O ROI da inteligência artificial: como calcular o impacto da IA no balanço da sua empresa

A fórmula é a parte fácil

O cálculo em si não tem mistério:

ROI = (ganho anual − custo anual total) ÷ custo anual total

O problema nunca é a fórmula. É que, em projetos de IA, as duas variáveis costumam ser preenchidas com otimismo: o ganho é estimado a partir do melhor caso, e o custo esquece metade das linhas. O resultado é um business case que aprova o projeto e depois não sobrevive ao primeiro trimestre de operação.

O que segue é o roteiro que usamos para chegar a um número que ainda faz sentido doze meses depois.

Passo 1: onde exatamente está o ganho

IA gera retorno por quatro caminhos, e só quatro. Vale escolher um antes de estimar qualquer coisa:

• Custo evitado — o trabalho que deixa de ser feito por pessoas. É o mais fácil de medir e o mais fácil de superestimar.
• Receita adicional — conversão maior, ticket maior, churn menor. Difícil de atribuir, mas é onde está o retorno grande.
• Velocidade — o mesmo trabalho feito em menos tempo. Só vira dinheiro se o gargalo removido era o gargalo real do negócio.
• Risco reduzido — menos erro, menos multa, menos retrabalho. Subestimado com frequência, principalmente em operações reguladas.

Um erro clássico é somar os quatro no mesmo caso de uso para engordar o número. Se o projeto precisa dos quatro caminhos somados para dar retorno, ele provavelmente não dá.

Regra prática: o caso de uso precisa se pagar por um único caminho. Os outros três são bônus, não premissa.

Passo 2: medir a linha de base antes de tocar em nada

Esta é a etapa que mais gente pula, e é a que determina se o cálculo tem valor. Antes de qualquer piloto:

1. Quantas vezes por mês essa tarefa acontece?
2. Quanto tempo ela leva, medido — não estimado por quem faz?
3. Qual o custo por hora carregado de quem executa (salário + encargos + benefícios ÷ horas úteis)?
4. Qual a taxa de erro atual, e quanto custa cada erro?

Sem esses quatro números, você não tem ROI: tem uma opinião com casas decimais. E há um detalhe: peça o tempo medido, não o lembrado. Pessoas subestimam sistematicamente o tempo gasto em tarefas fragmentadas — aquelas que consomem cinco minutos, quarenta vezes por dia.

Passo 3: o custo real (e os cinco que somem da conta)

O custo de um projeto de IA quase nunca é o que aparece na proposta. As linhas visíveis:

• Desenvolvimento e integração
• Custo de inferência (tokens, chamadas de API, GPU)
• Infraestrutura e observabilidade

E as cinco que somem da conta com espantosa regularidade:

1. Preparação de dado. Em projetos que dependem de dado interno, essa costuma ser a maior linha isolada — e a mais difícil de estimar antes de olhar o dado de verdade.

2. Revisão humana. Quase todo caso de uso sério mantém um humano no circuito, pelo menos no primeiro ano. Se o modelo acerta 92% e alguém precisa revisar 100% da saída para descobrir quais 8% estão errados, o ganho de tempo é bem menor do que a taxa de acerto sugere.

3. Manutenção de prompt e de modelo. Modelos mudam, fornecedores depreciam versões, o comportamento muda com elas. Orçamentar zero para isso é orçamentar uma surpresa.

4. Mudança de processo e adoção. Treinamento, documentação, o mês em que a produtividade cai porque todo mundo está aprendendo. Real, previsível, quase sempre ignorado.

5. Custo de erro em produção. Qual a exposição quando o sistema erra? Em atendimento, é um cliente irritado. Em precificação ou compliance, pode ser um número com muitos zeros. Isso entra como custo esperado, não como nota de rodapé.

A regra de bolso que temos visto se confirmar: o custo de inferência raramente passa de 20% do custo total no primeiro ano. Se a sua conta é dominada por preço de token, provavelmente faltam linhas nela.

