IA generativa nos processos corporativos: onde estão os ganhos mensuráveis (e por que a maioria não os captura)

• O valor da IA generativa é real, mas é mal mensurado e distribuído de forma desigual. Segundo a McKinsey (2025), apenas 39% das empresas atribuem algum impacto no EBIT à IA, e a maioria estima esse impacto em menos de 5%. Um estudo preliminar do MIT (Project NANDA, 2025) foi ainda mais contundente: 95% dos projetos-piloto não teriam gerado retorno mensurável — sobretudo pela ausência de uma linha de base e de integração, e não por falhas da tecnologia.
• Os ganhos comprovados concentram-se em funções específicas. As evidências mais sólidas estão em atendimento ao cliente (+14% de produtividade), fechamento contábil (7,5 dias mais rápido) e tarefas jurídicas e de redação bem delimitadas (redução de 24% a 32% no tempo).
• O diferencial não é o modelo, mas a execução. O redesenho do fluxo de trabalho, a mensuração desde o primeiro dia e a governança distinguem quem captura valor de quem apenas acumula projetos-piloto.
• O Brasil avança, impulsionado pelo setor bancário. A adoção de IA pelas empresas passou de 13% para 17% entre 2024 e 2025, chegando a 50% entre as grandes empresas (Cetic.br). Mais de 80% dos bancos já utilizam IA generativa em suas operações.

Por que a maioria das empresas não obtém retorno com IA generativa?

Porque a maioria mede o uso, e não o impacto, e implementa a IA em processos antigos, em vez de redesenhá-los. A McKinsey, em The State of AI (2025), constatou que 88% das organizações já usam IA em pelo menos uma função, mas apenas 39% atribuem algum impacto no EBIT , quase sempre inferior a 5%. Somente cerca de 6% são consideradas high performers, que atribuem 5% ou mais do EBIT à IA. O estudo preliminar do MIT (Project NANDA, 2025) chegou a um número ainda mais chamativo — 95% dos projetos-piloto sem retorno mensurável —, mas sua principal conclusão é mais específica: a ausência de impacto decorre, em grande parte, de projetos-piloto que não contam com uma linha de base documentada antes da implementação. Ou seja, o resultado reflete principalmente uma falha de mensuração e integração, não da tecnologia. Hoje, aproximadamente uma em cada 20 organizações captura valor substancial.

Onde estão os ganhos mensuráveis? Um panorama por função

Os ganhos comprovados com maior rigor concentram-se em tarefas de alto volume, verificáveis e bem delimitadas. A tabela reúne as evidências mais sólidas disponíveis, priorizando estudos controlados e experimentos de campo em vez de números autorrelatados.

Um padrão se repete nesses estudos: a IA generativa eleva o nível de desempenho. No atendimento ao cliente, o ganho médio de 14% esconde uma melhoria de 34% entre os agentes iniciantes e um efeito quase nulo entre os mais experientes, porque a ferramenta captura e dissemina as melhores práticas dos profissionais de maior desempenho. O retorno é maior em operações com muitos profissionais juniores e alta rotatividade.

Por que o desenvolvimento de software é o caso menos compreendido?

Porque o resultado depende inteiramente do contexto: a mesma tecnologia acelera tarefas novas e pode tornar mais lentos os especialistas que trabalham com código consolidado. Um estudo controlado de 2023 mediu um ganho de 55,8% na velocidade de execução de uma tarefa nova e delimitada. Em contrapartida, um RCT da METR , realizado em 2025 com 16 desenvolvedores experientes trabalhando em seus próprios repositórios consolidados, encontrou o oposto: eles levaram 19% mais tempo ao usar IA.

Esse contraste tem nome: “fronteira tecnológica irregular” (jagged frontier). Em um experimento com 758 consultores , pesquisadores de Harvard, MIT e Wharton mostraram que, em tarefas fora do alcance da IA, os participantes que a utilizaram tiveram uma probabilidade 19% menor de acertar. A lição para os executivos é clara: a IA oferece ótimo desempenho em determinadas tarefas e prejudica os resultados em outras, e o desafio é saber diferenciá-las.

Como mensurar o retorno de forma efetiva?

O ROI da IA deve ser medido com uma linha de base, atribuição causal e métricas de negócio, não com painéis de uso. Sem um contrafactual, a empresa registra atividade, e não impacto. A estrutura mínima tem quatro elementos: (1) uma linha de base quantitativa, medida antes da implementação; (2) atribuição, isolando quanto da melhoria se deve à IA; (3) métricas de negócio reais — custo por transação, taxa de conversão, tempo de ciclo, prazo de fechamento —; e (4) um horizonte temporal compatível com o ciclo do negócio.

O erro mais comum é confundir produtividade individual com valor para o negócio. Muitas organizações acabam com “profissionais mais rápidos e organizações sem mudanças”: a produtividade só se transforma em valor quando o processo é redesenhado e o ganho é efetivamente capturado — na forma de custos menores, receitas maiores ou mais capacidade operacional.

