Empresas de diferentes setores já investiram em inteligência artificial, implementaram ferramentas e avançaram além dos projetos-piloto. No entanto, muitas ainda não conseguem transformar esses esforços em resultados financeiros concretos. Um estudo com mais de 600 companhias de capital aberto dos Estados Unidos mostra que aproximadamente 75% delas já adotaram a tecnologia, mas não apresentam retornos superiores aos de seus concorrentes.

Sua empresa provavelmente já superou a fase inicial de experimentação com inteligência artificial. As ferramentas estão disponíveis para os funcionários, diferentes áreas utilizam aplicações de IA e os investimentos continuam aumentando a cada trimestre. Apesar desse avanço, os resultados financeiros ainda não aparecem como esperado, levantando dúvidas sobre o tempo necessário para obter retorno e sobre a eficácia das estratégias adotadas.

Essa situação está longe de ser uma exceção. Uma análise recente do BCG Institute, envolvendo mais de 600 empresas americanas de capital aberto, identificou que a maioria das organizações enfrenta dificuldades semelhantes para converter a adoção de IA em valor para o negócio.

O estudo avaliou o nível de adoção da tecnologia utilizando exclusivamente indicadores observáveis externamente. Entre eles estavam dados sobre contratação de especialistas em IA, disseminação de competências relacionadas à tecnologia entre os funcionários, fornecedores presentes na infraestrutura tecnológica e análise de documentos corporativos e apresentações de resultados financeiros.

Os pesquisadores também identificaram quais áreas utilizavam inteligência artificial e se as aplicações permaneciam em fase experimental ou já haviam alcançado escala corporativa. Com isso, desenvolveram uma avaliação baseada nas tecnologias efetivamente implementadas, em vez de depender apenas das respostas fornecidas pelas próprias empresas em pesquisas.

Essa metodologia permitiu comparar o que as organizações estão fazendo com inteligência artificial e os resultados financeiros obtidos. A análise identificou três grupos com características distintas.

• Empresas em estágio inicial: representam aproximadamente 20% da amostra e ainda não realizaram investimentos significativos em inteligência artificial. Utilizam algumas ferramentas em poucas áreas, principalmente em projetos-piloto, com investimentos limitados e expectativas igualmente modestas de retorno.

• Empresas líderes: correspondem a cerca de 6% das organizações analisadas e representam os exemplos mais avançados de geração de valor com IA. Nos últimos três anos, alcançaram um retorno total anual aos acionistas, conhecido como TSR, em média 9,3% superior ao de empresas do mesmo setor. Esse grupo funciona como referência para compreender o potencial da tecnologia.

• Empresas intermediárias: representam aproximadamente 75% da amostra e já estão investindo na adoção de inteligência artificial, mas ainda não conseguiram obter o retorno esperado. No relatório original, essas organizações foram divididas entre empresas emergentes e empresas com adoção ativa. Entretanto, a análise identificou uma semelhança importante entre elas: apesar dos esforços de implementação, os resultados financeiros continuam limitados.

Uma empresa típica desse grupo intermediário utiliza soluções de aproximadamente 13 fornecedores de IA, incluindo ferramentas prontas para os funcionários e recursos de infraestrutura para desenvolver novas aplicações. Essas tecnologias estão distribuídas por cerca de nove áreas de negócio, com diferentes projetos já funcionando em ambientes de produção.

Mesmo com essa presença significativa, os investimentos ainda não se traduzem em desempenho financeiro superior. Nos últimos três anos, a empresa mediana desse grupo apresentou retorno total anual aos acionistas 1,4 ponto percentual abaixo da média de seus concorrentes do mesmo setor.

Além disso, os resultados aumentam apenas marginalmente entre as empresas menos e mais avançadas desse grupo. Esse comportamento caracteriza o chamado platô de adoção da inteligência artificial, em que ampliar o uso da tecnologia deixa de produzir ganhos proporcionais.

