Ir para o conteúdo
Em matéria publicada pelo Portal ERP, Bruno Horta, Executive Director na Peers, analisa os desafios para transformar investimentos em IA generativa em resultados financeiros comprovados. A partir dos dados do estudo Gerando valor com GenAI, realizado pela Peers em parceria com o Tec Institute e publicado pela MIT Technology Review Brasil, a análise mostra como escala, governança e maturidade influenciam a geração de valor com GenAI.
A capacidade de transformar investimentos em IA generativa em resultados mensuráveis ainda varia significativamente entre as empresas.
A Matriz Peers de Maturidade em IA identifica quatro perfis de organizações de acordo com sua combinação entre governança, mensuração e resultado. Os Líderes representam 40,7% da amostra e reúnem empresas que conseguem combinar essas três dimensões.
Os demais grupos ajudam a revelar diferentes desafios de maturidade. Os Incipientes representam 27,6% da amostra, os Disciplinados sem Tração correspondem a 19,4% e os Tração sem Disciplina representam 12,3%.
A distribuição evidencia que a geração de resultados depende de capacidades que precisam evoluir em conjunto. Uma empresa pode estruturar mecanismos de governança e ainda enfrentar dificuldades para converter essa disciplina em resultados. Outra pode apresentar bons resultados enquanto desenvolve processos mais consistentes de avaliação.
Para as lideranças responsáveis pelos investimentos, essa diferença muda a forma de avaliar o avanço da IA. Quantidade de pilotos, usuários ou ferramentas oferece apenas parte da visão. Indicadores de negócio e capacidade de mensuração ajudam a mostrar quanto a tecnologia efetivamente contribui para os resultados.
Essa discussão se conecta diretamente ao desafio de calcular e demonstrar o ROI em GenAI. A mensuração precisa considerar como ganhos operacionais chegam a receita, custos, produtividade e outros indicadores capazes de demonstrar o impacto econômico da tecnologia.
O período entre 12 e 24 meses concentra uma das principais dificuldades identificadas na trajetória de adoção da IA generativa.
Os dados do estudo Gerando valor com GenAI ajudam a dimensionar essa mudança. Nas empresas com menos de seis meses de adoção, 35,1% relatam resultados acima do esperado. Entre aquelas com 12 a 24 meses de maturidade, o percentual cai para 13,3% e volta a subir para 39% após dois anos.
A curva forma o chamado vale da escala, momento em que a organização começa a enfrentar uma complexidade maior para ampliar o uso da tecnologia.
Nos primeiros projetos, uma solução pode atender poucos usuários, atuar sobre um problema delimitado e operar com integrações reduzidas. A expansão modifica esse cenário. A IA passa a depender de sistemas legados, processos de diferentes áreas, infraestrutura, dados e mecanismos de governança capazes de sustentar um volume maior de utilização.
A recuperação observada depois dos dois anos indica que o período de maior dificuldade pode fazer parte da construção das capacidades necessárias para sustentar a tecnologia em escala.
O desafio da escala começa quando um caso de uso bem-sucedido precisa se transformar em uma capacidade da organização.
A expansão da IA generativa aumenta a necessidade de integrar tecnologia, processos e áreas de negócio.
Durante um piloto, a empresa consegue controlar melhor variáveis como número de usuários, fontes de dados, custos e escopo da aplicação. Conforme a solução cresce, esses elementos passam a interagir com uma estrutura operacional mais ampla.
Essa mudança traz pelo menos quatro questões para as organizações:
O avanço para a escala também pode exigir mudanças nos próprios processos. Uma solução capaz de automatizar uma tarefa específica gera um tipo de ganho. Quando a organização revisa o fluxo completo, surgem oportunidades para reorganizar etapas, decisões e responsabilidades.
Essa perspectiva é especialmente importante para o retorno financeiro. O valor de uma aplicação depende da forma como seus ganhos chegam à operação e aos indicadores utilizados para justificar o investimento.
Medir o retorno financeiro da IA generativa exige comparar os resultados produzidos pela iniciativa com os recursos necessários para implementá-la e mantê-la.
Essa análise começa antes da implementação, com uma definição clara do problema e do resultado esperado.
