A inteligência artificial já entrou nas empresas. Está nos computadores dos funcionários, nos departamentos de marketing, no atendimento ao cliente, na programação, nas áreas financeiras e, cada vez mais, nos processos de decisão.
O problema é que usar IA e gerar resultado financeiro com IA são coisas completamente diferentes.
Essa diferença ajuda a explicar um número que chama atenção.
O estudo Global AI Pulse Q1 2026, da KPMG, ouviu 2.110 executivos e líderes de negócios em 20 países e mostrou que 95% das organizações pesquisadas já possuíam uma estratégia de inteligência artificial. Entretanto, apenas 8% declaravam ter um retorno sobre investimento em IA estabelecido. Dentro da amostra, aproximadamente 11% formavam o grupo classificado pela KPMG como líderes em IA, organizações mais maduras, capazes de escalar a tecnologia ou operar sistemas de IA agêntica.
Conheça o Global AI Pulse Q1 2026 da KPMG
Portanto, é importante fazer uma precisão: os 11% não significam literalmente que todas as demais empresas estejam perdendo dinheiro com IA. O número representa o pequeno grupo que já alcançou um nível mais avançado de maturidade operacional.
Mas a pergunta continua sendo extremamente relevante:
O que essas empresas fazem de diferente?
A resposta talvez surpreenda quem acredita que vantagem em inteligência artificial depende principalmente de ter acesso ao melhor modelo, ao maior orçamento ou à ferramenta mais sofisticada.
Os estudos mais recentes apontam para outra direção.
A diferença está muito mais em processos, gestão, pessoas, integração, métricas e execução.
Comprar IA é fácil. Transformar a empresa é difícil
Nos últimos anos, tornou se relativamente simples adotar inteligência artificial.
Uma empresa pode contratar ChatGPT, Microsoft Copilot, Gemini, Claude ou dezenas de outras soluções em poucos minutos.
Também pode implementar ferramentas de automação, integrar APIs, criar chatbots e até desenvolver agentes de IA.
Mas nenhuma dessas decisões garante resultado financeiro.
É possível ter dezenas de ferramentas de inteligência artificial e continuar executando praticamente os mesmos processos de cinco anos atrás.
Esse é um dos maiores paradoxos da atual transformação tecnológica.
A empresa muda a ferramenta, mas não muda a forma de trabalhar.
Um funcionário que gastava três horas produzindo determinado relatório pode passar a gastar uma hora usando IA. Isso representa produtividade individual.
Mas se o relatório continuar passando por seis aprovações, três sistemas e diversos processos manuais, a empresa capturou apenas uma pequena parte do valor potencial.
É justamente por isso que produtividade individual não deve ser confundida com produtividade organizacional.
A McKinsey chegou a uma conclusão particularmente importante ao analisar empresas que utilizam inteligência artificial generativa: entre 25 características estudadas, o redesenho dos fluxos de trabalho foi o fator com maior impacto sobre a capacidade de gerar efeito no EBIT. Apenas 21% das empresas pesquisadas haviam redesenhado fundamentalmente pelo menos alguns processos.
Veja a pesquisa da McKinsey sobre geração de valor com IA
É uma mudança aparentemente simples de perspectiva.
A pergunta deixa de ser:
“Onde podemos colocar IA?”
E passa a ser:
“Se este processo fosse criado hoje, com IA disponível desde o início, como ele seria?”
Essa pergunta produz respostas completamente diferentes.
As empresas líderes começam pelo problema, não pela ferramenta
Um erro recorrente nas iniciativas de inteligência artificial é começar pela tecnologia.
A empresa assina uma solução e depois procura algo para fazer com ela.
As organizações mais maduras normalmente fazem o caminho inverso.
Elas identificam primeiro onde existe valor.
Pode ser aumento de receita, redução de custo, melhora na conversão de vendas, diminuição do tempo de atendimento, redução de erros, otimização de estoque ou aceleração do desenvolvimento de produtos.
Só depois escolhem a tecnologia.
Essa distinção parece pequena, mas muda completamente o retorno sobre o investimento.