Quais são as condições necessárias para que um caso de uso funcione?

O que distingue quem captura valor não é o modelo escolhido, mas a arquitetura organizacional ao seu redor. Antes de esperar ganhos, sete condições devem estar presentes:

1. Redesenho do fluxo de trabalho. É o atributo com maior efeito sobre o impacto no EBIT, segundo a McKinsey.
2. Linha de base e mensuração desde o primeiro dia. Sem uma linha de base anterior à implementação, não há como comprovar a melhoria nem atribuir sua causa.
3. Casos de uso bem delimitados. Começar por tarefas de alto volume, verificáveis e de baixo risco.
4. Qualidade, disponibilidade e integração dos dados. O Gartner projeta que 60% dos projetos de IA sem dados preparados para IA serão abandonados até 2026.
5. Gestão da mudança e adoção. A McKinsey recomenda que, para cada US$ 1 investido em tecnologia, sejam investidos cerca de US$ 5 nas pessoas.
6. Governança e supervisão humana. Manter uma pessoa supervisionando o processo é o que preserva a qualidade.
7. Ambição além da eficiência. As organizações classificadas como high performers estabelecem metas de crescimento e inovação, não apenas de redução de custos.

Como está o Brasil?

A adoção no Brasil cresce rapidamente e é liderada pelo setor bancário, mas ainda predominam as soluções prontas e um baixo grau de transformação. Segundo o Cetic.br (TIC Empresas 2025), a adoção de IA pelas empresas passou de 13% para 17% entre 2024 e 2025, chegando a 50% entre as grandes empresas; a aplicação mais comum é a automação de processos e fluxos de trabalho (63% das que utilizam IA). Na indústria, o IBGE registrou um salto de 16,9% (2022) para 41,9% (2024). Os gastos brasileiros com projetos de IA em 2025 superariam R$ 13 bilhões, um aumento de 30% em relação a 2024 (IDC/ABES).

O setor bancário é o mais maduro. Segundo a pesquisa da FEBRABAN (2025), mais de 80% dos bancos já utilizam IA generativa e relatam uma melhoria média de 11,4% na eficiência após a adoção. Entre os casos divulgados pelas próprias empresas: o Bradesco afirma que a IA generativa resolve 82% das demandas do primeiro nível de atendimento; o Itaú anunciou uma redução de 44% no custo de processamento; e o Magazine Luiza atribui aos assistentes de IA a redução pela metade das chamadas ao serviço de atendimento ao cliente. Os ganhos surgem quando a IA resolve um problema concreto e bem definido.

O que fazer com essas informações

Comece pelas evidências mais sólidas, mensure desde o primeiro dia e trate o redesenho do processo como o verdadeiro projeto. As funções com retorno comprovado — atendimento ao cliente, fechamento contábil e tarefas jurídicas e de redação delimitadas — são o ponto de partida natural. Antes de ampliar a escala, defina a linha de base, isole a atribuição e escolha métricas de negócio, não de uso. E lembre-se de que o gargalo raramente é o modelo: são a integração com os sistemas, o contexto dos dados, o redesenho do fluxo e a governança.

Perguntas frequentes

Qual é o percentual de empresas que obtêm retorno mensurável com IA generativa?

Poucas. Apenas cerca de 6% são high performers que atribuem 5% ou mais do EBIT à IA (McKinsey, 2025), e um estudo preliminar do MIT estimou que somente cerca de 5% dos projetos-piloto geram valor significativo.

Onde a IA generativa proporciona os ganhos mais comprovados?

Em atendimento ao cliente, fechamento contábil e tarefas jurídicas e de redação bem delimitadas, segundo estudos controlados.

A IA sempre acelera o trabalho dos desenvolvedores de software?

Não. Ela acelera tarefas novas e delimitadas, mas um RCT da METR (2025) mostrou que pode tornar o trabalho 19% mais lento para especialistas que atuam em bases de código consolidadas.

Como mensurar o ROI da IA generativa?

Com uma linha de base anterior à implementação, atribuição causal, métricas de negócio e um horizonte temporal compatível com o ciclo do negócio. Produtividade individual não é o mesmo que valor para o negócio.

Qual é o principal fator que distingue quem captura valor?

O redesenho do fluxo de trabalho, identificado pela McKinsey como o atributo com maior efeito sobre o impacto no EBIT.

Como está a adoção de IA no Brasil?

A adoção chegou a 17% das empresas em 2025 e a 50% entre as grandes empresas, segundo o Cetic.br. O setor bancário é o mais maduro: mais de 80% dos bancos já utilizam IA generativa em suas operações.

Referências

• Brynjolfsson, Li e Raymond — Quarterly Journal of Economics (2025)
• Noy e Zhang (MIT) — Science (2023)
• METR — Impacto da IA sobre desenvolvedores experientes (2025)
• McKinsey — The State of AI in 2025
• Cetic.br | NIC.br — TIC Empresas 2025