Gestão de tecnologia

Antes da implementação, a análise

Por que tantos projetos de IA não fecham a conta e como elaborar uma análise de viabilidade que conecte custo, benefício e risco antes da decisão de investir.

Diocélio Dornela Goulart  ·  Junho de 2026

O risco, na leitura de Peter Bernstein, deixou de ser tratado como vontade dos deuses quando as pessoas passaram a medi-lo e a enfrentá-lo. Ele chamou esse gesto de “domínio do risco”. A partir de Peter L. Bernstein, Against the Gods: The Remarkable Story of Risk (1996)

Empresas adotam tecnologia com entusiasmo e medem o retorno com timidez. O domínio do risco que Bernstein descreve depende de um gesto simples e pouco praticado: calcular antes de decidir. Em projetos de inteligência artificial, esse cálculo costuma faltar.

O entusiasmo sem análise

Os números expõem o custo dessa lacuna. O relatório The GenAI Divide: State of AI in Business 2025, do Project NANDA, do MIT, analisou 300 implementações públicas, 150 entrevistas com lideranças e 350 respostas de funcionários, e concluiu que 95% das iniciativas corporativas de IA generativa não geraram impacto mensurável no resultado financeiro (MIT NANDA, 2025). A consultoria Gartner havia projetado que, até o fim de 2025, ao menos 30% dos projetos de IA generativa seriam abandonados após a prova de conceito (Gartner, 2024). O estudo com CEOs da IBM, envolvendo dois mil executivos em 33 países, registrou que apenas uma em cada quatro iniciativas de IA alcançou o retorno esperado (IBM Institute for Business Value, 2025). Esses três levantamentos são relatórios setoriais, ainda sem revisão por pares; a convergência entre fontes independentes sustenta o diagnóstico: a tecnologia avança, a conta raramente fecha.

A dificuldade de estabelecer o retorno antes da implementação tem um nome antigo. Brynjolfsson (1993) descreveu o paradoxo da produtividade: os investimentos em tecnologia da informação cresciam sem aparecer nas estatísticas de produtividade. Trabalho posterior dos mesmos autores mostrou que parte do atraso decorre do tempo necessário para construir os ativos intangíveis complementares (processos, dados, competências) antes que o retorno surja, no padrão que chamaram de curva J da produtividade (Brynjolfsson, Rock & Syverson, 2021). A implicação para o laudo é direta: em IA, o benefício costuma vir depois do custo, e a análise precisa considerar essa defasagem.

Um “sim” que sai caro

Uma empresa financeira participante do programa PAEX da FDC recebeu de um fornecedor a proposta de um agente de IA como serviço (agent-as-a-service) para conduzir a cobrança em vários canais, em operação contínua, em substituição à equipe humana. O contrato previa um custo de implantação e uma mensalidade. A estimativa do fornecedor era ambiciosa: um único agente substituiria cinco atendentes.

O cálculo inicial parecia direto. A economia de cinco postos chegava a US$ 60 mil por ano, e esse seria o benefício, somado a ganhos de infraestrutura. A análise inicial, porém, omitia o custo recorrente do serviço. Ao subtrair a licença de US$ 55 mil por ano, a economia de US$ 60 mil encolhia para US$ 5 mil. Com o setup inicial diluído no horizonte e o dinheiro valorizado a valor presente, o que parecia lucro virou prejuízo. Um erro de cálculo inverteu o veredito.

O custo que não aparece na fatura

Quanto custa, de fato, a solução? A fatura do fornecedor responde apenas em parte. O Custo Total de Propriedade (TCO) soma aquisição, implementação, treinamento, manutenção e descarte ao longo do ciclo de vida do ativo (Ellram, 1995). No caso do agente, o item omitido com mais frequência foi o custo interno: as horas de gerentes e analistas dedicadas à integração, ao monitoramento e à curadoria das respostas. Esse tempo tem preço e quase nunca entra na planilha.

A distinção entre CAPEX e OPEX importa pela forma como cada um pesa no caixa. O CAPEX é o desembolso de implantação, registrado apenas uma vez. O OPEX é a mensalidade que retorna todo mês e consome o benefício, como mostrou a subtração esquecida. Uma análise que confunde os dois superestima o retorno.