Uma aplicação voltada à produtividade pode ser acompanhada por indicadores como horas economizadas, volume processado e capacidade da equipe. Em atendimento, métricas como tempo de resolução, custo por interação e satisfação ajudam a avaliar os efeitos da tecnologia. Em aplicações comerciais, conversão, receita incremental e retenção podem ganhar maior relevância.
A avaliação pode ser organizada em três níveis:
| Aplicação | Resultado operacional | Impacto para o negócio |
|---|---|---|
| Automação | Redução de tempo | Maior capacidade ou menor custo |
| Atendimento | Resolução mais rápida | Eficiência e experiência do cliente |
| Desenvolvimento | Menor tempo de entrega | Maior capacidade de execução |
| Análise de dados | Mais velocidade e precisão | Decisões mais eficientes |
| Vendas | Recomendações mais relevantes | Conversão e receita |
O ponto central está na conexão entre o ganho operacional e sua consequência para a empresa.
Uma redução de horas pode aumentar a capacidade de uma equipe, acelerar entregas ou diminuir custos. A definição prévia desse resultado permite acompanhar com mais precisão se o business case está se concretizando.
Os bancos aparecem como o segmento mais avançado entre as instituições financeiras analisadas porque já apresentam maior capacidade de transformar iniciativas de GenAI em resultados financeiros e operacionais. 72,7% afirmam ter superado o business case inicial de suas iniciativas de IA generativa.
Esse desempenho está relacionado a uma adoção mais estruturada, com aplicações mais próximas de processos relevantes do negócio, critérios de mensuração mais claros e maior capacidade de integrar a tecnologia à operação.
Na prática, isso significa que os bancos já avançaram em etapas que ainda concentram esforços de organizações menos maduras, como identificação de casos de uso, validação inicial e comprovação de valor. Com essa base mais desenvolvida, a agenda passa a incluir escala, integração, governança e sustentação das aplicações.
A governança de dados aparece como o principal ponto a ser desenvolvido pelos bancos para sustentar essa evolução, à frente de temas relacionados a talentos e infraestrutura.
Em setores regulados, esse desafio ganha peso adicional. Qualidade dos dados, segurança, rastreabilidade e clareza sobre responsabilidades influenciam diretamente a capacidade de ampliar aplicações de GenAI de forma consistente.
Transformar experimentação em resultado exige priorizar aplicações com potencial claro de impacto e criar condições para que elas avancem dentro da organização.
Cinco elementos ajudam a estruturar essa trajetória:
Esses critérios também orientam decisões de continuidade. Projetos com resultados consistentes podem receber novos investimentos. Iniciativas com dificuldades podem exigir ajustes de processo, tecnologia ou adoção. Casos com baixo impacto podem liberar recursos para oportunidades mais relevantes.
A maturidade cresce quando a empresa transforma os aprendizados de cada iniciativa em conhecimento reutilizável. Arquitetura, integrações, práticas de governança e formas de mensuração desenvolvidas em um projeto podem acelerar os seguintes.
Escalar IA significa ampliar a capacidade de gerar resultados de forma recorrente.
Como a Peers pode ajudar?
A Peers apoia organizações na definição, priorização e implementação de iniciativas de inteligência artificial conectadas a objetivos concretos de negócio. A atuação combina estratégia, dados, tecnologia e governança para criar condições de mensuração, geração de valor e escala. Conheça nossas soluções.
O que é retorno financeiro com IA generativa?
É o impacto econômico produzido por uma iniciativa de GenAI considerando os recursos necessários para desenvolvê-la, implementá-la e mantê-la. O resultado pode aparecer em receita, custos, produtividade, capacidade operacional e outros indicadores relevantes para o negócio.
Por que projetos de IA enfrentam dificuldades durante a escala?
A escala amplia a complexidade da implementação. Integrações, sistemas legados, dados, infraestrutura, custos, governança e adoção passam a influenciar o desempenho das soluções.
O que é o vale da escala da IA generativa?
É a queda na percepção de resultados observada durante uma fase intermediária da adoção. No estudo, o percentual de empresas com resultados acima do esperado cai para 13,3% entre 12 e 24 meses e volta a crescer após dois anos.
Como saber se uma iniciativa de IA deve ganhar escala?
A decisão deve considerar os resultados alcançados, o impacto potencial para o negócio, os custos de expansão, a capacidade de integração e as condições de governança necessárias para ampliar a aplicação.