Segundo o relatório AI Index 2024 da Universidade Stanford, os investimentos globais em inteligência artificial por parte de empresas privadas ultrapassaram US$ 90 bilhões em 2023 — e a tendência de crescimento não deu sinal de pausa desde então. Quando trago esse número pra sala durante um treinamento corporativo, o silêncio que se instala é sempre o mesmo: uma mistura de “nossa, que absurdo” com “mas o que isso tem a ver com minha empresa aqui no Brasil?”. Essa pergunta é exatamente o que vou responder aqui.
As empresas brasileiras estão de fora dessa conta?
Não. Mas a participação é desigual — e isso importa pra você entender onde seu negócio se encaixa.
Grandes bancos nacionais, as principais redes de varejo e operadoras de telecomunicações já tinham projetos estruturados de IA antes mesmo de o ChatGPT virar assunto de mesa de bar. O que mudou a partir de 2023 foi o volume de empresas médias entrando nessa conversa — muitas vezes sem orçamento definido, sem time técnico e sem clareza sobre o que exatamente estão comprando.
Eu vi isso acontecer de perto. Empresas chegavam nos treinamentos dizendo que tinham “contratado IA” — e quando eu perguntava o que significava isso na prática, a resposta era uma assinatura de ferramenta SaaS que ninguém na empresa sabia usar direito. Gastar dinheiro com IA e usar IA de verdade são coisas bem diferentes.
Quanto uma empresa média gasta com IA, na prática?
Essa é a pergunta que mais recebo — e a que tem a resposta mais frustrante: depende, e muito.
Existe uma diferença brutal entre os modelos de custo:
- Assinaturas de ferramentas prontas (copilots, assistentes de escrita, ferramentas de atendimento): costumam girar entre R$ 100 e R$ 800 por usuário por mês, dependendo da plataforma e do câmbio do momento.
- Projetos de automação com IA embarcada (RPA com machine learning, análise preditiva de estoque, scoring de crédito): o custo de implantação pode variar de R$ 50 mil a R$ 500 mil, sem contar manutenção.
- Desenvolvimento de modelos proprietários: esse é o jogo das grandes. Estamos falando de equipes de dados, infraestrutura de nuvem e ciclos de desenvolvimento que facilmente passam de R$ 1 milhão ao ano.
A empresa que está no segundo grupo — aquela que quer automatizar um processo específico sem desenvolver nada do zero — geralmente fica surpresa com o custo de integração. A ferramenta em si pode ser barata. A conexão com os sistemas legados da empresa é que pesa.
Por que tantas empresas subestimam o custo real?
Porque o orçamento de IA raramente aparece como uma linha única. Ele fica espalhado.
Tem o custo da ferramenta, tá. Mas tem também o tempo de treinamento da equipe, a consultoria de implantação, a adequação de dados (que frequentemente estão bagunçados ou despadronizados), a infraestrutura de nuvem que cresce conforme o uso aumenta — e o custo de oportunidade das horas que o time de TI desviou de outros projetos.
Quando eu peço pras pessoas numa sala calcularem o custo total de um projeto de IA que elas já rodaram, o número final quase sempre é 40% a 60% maior do que o orçamento inicial. Não é desonestidade dos fornecedores — na maioria das vezes é falta de experiência na hora de estimar escopo.
Mas existe retorno sobre esse investimento?
Sim — e isso não é conversa de vendedor de software.
O retorno mais documentado e consistente que eu observo está em três frentes: redução de retrabalho em processos repetitivos, melhora na triagem de atendimento ao cliente e análise de dados que antes ninguém tinha tempo de fazer.
Uma área de logística que usava horas de trabalho manual pra cruzar planilhas de estoque e demanda — e que passou a usar um modelo preditivo simples — consegue liberar tempo real da equipe. Isso não é abstrato. É hora de trabalho convertida em outra atividade.
O que eu questiono, e que acho que poucos consultores têm coragem de dizer: o ROI de IA é muito mais fácil de calcular em processos repetitivos e bem definidos do que em iniciativas de “inovação” ou “transformação digital”. Empresa que entra em projeto de IA sem um problema específico pra resolver costuma gastar bastante pra chegar ao mesmo lugar.
As pequenas empresas deveriam estar investindo agora?
Essa é a pergunta que mais divide opiniões entre quem trabalha com o tema — e eu tenho uma posição clara.
Pequenas empresas não precisam de projetos de IA. Precisam de ferramentas com IA embutida, que já existem e custam pouco.