Permanecer estagnado está ficando mais caro

As empresas que integram o grupo intermediário enfrentam uma situação preocupante. Algumas podem acreditar que os resultados aparecerão naturalmente com o passar do tempo, à medida que os funcionários desenvolvam novas habilidades, a adoção aumente e os processos se ajustem às ferramentas. No entanto, depender exclusivamente dessa evolução pode ser arriscado.

Os orçamentos destinados à inteligência artificial continuam crescendo rapidamente. A previsão é que praticamente dobrem em 2026, alcançando cerca de 1,7% da receita das empresas, enquanto a pressão por resultados tende a aumentar.

Grandes investimentos também estão sendo realizados na infraestrutura que sustenta a tecnologia. Os quatro maiores hyperscalers dos Estados Unidos planejam investir aproximadamente US$ 725 bilhões em 2026, e analistas projetam que o volume acumulado ultrapasse US$ 5 trilhões até 2030.

Todo esse capital precisará gerar retorno financeiro. Com o aumento dos preços das soluções e a adoção crescente de modelos de cobrança baseados no uso, a diferença entre os investimentos realizados e os resultados obtidos tende a se tornar ainda mais difícil de compensar.

Diante desse cenário, a reação natural de muitas organizações é ampliar a adoção. Isso significa contratar mais ferramentas, disponibilizá-las para novas áreas e incentivar os funcionários a utilizá-las com maior frequência. Entretanto, há motivos para acreditar que essa estratégia pode acabar produzindo o efeito contrário.

Aumentar a quantidade de aplicações não garante maior geração de valor. Em determinadas situações, essa expansão pode apenas introduzir novas dificuldades operacionais.

Dados do BCG Institute mostram que a produtividade percebida pelos próprios funcionários aumenta quando eles passam a utilizar uma segunda ou terceira ferramenta de IA. Porém, depois desse ponto, os ganhos começam a diminuir, porque o esforço necessário para alternar entre diferentes soluções e verificar seus resultados pode superar os benefícios obtidos.

Outro problema aparece quando os profissionais possuem acesso às ferramentas, mas não desenvolveram as competências necessárias para avaliar e aperfeiçoar o conteúdo produzido. Nessas condições, podem entregar trabalhos que parecem concluídos, embora ainda apresentem falhas ou exijam revisões importantes.

Esse fenômeno é conhecido como workslop, termo utilizado para descrever trabalhos produzidos com inteligência artificial que aparentam estar prontos, mas transferem o esforço de correção para quem os recebe. Pesquisas sobre o assunto indicam que aproximadamente 40% dos funcionários receberam esse tipo de material no último mês, com cada ocorrência exigindo quase duas horas para ser resolvida.

Existe ainda um terceiro desafio relacionado ao aproveitamento do tempo economizado pela IA. Mesmo quando a tecnologia realmente libera horas de trabalho, esse ganho só se transforma em valor se os processos forem reorganizados adequadamente.

Uma pesquisa da BCG mostra que aproximadamente dois terços dos funcionários recebem pouca ou nenhuma orientação sobre o que fazer com o tempo economizado pelas ferramentas. Como consequência, essa disponibilidade adicional acaba sendo dispersa, em vez de gerar aumento de produção ou melhoria das margens.

Esses três problemas revelam uma dificuldade comum. As empresas estão ampliando sua infraestrutura tecnológica e a implementação de aplicações de IA mais rapidamente do que desenvolvem a capacidade organizacional necessária para utilizá-las com eficiência.

Os indicadores relacionados à disponibilidade de ferramentas, à infraestrutura tecnológica e à abrangência das aplicações continuam aumentando entre as empresas intermediárias mais avançadas. Em muitos casos, esses indicadores se aproximam daqueles apresentados pelas líderes, mas a capacidade de transformar a tecnologia em resultados permanece significativamente inferior.

Superar esse cenário exige uma abordagem diferente, que considere não apenas a expansão das ferramentas, mas também o desenvolvimento das competências e dos processos necessários para aproveitar seu potencial.

