ROI de IA: 7 métricas que as empresas deveriam acompanhar além da produtividade

A pergunta corporativa sobre inteligência artificial amadureceu. Já não basta perguntar “o que a IA consegue fazer?”. A pergunta que importa é “isso aparece em qual linha do resultado?”. É um avanço quase civilizatório. Durante a primeira onda de IA generativa, muitas organizações comemoraram número de usuários, prompts, licenças ativadas e horas supostamente economizadas. Tudo isso pode ser útil, mas nenhuma dessas medidas paga dividendos sozinha. Uma empresa pode economizar dez mil horas e gerar exatamente zero reais de impacto se a capacidade liberada não for convertida em mais produção, menos custo, mais receita ou melhor decisão. Imagine uma equipe de atendimento que reduz em 30% o tempo para redigir respostas com IA, mas mantém o mesmo custo, o mesmo volume de casos resolvidos, a mesma taxa de recontato e o mesmo churn. A produtividade melhorou. O resultado financeiro talvez não tenha percebido. A diferença entre uma demonstração impressionante e um business case sério começa justamente aí: produtividade é um mecanismo. ROI é consequência.

Os dados mostram que a expectativa de retorno está aumentando rapidamente. No estudo global The Value of AI 2026, conduzido pela Oxford Economics em parceria com a SAP com 2.600 líderes de 13 países, a empresa média espera ROI de 21% sobre seus investimentos em IA em 2026, acima de 16% no ano anterior, com expectativa de chegar a 38% em dois anos. O retorno médio esperado com IA agêntica alcança US$ 17,6 milhões nesse horizonte. No Brasil, entre 200 respondentes, o ROI médio reportado para IA subiu de 16% para 19%, e a expectativa também chega a 38% até 2028. Mas há uma nota de rodapé que merece mais atenção do que o slide principal: 65% das empresas brasileiras não estão convencidas de que suas implementações entregam todo o potencial da tecnologia, e apenas 3% se consideram totalmente preparadas para implementar e escalar agentes de IA. Em resumo, o entusiasmo financeiro cresceu mais rápido do que a capacidade operacional. Nada muito incomum no mundo corporativo, onde a previsão costuma chegar antes da infraestrutura.

É por isso que medir apenas produtividade é confortável demais. Um assistente de programação pode gerar mais código por hora, mas, se aumentar retrabalho, vulnerabilidades ou custo de manutenção, a métrica celebra exatamente antes de a conta chegar. Um agente comercial pode escrever cinquenta abordagens personalizadas em minutos, mas, se conversar com os leads errados, apenas industrializou a irrelevância. Em pesquisa publicada em 2024, a BCG encontrou apenas 26% das empresas com capacidades suficientes para superar provas de conceito e gerar valor tangível com IA; 74% ainda não demonstravam valor em escala. O mesmo estudo mostrou que 62% do valor de IA estava nas funções centrais do negócio, não apenas em áreas de suporte. A lição é simples: se a IA só consegue provar que trabalha rápido, ainda falta provar que trabalha no problema certo.

As duas primeiras métricas deveriam estar no vocabulário de qualquer comitê executivo: receita incremental e margem. Receita incremental responde quanto dinheiro novo pode ser razoavelmente atribuído ao uso de IA. Margem responde se esse crescimento valeu a pena. Suponha uma empresa B2B que use IA para priorizar contas, recomendar a próxima melhor ação e personalizar propostas. A conversão sobe e as vendas crescem 8%. Excelente, até alguém descobrir que o sistema também aumentou o desconto médio e concentrou vendas em produtos de baixa margem. Receita maior com contribuição menor é uma vitória que o DRE talvez se recuse a comemorar. O teste correto compara grupos, períodos ou segmentos equivalentes e observa não apenas vendas adicionais, mas margem de contribuição adicional depois de descontos, custos variáveis, inferência, software e operação. IA que aumenta faturamento destruindo margem não é inteligência comercial. É apenas crescimento com boa assessoria de imprensa.

A terceira e a quarta métricas são CAC e conversão. Aqui a tentação de confundir atividade com resultado é especialmente grande. Imagine um time de marketing que usa IA para produzir cinco vezes mais anúncios, páginas e mensagens. O volume de leads sobe 40%. O projeto vira case interno em dois dias. Só que o custo total de aquisição aumenta porque a qualidade dos leads caiu, mídia foi ampliada, o time comercial passou mais tempo filtrando contatos ruins e a infraestrutura de IA adicionou uma nova camada de custo. O que interessa é o custo de aquisição por cliente efetivamente conquistado e a conversão em cada etapa relevante do funil. Uma aplicação de IA pode ter valor mesmo sem reduzir CAC, caso aumente conversão de clientes mais rentáveis ou acelere vendas complexas. Mas isso precisa ser medido. Caso contrário, a empresa corre o risco de usar IA para gerar mais movimento e chamar o barulho de crescimento.