Tem diferença enorme entre uma pequena empresa contratar um projeto de automação inteligente e ela simplesmente usar uma ferramenta de atendimento que já tem IA por baixo dos panos, sem que o dono precise saber nada de machine learning. O segundo caminho é mais barato, mais rápido e — na maior parte dos casos — mais adequado ao estágio do negócio.
Quando eu vejo pequenas empresas tentando implementar soluções complexas porque “todo mundo tá fazendo”, o resultado quase sempre é o mesmo: projeto abandonado na metade, dinheiro perdido e uma desconfiança generalizada de que “IA não funciona pra gente”. Funciona. Mas a entrada precisa ser proporcional ao tamanho e à maturidade do negócio.
O que os grandes players estão fazendo que o mercado ainda não percebeu?
Eles estão investindo pesado em dados — não em modelos.
Existe uma confusão comum de que investir em IA significa contratar o modelo mais sofisticado do mercado. As empresas que estão na frente há mais tempo entenderam que o diferencial competitivo não está no modelo em si — que hoje é um commodity acessível via API — mas na qualidade e exclusividade dos dados que alimentam esse modelo.
Um grande varejista que tem dez anos de histórico de comportamento de compra dos seus clientes, com dados bem organizados e governança adequada, consegue extrair valor de um modelo relativamente simples que nenhum concorrente consegue replicar — porque o dado é deles. Isso muda completamente a lógica de onde colocar o dinheiro.
Nos treinamentos que facilito, quando falo isso, a reação imediata de quem vem de empresas maiores é de reconhecimento. Quem vem de empresas menores frequentemente percebe ali que nem sabe que dados tem — ou que não tem nenhum dado organizado. E esse é o ponto de partida real.
Como o mercado brasileiro está se posicionando frente à regulação?
Com atenção redobrada desde que o debate sobre regulação de IA ganhou força no Congresso Nacional. O Brasil tem uma trajetória relevante em proteção de dados — a Lei Geral de Proteção de Dados (LGPD) já criou um precedente importante — e o mercado corporativo sabe que qualquer regulação específica de IA vai exigir adaptações nos projetos que já estão rodando.
O que eu noto nas empresas mais preparadas é que elas já estão construindo documentação de seus modelos — o que ficou conhecido como model cards — e mapeando onde a IA toma decisões que afetam pessoas diretamente: concessão de crédito, triagem de currículos, precificação dinâmica. Essas são as áreas que concentram maior risco regulatório e que, portanto, concentram também maior atenção dos times jurídicos.
Quem está ignorando esse movimento vai ter retrabalho caro lá na frente. Eu não tenho dúvida disso.
Existe uma bolha de investimento em IA?
A pergunta é legítima — e eu não acho que tem resposta definitiva ainda.
O que posso dizer com mais segurança é que existe uma bolha de expectativa em alguns segmentos. Empresas que investiram em projetos de IA generativa pra criar conteúdo em escala, por exemplo, já estão revisando o valor real disso frente ao custo de revisão humana necessária pra garantir qualidade. Não é que a tecnologia falhou. É que a expectativa foi calibrada de forma errada.
Por outro lado, os casos de uso mais “chatos” — previsão de demanda, detecção de fraude, manutenção preditiva em indústria — continuam entregando resultado consistente porque o problema estava bem definido antes do projeto começar. Esses segmentos não sofrem da síndrome do hype.
O dinheiro continua entrando. Mas começa a ficar mais seletivo — e isso, na minha leitura, é saudável.
Qual é o erro mais caro que as empresas cometem ao entrar nesse mercado?
Comprar tecnologia antes de entender o processo.
Parece óbvio quando escrito assim. Mas eu já perdi a conta de quantas vezes vi empresas adquirindo plataformas sofisticadas de IA pra resolver um problema que um processo mais simples resolveria — ou que nem era um problema real, só uma percepção de que “precisavam de inovação”.
IA não transforma processo ruim em processo bom. Ela amplifica o que já existe. Se o processo de atendimento é confuso, um chatbot com IA vai escalar essa confusão de forma mais eficiente. Se os dados de estoque estão errados, o modelo preditivo vai prever errado mais rápido.
A pergunta que eu sempre faço antes de qualquer conversa sobre ferramentas é: qual decisão você quer tomar melhor, ou qual tarefa você quer fazer com menos esforço? Se a resposta vier clara, o caminho pra escolher a tecnologia certa fica muito mais simples.
E você — quando olha pro seu negócio hoje, consegue nomear com precisão qual é esse problema? Ou ainda está buscando a ferramenta antes de ter a resposta?