A pesquisa global da McKinsey sobre IA, com quase 2 mil respondentes em 105 países no meio de 2025, trouxe dois números que não deveriam conviver tão perto um do outro. O primeiro é 88%: a fatia de empresas que já usa IA em pelo menos uma área do negócio. O segundo é 39%: a fatia que consegue apontar qualquer impacto mensurável no resultado financeiro — e, dessas, a maioria fala em menos de 5% de contribuição.
O Boston Consulting Group chegou a um retrato parecido pelo lado do valor: no relatório "The Widening AI Value Gap", de outubro de 2025, a consultoria constatou que 60% das empresas seguem colhendo pouco ou nenhum valor material dos seus investimentos em IA — mesmo com adoção em alta. E a Gartner, em junho de 2025, foi além: projetou que mais de 40% dos projetos de agentes de IA serão cancelados até o fim de 2027, citando três causas específicas — custo crescente, valor de negócio pouco claro e controles de risco insuficientes.
O padrão nos três estudos é o mesmo: a empresa sabe que está usando IA, mas não sabe dizer, com um número, o que essa IA está trazendo de volta. E sem esse número, qualquer decisão de expandir, cortar ou continuar um projeto de IA é feita no escuro.
Para empresas brasileiras e latino-americanas, entrando nessa etapa de adoção agora, a vantagem é poder pular o erro mais caro: em vez de comprar a ferramenta e só depois se perguntar como medir, é possível decidir a métrica antes de ligar o primeiro projeto — e economizar um ano inteiro de relatório de licença sem relatório de resultado.
O problema é a unidade de medida
Quando uma empresa mede sua adoção de IA, o número mais fácil de obter é o de licenças ou contas ativas: quantas pessoas têm acesso, quantas fizeram login na última semana. É um dado real, e explica por que o índice de adoção da McKinsey sobe todo ano.
Só que licença não é a unidade que produz resultado. Resultado vem de tarefa: uma cobrança respondida mais rápido, um relatório que levava um dia e passou a levar uma hora, um roteiro de atendimento que parou de gerar retrabalho. Medir "quantas pessoas têm acesso" é medir o insumo. Medir "quanto tempo essa tarefa levava antes e quanto leva agora" é medir o efeito — e é esse segundo número que falta em 61% das empresas da pesquisa da McKinsey.
O relatório da BCG aponta para a mesma lacuna por outro ângulo: empresas que não definem, desde o início, um indicador financeiro claro para cada iniciativa de IA tendem a ficar no grupo que não consegue provar valor depois. Não é que o valor não exista — é que ninguém definiu, no dia 1, o que contaria como prova dele.
Essa confusão entre insumo e efeito também explica por que times diferentes, na mesma empresa, chegam a conclusões opostas sobre a mesma ferramenta. Quem mede adoção diz que "está indo bem"; quem mede orçamento diz que "não vemos retorno". Os dois têm razão, porque estão medindo coisas diferentes — e nenhuma das duas é a pergunta que o resultado do negócio precisa responder.
Por que o piloto sem métrica falha
A projeção da Gartner ajuda a entender o que acontece com esse vácuo de medição ao longo do tempo. Um projeto de IA nasce como experimento, sem linha de base definida. Meses depois, alguém pergunta se valeu a pena, e a resposta depende de opinião — "as pessoas parecem gostar", "ouvi dizer que ajuda" — porque não existe comparação antes/depois nem custo associado à tarefa.
Sem esse número, o projeto vira alvo fácil no próximo corte de orçamento: ninguém consegue defendê-lo com dado, e a decisão de cancelar é tão arbitrária quanto foi a decisão de começar. É exatamente o roteiro que a Gartner descreve — custo que sobe, valor que ninguém consegue apontar, controle que não foi desenhado desde o início.
Há ainda um terceiro efeito, menos falado: quando o projeto morre sem métrica, a empresa também perde o aprendizado sobre por que ele não funcionou. Sem linha de base, é impossível saber se o problema foi a tarefa escolhida, a falta de acesso à informação certa ou simplesmente a ausência de alguém responsável por acompanhar o resultado. O próximo piloto começa do zero, sujeito a repetir o mesmo erro.
O que precisa existir na prática
Medir o primeiro ano de IA de forma que resista à pergunta "isso valeu a pena" exige alguns mecanismos simples, decididos antes do projeto começar — não um relatório reconstruído depois, sob pressão.
Uma tarefa concreta com número de antes. Antes de ligar qualquer projeto, registre quanto tempo, quantas etapas ou quanto custo aquela tarefa consumia sem IA. Sem essa linha de base, "melhorou" é opinião, não medição.
Custo transparente por conversa. Em vez de uma fatura mensal única, o gasto associado a cada conversa ou tarefa, visível por área. É o que permite responder, sem estimativa, quanto custou automatizar aquele processo específico.
Créditos de IA compartilhados pela equipe. No modelo de licença individual, sobra capacidade paga e não usada em um time e falta no time ao lado. Um orçamento comum, com consumo visível por área, resolve os dois lados ao mesmo tempo.
Reutilização com permissões, não com planilha perdida. Quando um roteiro funciona, ele precisa poder ser disponibilizado para outras pessoas e grupos dentro do alcance permitido — e não morrer no histórico pessoal de quem o criou. Isso multiplica o resultado de uma tarefa medida por todo mundo que a repete.
Registro de quem aprovou o quê. Quando uma resposta gerada por IA precisa de correção, é essa trilha que mostra se o problema é na instrução, na informação usada ou na tarefa em si — o dado que separa "IA não funciona" de "faltou ajustar uma etapa".
É assim que a Skyller foi desenhada: custo por conversa, créditos compartilhados pela equipe e reutilização com permissão como parte do ambiente, não como planilha paralela que alguém mantém por fora.
O que a métrica muda
Com uma linha de base e um custo visível por tarefa, a conversa sobre IA para de ser sobre sentimento e passa a ser sobre retorno. É possível comparar duas áreas que adotaram IA de formas diferentes e dizer qual abordagem custou menos por resultado entregue — o tipo de comparação que hoje quase nenhuma empresa dos estudos citados consegue fazer.
Isso também muda a defesa de orçamento. Um projeto com número de antes e depois sobrevive a um corte de custos porque tem como se justificar; um projeto sem número é cortado pela mesma razão arbitrária que o aprovou. E quando o roteiro que funcionou pode ser reutilizado por outras pessoas com permissão, o retorno de uma tarefa bem medida deixa de ficar limitado a quem a mediu primeiro.
Há também um ganho na hora de decidir onde investir a seguir. Com custo por tarefa em duas ou três áreas diferentes, fica visível qual tipo de processo responde melhor a IA na própria empresa — em vez de decidir a próxima área por impressão ou por quem pediu com mais insistência.
Um roteiro para o primeiro ano
Antes de expandir qualquer projeto de IA para uma segunda área, estes passos evitam virar mais uma estatística de cancelamento:
- Escolha um processo real, não um piloto genérico. Um processo que já existe, com dono e frequência conhecida, é mais fácil de medir do que uma iniciativa criada só para "testar IA".
- Registre o número de antes no primeiro dia. Tempo, custo ou etapas — qualquer um serve, desde que exista antes de ligar o projeto.
- Defina acesso e aprovação antes de começar, não depois de um incidente. Corrigir governança depois que algo deu errado custa mais caro do que desenhar antes.
- Acompanhe custo por tarefa, não gasto total do mês. Uma fatura única esconde exatamente a comparação que a empresa precisa fazer.
- Revise reaproveitamento a cada trimestre. Um roteiro bom que ninguém mais usa é resultado perdido, não resultado provado.
