Por Que as Empresas Estão Obtendo Menos Retorno do Que Esperavam com IA?

Forbes, a mais conceituada revista de negócios e economia do mundo. A inteligência artificial está avançando cada vez mais rápido nas empresas . No Brasil, 41,9% das indústrias já utilizam IA, ante 16,9% em 2022, segundo o IBGE .

Globalmente, 34% das companhias usam a tecnologia para transformar seus negócios, aponta levantamento da Concentrix conduzido pelo Everest Group. No entanto, o crescimento dos investimentos não está acompanhando , na mesma proporção, os resultados financeiros esperados . Isso é o que mostra o estudo “Your AI Budget Is Growing.

Your Returns Aren’t. Here’s Why “ , da Bain & Company , realizado com 951 empresas globais. Depois de algumas ondas de transformação tecnológica, como a automação robótica de processos (RPA) , as companhias estão ampliando as apostas em agentes de IA .

Ou seja, s istemas capazes de executar tarefas, tomar decisões e interagir com diferentes ferramentas com níveis variados de autonomia. De acordo com a pesquisa, 37% das organizações estabeleceram como objetivo reduzir entre 11% e 20% nos custos . Entre as companhias que efetivamente mediram os resultados, porém, quase 40% ficaram na faixa de apenas 0% a 10% de economia.

Apesar dessa diferença entre expectativa e resultado, a disposição para investir continua elevada, já que 90% das empresas pretendem aumentar novamente seus orçamentos com foco em agentes de IA. Para Lucas Brossi, sócio e líder de Data e AI da Bain para a América do Sul , uma das explicações está na forma como as empresas calculam o retorno sobre esses investimentos (ROI). Ele explica que o erro começa quando a companhia considera o potencial máximo da tecnologia, mas não incorpora as condições encontradas na operação.

“O business case frequentemente pressupõe uma automação maior do que a disponível e subestima revisão humana, retrabalho, integração, entre outros. Um plano consistente deve considerar os custos de implementação, operação e transição, estabelecer indicadores e atribuir ao líder do negócio, em conjunto com a área financeira, a responsabilidade pela captura efetiva dos benefícios”, afirma Brossi. Getty Images Só 7% das empresas operam agentes de IA de forma totalmente autônoma Há ainda uma diferença entre produtividade e retorno financeiro , pois economizar tempo em determinada atividade não significa necessariamente reduzir o custo do processo na mesma proporção.

“Por exemplo, diminuir em 30% o esforço de uma tarefa não significa reduzir em 30% o custo do processo. Esse tempo pode ficar disperso ou ser realocado sem benefício mensurável”, comenta o especialista. Na avaliação do executivo, as empresas precisam definir previamente como a capacidade liberada pela tecnologia será transformada em resultado — seja por meio de mais vendas, redução de perdas, diminuição de gastos com terceiros ou mudanças na estrutura das equipes.

Uma pesquisa recente divulgada pela SAP em parceria com a consultoria Oxford Economics mostra que o retorno médio dos investimentos em IA é de 19% . A automação ainda depende de pessoas Parte da distância entre as projeções financeiras e o que de fato chega ao balanço pode ser explicada pelo nível de autonomia alcançado pela tecnologia. Mesmo que muitos projetos sejam construídos considerando os ganhos econômicos dos agentes de IA, apenas  7% das empresas mantêm esses agentes totalmente autônomos em produção.

Segundo a Bain,  38% das companhias trabalham com agentes que precisam de aprovação humana , enquanto outros  32% utilizam sistemas com barreiras de segurança e tratamento de exceções. Nesses casos, quando o agente encontra uma situação que não consegue resolver com segurança, uma pessoa precisa assumir, supervisionar ou validar a decisão . Isso não significa , de acordo com o estudo, que a interferência humana seja um problema.

Em decisões maiores, ela pode ser necessária. A questão financeira surge quando o investimento foi aprovado considerando a economia de uma automação integral , enquanto a operação continua mantendo custos associados à intervenção humana. “O software funciona perfeitamente, o que está falhando é o modelo organizativo das companhias”, diz Brossi.

Entre as empresas que ficaram abaixo das metas estabelecidas, apenas  38% possuem agentes operando em níveis superiores de autonomia. Já entre aquelas que conseguiram entregar os resultados planejados, a proporção chega a  50% . “As empresas podem avançar de forma sequencial, criando processos e otimizando dados, dando às equipes a experiência e o conhecimento necessários para se aproximar da automação”, diz Brossi.

Lucas destaca que a meta precisa ir além da adoção tecnológica , já que o valor está no redesenho dos processos e do próprio modelo operacional. Um exemplo vem da equipe de tecnologia financeira da  Amazon . A companhia desenvolveu uma solução de IA generativa chamada World Wide Watch para acompanhar atualizações regulatórias relacionadas ao imposto sobre valor agregado (VAT) em diferentes mercados.

Getty Images Nove em cada dez empresas pesquisadas pretendem aumentar os investimentos em IA Segundo o estudo, uma atualização que anteriormente exigia  26 minutos de trabalho das equipes tributárias passou a levar em torno de dois minutos , redução de aproximadamente  92% . Além disso,  80% dos resumos produzidos pela IA foram aceitos pelos especialistas humanos sem necessidade de alteração. “ Nem todo processo deve buscar 100% de autonomia .

Decisões de maior impacto podem continuar exigindo aprovação humana, enquanto a IA realiza a pesquisa, a análise e a preparação da execução. Maior autonomia pode ampliar a redução de custos, mas não é condição para capturar ganhos relevantes. O que importa é desenhar a combinação de agentes e pessoas que entregue o melhor resultado, considerando custo, velocidade, qualidade e risco”, destaca Brossi.

