Empresas investem mais em IA, mas o retorno financeiro não acompanha a produtividade. O que está faltando?
Estudos da Bain e da McKinsey revelam a distância entre o ganho de eficiência e o resultado no caixa. Entenda por que processos, capacitação e indicadores podem ser mais decisivos do que simplesmente adquirir uma nova ferramenta.
O que você precisa saber
- Pesquisa da Bain com 951 empresas globais encontrou distância entre metas de redução de custos e economias reportadas por companhias que mediram os resultados de automação e IA.
- Em estudo de 2026, a McKinsey identificou que produtividade individual e impacto no lucro operacional não avançam necessariamente juntos.
- Automatizar tarefas sem redesenhar fluxos, integrar dados e considerar custos de supervisão pode limitar o retorno.
- Método, capacitação e indicadores-chave de desempenho ajudam a testar onde a IA realmente cria valor.
Ganhar tempo não é o mesmo que aumentar o lucro. A empresa precisa transformar a capacidade liberada pela IA em redução efetiva de despesas, aumento de produção, receita adicional, qualidade ou outro benefício verificável.
A inteligência artificial se tornou parte da rotina de empresas, engenheiros e gestores. Assistentes digitais apoiam a redação de documentos, sistemas analisam grandes volumes de dados, modelos identificam padrões e agentes começam a executar etapas de processos corporativos. Mas uma pergunta permanece: onde está o retorno financeiro desse investimento?
Um levantamento da Bain & Company, publicado em junho de 2026 , analisou respostas de 951 empresas globais.
Na pesquisa, 37% das organizações estabeleceram metas de redução de custos entre 11% e 20%. Entre aquelas que efetivamente mediram suas economias, quase 40% registraram resultados na faixa de 0% a 10%.
Ao mesmo tempo, 90% dos respondentes afirmaram que pretendiam aumentar seus orçamentos para iniciativas com agentes de IA.
A diferença foi destacada pela Forbes Brasil, em 23 de setembro de 2026 , em reportagem que ouviu Lucas Brossi, sócio e líder de Data e AI da Bain para a América do Sul.
Segundo a análise apresentada à revista, projeções de automação podem subestimar revisão humana, retrabalho, integração e custos de implementação.
Há uma ressalva importante: os 37% que projetaram aquela faixa de economia e os quase 40% que reportaram economias menores não representam necessariamente as mesmas empresas.
Os números comparam distribuições de metas e resultados, não uma auditoria financeira de cada projeto.
Mesmo com esse cuidado, o estudo aponta um problema relevante: o benefício esperado no planejamento nem sempre se materializa na operação.
A produtividade cresce. O lucro acompanha?
A discussão não se limita à Bain.
Uma análise da McKinsey publicada em setembro de 2026 , baseada em sua pesquisa global de IA, informa que 80% dos participantes relataram melhoria de produtividade individual, enquanto 37% atribuíram algum impacto no EBIT de suas organizações ao uso da tecnologia.
O EBIT é o resultado operacional antes de juros e impostos.
São indicadores distintos, apurados por respostas à pesquisa. O dado não significa que os 63% restantes tenham necessariamente perdido dinheiro, nem que os ganhos relatados pelos trabalhadores já tenham sido convertidos em economia.
Significa que a adoção da IA e seus benefícios individuais não se traduzem automaticamente em um efeito financeiro identificável no conjunto do negócio.
Imagine uma analista que utiliza IA para concluir em seis horas uma tarefa antes executada em dez.
O tempo de execução caiu 40%. Mas o custo fixo de toda a empresa não caiu 40%.
A capacidade liberada poderá gerar valor se permitir atender mais clientes, aumentar a produção, evitar horas extras, reduzir contratação de serviços externos ou eliminar atrasos.
Se nada disso acontecer, o ganho poderá ficar restrito à atividade.
A IA pode acelerar uma tarefa sem transformar o resultado do processo inteiro.
A mesma lógica se aplica à indústria: acelerar o planejamento não significa produzir mais se o gargalo está na máquina, no abastecimento, na manutenção ou na aprovação de outra área.
O indicador precisa acompanhar o processo de ponta a ponta.
O erro de automatizar uma tarefa e esquecer o restante do processo
Uma empresa pode contratar ferramentas sofisticadas e continuar convivendo com aprovações duplicadas, planilhas desconectadas, dados desatualizados e responsabilidades pouco claras.