A BCG identificou que empresas consideradas líderes em inteligência artificial perseguem, em média, cerca de metade da quantidade de oportunidades das organizações menos maduras.
Em vez de espalhar dezenas de experimentos pela empresa, elas concentram recursos onde existe maior possibilidade de gerar impacto. A mesma pesquisa mostrou que essas organizações conseguem escalar mais iniciativas e esperam mais que o dobro do ROI em comparação com empresas menos avançadas.
Isso significa que ter 50 projetos de inteligência artificial não é necessariamente melhor do que ter cinco.
Cinco projetos profundamente integrados ao negócio podem gerar muito mais valor.
O segredo está nos processos
Imagine duas empresas utilizando exatamente o mesmo modelo de inteligência artificial.
Na primeira, um vendedor utiliza IA para escrever um email mais rapidamente.
Na segunda, a IA recebe o lead, consulta informações no CRM, identifica o perfil do cliente, sugere a abordagem, personaliza a mensagem, programa o acompanhamento, identifica ausência de resposta e avisa o vendedor quando o lead demonstra intenção de compra.
Tecnicamente, ambas podem dizer que utilizam inteligência artificial em vendas.
Economicamente, são situações completamente diferentes.
A primeira empresa aumentou a produtividade de uma tarefa.
A segunda começou a redesenhar o processo de vendas.
Essa diferença ajuda a explicar por que algumas organizações começam a enxergar IA como infraestrutura operacional, enquanto outras continuam tratando a tecnologia como assistente de produtividade.
A pesquisa mais recente da McKinsey reforça essa conclusão. Entre organizações de alto desempenho em IA, quase três quartos relatam redesenhar fundamentalmente seus fluxos de trabalho por causa da tecnologia. Entre as demais empresas, essa proporção fica perto de um quarto.
É aqui que surge uma das principais características das empresas que realmente conseguem transformar inteligência artificial em resultado.
Elas não adicionam IA ao processo antigo.
Elas redesenham o processo ao redor da IA.
O maior desafio da IA talvez não seja tecnológico
Existe uma tendência natural de associar projetos de inteligência artificial a modelos, servidores, APIs, dados e programação.
Tudo isso é importante.
Mas grande parte das dificuldades aparece em outro lugar.
Pessoas.
Processos.
Cultura.
Treinamento.
Responsabilidade.
Governança.
A BCG utiliza uma referência conhecida como regra 10, 20, 70.
Segundo essa lógica, aproximadamente 10% dos esforços de uma transformação de IA deveriam estar concentrados nos algoritmos, 20% na tecnologia e nos dados e 70% nas pessoas e nos processos. A consultoria também identificou que aproximadamente 70% dos problemas encontrados em iniciativas de IA estão relacionados justamente a pessoas e processos.
É quase o oposto do que muitas empresas fazem.
Elas gastam grande parte da energia discutindo qual modelo usar e muito pouco tempo discutindo como o trabalho deverá funcionar depois que o modelo estiver disponível.
Uma tecnologia pode ser extraordinária e ainda assim fracassar dentro de uma organização que não está preparada para utilizá la.
As empresas que lucram medem o que acontece
Outro elemento separa projetos interessantes de projetos economicamente relevantes: métricas.
Se uma empresa não consegue responder quanto determinada solução de IA custa e qual resultado produz, dificilmente saberá se está criando valor.
Isso se torna ainda mais importante com agentes de IA, APIs, modelos pagos por tokens e sistemas que executam milhares ou milhões de operações.
O segundo trimestre de 2026 trouxe uma evidência particularmente interessante.
No novo Global AI Pulse da KPMG, organizações com visibilidade completa sobre seus custos operacionais de IA apresentaram cinco vezes mais probabilidade de relatar ROI estabelecido do que empresas sem essa visibilidade, 15% contra 3%.
Leia o Global AI Pulse Q2 2026 da KPMG
Isso muda a conversa sobre IA dentro da empresa.
Não basta saber quanto custa uma licença mensal.
