Como calcular o ROI de IA nas empresas

ROI (retorno sobre investimento) é a relação entre o que um projeto gera e o que ele custa. A fórmula é simples: ROI = (benefícios − custos) ÷ custos. O difícil, em projetos de inteligência artificial, é preencher os dois lados com números honestos.

Este texto mostra como levantar os custos, como medir os benefícios, como desenhar um piloto que produza evidência e o que as pesquisas disponíveis dizem sobre retorno, com as ressalvas de cada uma. Ele complementa o guia sobre como automatizar processos empresariais com IA, que trata de escolher e mapear o processo.

Por que a conta é difícil

Três razões fazem o ROI de IA escapar das contas habituais.

Primeiro, o custo é variável. Boa parte da IA generativa é cobrada por uso, e o uso cresce conforme o sistema dá certo.

Segundo, o benefício costuma aparecer como tempo, não como dinheiro. Uma equipe que responde e-mails mais rápido só gera ganho financeiro se o tempo liberado for usado em algo de valor ou se evitar uma contratação.

Terceiro, falta comparação. O guia de gestão de riscos de IA do NIST, o instituto de padrões dos Estados Unidos, aponta como desafio a falta de uma base de comparação com o desempenho humano em sistemas que ampliam ou substituem atividades de pessoas. O mesmo documento observa que métricas podem ser simplificadas demais ou manipuladas (NIST AI RMF 1.0, 2023).

O lado dos custos: o que entra na conta

Separe custos de implantação (uma vez) e custos recorrentes (todo mês).

Implantação

• Mapeamento do processo e definição de métricas.
• Integração com sistemas existentes (ERP, CRM, e-mail, bancos de dados).
• Preparação de dados e de documentos de referência.
• Testes, avaliação de qualidade e piloto.
• Análise jurídica e de proteção de dados, incluindo relatório de impacto quando houver alto risco a dados pessoais.
• Treinamento das equipes e mudança de procedimentos.

Recorrentes

• Licenças de ferramentas por usuário.
• Consumo de API, normalmente cobrado por token, a unidade de texto que o modelo processa (veja tokens em modelos de IA).
• Infraestrutura, armazenamento e monitoramento.
• Tempo de revisão humana sobre o que a IA produz.
• Manutenção: ajustes de instruções, troca de versão de modelo, correção de integrações.
• Governança: auditorias, atualização de documentação, tratamento de incidentes.

O custo por token tem detalhes que mudam a conta. Na tabela de preços da Anthropic consultada em 08/10/2026, por exemplo, o preço é dado por milhão de tokens, tokens de saída custam mais que os de entrada, o processamento em lote tem 50% de desconto e a reutilização de trechos repetidos do pedido (prompt caching) sai por uma fração do preço normal. A mesma página informa que a definição de ferramentas adiciona tokens a cada chamada e que os modelos com o tokenizador mais novo produzem cerca de 30% mais tokens que os anteriores para o mesmo texto (Anthropic, Pricing). Outros fornecedores têm regras próprias. A lição geral: meça o consumo real no piloto em vez de estimar só pelo tamanho do texto.

O custo também pode crescer de forma descontrolada. A OWASP, comunidade de referência em segurança de software, lista o consumo sem limites entre os riscos de aplicações com LLMs: uso excessivo, acidental ou malicioso, que explora a cobrança por uso e gera prejuízo financeiro. As defesas recomendadas incluem cotas, limites de requisição e monitoramento (OWASP LLM10:2025). Na pesquisa da McKinsey publicada em agosto de 2026, cerca de um em cada cinco respondentes disse que custos operacionais de IA, incluindo tokens, limitaram o uso na organização (McKinsey, The state of AI in 2026).

Por fim, há custos não monetários. O NIST recomenda examinar e documentar tanto os benefícios esperados quanto os custos potenciais, inclusive os não monetários, que resultam de erros do sistema. Também recomenda considerar alternativas sem IA. Às vezes uma regra simples ou uma integração resolve o mesmo problema por menos.