Dados continuam sendo o principal gargalo Apesar dos bilhões investidos globalmente na infraestrutura de dados ao longo dos últimos anos, na pesquisa da Bain,  41% dos entrevistados apontaram acesso e integração de dados como a principal barreira ao progresso da IA. Curiosamente, o problema aparece com ainda mais força entre as empresas que já atingiram seus objetivos. Entre elas,  44% apontam os dados como uma barreira , ante  40% das organizações que ficaram abaixo das metas .

De acordo com o levantamento, isso acontece como uma consequência da escala , porque empresas que avançaram mais na implementação encontram com maior frequência os limites das estruturas de dados. Já as companhias que ficaram para trás relatam proporcionalmente mais obstáculos organizacionais, como orçamento insuficiente, prioridades concorrentes e ausência de estruturas dedicadas à transformação. Para Brossi, isso não representa que uma empresa precise esperar anos até construir uma infraestrutura considerada perfeita.

“A companhia pode começar por processos relevantes em que os dados necessários estejam acessíveis e tenham escopo delimitado. Isso permite testar a solução e identificar quais melhorias de qualidade e integração são indispensáveis para gerar valor”, explica. Outro desafio é transformar conhecimento em informação que possa ser utilizada pelos sistemas .

Regras de negócio, definições e critérios de decisão muitas vezes estão apenas na experiência acumulada pelos funcionários. Esse conhecimento, segundo Lucas, precisa ser explicitado para que a IA consiga interpretar os dados corretamente. Getty Images Supervisão humana continua presente na maior parte das operações com agentes de IA A própria tecnologia pode auxiliar nesse processo, extraindo informações de documentos, organizando conteúdos e identificando inconsistências com a validação dos responsáveis.

“Cada implantação deveria deixar como um legado de dados , regras e integrações que possam ser reutilizados por outras áreas”, aponta o executivo. Antes de automatizar, é preciso eliminar a “dívida” dos processos O workflow debt , ou “dívida de processos” , surge quando ineficiências se acumulam e passam a fazer parte do dia a dia das empresas, de aprovações desnecessárias e tarefas manuais a retrabalho e soluções improvisadas que nunca foram revistas. O problema aparece quando uma empresa tenta colocar IA sobre essa estrutura sem questionar por que o processo funciona daquela maneira.

A Bain diz que esse pode ser um dos erros mais caros de uma implementação de IA . A tecnologia não elimina automaticamente um fluxo de trabalho ineficiente. Em alguns casos, apenas permite que a organização execute com maior otimização um processo que continua mal desenhado.

“Essas ineficiências acumuladas formam o que chamamos de dívida de processos . Aplicar IA sobre elas pode apenas acelerar um fluxo que continua caro ou pouco eficaz ”, explica Brossi. A prioridade , acrescenta ele, deveria estar nos processos com impacto relevante no negócio, principalmente aqueles com tarefas repetitivas ou múltiplas transferências entre departamentos.

Algumas áreas como compras, atendimento, finanças, engenharia e planejamento estão entre aquelas que podem apresentar oportunidades. Em compras, por exemplo, automatizar a leitura de propostas pode gerar eficiência, mas o benefício continuará limitado se a operação permanecer dependente de informações incompletas. O plano, nesse caso, deveria considerar o processo completo — desde a identificação da necessidade e a cotação até a decisão, o pedido e o pagamento — e não apenas a tarefa que pode ser automatizada.

“É preciso definir como o processo deveria funcionar com as capacidades disponíveis hoje. A supervisão dos agentes e o tratamento de exceções devem fazer parte dessa etapa”, comenta Brossi. O financiamento da IA Outro percalço no caminho é o financiamento dos investimentos em inteligência artificial .

O estudo ressalta que 44% das empresas apontaram que as economias obtidas com programas anteriores de automação são utilizadas como fonte de recursos. A lógica seria economizar com uma geração de tecnologia para financiar a próxima. Porém, o risco aparece quando a economia projetada anteriormente não se concretizou .

Ou seja, se os programas anteriores entregaram menos do que o previsto, o montante disponível para reinvestimento também é menor. REUTERS/Dado Ruvic No Brasil, transformar projetos de IA em aplicações escaláveis ainda é um dos desafios A Bain recomenda que os CFOs analisem o resultado capturado pelos projetos anteriores antes de autorizar uma nova rodada de investimentos. Lucas Brossi reforça que a conta deve considerar a realidade da operação, e não apenas os ganhos estimados.

A governança também precisa acompanhar esse processo. “Essa responsabilidade precisa ser estabelecida antes da implementação, e não quando um problema ocorrer”, afirma o levantamento. Ainda, programas individuais geralmente são medidos por indicadores como horas economizadas ou redução de custos.

No entanto, esses números contam apenas parte da história . A avaliação deve incluir se a IA está permitindo decisões mais eficazes, respostas mais rápidas e melhores resultados para os clientes. E no Brasil?

As dificuldades identificadas globalmente também estão presentes nas empresas brasileiras , embora as características do mercado local possam alterar tanto o ritmo da transformação quanto a conta financeira dos projetos. “As empresas nacionais enfrentam muitos dos mesmos desafios, como dados pouco acessíveis, processos fragmentados, falta de competências especializadas e dificuldade de transformar produtividade em resultado financeiro”, diz Lucas. Segurança e governança também ganham peso à medida que os sistemas deixam de produzir conteúdos ou recomendações e começam a executar ações dentro das organizações.

“Há companhias com programas avançados e outras que ainda estão estruturando dados, sistemas e equipes. Entre as mais maduras , o desafio é transformar o experimento em aplicações escaláveis e integradas à operação. Para as menores , dedicar recur