Antes de Prometer ROI de IA, Meça a Verdade

A reunião segue o mesmo roteiro há anos. Uma consultoria ou fornecedor apresenta slides com projeções de redução de custo, ganho de produtividade e payback em dezoito meses. O CFO faz perguntas incômodas. O projeto é aprovado com restrições. Doze meses depois, o piloto ainda é piloto. O retorno prometido no deck nunca saiu do deck.

Por que a maioria dos pilotos de IA nunca chega à produção

Segundo levantamentos da McKinsey e da Deloitte publicados nos últimos anos, a maioria dos projetos de inteligência artificial não escala para produção. Os motivos se repetem com uma constância que deveria ser constrangedora para o mercado: dados fragmentados, processos sem dono claro, integração subestimada com sistemas legados e, no centro de tudo, um business case construído sobre premissas que ninguém verificou antes de assinar o contrato. O piloto funciona num recorte controlado. Quando encontra a realidade da operação, para.

O que separa um assessment sério de um pitch disfarçado

A maioria dos assessments que circulam no mercado são estudos de viabilidade construídos para justificar uma venda. O consultor que faz o diagnóstico não é quem vai construir o sistema. O incentivo está errado desde o início: quanto mais otimista a projeção, maior a chance do contrato avançar. Um assessment feito por quem vai construir tem o incentivo invertido. Se o retorno não existe, o trabalho de construção também não existe. Essa assimetria muda tudo: o rigor passa a ser condição de sobrevivência, não opção metodológica.

Um assessment feito por quem vai construir tem o incentivo invertido. Se o retorno não existe, o trabalho de construção também não existe.

Quais pré-requisitos determinam se o retorno é real ou projetado

Antes de qualquer projeção, é preciso responder três perguntas factuais sobre a operação. Primeiro: os dados que o agente vai consumir existem, estão estruturados e são acessíveis? Projetos que assumem que os dados serão organizados durante o projeto raramente chegam ao fim. Segundo: o processo que será automatizado tem dono e tem variância controlada? Agentes de IA operam bem em fluxos repetíveis, não em processos onde a exceção é a norma. Terceiro: há integração real com os sistemas de registro da empresa, sejam ERPs como o Protheus da TOTVS, CRMs ou plataformas de gestão? Uma IA que não lê e escreve nos sistemas operacionais entrega relatório, não resultado.

O que medir antes de abrir qualquer planilha de retorno

Um assessment rigoroso mede quatro variáveis antes de prometer retorno. Tempo atual do processo, etapa por etapa, com variância real e não média ideal. Volume real das transações, incluindo os picos que ninguém documenta. Taxa de erro atual e custo de cada erro: retrabalho, atraso, perda financeira direta. E custo de integração: quantas APIs existem, qual o estado da documentação, quem mantém os sistemas-alvo. Sem essas quatro variáveis medidas no campo, qualquer projeção é uma estimativa com intervalo de confiança que ninguém declarou. No trabalho que fizemos numa operação de mineração sob NDA, a medição de tempo por pedido revelou trinta minutos como ponto de partida real. O alvo de cinco minutos não veio de um slide: veio de mapear cada etapa e identificar onde a automação era factível sem redesenho de fluxo.

Sem medir tempo, volume, taxa de erro e custo de integração no campo, qualquer projeção de ROI de IA é uma estimativa com intervalo de confiança que ninguém declarou.

Como estruturar um business case que resista ao CFO

O CFO que faz as perguntas incômodas está fazendo o trabalho certo. O problema é que o business case típico de IA é construído para convencer, não para resistir. Um business case que resiste começa pelo denominador: qual é o custo do estado atual, medido com dados reais? Depois mapeia o delta alcançável com automação, separando ganho de capacidade de redução de custo direto, porque CFO e COO têm funções objetivo diferentes. Ganho de capacidade significa que a mesma equipe processa seis vezes mais volume, como medimos em produção. Isso não reduz headcount de imediato; libera a equipe para trabalho de maior valor. Redução de custo direto é mais fácil de quantificar, mas menos comum no estágio inicial de adoção de automação operacional. Separar as duas categorias no modelo financeiro evita a discussão mais frustrante de todo ciclo de aprovação.

Como evitar financiar um experimento sem critério de parada

O risco real de um projeto de IA sem governança não é a falha. É a sobrevivência por inércia. Pilotos sem gates de decisão claros tendem a ser renovados trimestre após trimestre porque ninguém quer ser o responsável pelo cancelamento. O experimento continua sem atingir produção, consumindo orçamento e atenção de equipe. A proteção contra esse padrão é contratual e metodológica ao mesmo tempo. Defina antes de começar qual é o critério de sucesso do piloto, em números reais, com data. Defina o critério de parada com a mesma clareza. E construa o piloto sobre a infraestrutura e os controles que seriam usados em produção, não numa sandbox que nunca vai replicar a realidade operacional. Um piloto construído fora das condições de produção não é um piloto: é um experimento de laboratório com orçamento corporativo.

Por que o assessment é um ato de governança, não só de análise

Há uma dimensão que raramente aparece nos slides: o assessment não é só análise de viabilidade financeira. A empresa que entra num projeto de automação sem medir o estado atual não tem baseline para medir melhora. Não sabe se o agente está funcionando. Não consegue atribuir resultado. E quando o projeto for auditado, não há evidência de decisão racional: há uma aposta com documentação retroativa. Um assessment feito com rigor gera três artefatos de governança que valem além do projeto: o mapa do processo atual com métricas reais, o modelo de retorno com premissas explícitas e o plano de monitoramento de produção. Esses três documentos transformam uma iniciativa de IA num investimento rastreável. É a diferença entre financiar uma promessa e financiar um sistema.

A empresa que entra num projeto de IA sem medir o estado atual não tem baseline para medir melhora. Não sabe se o agente está funcionando. Não consegue atribuir resultado.

Quer ler a sua operação a fundo?