IA no mundo real: por que só 6% das empresas transformaram inteligência artificial em lucro, e o que elas fizeram de diferente

As empresas nunca investiram tanto em inteligência artificial, e a maioria ainda não sabe dizer quanto ganhou com isso. A pesquisa *State of Organizations 2026*, da consultoria McKinsey, ouviu 1.719 executivos em 97 países entre maio e junho. O resultado: 94% das empresas não conseguem atribuir ganhos relevantes de lucro operacional à IA. Só 6% formam o grupo que a consultoria chama de "alto desempenho", em que a IA responde por pelo menos 5% do lucro antes de juros e impostos (Ebit).

Outros 37% relatam algum efeito no lucro, mas abaixo desse patamar. E mesmo assim o apetite segue alto: 60% planejam aumentar os gastos com IA no próximo ano. Cerca de um em cada cinco executivos diz que o custo recorrente de manter a tecnologia funcionando já limitou o uso.

No Brasil, o retrato é um pouco mais otimista, mas com outro critério. Um estudo do TEC.Institute com a Peers Consulting, divulgado pela MIT Technology Review Brasil em agosto, ouviu 120 executivos de 12 setores: 40,7% dizem transformar o investimento em IA generativa em resultado financeiro comprovado. Os bancos lideram, com 72,7% das instituições financeiras afirmando ter superado o plano de negócios inicial. A ressalva é que o resultado é declarado pelas próprias empresas, sem auditoria.

O que separa quem lucra de quem só gasta? O Plantão Informa reuniu os três pontos que mais aparecem nas pesquisas.

1. A armadilha do hype: ferramenta não é estratégia

A forma mais comum de adoção é também a que menos rende: comprar licenças de assistentes de texto e imagem e distribuí-las para os funcionários. Isso economiza minutos aqui e ali, mas raramente muda um indicador do negócio.

Segundo a McKinsey, a diferença entre os 6% e o restante não está nas ferramentas compradas, e sim no que a empresa mudou ao redor delas. As líderes:

• definiram um responsável claro pelo resultado de cada processo afetado pela IA;
• redesenharam fluxos de aprovação para que a IA elimine etapas, em vez de só acelerar etapas que continuam existindo em paralelo;
• passaram a medir receita, custo e prazo, e não a quantidade de pessoas usando a ferramenta.

O estudo brasileiro aponta algo parecido: as empresas líderes combinam governança, mensuração e resultado. Quem tem bons resultados sem um método formal de medir fica num grupo que os autores chamam de "tração sem disciplina", com dificuldade de repetir o sucesso.

2. O que fazem os que lucram: IA dentro da operação

Os casos que aparecem com retorno claro têm um ponto em comum: são rotinas repetitivas, com grande volume e regras bem definidas, em que o erro custa caro. Alguns exemplos típicos:

• Leitura automática de documentos: notas fiscais, contratos e comprovantes conferidos por IA, com o analista atuando só nas exceções.
• Previsão de demanda e estoque: modelos que cruzam histórico de vendas, sazonalidade e clima para reduzir ruptura e excesso de estoque.
• Prevenção de perdas e fraudes: detecção de padrões fora do normal em devoluções, cortes, descontos e movimentações de estoque.
• Atendimento com escopo fechado: respostas automáticas para dúvidas frequentes, com passagem para humano quando o caso foge do roteiro.

Nesses usos, a medida de sucesso é concreta: horas economizadas, perdas evitadas, giro de estoque. É isso que permite provar o retorno para a diretoria.

Há também um efeito de tempo. O estudo brasileiro encontrou o que chamou de "vale": empresas com menos de seis meses de uso relatam entusiasmo (35,1% com resultado acima do esperado), o índice cai para 13,3% entre 12 e 24 meses, quando os custos aparecem e os projetos-piloto precisam escalar, e volta a subir para 39% depois de dois anos.

3. A conta da infraestrutura: nuvem, chips e modelos locais

O custo recorrente virou tema de diretoria. Cada consulta a um modelo de IA na nuvem é cobrada, e quando o uso escala, a fatura cresce junto. Por isso ganham força três movimentos:

• Modelos menores e especializados, mais baratos de rodar, treinados ou ajustados para uma tarefa específica.
• Execução local (on-premise ou no próprio dispositivo), que reduz a dependência de assinaturas e mantém dados sensíveis dentro da empresa.
• Chips próprios das grandes empresas de tecnologia, que tentam baixar o custo por consulta e diminuir a dependência de poucos fornecedores de processadores.

Para empresas médias, a lição prática é medir o custo por tarefa resolvida antes de ampliar o uso, e não depois.

O que fica para o leitor

A IA está entregando resultado, mas para uma minoria que tratou a tecnologia como projeto de transformação, e não como compra de software. Os otimistas lembram que toda tecnologia de uso geral, da eletricidade à internet, levou anos até aparecer nas estatísticas de produtividade. Os céticos alertam que parte dos investimentos atuais pode não se pagar. Para gestores, a pergunta que importa não é "qual ferramenta usar", e sim "qual processo vou mudar e como vou medir".

A sua empresa já viu retorno financeiro com IA, ou o orçamento estourou antes dos resultados? Comente abaixo.

Fontes: StartSe, sobre a pesquisa State of Organizations 2026 da McKinsey, Let's Money, sobre o estudo TEC.Institute e Peers.