Como alinhar as capacidades da empresa à estratégia de IA

Desenvolver capacidade organizacional em inteligência artificial envolve muito mais do que contratar especialistas em programação ou criar equipes técnicas. É necessário disseminar o conhecimento sobre IA entre os funcionários, posicionar profissionais especializados nas áreas que exigem maior profundidade técnica e reorganizar os processos de trabalho em torno da tecnologia.

Essa capacidade é fundamental para transformar o uso da inteligência artificial em valor econômico. Uma análise recente do BCG Institute identificou uma correlação entre a utilização mais intensa de IA e o crescimento acelerado da receita. Entretanto, os dados também revelam que a adoção, isoladamente, não produz retornos superiores aos dos concorrentes.

Os resultados financeiros mais expressivos aparecem quando as competências organizacionais evoluem juntamente com a infraestrutura tecnológica e a implementação das soluções. Sem esse alinhamento, os investimentos podem continuar aumentando sem que os benefícios acompanhem o mesmo ritmo.

Recomendar que uma empresa desenvolva competências em IA, porém, é uma orientação muito ampla. Na prática, essa recomendação frequentemente se resume a contratar profissionais especializados e capacitar os demais funcionários, sem definir quais habilidades realmente precisam ser construídas.

A questão mais importante é identificar quais capacidades são necessárias para alcançar os objetivos estratégicos da organização. A pesquisa encontrou três caminhos recorrentes entre as empresas líderes na geração de valor com inteligência artificial, cada um exigindo competências diferentes.

1. Fazer o mesmo com menos recursos

Um grupo de empresas líderes utiliza inteligência artificial para executar as atividades existentes de maneira mais rápida e eficiente. Nesses casos, o principal diferencial competitivo não está na ferramenta utilizada, já que a maioria das organizações adquire modelos prontos em vez de desenvolver soluções proprietárias.

O fator determinante é a capacidade de reorganizar os fluxos de trabalho em torno da IA. Para isso, dois aspectos são especialmente importantes no redesenho dos processos.

Simplificar antes de automatizar

O primeiro princípio é simplificar os processos antes de introduzir a automação. Implementar inteligência artificial em um fluxo de trabalho existente, sem revisar suas etapas, pode apenas perpetuar problemas e ineficiências acumulados ao longo do tempo.

A IBM oferece um exemplo dessa abordagem ao reorganizar sua área de recursos humanos em torno do chatbot AskHR. Antes de automatizar as atividades, a empresa revisou os procedimentos internos seguindo uma regra baseada em três ações: eliminar, simplificar e automatizar.

Durante esse processo, mais de 25 categorias diferentes de ausência de funcionários foram consolidadas em uma única categoria. Essa simplificação reduziu a quantidade de variações de políticas que o sistema de IA precisaria interpretar e administrar, facilitando sua implementação.

Isso não significa, porém, que todos os problemas estruturais precisem ser resolvidos antes da adoção de inteligência artificial. Sistemas fragmentados e formatos inconsistentes de dados, por exemplo, nem sempre exigem consolidação prévia, já que a IA pode interagir com diferentes ambientes e processar informações distribuídas entre eles.

A IBM substituiu aproximadamente 30 ferramentas de recursos humanos por um único chatbot, conectado aos sistemas que armazenam os registros dos funcionários. Quando um colaborador solicita a atualização de seus dados pessoais ou o início de uma transferência interna, o agente executa diretamente a alteração, em vez de apenas explicar como realizar o procedimento.

Reforçar as etapas que continuam essenciais

O segundo princípio é reconhecer que determinadas etapas precisam ser fortalecidas, e não eliminadas, quando passam a envolver ações executadas por máquinas. Isso inclui estabelecer padrões claros de qualidade e garantir que a transferência de responsabilidades entre sistemas automatizados e profissionais aconteça adequadamente.

No caso da IBM, foram criadas regras específicas para encaminhar situações mais complexas aos profissionais de recursos humanos. Essa estrutura permitiu combinar automação com atendimento especializado quando necessário.