É preciso entender o custo completo da operação.
Quanto custa a infraestrutura?
Quanto custa cada interação?
Quanto custa supervisionar o sistema?
Quanto tempo foi economizado?
Quantos erros foram reduzidos?
A conversão aumentou?
A receita cresceu?
O tempo para realizar determinado processo caiu?
Quando essas perguntas começam a ser respondidas, a inteligência artificial deixa de ser apenas inovação e passa a ser uma decisão econômica.
Existe também uma concentração impressionante de valor
Outra pesquisa ajuda a entender a dimensão dessa desigualdade.
Em 2026, a PwC analisou 1.217 organizações de 25 setores e concluiu que 20% das empresas pesquisadas capturavam 74% dos retornos gerados pela IA.
Mais interessante ainda é observar o comportamento dessas organizações.
Elas eram aproximadamente duas vezes mais propensas a redesenhar processos para incorporar inteligência artificial, em vez de simplesmente acrescentar ferramentas ao modelo de trabalho existente. Também apresentavam maior uso da IA para buscar crescimento e reinventar modelos de negócio.
Veja o estudo da PwC sobre ROI da inteligência artificial
Isso mostra que a diferença entre líderes e seguidores não está apenas aumentando.
Ela pode estar se acumulando.
Uma empresa aprende a utilizar IA em um processo. Depois aplica o aprendizado em outro. Desenvolve dados melhores, cria mecanismos de governança, treina funcionários e constrói infraestrutura.
Cada novo projeto começa em um nível de maturidade maior.
É um efeito composto.
A armadilha eterna do projeto piloto
Muitas organizações entraram em uma espécie de ciclo permanente de experimentação.
Fazem prova de conceito.
Criam chatbot.
Testam copiloto.
Experimentam agente.
Produzem demonstração.
Apresentam ao conselho.
Depois começam outro projeto.
O que frequentemente não acontece é a etapa mais difícil: transformar aquilo em operação.
Um sistema funcionando em uma demonstração controlada é muito diferente de um sistema atendendo clientes reais, acessando dados reais e tomando milhares de decisões diariamente.
Quando a IA entra em produção, surgem questões de integração, segurança, custo, confiabilidade, qualidade dos dados, responsabilidade, monitoramento e manutenção.
A Deloitte encontrou exatamente essa dificuldade em sua pesquisa sobre IA generativa. Mais de dois terços dos entrevistados disseram que 30% ou menos dos experimentos de IA generativa seriam totalmente escalados nos meses seguintes.
Essa é outra diferença essencial.
As empresas maduras não comemoram apenas o piloto.
Elas constroem a capacidade de transformar pilotos bem sucedidos em processos repetíveis.
IA precisa fazer parte do modelo operacional
Existe um estágio em que inteligência artificial deixa de ser projeto de tecnologia.
Ela passa a fazer parte do funcionamento da empresa.
Nesse ponto, marketing, vendas, atendimento, financeiro, recursos humanos, tecnologia e operações começam a compartilhar sistemas, dados e agentes.
Um agente de vendas pode receber informações do marketing.
Um agente de atendimento pode consultar pedidos.
Um sistema financeiro pode identificar comportamento anormal.
Um mecanismo de IA pode interpretar documentos antes de encaminhá los para análise humana.
O valor aparece justamente nas conexões.
Esse conceito está no centro da pesquisa da KPMG sobre orquestração de IA.
Segundo o estudo, as empresas que começam a se destacar não necessariamente investem mais nem possuem um número maior de projetos. Elas estão conseguindo integrar IA a fluxos de trabalho, sistemas, dados e mecanismos de decisão de maneira coordenada.
É por isso que a próxima fase provavelmente será muito menos sobre “qual IA você utiliza?” e muito mais sobre “como a sua organização funciona com IA?”.
E agora entram os agentes de IA
A chegada dos agentes torna essa transformação ainda mais profunda.
Um chatbot responde.
Um agente pode interpretar uma situação, acessar ferramentas, executar etapas, consultar sistemas e tomar determinadas ações dentro dos limites definidos pela empresa.