Benefícios são teses, não promessas

E o retorno? Um projeto apresentado apenas com custos é, por construção, inviável. O analista precisa nomear e, sempre que possível, monetizar cada benefício. Os tangíveis são diretos: a folha economizada, a infraestrutura liberada. Os intangíveis exigem tradução para a linguagem do caixa.

Três exemplos mostram a tradução. Em setor regulado, a conformidade com a norma (a ANEEL, por exemplo) vale o que valem as multas evitadas. A satisfação do cliente mede-se pela queda do churn: se a evasão recua de 10% para 7%, a receita retida desses clientes entra no fluxo. Uma decisão de compra mais bem informada evita estoques incorretos e a economia correspondente constitui um benefício. Cada um desses ganhos é uma tese: o analista a propõe no laudo, e a operação a mede depois.

As métricas e o veredito

Com custos e benefícios em mãos, entram as métricas. Um valor recebido amanhã vale menos do que o mesmo valor hoje; a taxa de desconto, em geral, o Custo Médio Ponderado de Capital (WACC), traduz essa diferença e incorpora o risco do projeto. O Valor Presente Líquido (VPL) traz os fluxos futuros para o presente, e um VPL positivo sinaliza viabilidade. A Taxa Interna de Retorno (TIR) precisa superar a taxa de desconto. O payback, nominal e descontado, mede o tempo de recuperação; em tecnologia, costuma-se considerar um prazo superior a três anos como de risco elevado.

No caso do agente, o VPL era negativo sob a premissa de 5 postos. A figura 2 mostra por quê. Com um setup de US$ 30 mil, licença de US$ 55 mil por ano, custo carregado de US$ 12 mil por posto e WACC de 15% ao longo de três anos, o ponto de equilíbrio fica em torno de 5,7 postos. A premissa do fornecedor 5 caía abaixo desse limiar e o projeto perdia dinheiro. Bastava o agente substituir um pouco mais para o sinal mudar. A sensibilidade do resultado a uma única premissa é o que se deve reter.

Quando a incerteza muda o método

O VPL pressupõe premissas firmes, e projetos de IA não as oferecem. A capacidade real de um agente substituir mais de cinco pessoas, ou de gerar receita marginal, é hipótese, não dado. Duas ferramentas ajudam a decidir mesmo assim.

A primeira é a análise de sensibilidade com árvores de decisão. Em vez de um único número, o analista define cenários (pessimista, provável, otimista) e, para cada um, a ação correspondente, decidida antes de o resultado aparecer. No caso, os cenários foram de 5, 12 e 20 postos substituídos. O que separa a árvore de decisão de um palpite é a regra fixada a priori: se o cenário pessimista se confirmar, faz-se uma coisa; se o otimista, outra.

A segunda ferramenta admite que, no fundo, o ROI é uma aposta. A Teoria das Opções Reais, cujo termo foi cunhado por Myers (1977) e desenvolvida por Dixit e Pindyck (1994) e por Trigeorgis (1996), trata o investimento incerto como a compra de uma opção. A empresa não desembolsa o valor total de imediato; investe um montante menor numa Prova de Conceito (PoC) para verificar se as premissas se sustentam. Se a PoC confirmar as hipóteses, a empresa exerce a opção e implementa a solução completa; se falhar, abandona o projeto, com perda limitada ao custo da própria PoC. A teoria ainda concede o direito de expandir, adiar, pausar ou contrair, conforme a incerteza se resolve.

Apresentar um investimento sob essa ótica muda a conversa com a alta gestão. Em lugar de defender uma certeza que não existe, o analista propõe uma aposta calibrada, com perda conhecida e ganho condicionado à validação.

O risco entra na conta

Nenhum projeto está livre de ameaças. O laudo identifica as principais, estima probabilidade e impacto, e propõe mitigação para as mais severas. A figura 4 apresenta seis riscos do projeto de um agente de IA. Os de maior severidade combinam alta probabilidade e alto impacto: a adoção pela operação, porque um sistema que a equipe não usa não gera retorno, e a obsolescência tecnológica, acelerada no campo da IA. O risco de segurança e de dados aparece com probabilidade menor e impacto alto, devido à exposição a sanções da Lei Geral de Proteção de Dados.

O contexto que cerca a decisão

A viabilidade não se decide no vácuo. Três frentes de contexto alteram as premissas do laudo.