Ao automatizar apenas uma etapa, corre o risco de executar mais rapidamente um trabalho que continuará parado no próximo departamento.
Em sua análise sobre os chamados custos de coordenação, a McKinsey destaca que parte do potencial da IA está nas interfaces entre as etapas de trabalho: conferência de informações, reconciliação de dados, encaminhamento de demandas e passagem de responsabilidade entre equipes.
A oportunidade não é apenas tornar cada tarefa mais rápida, mas redesenhar o fluxo completo para reduzir esperas e retrabalho.
Essa abordagem conversa diretamente com a Engenharia de Produção.
Antes de escolher uma solução de IA, é necessário mapear o processo atual, identificar desperdícios, localizar gargalos e definir quais resultados têm relevância econômica ou operacional.
Ferramentas como fluxogramas, mapeamento do fluxo de valor, Lean, PDCA e DMAIC podem ajudar a estruturar a análise e acompanhar a melhoria.
Uma atividade desnecessária não se torna valiosa porque foi automatizada.
E uma etapa mais rápida pode não produzir nenhum efeito sobre a capacidade total se outra parte do sistema continuar limitando a operação.
O cálculo do retorno precisa considerar a operação real
Outro alerta da Bain é a distância entre o grau de automação projetado e o grau de autonomia efetivamente alcançado.
Na pesquisa, apenas 7% das companhias operavam agentes de IA totalmente autônomos em produção.
Outros 38% utilizavam agentes com necessidade de aprovação humana, enquanto 32% trabalhavam com sistemas sujeitos a controles e tratamento de exceções.
Supervisão humana não é, por si só, um defeito.
Em decisões técnicas, financeiras, legais ou de segurança, ela pode ser indispensável.
O erro é aprovar um projeto prevendo uma economia de automação integral quando a rotina continuará exigindo revisão, correções, treinamento e acompanhamento de profissionais.
Além da assinatura de uma ferramenta, a empresa pode precisar contabilizar licenças, uso de APIs, infraestrutura, segurança da informação, preparação de dados, integração com ERP e outros sistemas, manutenção, treinamento e custos de transição.
O retorno deve considerar o projeto completo, e não apenas o valor mensal do software.
Tempo poupado é um ganho operacional potencial. Só deve ser classificado como economia financeira realizada quando houver gasto efetivamente evitado ou benefício econômico comprovado.
Receita adicional, aumento de margem e melhoria de qualidade também podem ser benefícios relevantes, desde que sejam mensurados sem dupla contagem.
Quais indicadores mostram que a IA está gerando valor?
Uma iniciativa bem estruturada começa pela definição de uma linha de base: quanto tempo, dinheiro e recursos o processo consumia antes da implementação?
Qual era sua qualidade? Quantas entregas eram realizadas?
Depois, é preciso medir os resultados após a adoção e considerar variações de demanda, sazonalidade e outras mudanças que poderiam explicar parte dos efeitos.
Os indicadores-chave de desempenho, ou KPIs, devem ser escolhidos de acordo com o problema de negócio.
Um projeto para atendimento ao cliente não pode ser avaliado somente pela mesma métrica de um sistema de manutenção preditiva em uma fábrica.
| Objetivo | Indicadores que podem ser acompanhados |
|---|---|
| Produtividade | Tempo por tarefa, entregas por hora, capacidade atendida e tempo total de ciclo. |
| Qualidade | Taxa de erros, retrabalho, conformidade, reclamações e satisfação do cliente. |
| Eficiência operacional | Custo por unidade, desperdício, disponibilidade de equipamentos, atrasos e tempo de espera entre etapas. |
| Resultado financeiro | Despesas efetivamente evitadas, margem incremental, receita adicional atribuível ao projeto, ROI e prazo de retorno. |
| Confiabilidade da IA | Taxa de respostas corrigidas, intervenções humanas, falhas, latência e custo por execução. |
| Adoção | Uso efetivo da solução, percentual de casos atendidos e pessoas capacitadas para o processo. |
Os indicadores precisam orientar decisões.
Se uma automação reduz o tempo de execução, mas aumenta a taxa de erros, a empresa deve avaliar o efeito líquido sobre custo, qualidade e risco.
