A decisão chega cedo demais
Uma diretoria reserva orçamento para inteligência artificial. O fornecedor já demonstrou a solução. A equipe de tecnologia confirma que a integração é possível. Alguém projeta horas economizadas, outro menciona o risco de ficar para trás. A pergunta parece madura: quanto devemos investir?
Quase sempre, ela chegou cedo demais.
Antes do orçamento, existe uma pergunta mais incômoda: o que precisa ser verdade para que este investimento faça sentido? Ela obriga a empresa a trocar entusiasmo por premissas. O problema precisa custar dinheiro, tempo, receita ou risco. A tecnologia precisa alterar esse custo. O processo precisa aceitar a mudança. As pessoas precisam usar o novo modo de trabalhar. O ganho precisa sobreviver aos custos de integração, revisão, segurança e operação. Se uma dessas condições não se sustenta, a empresa não tem ainda um projeto de IA. Tem uma possibilidade técnica em busca de justificativa.
Esta é a mudança que importa. A inteligência artificial ficou mais acessível, mas a decisão empresarial ficou mais exigente. Comprar capacidade nunca foi tão fácil. Provar valor continua difícil.
Uso não é resultado
Os números recentes expõem essa diferença. A pesquisa global da McKinsey publicada em 2026 encontrou uso regular de IA em ao menos uma função em quase nove de cada dez organizações pesquisadas. Ainda assim, apenas 37% dos respondentes atribuíram algum impacto positivo no EBIT à IA, e cerca de 6% foram classificados como empresas de alto desempenho, com impacto significativo e pelo menos 5% do EBIT associado ao uso da tecnologia. São respostas de executivos, não auditorias financeiras, mas o contraste é útil: presença não é captura de valor. [1]
A mesma pesquisa registra outro descompasso. Oitenta por cento dos respondentes disseram que a IA melhorou sua produtividade individual. A percepção local avança mais rápido que o resultado consolidado. Isso pode ocorrer porque minutos poupados por uma pessoa não reaparecem automaticamente na demonstração de resultados. O tempo pode ser consumido por retrabalho, espera, conferência, reuniões ou simplesmente por mais volume de atividade sem consequência econômica.
No Brasil, a adoção também cresce. A TIC Empresas 2025, do Cetic.br, ouviu 4.174 empresas com mais de dez pessoas ocupadas. A proporção que declarou usar IA subiu de 13% em 2024 para 17% em 2025. Entre as pequenas, de 10 a 49 pessoas, passou de 10% para 15%. [2] Um levantamento anterior mostrou que, entre as empresas usuárias, 76% haviam adquirido soluções prontas e 56% contratado fornecedores externos para desenvolver ou modificar sistemas. [3]
Essa combinação reduz a barreira de entrada, o que é positivo. Também cria um risco discreto: a facilidade de comprar pode substituir a disciplina de formular. O catálogo do fornecedor passa a definir o problema. A empresa escolhe o que a tecnologia oferece, não necessariamente o que a operação precisa.
Empresas familiares e médias sentem essa tensão com mais intensidade. Elas têm menos capital para financiar aprendizado difuso, menos especialistas para avaliar fornecedores e, frequentemente, processos sustentados por conhecimento informal. Ao mesmo tempo, conseguem decidir e testar mais depressa que grandes corporações. A falta de escala pode ser uma desvantagem na compra, mas a proximidade entre dono, operação e cliente pode virar uma vantagem na descoberta do problema certo.
A IA não tem uma produtividade única
Parte da confusão nasce da tentativa de atribuir à IA um retorno universal. Não existe “a produtividade da IA” da mesma forma que não existe “a produtividade de contratar uma pessoa”. O efeito depende da tarefa, do contexto, da experiência de quem usa, da qualidade da informação disponível e do custo de um erro.
Um estudo com 5.179 agentes de atendimento encontrou aumento médio de 14% nas questões resolvidas por hora após a introdução de um assistente generativo. O ganho chegou a 34% entre trabalhadores menos experientes ou de menor desempenho, mas foi pequeno entre os mais experientes. Os autores interpretaram o resultado como possível difusão das melhores práticas incorporadas ao sistema. [4] Para uma operação com muita variação entre pessoas e conhecimento repetível, isso é uma pista econômica importante.
Em outro experimento, com 758 consultores, a IA aumentou velocidade e qualidade nas tarefas que estavam dentro de sua fronteira de competência. Em uma tarefa deliberadamente fora dessa fronteira, usuários apoiados pela IA tiveram maior probabilidade de chegar a uma resposta errada. [5] A ferramenta não apenas varia de desempenho. Ela pode fazer uma tarefa difícil parecer concluída antes que o erro seja percebido.