Isso cria uma nova categoria de automação.
Imagine um lead chegando pelo site.
O sistema identifica a empresa, consulta informações disponíveis, classifica o potencial comercial, registra no CRM, produz uma abordagem personalizada, agenda o acompanhamento e encaminha ao vendedor apenas os casos relevantes.
Em outro cenário, um agente recebe solicitações de suporte, consulta uma base de conhecimento, resolve situações simples e encaminha exceções para pessoas.
A BCG estima que agentes já respondiam por cerca de 17% do valor empresarial relacionado a IA em 2025 dentro das empresas pesquisadas, com expectativa de crescimento nos anos seguintes.
Isso não significa que toda empresa deva começar imediatamente criando dezenas de agentes.
Significa exatamente o contrário.
A experiência das organizações mais maduras sugere que é melhor escolher poucos processos relevantes e transformá los profundamente.
A responsabilidade da liderança faz diferença
Há ainda outro elemento frequentemente ignorado.
Quem é responsável pelo resultado da IA?
Tecnologia?
Marketing?
Dados?
Inovação?
Um fornecedor?
Quando todo mundo participa, mas ninguém responde economicamente pelo projeto, a probabilidade de permanecer eternamente em experimentação aumenta.
Os dados da KPMG no segundo trimestre de 2026 mostram uma associação relevante entre responsabilidade da alta liderança e resultados.
Organizações nas quais o CEO possui responsabilidade sobre decisões baseadas em IA relataram maior confiança na estratégia, maior geração de valor e maior frequência de ROI estabelecido. No indicador de ROI, a diferença observada foi de 14% contra 4%.
Isso mostra que IA deixou de ser assunto exclusivamente do departamento de tecnologia.
Ela passou a ser assunto de gestão.
Produtividade é importante, mas crescimento muda o jogo
Durante a primeira fase da IA generativa, boa parte da discussão empresarial esteve concentrada em produtividade.
Escrever mais rápido.
Criar apresentações.
Resumir documentos.
Programar.
Responder emails.
Esses ganhos continuam importantes.
Mas as empresas mais avançadas estão começando a fazer outra pergunta:
Como a IA pode gerar receita que antes não existia?
Isso pode acontecer por meio de novos produtos, personalização, vendas, expansão de mercados, atendimento em escala e novos modelos de negócio.
A PwC encontrou justamente essa característica entre as organizações líderes. Elas utilizam IA com muito mais frequência para identificar oportunidades de crescimento e reinventar seus negócios, não apenas para cortar custos. Segundo a consultoria, empresas consideradas mais preparadas para IA apresentaram receitas e ganhos de eficiência derivados da tecnologia significativamente superiores aos das demais.
Essa talvez seja uma das maiores mudanças que veremos nos próximos anos.
A discussão deixará de ser apenas:
“Quantas horas a IA economizou?”
E passará para:
“Quanto valor novo a IA criou?”
Governança não é inimiga da inovação
Existe outra diferença entre experimentar IA e operar IA.
Governança.
Quando uma ferramenta é utilizada por algumas pessoas para produzir textos internos, o risco é relativamente controlado.
Quando um agente começa a interagir com clientes, acessar dados empresariais ou tomar decisões, a situação muda.
A empresa precisa definir permissões, registros, supervisão, segurança, responsabilidade e limites.
Curiosamente, empresas maduras não tratam governança apenas como obstáculo.
Elas utilizam governança para escalar com segurança.
Sem mecanismos de controle, cada novo projeto aumenta o risco.
Com uma estrutura adequada, projetos futuros podem utilizar padrões já definidos.
Governança, portanto, pode funcionar como infraestrutura para velocidade.
Por que os outros 89% têm dificuldade?
Não existe uma única razão.
Mas os estudos analisados revelam um padrão consistente.
Empresas menos maduras frequentemente utilizam IA em atividades isoladas. Possuem muitos experimentos, mas pouca integração. Medem adoção, mas não necessariamente resultado financeiro. Compram ferramentas antes de redefinir processos. Investem em tecnologia, mas treinam pouco as pessoas. Criam pilotos, mas não possuem estrutura para escalá los.
