Modelagem corporativa de negócios em IA: por que pilotos não viram portfólio?

Usar IA ficou fácil. Transformar o uso em valor repetível continua difícil, e a distância entre as duas coisas tem número: segundo um estudo da AWS citado pela StartSe em setembro de 2025, 53% das startups brasileiras já usam IA, mas só 31% criam produtos ou serviços com ela. Nas empresas grandes o problema é o mesmo, só que custa mais caro.

A modelagem corporativa de negócios em IA existe para fechar essa distância. Estimar o retorno é só parte do trabalho. O mais valioso é um jeito organizado de decidir, que junta estratégia, o conjunto de projetos, custos, o que a equipe sabe fazer e as regras de controle.

Por que somar pilotos não forma um portfólio?

O erro mais comum é tratar a IA como mais uma camada de software. No software tradicional, a relação entre desenvolvimento, operação e receita é previsível. Na IA, não. Cada consulta tem um custo de processamento (inferência). Tudo depende da qualidade dos dados. É preciso avaliar o sistema o tempo todo, porque o modelo piora com o tempo (deriva, ou drift). Há ainda revisão humana e exigências regulatórias.

Por isso um sistema tecnicamente impressionante pode fracassar como negócio. Basta que custe caro demais para manter, que a empresa não saiba operá-lo com segurança ou que ele não deixe nada reutilizável para o próximo caso.

O sintoma aparece cedo. A agenda de IA vira uma lista: um copiloto interno aqui, automação documental ali, um motor de recomendação acolá. Cada frente parece válida sozinha. Juntas, produzem esforço duplicado, pouco reuso, custos inflados e governança fragmentada.

Pensar no conjunto muda a pergunta. Em vez de "o caso funciona?", a empresa pergunta que tipo de valor ele gera, em quanto tempo e o que deixa de reaproveitável para os próximos. Três grupos aparecem:

• Eficiência e automação. Classificação, roteamento, sumarização, atendimento, tarefas repetitivas. O retorno é o mais rápido e o mais visível, o que dá credibilidade interna à agenda.
• Experiência e aumento de capacidade. Assistentes, copilotos, recomendações que mudam conforme o usuário, apoio ao dia a dia de trabalho. O valor demora mais, mas é mais profundo: menos atrito, mais produtividade e equipes que seguem melhor o processo.
• Apostas estratégicas. Novas receitas nativas de IA, modelos de domínio, plataformas reutilizáveis, ativos próprios de dados. Não se medem pelo ganho operacional direto, porque o papel delas é criar diferenciação futura.

Exigir de uma aposta estratégica o retorno de curto prazo de uma automação simples é um erro. Chamar tudo de "estratégico" para escapar da disciplina econômica também é. O mapa de portfólio existe para evitar os dois extremos.

A disciplina ficou mais urgente quando o dinheiro encareceu. Segundo a Distrito, citada pela NeoFeed em abril de 2023, o investimento de venture capital em startups brasileiras caiu 86% no primeiro trimestre daquele ano, para US$ 247 milhões. Na mesma reportagem, a Omie, que havia levantado R$ 580 milhões numa rodada liderada pelo SoftBank, mirava parar de queimar caixa até junho de 2023. Quando o capital fica caro, piloto sem critério de saída é só despesa.

Uma regra de partida para o orçamento: uma empresa com R$ 10 milhões anuais para IA poderia reservar cerca de 60% para eficiência, 30% para experiência e 10% para apostas estratégicas. A proporção muda de empresa para empresa. O que não muda é cada grupo ter seu próprio prazo e seu próprio KPI.

A IA só amplia uma vantagem que já existe

"Onde podemos aplicar IA?" parece uma pergunta prática. Na maioria das vezes gera uma lista longa e pouco estratégica. A pergunta útil é outra: onde a IA amplia uma vantagem que o concorrente não copia com facilidade? Com ela, a lista encolhe para poucos casos.

A vantagem de partida define o tipo de aposta:

• Dados próprios difíceis de replicar: transformá-los em previsão, personalização ou decisão superior.
• Excelência operacional: tornar essa excelência escalável, com menos erros, tempos e gargalos.
• Conhecimento de domínio: ferramentas que capturam e ampliam essa expertise.
• Experiência do cliente: reduzir atrito e melhorar a resolução de forma mensurável.