Há também resultados que contrariam a sensação de ganho. Um experimento da organização METR, limitado a 16 desenvolvedores experientes trabalhando em 246 tarefas reais de projetos de código aberto que conheciam bem, encontrou aumento de 19% no tempo de conclusão quando ferramentas de IA do início de 2025 eram permitidas. Mesmo depois do experimento, os participantes acreditavam ter sido mais rápidos. O estudo é pequeno e não representa todo trabalho de software, mas demonstra por que percepção não pode ocupar o lugar de uma linha de base. [6]
Os três estudos não se anulam. Eles delimitam a decisão. A IA pode acelerar novatos em atendimento, melhorar tarefas de conhecimento que caibam em sua capacidade e atrasar especialistas quando o contexto é profundo e a revisão custa caro. O retorno não está dentro do modelo. Ele emerge da combinação entre tarefa, processo, pessoa e controle.
Cinco condições antes do investimento
A primeira condição é que exista um problema economicamente relevante. “Usar IA” não é um objetivo. Reduzir o tempo entre pedido e proposta, aumentar a conversão, evitar parada de máquina, diminuir perda de estoque ou reduzir o custo de análise são objetivos. Sem uma métrica de negócio e uma linha de base, qualquer demonstração parece promissora porque não enfrenta comparação.
A segunda é que o processo seja observável. Muitas empresas tentam automatizar atividades que nunca foram descritas, cujas exceções moram na memória de duas pessoas e cuja qualidade só é percebida quando um cliente reclama. A IA não corrige essa ambiguidade. Pode apenas executá-la em maior velocidade. Antes de automatizar, é preciso saber onde o trabalho começa, quais decisões contém, que informação utiliza, o que caracteriza uma boa saída e quem responde quando algo foge do padrão.
A terceira é que haja informação suficiente e legalmente utilizável. Isso não significa construir um “data lake” antes de qualquer teste. Significa verificar se os documentos, registros e exemplos necessários existem, se representam a realidade atual, se podem ser usados para aquela finalidade e se o acesso não cria uma exposição desproporcional. Uma solução que depende de dados inexistentes não é um projeto atrasado. É outra hipótese.
A quarta é que o comportamento operacional mude. Uma recomendação não cria valor se chega depois da decisão. Um texto produzido em segundos não economiza tempo quando passa por três revisões adicionais. Um alerta não reduz perdas se ninguém possui autoridade para agir. A pergunta decisiva não é apenas “o sistema consegue?”. É “o que alguém fará de modo diferente quando ele conseguir?”.
A quinta é que a economia permaneça favorável depois dos custos invisíveis. Licença e consumo computacional são apenas o começo. Há integração, preparação de dados, testes, supervisão humana, segurança, mudança de processo, treinamento, manutenção e dependência do fornecedor. A pesquisa da McKinsey de 2026 já identifica custos operacionais de IA como restrição para cerca de uma em cada cinco organizações respondentes. [1] O ganho bruto precisa ser grande o bastante para absorver o custo de tornar a solução confiável.
O menor teste que produz uma decisão
Responder a essas condições não exige um programa de seis meses. Exige um experimento desenhado para eliminar incerteza, não para impressionar a diretoria.
Escolha um fluxo estreito, frequente e reversível. Meça durante duas semanas como ele funciona hoje: tempo de ciclo, volume, retrabalho, erro, espera e esforço humano. Separe vinte a cinquenta casos reais que representem também as exceções. Defina antecipadamente o que seria uma melhora relevante e qual erro seria inaceitável. Depois, execute parte dos casos com apoio de IA e parte sem ele, mantendo revisão humana e registrando o tempo total, inclusive correções. Não meça apenas a velocidade de geração. Meça o trabalho até a saída estar utilizável.
Esse desenho produz quatro respostas. A capacidade técnica foi suficiente? O processo absorveu a solução? As pessoas mudaram sua conduta? A economia líquida permaneceu positiva? O teste pode custar pouco e ainda assim ser rigoroso, porque sua função não é provar que a IA funciona. É descobrir em que condições ela funciona para aquela empresa.
O resultado pode levar a três decisões legítimas. GO, quando o ganho supera o limiar, os erros cabem na tolerância e existe um responsável pelo processo. GO com restrições, quando o valor aparece apenas em uma etapa, grupo de usuários ou classe de casos, exigindo limite de escopo e supervisão. NO-GO, quando a qualidade é instável, o custo de revisão consome o benefício, os dados não podem ser usados ou o problema não é valioso o bastante.