A regulatória. O Brasil discute o marco legal da IA, o Projeto de Lei n. 2.338/2023, aprovado pelo Senado em dezembro de 2024 e em tramitação na Câmara dos Deputados, com votação final adiada para 2026. O texto adota uma classificação por nível de risco, inspirada no modelo europeu, e prevê sanções de até R$ 50 milhões. Para sistemas de alto risco, as exigências de transparência e explicabilidade afetam o custo e o prazo. A incerteza sobre o texto final é, ela mesma, um risco a precificar.

A geopolítica. Grandes fornecedores produzem um efeito de aprisionamento (lock-in), e a dependência de tecnologias estrangeiras expõe o projeto a restrições externas. A soberania digital deixou de ser um tema abstrato para o país. Arquiteturas de nuvem híbrida ou multicloud distribuem a infraestrutura e elevam a resiliência, a custo de maior complexidade.

A obsolescência. Em IA, o ciclo de renovação é curto e o retorno precisa se materializar antes que a solução envelheça. O argumento reforça a lógica das opções reais: comprometer pouco, validar rápido, escalar só depois. Do lado do financiamento, o empreendedor brasileiro dispõe de capital próprio, fundos de investimento, fomento público (FINEP, CNPq) e incentivos como a Lei do Bem. A escolha da fonte influencia o custo de capital e, com ele, a taxa de desconto do VPL.

Do cálculo até a análise de viabilidade

O produto final não é uma planilha; é um texto. A análise de viabilidade é um documento dissertativo, coeso e persuasivo, que conduz a gestão da premissa à recomendação. Uma boa análise mede-se menos pela precisão decimal e mais pela coerência do argumento, porque nem todo gestor que assina a decisão vem da área financeira.

Um segundo caso ilustra a aplicação. Uma rede de drogarias avaliou o self-checkout, com cálculo de TCO e ROI, considerando a redução de postos por loja e os ganhos associados. O Lean Canvas (Maurya, 2012), derivado do Business Model Canvas (Osterwalder & Pigneur, 2010), ajudou a estruturar o projeto como Produto Mínimo Viável, ao explicitar o problema, a proposta de valor e as métricas de acompanhamento. O caso foi construído em sala de aula; a rede analisada depois adotou a tecnologia, o que deu sustentação prática à análise prospectiva.

A IA participa da elaboração de uma análise de viabilidade como assistente, não como autora. Ela enriquece a análise, refina o texto e levanta hipóteses; a coerência, a validação e a defesa da tese permanecem com a pessoa. O princípio repete o que rege outras ferramentas de apoio à decisão: a IA sugere, a pessoa decide.

O que fazer na prática

1. Separe CAPEX de OPEX e subtraia o componente recorrente. O benefício relevante é líquido da mensalidade, não bruto.
2. Inclua o custo interno no TCO. Some as horas de equipe dedicadas à implantação e à operação.
3. Modele a sensibilidade antes de decidir. Identifique a premissa que mais move o VPL e teste-a em cenários.
4. Compre a opção antes do ativo. Use uma PoC para validar as hipóteses e limitar a perda ao custo dela.
5. Traduza cada intangível em métrica. Sem número, o ganho não entra no fluxo de caixa.
6. Escreva o laudo como argumento, não como uma planilha. A coerência é o que sustenta a decisão.

Antes do próximo “sim”

Os 95% de projetos sem retorno mensurável (MIT NANDA, 2025) não condenam a tecnologia; expõem a etapa que se costuma pular. A análise de viabilidade é essa etapa. Ela não promete eliminar a incerteza; promete torná-la explícita, precificada e definível. Antes de aprovar o próximo projeto de IA, pergunte se o benefício foi calculado líquido do custo recorrente, se a premissa crítica passou por uma PoC e se cada risco tem um dono. Quando a resposta a alguma delas for “não”, o problema não está na tecnologia. Está na conta e na análise de viabilidade.

Nota metodológica: os percentuais de falha e de retorno de projetos de IA provêm de relatórios setoriais (MIT NANDA, Gartner, IBM), ainda não submetidos a revisão por pares. Os valores monetários do caso do agente de IA são ilustrativos, definidos para fins didáticos. Referências verificadas em fontes independentes em junho de 2026.