Imagine uma rede regional de farmácias com dez anos de histórico de vendas e duas propostas na mesa: um chatbot genérico para o site e um modelo de previsão de demanda por loja treinado com os próprios dados. O chatbot sai mais rápido, mas qualquer concorrente compra o mesmo. A previsão demora mais, e cada ponto de erro que ela corta vira estoque parado que ninguém mais economiza por ela. A primeira proposta é viável. A segunda amplia uma vantagem.

Para escolher entre casos que parecem igualmente promissores, compare o risco, quando o valor aparece, quanto depende de dados, quão difícil é integrar e quanto dá para reaproveitar. Ferramentas de modelagem de cenários ajudam justamente porque obrigam a equipe a trocar entusiasmo por hipóteses que dá para comparar. A empresa deixa de olhar só se a tecnologia funciona e passa a perguntar se o caso faz sentido para a estratégia.

O ROI começa no custo de servir cada caso

O custo de servir (cost-to-serve) é o ponto mais negligenciado da modelagem. Enquanto ele não entra na conta, o cálculo de ROI fica incompleto. O piloto parece convincente porque as despesas relevantes ainda não apareceram. Quando o volume cresce, a realidade muda.

Na IA, o custo de servir vai além da infraestrutura visível. Inclui o processamento de cada consulta, a quantidade de texto enviada e gerada, a busca em documentos, o armazenamento desses documentos, o monitoramento, a avaliação, a segurança, o retreinamento e o trabalho humano de revisão e correção. A conta que interessa ao financeiro é quanto custa um resultado confiável. O preço do modelo é só uma parcela.

A fórmula que vale guardar:

• Custo por caso resolvido = inferência por caso + (taxa de escalonamento × custo do atendimento humano) + manutenção mensal / casos.
• Economia mensal = casos × custo manual por caso, menos casos × custo por caso resolvido.
• Ponto de equilíbrio = a taxa de escalonamento em que a economia chega a zero.

Um SAC no papel. Suponha um varejista que recebe 30.000 chamados por mês, muitos sobre pagamentos via Pix e parcelamento no cartão. Atender um chamado manualmente custa R$ 12. O assistente custa R$ 0,30 de inferência por chamado, escala 30% para um atendente e exige R$ 15.000 por mês de manutenção da base de conhecimento.

A conta: inferência, R$ 9.000. Atendimento humano, 9.000 chamados a R$ 12, R$ 108.000. Manutenção, R$ 15.000. Total, R$ 132.000 contra R$ 360.000 do atendimento manual. Economia de R$ 228.000 por mês.

Agora a virada. Se o escalonamento sobe para 60%, porque chegam casos mais complexos, o atendimento humano vai a R$ 216.000 e o total a R$ 240.000. A economia cai quase pela metade, para R$ 120.000. O ponto de equilíbrio deste exemplo fica perto de 93%, longe. Mas se cada chamado escalado custar mais que um manual, porque o atendente precisa desfazer a resposta automática, ele chega bem mais perto.

O teste inverso confirma quem manda na conta. Corte o preço da inferência pela metade: a economia melhora R$ 4.500. Reduza o escalonamento de 30% para 25%: ela melhora R$ 18.000, quatro vezes mais. A variável decisiva raramente é o preço do modelo. É a taxa de escalonamento.

Projetar essa curva antes do rollout, com cenários de volume baixo, médio e alto e uma taxa de escalonamento em cada um, revela variáveis que de outro modo só apareceriam no momento mais caro da adoção.

As duas premissas mais frágeis da conta são os 30% de escalonamento e a satisfação do cliente com a resposta automática. Ambas se medem nas primeiras semanas de produção, com amostras revisadas por pessoas, e é bom refazer a conta com esses números reais antes de ampliar o volume.

Um caso-limite merece atenção: chamados que envolvem dinheiro. Uma dúvida sobre prazo de entrega tolera uma resposta automática imperfeita. Uma contestação de Pix ou uma parcela cobrada em duplicidade, não. Separe essas categorias no cálculo. Se forem 10% do volume e exigirem sempre revisão humana, o escalonamento mínimo do sistema já começa em 10%, e o ganho realista fica abaixo do que a média sugere.