A quinta métrica é churn, ou retenção. Ela força a empresa a olhar além da eficiência local e perguntar se a experiência melhorou de verdade. Considere um agente de atendimento capaz de resolver solicitações em segundos. O tempo médio cai, o custo por contato diminui e o dashboard fica verde. Porém, clientes começam a retornar duas ou três vezes porque a solução dada é rápida, mas superficial. Alguns cancelam. Nesse cenário, a automação cumpriu a meta operacional e sabotou o valor econômico. Medir churn, taxa de renovação, recompra, resolução no primeiro contato e receita retida ajuda a conectar a experiência automatizada ao comportamento real do cliente. Uma queda pequena no churn pode produzir mais valor do que uma grande economia de minutos, especialmente em negócios recorrentes. O interessante é que o cliente não se importa quantos tokens foram utilizados para resolver seu problema. O cliente tem essa inconveniente preferência por ter o problema resolvido.

A sexta e a sétima métricas são custo operacional e tempo de ciclo. Juntas, elas revelam se a IA está alterando a economia do processo, não apenas a interface. Pense em contas a pagar. Um sistema pode capturar notas, extrair dados, comparar pedidos, verificar regras e encaminhar somente exceções para análise humana. O ROI não deveria ser medido pelo número de documentos lidos pela IA, mas pelo custo por transação, volume processado por equipe, incidência de erro, retrabalho, multas evitadas e dias entre recebimento e pagamento. O mesmo vale para crédito, sinistros, compras ou onboarding. Reduzir um ciclo de cinco dias para algumas horas pode antecipar receita, liberar capital de giro, aumentar capacidade e reduzir abandono. Em pesquisa de 2026 com 1.000 executivos, a McKinsey encontrou que empresas com IA incorporada em múltiplas funções apresentavam margens de lucro quase duas vezes maiores e ROIC de três anos mais de cinco vezes superior ao de pares com uso restrito a poucas áreas. A própria McKinsey ressalta que os resultados mostram correlação, não causalidade. Esse detalhe metodológico deveria ser obrigatório em qualquer apresentação de ROI.

Para medir retorno com alguma honestidade, o projeto precisa nascer com uma linha de base e um mecanismo de atribuição. A fórmula básica continua pouco glamourosa: ROI = benefício financeiro atribuível à IA menos custo total da iniciativa, dividido pelo custo total da iniciativa. A palavra mais perigosa nessa frase é “atribuível”. Se as vendas cresceram depois da implantação, foi a IA, a sazonalidade, uma promoção, uma mudança de preço ou um vendedor excepcional? Sempre que possível, use grupos de controle, testes por região, comparação entre coortes ou implantação em fases. E calcule o custo total, não apenas a licença. Entram integração, dados, infraestrutura, consumo de modelos, observabilidade, segurança, governança, treinamento, manutenção e tempo das pessoas. Uma solução que custa R$ 300 mil no contrato e exige R$ 700 mil por ano para permanecer confiável não custa R$ 300 mil. Matemática tem esse hábito desagradável de não respeitar a narrativa da apresentação.

Talvez o maior erro seja tratar ROI como uma auditoria feita depois que a tecnologia já foi escolhida. O caminho mais robusto é o inverso: escolher primeiro a variável econômica que precisa se mover, estabelecer o baseline, definir a hipótese de impacto, desenhar o processo e só então decidir qual combinação de IA, automação, dados e pessoas faz sentido. A McKinsey observou em 2026 que quase 90% das organizações pesquisadas estavam ao menos experimentando com IA, mas apenas 7% relatavam escala corporativa. Esse abismo entre experimentar e transformar é menos misterioso do que parece. Projetos escalam quando conseguem explicar, com alguma disciplina, qual métrica movem, quanto vale essa mudança e quanto custa sustentá la. A pergunta madura, portanto, já não é “quanto tempo a IA economizou?”. É “o que a empresa fez com o tempo, a capacidade e a inteligência que ganhou?”. Quando a resposta aparece em receita, margem, aquisição, retenção, custo e velocidade, a IA deixa de ser uma promessa tecnológica e passa a ser o que todo investimento corporativo eventualmente precisa se tornar: resultado.