Por Carlos Eduardo Carvalho, CEO da Bridge & Co.

Em muitas empresas, a adoção de Inteligência Artificial começa como deveria: um mapeamento amplo de casos de uso, envolvendo diferentes áreas do negócio.

Esse processo costuma gerar dezenas, às vezes centenas, de possíveis casos de uso. O problema não está nessa etapa. Ele começa no momento seguinte, quando é preciso priorizar.

Na prática, essa decisão ainda é feita com base nos mesmos modelos de business case utilizados há décadas em projetos tradicionais de TI. É nesse ponto que muitas empresas começam a tomar decisões estratégicas com premissas equivocadas, limitando desde o início o potencial da tecnologia e o sucesso do projeto.

Esses modelos foram desenhados para um ambiente previsível, no qual era possível estimar com relativa precisão o custo de uma tecnologia, como o CRM, ao longo de anos, considerando licenças, manutenção e atualizações.

Eram cenários em que variáveis cabiam em planilhas e seguiam padrões estáveis. A IA rompe com essa lógica. Seus custos são baseados em consumo, que dependem diretamente do comportamento do usuário e de políticas de precificação não tão claras, algo que não pode ser modelado com precisão.

Além disso, o próprio custopor token é volátil e pode mudar rapidamente em um mercado altamente competitivo. Isso significa que o custo futuro depende de múltiplas variáveis incertas, como volume de uso, modelo escolhido e preço praticado pelo fornecedor.

Qualquer tentativa de projetar gastos com base em premissas estáticas nasce fragilizada e tende a distorcer a análise desde o início.

Mesmo assim, muitas empresas continuam aplicando métricas como ROI e payback sem qualquer adaptação. O problema não é apenas metodológico, é conceitual.

Essas métricas exigem previsibilidade para fazer sentido, e isso é exatamente o que não existe na adoção de IA hoje. Insistir nesse modelo cria uma falsa sensação de controle que não se sustenta na prática.

Essa distorção se aprofunda quando custos relevantes são subestimados. O uso de modelos mais avançados pode escalar rapidamente, especialmente na ausência de uma estrutura de governança e monitoramento adequada.

Ao mesmo tempo, os custos de infraestrutura seguem pressionados por uma demanda global crescente, adicionando mais incerteza ao cenário. Ignorar essas variáveis compromete a leitura real do investimento.

Segundo o Gartner Group, em pesquisa que avaliou 357 líderes de tecnologia, 60% dessa liderança expressa preocupações reais com o fato dos agentes de TI custarem mais do que o previsto, dado esse cenário de incerteza.

Do lado do valor, o desafio é igualmente relevante. A IA pode aumentar a produtividade individual, mas isso não garante impacto direto nos resultados da empresa.

O que os CEOs buscam é a capacidade de transformar esses ganhos em melhoria de margem ou redução de perdas. Grande parte das organizações ainda não conseguem fazer essa transição de forma clara, o que dificulta a priorização dos casos de uso mais estratégicos.

O resultado dessa combinação, custos imprevisíveis e valor difícil de mensurar, é um ambiente propenso a decisões equivocadas. Casos como esse já estão acontecendo. Um exemplo prático ilustra esse cenário.

Em uma instituição financeira, um projeto de IA foi aprovado com base no uso de modelos de baixo custo. Durante a execução, a necessidade de maior precisão levou à adoção de um modelo significativamente mais robusto, e até 70 vezes mais caro por volume de consumo.

Com a melhora na performance, a adesão dos usuários cresceu rapidamente, e o consumo escalou. Os custos acompanharam esse movimento e ultrapassaram com folga o que havia sido inicialmente projetado.

Se não tivesse sido interrompido, o projeto teria se tornado mais caro do que a operação que pretendia otimizar. O problema não foi a tecnologia. Foi o business case construído sobre premissas inadequadas.

A cultura organizacional é um fator que reforça esse padrão. Muitas empresas continuam operando com modelos rígidos de análise, baseados em previsões de longo prazo.

Essa lógica entra em choque direto com a natureza da IA, que exige experimentação, ciclos curtos e capacidade de adaptação. Insistir nesse modelo é, na prática, retardar decisões enquanto concorrentes mais ágeis avançam.

A adoção de IA exige uma mudança de mentalidade. Não faz sentido trabalhar com um único business case estático para iniciativas dessa natureza. O modelo mais adequado passa por múltiplos ciclos incrementais, com revisões constantes ao longo das fases de experimentação, piloto e escala. IA não cabe em planilhas estáticas.

Insistir em modelos tradicionais não apenas distorce a percepção de custo, risco e retorno. Na prática, limita, desde o início, o potencial transformador da Inteligência Artificial dentro das empresas.