Quatro fontes de retorno, cada uma com seu KPI

ROI de IA não é uma narrativa ampla de eficiência. Uma iniciativa séria diz de onde o retorno virá:

1. Economia direta: menos horas manuais, menos fila, resolução mais rápida.
2. Produtividade: mais volume processado, fluxos mais rápidos, menos erros.
3. Benefício estratégico: menos risco de conformidade, mais retenção, mais venda cruzada.
4. Receita incremental: funções premium, produtos nativos de IA, mais valor capturado em ofertas existentes.

"Mais eficiência" não é métrica. "Melhor experiência" também não. A modelagem obriga a transformar cada promessa num indicador observável, ligado a um fluxo específico. Só assim a empresa separa valor real de percepção e descobre se o ganho paga o custo e o risco.

Validar isso pede mais que testes A/B tradicionais. São necessários testes com dados históricos, pilotos com grupo de controle, análise por tarefa e acompanhamento por meses. A IA não muda só um indicador. Muda padrões de trabalho, tempos e responsabilidades. Medição superficial leva a declarar vitória cedo demais.

Vale esperar poucas vitórias. Num portfólio medido com honestidade, boa parte dos pilotos não paga o próprio custo, e isso mostra que a régua funciona. Se o comitê recebe 10 pilotos e os 10 "deram certo", provavelmente está medindo adoção: uma medição de valor teria derrubado pelo menos alguns.

Métrica e trava. No exemplo do SAC, a métrica principal é o custo por caso resolvido. A trava é a taxa de reabertura: se os chamados fechados pela IA reabrem mais que os fechados por pessoas, a economia é fictícia. Uma regra razoável: suspender a expansão se a reabertura passar em mais de 2 pontos a do atendimento humano por 4 semanas seguidas.

Descobrir, sistematizar, escalar: nessa ordem

Experimentar IA é relativamente fácil. Transformar a empresa com IA exige uma rota. Sem ela, a organização acumula iniciativas bem-intencionadas que não se conectam.

Descoberta. A empresa identifica fluxos elegíveis, roda provas de valor, mapeia a qualidade dos dados e aprende onde a IA gera impacto. O foco é aprender rápido; escalar fica para depois. Um prazo razoável por hipótese é de 8 a 12 semanas, com critério de encerramento escrito antes: "se na semana 10 o escalonamento passar de 40%, o piloto fecha". Piloto sem critério nunca fracassa, e por isso nunca ensina.

Sistematização. A organização constrói uma base comum que permite repetir com menos custo: um registro central de modelos, testes de qualidade padronizados, peças reaproveitáveis, alertas quando um modelo piora, segurança e regras de controle. Sem essa fase, cada novo projeto se comporta como se fosse o primeiro.

Escala. Só aqui a IA entra em várias unidades de negócio, em fluxos mais críticos e, eventualmente, em produtos nativos de IA. Quem salta do piloto para a escala sem a base intermediária enfrenta custos excessivos, risco operacional e pouco reuso.

Um sinal simples de que a sistematização funciona: o terceiro caso de uso custa visivelmente menos que o primeiro. Se custa o mesmo, nada reutilizável foi construído. Por exemplo: se o primeiro caso consumiu R$ 800.000 entre dados, avaliação e integração, o terceiro deveria sair por algo perto da metade.

Critérios para avançar do piloto à operação em escala

A rota só protege contra a dispersão se cada passagem tiver um critério claro:

1. De Descoberta para Sistematização: avance quando um caso tiver valor comprovado em piloto controlado (não apenas adoção), qualidade de dados verificada e custo de servir por fluxo já estimado.
2. De Sistematização para Escala: avance quando existirem registro de modelos, um método de avaliação com limiares definidos, detecção automática de deriva, regras claras de revisão humana e pelo menos um caso com margem de contribuição positiva confirmada em produção.
3. Em Escala: expanda por unidade de negócio reutilizando a base comum e revise custo e governança antes de ampliar cada novo volume.

O critério 2 é o que mais se tenta pular, e o que mais encarece. A pressão por resultados empurra o caso para outras unidades antes de existir avaliação ou detecção de deriva. Cada unidade nova reconstrói a própria versão do pipeline, e o custo cresce junto com o número de implantações.