Em 2024, o AskHR processou mais de 11,5 milhões de interações, com 94% delas resolvidas dentro da própria plataforma. O resultado demonstra como a reorganização dos processos, combinada com critérios de qualidade e encaminhamento, pode ampliar a eficiência das operações.

2. Melhorar os produtos e serviços existentes

Outro grupo de empresas líderes utiliza inteligência artificial para aprimorar seus produtos, tornando suas ofertas mais difíceis de serem reproduzidas pelos concorrentes. Nesse modelo, a principal capacidade organizacional necessária é a disseminação do conhecimento sobre IA por diferentes áreas da empresa.

Profissionais que trabalham próximos aos produtos e aos clientes precisam compreender as possibilidades da tecnologia para identificar oportunidades de melhoria e resolver dificuldades enfrentadas pelos consumidores. Essa familiaridade permite que a inovação surja de diferentes equipes, em vez de depender exclusivamente de um departamento centralizado.

Os dados da pesquisa mostram uma diferença significativa entre as organizações. Nas empresas líderes em inteligência artificial, aproximadamente 12% dos funcionários possuem competências relacionadas à tecnologia, enquanto nas empresas intermediárias essa proporção é de apenas 1,7%.

Na prática, o desenvolvimento dessa capacidade começa com programas abrangentes de qualificação profissional. Entretanto, as organizações mais avançadas vão além dos treinamentos, oferecendo acesso a plataformas low-code que permitem aos chamados citizen developers criar protótipos de melhorias e novas funcionalidades.

A Intuit, uma das empresas líderes identificadas no estudo, desenvolveu o GenOS, uma plataforma proprietária que pode ser utilizada diretamente pelas equipes de produto. Os profissionais conseguem acessar o ambiente por conta própria e transformar novas ideias em experimentos reais com clientes em questão de dias.

A combinação entre conhecimento e ferramentas acessíveis permite gerar mais ideias, funcionalidades e soluções do que uma equipe central conseguiria desenvolver sozinha. Entretanto, transformar esse volume de inovação em valor exige mecanismos capazes de identificar as melhores propostas e ampliá-las.

O primeiro mecanismo consiste em tornar as experiências e os resultados visíveis para toda a organização. Isso pode acontecer por meio de registros integrados à própria plataforma, documentando o que já foi testado e quais resultados foram alcançados, ou de rankings que mostrem as soluções mais utilizadas pelos colegas.

Essa transparência permite que ideias bem-sucedidas sejam aproveitadas por outras equipes, reduzindo a repetição de esforços em departamentos isolados. Também facilita a identificação de iniciativas com maior potencial de impacto.

O segundo mecanismo é estabelecer um processo para transformar os experimentos mais promissores em soluções robustas, preparadas para utilização em escala corporativa ou disponibilização aos clientes. Essa responsabilidade pode ser atribuída a uma equipe dedicada à avaliação das iniciativas ou a um departamento central de pesquisa e desenvolvimento.

Na Intuit, ideias que demonstraram resultados positivos durante os experimentos foram ampliadas e incorporadas aos principais produtos da empresa. Dessa forma, a organização conseguiu conectar a criatividade distribuída entre diferentes equipes a um processo estruturado de desenvolvimento e implementação.

3. Criar novos produtos e negócios com inteligência artificial

O terceiro caminho identificado entre as empresas líderes envolve utilizar inteligência artificial para desenvolver produtos e serviços que anteriormente não existiam. São ofertas que seriam tecnicamente inviáveis ou economicamente pouco atrativas sem os recursos proporcionados pela tecnologia.

Diferentemente das organizações focadas principalmente em eficiência operacional, essas empresas tendem a desenvolver suas próprias soluções de IA. Entre as líderes que priorizam o crescimento por meio de novas ofertas, aproximadamente 65% adotam essa abordagem em vez de depender de tecnologias prontas adquiridas de fornecedores.

Esse modelo exige uma capacidade organizacional diferente, baseada na presença de especialistas capazes de trabalhar com as possibilidades mais avançadas da inteligência artificial. A profundidade do conhecimento técnico passa a ser um diferencial importante.