Passo 4: ajustar por risco e por taxa de acerto

Duas correções que transformam um número bonito num número utilizável.

Correção por taxa de acerto. O ganho bruto precisa ser multiplicado pela fração de casos que o sistema resolve sozinho, de ponta a ponta, sem intervenção. Não pela acurácia do modelo — pela taxa de resolução autônoma. São coisas diferentes, e a segunda é sempre menor.

Correção por probabilidade de sucesso. Projetos de IA falham mais que projetos de software convencional, porque dependem da qualidade do dado, que só se conhece de verdade depois de começar. Aplicar um fator entre 0,6 e 0,8 sobre o ganho estimado no primeiro ano não é pessimismo; é o que a experiência mostra.

Passo 5: um exemplo numérico completo

Um caso concreto — triagem e classificação de e-mails recebidos numa operação de atendimento B2B.

Linha de base medida:

• 4.000 e-mails/mês precisam ser lidos, classificados e roteados
• 3,5 minutos por e-mail = 233 horas/mês
• Custo carregado do time: R$ 48/hora
• Custo atual: R$ 11.184/mês = R$ 134.208/ano

Projeção com IA:

• Taxa de resolução autônoma esperada: 70% (não 95% — 70%)
• 30% continuam manuais: 70 horas/mês = R$ 3.360/mês
• Revisão por amostragem dos 70% automáticos: 15 horas/mês = R$ 720/mês
• Custo operacional pós-projeto: R$ 4.080/mês = R$ 48.960/ano

Ganho bruto anual: R$ 134.208 − R$ 48.960 = R$ 85.248

Custo total ano 1:

Linha	Valor
Desenvolvimento e integração	R$ 60.000
Inferência (12 meses)	R$ 7.200
Infra e observabilidade	R$ 4.800
Preparação de dado	R$ 12.000
Adoção e mudança de processo	R$ 6.000
Total ano 1	R$ 90.000

ROI ano 1: (85.248 − 90.000) ÷ 90.000 = −5%

ROI ano 2 (sem o desenvolvimento, com manutenção de R$ 18.000): (85.248 − 18.000) ÷ 18.000 = +374%

Aplicando o fator de risco de 0,7 sobre o ganho do primeiro ano, o payback fica em torno de 15 a 16 meses.

Esse é o formato de resposta que sustenta uma decisão: não “a IA tem ROI de 300%”, mas “este caso de uso empata no ano 1, paga-se no mês 15, e a partir daí devolve algo entre R$ 60 mil e R$ 85 mil por ano — se a taxa de resolução autônoma ficar acima de 65%”.

E note o mais importante: o número que determina tudo é a taxa de resolução autônoma. Vale mais medir isso num piloto de três semanas do que refinar o resto da planilha por dois meses.

Sinais de que o ROI vai decepcionar

Depois de algumas rodadas desse cálculo, alguns padrões ficam evidentes:

• O ganho depende de “liberar tempo” sem dizer para quê. Tempo liberado só vira dinheiro se alguém for realocado, desligado ou passar a produzir receita. Caso contrário, é ganho de conforto — legítimo, mas não é ROI.
• O volume é baixo. Automatizar uma tarefa que acontece 30 vezes por mês raramente paga o custo de construir e manter. Volume é o principal multiplicador.
• O processo muda toda semana. Se as regras mudam constantemente, o custo de manutenção come o ganho.
• Ninguém consegue dizer qual erro é aceitável. Se a tolerância a erro não foi definida antes, ela será definida depois — pelo incidente.

Uma boa análise de ROI de IA não serve para aprovar o projeto. Serve para descobrir, antes de gastar, qual dos seus dez casos de uso candidatos merece ser o primeiro. Se quiser passar os seus por esse filtro, me chame para uma conversa — normalmente dá para eliminar metade em trinta minutos.