Popularidade não garante retorno em projetos de IA

Popularidade não garante retorno em projetos de IA

Uma ferramenta aparece em várias apresentações. Concorrentes começam a utilizá-la. A equipe vê uma demonstração convincente e surge a pergunta: como podemos fazer o mesmo? O problema aparece quando essa pergunta vem antes de outra mais importante: qual resultado precisa melhorar? Pesquisa divulgada pela Gartner em 1º de setembro de 2026 ajuda a visualizar essa diferença. O levantamento ouviu 1.303 participantes de organizações com receita anual de pelo menos US$ 50 milhões. Entre elas, 22% afirmaram ter conseguido ampliar IA por várias unidades ou adotar uma abordagem mais ampla, enquanto 11% disseram não saber quanto sua própria função havia gasto com a tecnologia em 2025. A amostra reúne organizações muito maiores do que as PMEs e os percentuais não devem ser transferidos diretamente para empresas menores. O ponto relevante está na diferença entre adoção e retorno. Popularidade não significa aderência Uma aplicação pode ser popular porque é fácil de demonstrar, possui ampla divulgação ou produz um resultado visível rapidamente. Isso não significa que ela ataque a principal perda da empresa. Automatizar uma tarefa realizada poucas vezes pode gerar uma boa demonstração e pouco efeito econômico. Melhorar uma atividade menos visível, mas repetida centenas de vezes, pode liberar mais capacidade. O mesmo vale para vendas. Uma aplicação de geração de conteúdo pode aumentar o volume produzido. Se o gargalo comercial está no tempo de resposta ou no acompanhamento das propostas, a tecnologia pode estar sendo aplicada na etapa errada. A prioridade precisa começar pelo processo. Os casos mais adotados não lideraram todos os retornos Na área de tecnologia da informação analisada pela Gartner, detecção e resposta a ameaças e automação do suporte apareceram entre os casos mais perseguidos. Quando a pesquisa observou os casos com maiores proporções de participantes relatando retorno positivo, outras aplicações ganharam destaque, como otimização de ativos e custos de TI. Os dados não comprovam que um tipo de aplicação sempre produza retorno superior. Eles mostram que popularidade e resultado são medidas diferentes. O caso mais comentado no mercado pode não ser aquele capaz de resolver o principal problema de determinada empresa. A linha de base precisa existir antes do teste Antes de iniciar um projeto, a empresa precisa registrar como o processo funciona hoje. Se o objetivo é acelerar vendas, podem ser medidos tempo de resposta, propostas abertas e conversão. Se o problema é retrabalho, entram horas utilizadas, correções e erros. No atendimento, podem ser acompanhados volume, tempo de resolução e necessidade de transferência. Essa medida inicial cria uma linha de base. Sem ela, a equipe pode perceber que a ferramenta parece mais rápida sem conseguir demonstrar se o processo efetivamente melhorou. Retorno pode aparecer de diferentes formas Nem todo projeto precisa reduzir diretamente uma despesa. Uma aplicação pode liberar horas, aumentar capacidade, reduzir erros, recuperar oportunidades comerciais ou acelerar uma decisão. Por isso, antes do piloto, a liderança precisa definir qual mudança espera observar. Também precisa decidir o que acontecerá se o resultado não aparecer. Um projeto pode funcionar tecnicamente e ainda não justificar continuidade. Interromper nesse caso também é uma decisão de gestão. Para PMEs, uma carteira menor de iniciativas pode facilitar acompanhamento e aprendizado. Antes de procurar onde usar inteligência artificial, vale localizar onde existe uma perda relevante e definir qual indicador mostrará que ela diminuiu. A ferramenta entra depois. Fontes consultadas Gartner. Gartner Survey Finds Only 22% of Organizations Have Successfully Scaled AI Across Multiple Business Units. 1º de setembro de 2026. SAP News Center. David Imbert e Lukas Deutsch. AI’s Finance Challenge: Managing Token Spend Without Slowing Innovation. 8 de setembro de 2026.