Os dados mostram que cargos especificamente relacionados à IA representam aproximadamente 3,5% da força de trabalho nas empresas líderes. Nas organizações intermediárias, essa proporção é de apenas 0,3%.

Esses profissionais precisam ter liberdade para desenvolver propostas que ultrapassem os limites do modelo de negócio atual. O objetivo é permitir que novas soluções sejam imaginadas e construídas sem ficarem excessivamente condicionadas aos produtos e processos já existentes.

Uma maneira de estruturar esse trabalho é criar centros de excelência, grupos de pesquisa ou incubadoras com responsabilidades próprias. Esses ambientes reúnem especialistas em inteligência artificial e profissionais de produto, engenharia e implementação, permitindo desenvolver soluções e garantir sua continuidade operacional.

O exemplo da Capital One

A Capital One começou a estruturar essa capacidade em 2017, quando criou um centro interno de excelência em machine learning. A iniciativa reuniu especialistas que atuavam em diferentes áreas do negócio e estabeleceu um fluxo dedicado à formação e contratação de profissionais especializados.

Em 2023, a empresa contratou Prem Natarajan, anteriormente vice-presidente da organização de inteligência artificial Alexa, da Amazon, para atuar como cientista-chefe e responsável pela IA corporativa. Sua missão incluía ampliar a pesquisa interna e explorar novas possibilidades de aplicação da tecnologia no setor financeiro.

Essa estrutura contribuiu para o desenvolvimento de produtos como o Chat Concierge, um assistente de inteligência artificial com múltiplos agentes oferecido por assinatura a concessionárias de automóveis. A solução é personalizada com dados proprietários da Capital One relacionados a financiamento de veículos e informações das concessionárias.

Esse caminho também exige uma abordagem diferente para investimentos e governança. Em média, as empresas líderes que desenvolvem novas ofertas baseadas em IA apresentam redução temporária das margens em comparação com concorrentes do mesmo setor.

Se essas iniciativas fossem avaliadas exclusivamente pelos critérios utilizados em projetos tradicionais de eficiência, como prazo de retorno financeiro ou metas de margem, poderiam ser encerradas antes de gerar resultados. Por isso, precisam ser administradas de maneira semelhante a novos empreendimentos.

Nesse modelo, o financiamento é liberado progressivamente conforme o desenvolvimento avança e determinados critérios previamente definidos são atendidos. As decisões devem considerar evidências de que as capacidades tecnológicas estão sendo construídas e de que existe disposição dos clientes para pagar pelas soluções desenvolvidas.

O que diferencia as empresas que realmente geram valor com IA

A adoção de inteligência artificial pode atingir um ponto de estagnação. Depois de determinado estágio, acrescentar ferramentas e ampliar sua utilização pode aumentar a complexidade operacional sem produzir retornos financeiros proporcionais.

A pesquisa mostra que os ganhos não aparecem necessariamente de forma gradual à medida que as empresas avançam na implementação da tecnologia. Muitas organizações realizam investimentos significativos, expandem suas aplicações e continuam sem alcançar resultados superiores aos de seus concorrentes.

A principal diferença entre essas empresas e as líderes está na capacidade de utilizar a inteligência artificial de maneira alinhada aos objetivos estratégicos. Essa capacidade precisa ser desenvolvida de acordo com a forma escolhida para gerar valor.

Organizações que desejam aumentar a eficiência precisam redesenhar seus processos. Aquelas que buscam melhorar produtos existentes devem disseminar competências em IA entre diferentes equipes, enquanto empresas interessadas em criar novos negócios precisam investir em conhecimento técnico especializado e estruturas de inovação.

Os resultados indicam que as organizações com melhor desempenho foram justamente aquelas que definiram como pretendiam criar valor e desenvolveram as capacidades necessárias para executar essa estratégia. Para as demais empresas, o caminho está em alinhar investimentos, competências e processos aos resultados que desejam alcançar.