O lado dos benefícios: o que medir

Benefícios de IA costumam cair em quatro grupos:

• Tempo: minutos por caso, horas por semana, prazo até a conclusão.
• Qualidade: taxa de erro, retrabalho, reclamações, devoluções.
• Capacidade: volume atendido com a mesma equipe, fila zerada, horário estendido.
• Receita: conversão, valor médio, retenção de clientes.

Cada métrica precisa de uma linha de base: o valor medido antes da mudança, no mesmo processo, com o mesmo método. Sem ela, qualquer número de “ganho” é chute.

Cuidado com a diferença entre ganho individual e ganho para a empresa. Na mesma pesquisa da McKinsey, 80% dos respondentes disseram que a IA melhorou sua produtividade individual. Só 37% atribuíram à IA algum impacto no EBIT, o lucro operacional antes de juros e impostos. Um estudo com dados administrativos da Dinamarca encontrou adoção rápida de chatbots e trabalhadores relatando ganhos de produtividade. Mas os efeitos medidos em salários e horas registradas foram nulos e precisos: os autores descartam efeitos maiores que 2% dois anos após o lançamento do ChatGPT (Humlum e Vestergaard, NBER, revisão de março de 2026). Ou seja, sentir-se mais produtivo e gerar resultado mensurável são coisas diferentes.

Para métricas de produtividade em equipes de desenvolvimento, veja como medir produtividade com IA.

Um exemplo de cálculo

Exemplo hipotético da redação, com números inventados apenas para ilustrar o método.

Uma empresa recebe 4.000 e-mails de clientes por mês. Hoje, cada um leva 6 minutos para ser lido, classificado e encaminhado: 400 horas por mês. Com custo-hora de R$ 60 (salário e encargos), o processo custa R$ 24.000 por mês.

Com a automação, a IA classifica e encaminha 70% dos e-mails, e uma pessoa confere cada um em 1 minuto. Os outros 30% continuam manuais, com 6 minutos. O tempo cai para 2.800 + 7.200 = 10.000 minutos, cerca de 167 horas, ou R$ 10.000 por mês. Economia bruta: R$ 14.000 por mês.

Item	Valor hipotético
Implantação (mapeamento, integração, piloto, treinamento, análise jurídica)	R$ 90.000, uma vez
Tokens de API	R$ 200 por mês
Licenças e infraestrutura	R$ 1.500 por mês
Monitoramento e manutenção (20 h × R$ 100)	R$ 2.000 por mês
Custo recorrente total	R$ 3.700 por mês

Em 12 meses, os benefícios somam R$ 168.000 e os custos, R$ 90.000 + R$ 44.400 = R$ 134.400. O ROI do primeiro ano fica em (168.000 − 134.400) ÷ 134.400, cerca de 25%. O payback, tempo para recuperar a implantação, fica em R$ 90.000 ÷ R$ 10.300 de ganho líquido mensal, perto de 9 meses.

Agora mude uma única premissa: em vez de 70%, a IA resolve 50% dos casos. A economia cai para R$ 10.000 por mês, o ganho líquido para R$ 6.300, e o ROI do primeiro ano fica negativo, em torno de −11%. O payback passa de 14 meses.

O exemplo mostra três coisas. A taxa de automação real pesa mais que o preço do token. A conta só fecha se as 233 horas liberadas viram algo de valor. E qualquer estimativa feita antes do piloto deve ser apresentada como faixa, não como número único.

Como desenhar um piloto que produza evidência

Um piloto é uma implantação limitada, feita para testar premissas antes de investir em escala. Para que ele responda à pergunta do ROI:

1. Defina a métrica principal e a linha de base antes de começar. Escolha uma ou duas, não dez.
2. Tenha um grupo de comparação. O ideal é que parte dos casos ou das equipes continue no processo antigo durante o mesmo período. Assim você separa o efeito da IA de variações de sazonalidade.
3. Meça custos reais. Registre o consumo de tokens, o tempo de revisão humana e as horas de manutenção, não só a licença.
4. Conte os erros. Meça quantos resultados errados escaparam e quanto cada um custou para corrigir. Veja como avaliar respostas de IA.
5. Defina antes o critério de parada. Por exemplo: “se a taxa de automação ficar abaixo de X% ou o erro acima de Y%, não ampliamos”.

