O paradoxo do ROI em IA: por que 59% das empresas investem mais de US$1 milhão por ano e só 29% veem resultado

1. O gap entre investimento e resultado

Toda semana aparece um novo case de IA com números impressionantes. A maioria some da memória em dias. Mas uma pesquisa recente com 2.400 executivos globais (WRITER, com dados cruzados de Deloitte, PwC e BCG) traz um número que deveria incomodar qualquer liderança que aprovou orçamento de IA em 2026: 79% das organizações estão com dificuldade real na adoção — um salto de dois dígitos em relação a 2025.

Ao mesmo tempo, 59% já investem mais de US$1 milhão por ano na tecnologia. E apenas 29% desse grupo reporta ROI significativo.

Investimento subindo, resultado não acompanhando. Esse é o gap que decide quem vai liderar a próxima fase da adoção de IA nas empresas — e quem vai gastar dois anos tentando explicar ao conselho por que o orçamento não virou receita.

2. O erro não é o modelo, é a arquitetura de decisão

A tentação natural é culpar a tecnologia: "ainda não achamos o modelo certo", "o time de dados não está maduro", "faltou treinamento". Mas um segundo estudo, este da Prosus — a partir de dados reais de 60 mil agentes de IA construídos por 40 mil funcionários em empresas como iFood, Just Eat Takeaway, PayU e Despegar — aponta para uma explicação mais estrutural, e mais incômoda: a maioria das empresas está medindo a coisa errada, e só depois que já gastou o dinheiro.

O relatório identifica o que chama de lei de potência dos agentes de IA: de todos os agentes ativos em produção, apenas cerca de 2% geram impacto desproporcional no negócio. Outros 13% são "alto potencial" — candidatos a entrar nesse grupo top. E a maioria, mais de 70%, tem crescimento limitado ou baixo valor prático.

Ou seja: escalar IA não é multiplicar agentes, é identificar os poucos que realmente importam e dobrar a aposta neles.

Isso muda a pergunta que toda empresa deveria estar fazendo antes de aprovar mais orçamento de IA. Não é "quantos agentes/casos de uso implementamos este trimestre". É: de todos os que já rodam, quais sobreviveriam ao teste "delete it tonight"?

3. O teste que separa teatro de resultado

O framework da Prosus é simples de aplicar e brutal de responder: se um agente fosse deletado hoje à noite, para nunca mais voltar, o que aconteceria com a receita ou o custo da empresa amanhã?

Empresas com maturidade real em IA respondem essa pergunta com número na mesa — horas economizadas, receita gerada, custo evitado. Empresas que só estão "fazendo IA" porque o mercado exige respondem com generalidades.

É exatamente esse o divisor de águas apontado pela pesquisa da WRITER: as organizações que reportam ROI significativo são as que constroem camada de medição antes do deploy, não depois. Elas sabem, desde o dia zero de um agente, qual métrica vai provar (ou matar) aquele investimento.

Para setores de alta confiança — saúde, serviços financeiros, educação — isso não é luxo, é pré-requisito. Um agente sem métrica de impacto clara não é só um mau investimento: é um risco de governança que ninguém consegue defender quando questionado.

4. Onde o ROI já está comprovado (e onde ainda é aposta)

Os dados dos dois estudos convergem em um ponto prático: ROI de IA não está distribuído igualmente entre áreas. A pesquisa WRITER aponta atendimento, finanças e engenharia de software como as áreas com ROI já comprovado.

A Prosus vai além e mapeia 20 casos de uso "power law" — os mesmos casos que empresas de setores, geografias e idiomas completamente diferentes convergiram organicamente para implementar. Entre eles: monitor de risco de churn, detector de anomalias e fraude, assistente especializado para atendimento a clientes, automação de revisão de contratos, co-piloto de código.

O padrão é claro: os casos de uso que funcionam são os que têm métrica de negócio óbvia embutida desde a concepção — não "vamos automatizar X e ver o que acontece", mas "vamos reduzir Y em Z%, e vamos saber em quatro semanas se funcionou".

5. O que fazer com isso

Três movimentos práticos, na ordem que os dois estudos sugerem:

1. Audite antes de expandir

Pegue os agentes/automações de IA já em produção na sua empresa e rode o teste "delete it tonight" em cada um. Os que ninguém consegue defender com números concretos são candidatos a pausa, não a mais investimento.

2. Priorize os 20 casos universais antes de inventar os seus

Se sua empresa ainda está em fase de descoberta, comece pelos casos de uso que o mercado já validou de forma independente — a chance de ROI rápido é maior do que apostar em um caso proprietário sem precedente.

3. Construa a métrica antes do deploy, não depois

Todo novo agente ou automação deveria nascer com uma pergunta respondida: qual número prova que isso funcionou, e em quanto tempo vamos medir? Se a resposta não existe antes do lançamento, o projeto ainda não está pronto para produção — está pronto para demo.

6. A disciplina que separa quem reporta ROI dos 79%

O gap entre investimento e resultado em IA não vai se fechar sozinho com modelos melhores. Modelos melhores existem desde 2025 e o gap só cresceu.

Ele se fecha com disciplina de medição — a parte menos empolgante da conversa sobre IA, e a que separa, na prática, quem vai reportar ROI real do outro lado deste ano dos 79% que ainda estão travados.

Fontes: pesquisa global com 2.400 executivos (WRITER, com dados de Deloitte, PwC e BCG, 2026); The Coming Age of AI Colleagues — Prosus Agentic AI Research Report 2026.