Enquanto isso, organizações mais maduras fazem quase o inverso.
Elas selecionam problemas de negócio relevantes, priorizam poucos casos de uso, redesenham processos, integram dados, medem impacto, estabelecem responsabilidade e depois escalam.
A tecnologia pode ser exatamente a mesma.
A forma de utilizá la não é.
Como uma empresa pode começar a mudar esse cenário
Não é necessário iniciar com uma transformação gigantesca.
Um caminho mais racional começa selecionando um processo importante e fazendo uma pergunta simples:
Onde existe dinheiro, tempo ou oportunidade sendo desperdiçados?
A partir daí, a empresa pode mapear o processo atual, identificar decisões repetitivas, localizar gargalos e verificar onde IA ou automação poderia eliminar etapas.
Depois, deve estabelecer uma métrica antes da implementação.
Tempo de atendimento.
Custo por solicitação.
Conversão.
Receita.
Erros.
Produtividade.
Satisfação.
Sem o número anterior, será muito difícil demonstrar o número posterior.
A implementação deve começar pequena, mas já nascer pensando em escala.
Se funcionar, o processo pode ser expandido.
Se não funcionar, o aprendizado deve ser registrado e o recurso realocado.
Essa disciplina talvez seja menos empolgante do que experimentar toda nova ferramenta de IA que surge.
Mas é muito mais próxima da maneira como empresas constroem retorno financeiro.
A verdadeira vantagem competitiva da IA
Estamos entrando em uma fase diferente da inteligência artificial.
O acesso à tecnologia está rapidamente deixando de ser diferencial.
Quase qualquer empresa pode utilizar modelos extremamente avançados.
O diferencial será o que cada organização consegue construir com eles.
E isso depende de dados, processos, conhecimento, cultura, integração, velocidade de execução e capacidade de aprender.
O primeiro trimestre de 2026 da KPMG mostrava apenas 8% das organizações com ROI estabelecido e um grupo de aproximadamente 11% em estágio de liderança em IA. Alguns meses depois, no segundo trimestre, 76% já afirmavam obter valor empresarial significativo, enquanto a adoção da IA no trabalho cotidiano também avançava. Ainda assim, o próprio estudo ressalta que demonstrar ROI consistente continua sendo um desafio.
Isso mostra que os números estão mudando rapidamente.
O grupo dos 11% não permanecerá com esse tamanho para sempre.
Mas existe uma possibilidade ainda mais interessante.
À medida que mais empresas adotarem inteligência artificial, simplesmente ter IA deixará de representar vantagem competitiva.
A vantagem estará em saber utilizá la melhor.
O problema nunca foi apenas a IA
Talvez a pergunta correta não seja por que apenas uma pequena parcela das empresas consegue gerar retorno consistente com inteligência artificial.
Talvez seja:
por que esperar que uma nova tecnologia produza resultados se a organização continua funcionando exatamente da mesma maneira?
A inteligência artificial pode reduzir custos.
Pode aumentar produtividade.
Pode vender.
Pode atender clientes.
Pode desenvolver produtos.
Pode automatizar decisões.
Pode criar novos serviços.
Mas nenhuma dessas possibilidades acontece simplesmente porque a empresa comprou uma licença.
O valor aparece quando a tecnologia entra profundamente no funcionamento do negócio.
As organizações que estão à frente parecem ter entendido isso.
Elas não perguntam apenas:
“Como podemos usar IA?”
Perguntam:
“Como nosso negócio deveria funcionar agora que a IA existe?”
Essa pequena mudança de pergunta talvez explique boa parte da distância entre quem está apenas experimentando inteligência artificial e quem já começou a transformá la em resultado financeiro.
E pode explicar também por que, nos próximos anos, a discussão mais importante sobre IA nas empresas não será qual modelo é o mais inteligente.
Será qual empresa aprendeu primeiro a transformar inteligência em resultado.