Se um agente resolve rapidamente tarefas simples, porém exige revisão em quase todas as situações complexas, o business case precisa refletir essa realidade.
Um método possível é iniciar com projeto-piloto, comparar resultados com a linha de base e estabelecer critérios claros para ampliar, ajustar ou interromper a aplicação.
Em projetos críticos, revisões humanas e mecanismos de controle devem ser planejados como requisitos do sistema, não tratados como custos inesperados.
Como calcular o ROI de um projeto de inteligência artificial?
Uma versão simplificada do retorno sobre o investimento compara o benefício financeiro líquido com o investimento realizado:
Exemplo hipotético: se uma empresa gasta R$ 80 mil em implementação e operação durante um ano e comprova R$ 120 mil em benefícios financeiros atribuíveis ao projeto no mesmo período, o benefício líquido é de R$ 40 mil e o ROI simplificado é de 50%.
Mas, se os R$ 120 mil resultarem apenas de multiplicar horas potencialmente poupadas pelo custo médio da mão de obra, sem redução de despesas ou outro efeito econômico demonstrado, esse valor deve ser apresentado como estimativa de capacidade liberada, não como retorno financeiro efetivamente capturado.
Projetos plurianuais podem exigir também fluxo de caixa, valor presente líquido e análise de riscos.
O Brasil está ampliando o uso de IA na indústria
O desafio é relevante para o Brasil.
A Pintec Semestral do IBGE, divulgada em setembro de 2025 , identificou que o percentual de empresas das indústrias extrativas e de transformação com 100 ou mais pessoas ocupadas que utilizavam IA passou de 16,9%, em 2022, para 41,9%, em 2024.
São 4.261 empresas industriais com utilização de IA no universo pesquisado em 2024.
Os números comprovam a expansão da adoção tecnológica nesse grupo específico, mas não informam o ROI dessas companhias.
Portanto, não seria correto aplicar diretamente ao Brasil as faixas de economia registradas no levantamento global da Bain.
O aumento da adoção torna mais importante distinguir experimentação, implantação em escala e resultado econômico.
Para a indústria, aplicações como inspeção visual, planejamento de produção, manutenção e gestão de estoques podem ser avaliadas com indicadores próprios de qualidade, capacidade, disponibilidade, perdas e custo.
Um caminho prático: método, ferramenta, pessoas e indicadores
Não existe uma ferramenta universal capaz de entregar o mesmo retorno em qualquer empresa.
O caminho começa pela identificação do problema e pela definição do resultado esperado.
Depois, a organização escolhe uma solução adequada, prepara as pessoas, integra os dados e verifica se os benefícios aparecem no processo real.
- Diagnosticar: mapear o processo, documentar problemas e construir uma linha de base.
- Priorizar: selecionar oportunidades com impacto relevante, dados disponíveis e riscos administráveis.
- Definir indicadores: estabelecer KPIs operacionais, financeiros, de qualidade e de segurança antes do teste.
- Selecionar e testar: escolher a tecnologia com base no problema; validar precisão, custo e necessidade de revisão humana.
- Capacitar: preparar a equipe para utilizar, supervisionar e corrigir a solução de modo responsável.
- Medir e melhorar: comparar resultados com a linha de base e redesenhar o fluxo quando necessário.
- Ampliar com critério: escalar o que demonstra valor, sem presumir que um piloto bem-sucedido reproduzirá o mesmo efeito em toda a organização.
Essa combinação aproxima a IA de disciplinas já conhecidas na engenharia: melhoria contínua, análise de processos, gestão da qualidade, custos, confiabilidade e tomada de decisão baseada em dados.
O objetivo não é instalar mais tecnologia, mas resolver melhor os problemas que importam.
A IA precisa de método para produzir resultado
Eng. Edson Gonçalves Martins | Engenharia de Produção, IA e ProdutividadeNa minha análise, a discussão sobre o retorno da IA não deveria se limitar à escolha do próximo aplicativo.
O ponto é identificar que problema a empresa quer resolver, como o processo funciona hoje, quais pessoas serão envolvidas e qual indicador mostrará que a mudança valeu a pena.
A Engenharia de Produção oferece instrumentos para fazer essa conexão entre pessoas, processos, tecnologia e resultados.
A IA pode acelerar atividades e ampliar a capacidade de análise, mas a melhoria precisa aparecer na operação e ser comprovada com dados.