O estudo de Brynjolfsson, Li e Raymond é um bom modelo de desenho. Eles aproveitaram a liberação escalonada de um assistente de IA para mais de 5 mil atendentes e compararam quem tinha acesso com quem ainda não tinha. O resultado médio foi cerca de 15% mais chamados resolvidos por hora, com ganhos maiores para os menos experientes (Brynjolfsson, Li e Raymond, versão revisada de 2024). O valor é específico daquele contexto. O método, de comparar grupos ao longo do tempo, serve para qualquer empresa.

O que as pesquisas dizem sobre retorno

Há muitos números circulando sobre retorno de IA. A maioria vem de pesquisas com executivos, em que a própria empresa declara o resultado. São úteis para ver tendências, mas não equivalem a medições auditadas.

• McKinsey, agosto de 2026. Pesquisa online feita entre maio e junho de 2026 com 1.719 participantes de 97 países. Quase nove em cada dez relatam uso regular de IA em pelo menos uma função. Os 37% que atribuem algum impacto no EBIT à IA são praticamente a mesma fatia de 2025. O grupo de “alto desempenho”, que atribui à IA pelo menos 5% do EBIT, segue em cerca de 6%. Esse grupo tem duas vezes mais chance de ter processos definidos para medir o impacto das iniciativas (McKinsey, The state of AI in 2026).
• BCG, setembro de 2025. Pesquisa com 1.250 executivos que tomam decisões sobre IA. Segundo o relatório, 5% das empresas obtêm valor de IA em escala e 60% não obtêm valor material, com ganhos mínimos de receita e custo apesar de investimento substancial. O próprio relatório informa que os dados são autodeclarados, que muitos números refletem impacto esperado e não realizado e que as respostas podem ter viés de percepção. Entre os desafios citados pelos respondentes aparece a falta de métricas claras e de medição de ROI (BCG, The Widening AI Value Gap).
• Stanford AI Index 2026. O capítulo de economia registra adoção organizacional de 88% em 2025 e uso de agentes de IA ainda “na casa de um dígito” em quase todas as funções. Também resume estudos com ganhos de produtividade de 14% a 15% no suporte ao cliente, menores em tarefas que exigem raciocínio mais profundo (AI Index 2026, Economia).

O quadro geral, na leitura da redação, é consistente: a adoção é ampla, ganhos em tarefas específicas aparecem em estudos controlados, e a tradução disso em lucro da empresa é rara e difícil de atribuir. Os números de pesquisas não substituem a medição no seu próprio processo. Para as causas documentadas de projetos que não entregam, veja por que projetos de IA falham.

Armadilhas comuns

• Contar só a licença. Integração, revisão humana e manutenção costumam pesar mais.
• Somar horas como se fossem dinheiro. Hora liberada sem destino não aparece no resultado.
• Medir sem linha de base, ou com a linha de base de outro período ou outra equipe.
• Ignorar o custo do erro, inclusive retrabalho, reclamação e risco jurídico.
• Extrapolar o piloto. Os casos do piloto costumam ser os mais fáceis; o volume real traz mais exceções.
• Usar a média do mercado como meta. Um número de pesquisa não diz nada sobre o seu processo.

O que levar deste texto

• Some todos os custos, de implantação e recorrentes, incluindo tokens, revisão humana, manutenção e governança, e limite o consumo para evitar surpresas.
• Meça a linha de base antes de mudar e trate hora economizada como dinheiro só quando ela for realocada ou evitar gasto.
• Faça um piloto com grupo de comparação, critério de parada e contagem de erros, e apresente estimativas como faixas.
• Leia pesquisas de retorno como dados declarados e datados: até 2026, mostram adoção ampla e impacto no lucro ainda concentrado em poucas empresas.