e rentabilidade. A vantagem que acumularam é de governança, e isso não se compra em nenhum catálogo de fornecedor.
Nos mercados mais maduros, essa mudança de postura já ganhou nome e estrutura. O conceito de AI Value Realization consolida a disciplina de garantir que investimentos em inteligência artificial se traduzam em valor mensurável e sustentável.
Para Garcia, o momento atual, apesar do desconforto que traz, representa uma virada necessária: “estamos saindo da fase em que adotar IA era suficiente para impressionar e entrando na fase em que ela precisa entregar. Isso é amadurecimento de mercado. E as empresas que atravessarem bem essa transição vão sair com uma vantagem competitiva significativa”, conclui.