A IA não substitui o método. Ela amplia o que conseguimos fazer quando existe um problema bem definido, uma equipe preparada e indicadores capazes de mostrar o resultado.
Para empresas e profissionais, vejo um caminho na combinação de diagnóstico, capacitação prática, implementação gradual e acompanhamento de KPIs.
Nem toda aplicação precisa buscar autonomia total. Em muitos casos, o melhor desenho é aquele em que a IA realiza parte do trabalho e o profissional responde pelas decisões que exigem julgamento técnico.
É essa integração entre engenharia, tecnologia e visão de negócio que considero central para a Nova Engenharia: usar as ferramentas certas, com responsabilidade, para gerar melhorias demonstráveis.
Engenharia Podcast e EP HUB: da informação à aplicação
A necessidade de conectar IA, métodos de gestão e resultados orienta uma frente de desenvolvimento do Engenharia Podcast .
Além de informar sobre as transformações tecnológicas, a proposta é aproximar profissionais e empresas das competências necessárias para aplicá-las no trabalho.
O EP HUB, iniciativa em desenvolvimento ligada a esse propósito, pode funcionar como um caminho de apoio à jornada: diagnóstico das necessidades, identificação de competências, trilhas de aprendizagem e aplicação orientada a problemas concretos.
A ideia não é prometer resultados universais nem substituir a gestão de cada organização.
É ajudar a fazer perguntas melhores, selecionar ferramentas compatíveis com a realidade operacional e acompanhar indicadores que demonstrem evolução.
Para um profissional, esse processo pode começar com uma atividade repetitiva e um objetivo simples de reduzir retrabalho.
Para uma empresa, pode envolver a integração entre atendimento, comercial, operações e finanças.
Em ambos os casos, o avanço deve ser medido e revisado com base em evidências.
Sua empresa está usando IA ou medindo o valor que ela gera?
Explore conteúdos, entrevistas e iniciativas do Engenharia Podcast sobre inteligência artificial, gestão de processos, produtividade e desenvolvimento profissional.
Conheça também a proposta do EP HUB, voltada à conexão entre competências, métodos e aplicação prática.
Conheça o Engenharia PodcastO próximo diferencial não será apenas adotar IA
Os estudos da Bain e da McKinsey não demonstram que a inteligência artificial deixou de funcionar ou de gerar valor.
Eles evidenciam que a distância entre produtividade percebida e resultado financeiro precisa ser administrada com planejamento, supervisão, integração e medição.
Empresas diferentes poderão obter retornos distintos, conforme seus processos, custos, mercados e objetivos.
Por isso, escolher uma ferramenta é somente uma parte da decisão.
Tão importante quanto implantar a tecnologia é entender o que muda no fluxo de trabalho e como o benefício será efetivamente capturado.
O futuro da IA nas empresas será medido menos pela quantidade de ferramentas contratadas e mais pelos problemas que elas conseguem resolver.
Para a engenharia e para a gestão, o caminho passa por unir a capacidade da inteligência artificial a método, conhecimento técnico, pessoas capacitadas e indicadores confiáveis.
É assim que uma promessa tecnológica pode se tornar um resultado verificável.
Fontes e referências
Bain & Company. Your AI Budget Is Growing. Your Returns Aren't. Here's Why. Estudo com 951 empresas globais, publicado em 1º de junho de 2026.
Forbes Brasil. Por que as empresas estão obtendo menos retorno do que esperavam com IA? Reportagem de 23 de setembro de 2026, com entrevista de Lucas Brossi.
McKinsey. Cutting the coordination tax: how agentic AI can reshape workflows. Análise de 18 de setembro de 2026 com referência à pesquisa global de IA de agosto de 2026.
IBGE. De 2022 a 2024, percentual de empresas industriais utilizando IA subiu de 16,9% para 41,9%. Pintec Semestral, publicada em setembro de 2025.
Sobre as imagens: As fotografias de Loui Kiær e ThisisEngineering foram selecionadas nas páginas da Unsplash que as identificam como gratuitas sob a licença Unsplash. As fotografias são ilustrativas e não constituem evidência dos resultados das pesquisas.
Engenheiro de Produção, palestrante e consultor em inteligência artificial aplicada e produtividade, fundador e apresentador do Engenharia Podcast. Ver LinkedIn .