Três sintomas avisam que a rota quebrou:

• Cada equipe escolhe seu fornecedor de modelos. Em um ano há cinco contratos e nenhuma cifra de custo comparável.
• Nenhum piloto é cancelado. Se em 12 meses nada foi encerrado, o comitê não decide, acumula.
• Quem pede a expansão é o fornecedor. A ampliação chega com uma proposta comercial e sem nenhuma taxa de escalonamento medida.

E se a empresa tiver só dois casos? Uma empresa média com dois casos de uso não precisa de comitê, mapa nem fases. Para ela, o portfólio é burocracia que atrasa a primeira economia, e nesse ponto ela tem razão. Na prática, com menos de 3 iniciativas ativas, basta um business case por projeto com a fórmula acima. A partir da terceira, os custos compartilhados de dados, avaliação e segurança começam a se repetir, e o portfólio se paga.

Capacidades internas e governança decidem a escala

Tecnologia sozinha não cria maturidade. O que sustenta a escala é a combinação de capacidades internas.

Produto. Product managers precisam entender limitações dos modelos, qualidade de dados, economia de inferência, governança e experimentação. Sem isso, não traduzem problemas de negócio em decisões sustentáveis. O teste é simples: pergunte a um PM quanto custa servir sua funcionalidade por usuário e que taxa de erro o fluxo tolera. Se ele não sabe, a capacidade ainda não existe.

Engenharia e MLOps. O modelo precisa responder rápido mesmo com muito volume, ser monitorado, ter versões controladas, ser retreinado, avisar quando piora e trabalhar junto com outros modelos. Sem essa base, qualquer ganho técnico se perde em produção.

Dados e avaliação. Conjuntos de avaliação, taxonomias de erro, testes de viés e critérios de desempenho deixam de ser luxo e viram ativos centrais.

As empresas mais maduras institucionalizam o aprendizado com academias internas, guildas, laboratórios e bases de conhecimento. Isso reduz a dependência de poucas pessoas. Uma meta verificável: pelo menos dois PMs por unidade de negócio capazes de passar no teste acima antes de a unidade entrar na fase de escala.

Governança. Em muitas empresas, ela ainda é um apêndice de compliance. Em IA, isso não basta. As regras de controle mudam a conta econômica, a velocidade de expansão e a confiança. Documentar os modelos, cuidar dos dados, prever revisão humana, permitir auditoria, avaliar riscos, registrar cada decisão e controlar versões entram no projeto desde o início.

Os riscos também entram no modelo: alucinação, viés, deriva, uso malicioso, privacidade, residência de dados, volatilidade de custos e falhas de conformidade. Eles afetam preço, escopo de produto, desenho operacional e custos futuros.

No Brasil, há uma razão legal concreta. A LGPD, no artigo 20, dá ao titular o direito de pedir revisão de decisões tomadas apenas com base em tratamento automatizado, e a ANPD fiscaliza. Um modelo que aprova crédito, preço ou acesso sem trilha de auditoria cria um custo de revisão que precisa entrar na fórmula do custo de servir desde a primeira versão.

Uma organização que ignora isso parece mais ágil no curto prazo. Na prática, está empurrando custo e fragilidade para frente.

A ficha de uma página que barra o piloto sem futuro

Integrar estratégia, portfólio, finanças, governança e capacidades num só sistema parece abstrato. Na prática, cabe numa ficha. Antes de qualquer aprovação, cada iniciativa chega ao comitê com uma página que responde:

1. A que grupo do portfólio pertence e, portanto, por qual prazo e KPI será cobrada?
2. Que vantagem competitiva ela reforça?
3. Qual o custo de servir por caso em dois volumes, e com o dobro da taxa de escalonamento?
4. Quais riscos introduz, incluindo LGPD, e quem os monitora?
5. Em que fase da rota entra e qual critério precisa cumprir para avançar?

Quem não preenche a linha 2 fica de fora, por melhor que seja a demo. Quem não fecha a linha 3 volta para redesenho. As demais entram na fase indicada e só avançam quando cumprem o critério.

Com o tempo, a pilha de fichas vira o próprio mapa de portfólio, e cada caso novo herda avaliações, dados e infraestrutura dos anteriores. A disciplina tem custo: nos primeiros ciclos, a ficha barra iniciativas que o comitê gostaria de aprovar, e a pressão por exceções surge nas demos mais vistosas.

Cada exceção concedida deixa uma linha em branco no mapa, e é por ela que o custo de servir volta a surpreender.