O NIST organiza a gestão de risco em quatro funções: governar, mapear, medir e gerenciar. Seu framework prevê que o mapeamento do contexto deve permitir uma decisão inicial de seguir ou não seguir e que alternativas sem IA também sejam consideradas. [7] Essa sequência parece burocrática apenas quando comparada a uma compra impulsiva. Comparada a um projeto malsucedido, é uma forma barata de preservar capital.
O risco de perguntar demais
Existe um contraponto real. Se “o que precisa ser verdade?” virar uma exigência de certeza, o método produzirá paralisia. Modelos mudam, preços caem, equipes aprendem e oportunidades têm prazo. Uma empresa que tenta eliminar toda incerteza antes de agir chegará atrasada e continuará sem evidência própria.
A resposta não é reduzir o rigor. É reduzir o tamanho da aposta. Quanto maior a incerteza, menor e mais reversível deve ser o compromisso inicial. Testar um fluxo por trinta dias é diferente de contratar uma plataforma para toda a empresa. Usar dados não sensíveis é diferente de conectar o sistema ao cadastro de clientes. Apoiar uma decisão humana é diferente de delegá-la. A velocidade adequada vem do desenho da experiência, não da pressa para assinar o contrato.
Também há casos em que não agir custa mais. Se concorrentes já reduzem prazos, se clientes abandonam uma jornada lenta ou se conhecimento crítico está saindo com profissionais experientes, esperar por uma tese perfeita pode destruir valor. Nesses casos, a urgência fortalece a necessidade de um teste bem escolhido. Ela não autoriza pular a definição do problema.
A primeira decisão da Fase Zero
A inteligência artificial criou uma oferta abundante de respostas. A escassez migrou para a qualidade das perguntas que antecedem o investimento.
A Fase Zero começa antes do software, do fornecedor e do cronograma. É o momento de transformar uma intenção em uma hipótese econômica; uma hipótese em premissas verificáveis; e premissas em um teste capaz de justificar avanço, restrição ou abandono. Não elimina risco. Torna o risco visível cedo, quando mudar de direção ainda custa pouco.
A empresa que aprende a fazer isso não investe menos em tecnologia. Investe com uma tese melhor. Ela pode descobrir que precisa primeiro padronizar o processo, corrigir a informação, renegociar a responsabilidade, escolher uma solução mais simples ou não usar IA. Pode também encontrar um caso em que avançar rapidamente é a decisão mais prudente.
Na próxima reunião de diretoria, antes de discutir qual IA comprar, vale colocar uma frase na mesa: quais fatos, se forem falsos, tornam este investimento uma má decisão?
“A empresa que aprende a formular antes de comprar não investe menos em tecnologia. Investe com uma tese melhor.”
Sua empresa está avaliando um investimento em IA, produto digital ou transformação, mas ainda não possui clareza suficiente para avançar? Escreva para vinicius.debian@theneil.com.br com FASE ZERO no assunto e descreva a decisão que precisa ser tomada.
Fontes:
1. McKinsey & Company. “The State of AI: Global Survey 2026”. Pesquisa global; os percentuais representam respostas dos participantes e não auditorias financeiras. Acessar fonte
2. Cetic.br | NIC.br. “Uso de Inteligência Artificial por empresas brasileiras avança e atinge 17%”. TIC Empresas 2025, 4.174 empresas entrevistadas. Acessar fonte
3. Cetic.br | NIC.br. “Empresas contratam soluções de IA no setor privado, mas parcerias com universidades ainda são limitadas”. TIC Empresas 2024. Acessar fonte
4. Brynjolfsson, Erik; Li, Danielle; Raymond, Lindsey R. “Generative AI at Work”. NBER Working Paper 31161; versão publicada no Quarterly Journal of Economics em 2025. Acessar fonte
5. Dell’Acqua, Fabrizio et al. “Navigating the Jagged Technological Frontier”. Harvard Business School AI Institute. Experimento de campo com 758 consultores. Acessar fonte
6. Becker, Joel et al. “Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity”. METR. Estudo limitado a 16 desenvolvedores e 246 tarefas. Acessar fonte
7. National Institute of Standards and Technology. “AI Risk Management Framework Core”. Estrutura voluntária de governança, mapeamento, medição e gestão. Acessar fonte
8. Stanford Institute for Human-Centered AI. “2026 AI Index Report: Economy”. Síntese sobre investimento, adoção e uso empresarial de IA. Acessar fonte