IA gera produtividade, mas poucas empresas veem impacto no lucro: o que falta para virar resultado?

A inteligência artificial já deixou de ser experimento para virar rotina em grande parte das empresas. No mais recente estudo global da McKinsey sobre o estado da IA, 89% dos respondentes afirmam usar IA com regularidade em pelo menos uma função de negócio, e 44% dizem que a tecnologia já está escalada em toda a organização.

Ao mesmo tempo, os números mostram um cenário paradoxal: 80% dos usuários relatam que a IA aumentou sua produtividade individual, e 50% dizem que a tecnologia os ajuda a tomar decisões melhores.

Porém, apenas 37% das empresas atribuem algum impacto positivo da IA ao EBIT (lucro operacional), percentual praticamente inalterado em relação a 2025.

E só 6% das organizações são consideradas “high performers” em IA: aquelas que atribuem 5% ou mais do EBIT à tecnologia e avaliam o impacto como significativo. Em outras palavras: as pessoas estão mais produtivas, mas o resultado financeiro ainda não acompanhou na mesma velocidade.

Onde está o gargalo?

O relatório da McKinsey aponta que as organizações que realmente capturam valor da IA compartilham características específicas:

• Redesenham processos, não apenas inserem IA em fluxos existentes. Quase três quartos dos “high performers” dizem ter redesenhado workflows por causa da IA, ante apenas um quarto das demais empresas.

• Usam IA para crescimento e inovação, não só para eficiência. Enquanto cerca de 80% de todos os respondentes buscam ganhos de eficiência, a maioria dos high performers também usa IA para perseguir crescimento e/ou inovação.

• Têm liderança comprometida e governança clara. High performers são duas vezes mais propensos a dizer que seus líderes demonstram compromisso com iniciativas de IA e que a empresa possui processos definidos para medir o impacto dessas iniciativas.

• Escalam agentes e ferramentas avançadas. Eles são mais de três vezes mais propensos a escalar agentes de IA na maioria das funções e duas vezes mais propensos a escalar agentes de codificação de software.

Para a maioria das empresas, o desafio não é mais “provar que IA funciona”, mas sim conectar casos de uso a métricas de negócio, integrar dados de forma consistente e garantir observabilidade e governança em escala.

O papel da Observabilidade e da AIOps

É aqui que plataformas de observabilidade e AIOps entram como habilitadoras estratégicas:

• Visibilidade de ponta a ponta. Monitorar performance, custos e comportamento de modelos, APIs e workloads de IA em ambientes híbridos e multicloud.

• Detecção de anomalias e desvios. Identificar rapidamente quando um modelo começa a degradar, gerar custos inesperados ou produzir resultados fora do esperado.

• Correlação com KPIs de negócio. Ligar eventos técnicos (latência, erro, custo de token) a indicadores de receita, custo e experiência do cliente, permitindo priorizar o que realmente gera valor.

• Governança e segurança. Rastrear uso de dados, ações de agentes e potenciais vulnerabilidades técnicas, reduzindo riscos de conformidade e operacionais.

Perguntas para CIOs e CTOs

Para avaliar se seus projetos de IA estão de fato conectados a resultado, alguns questionamentos podem ajudar:

• Quais casos de uso de IA estão diretamente ligados a KPIs de receita, custo ou risco?

• Quantos pilotos de IA existem hoje e quantos estão em produção com impacto mensurável?

• Como você mede o custo total de IA (infraestrutura, tokens, integração, operação) versus o benefício gerado?

• Seus times de dados, desenvolvimento e operações têm observabilidade unificada sobre os workloads de IA?

• Que processos foram redesenhados por causa da IA, e não apenas “automatizados” com IA?

A lição central do estudo da McKinsey é clara: a IA já entregou produtividade; o próximo passo é transformar essa eficiência em resultado financeiro, por meio de redesign de processos, governança robusta e observabilidade de ponta a ponta.

Fonte: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai