A DRE pode estar certa — e a decisão sobre IA ainda estar errada

Em maio, no Data & Analytics Summit da Gartner em Londres, Frances Karamouzis disse algo que, acredito, continuará relevante muito depois de boa parte do que se disse sobre IA este ano ter deixado de ser: "2026 começou com uma hipoteca sobre o talento, produto das demissões em massa de 2025".²

"Hipoteca" é uma palavra precisa, e não acho que ela a tenha escolhido por acaso. Significa que o dinheiro já foi gasto, que o ativo já está em uso e que as parcelas ainda não começaram a ser pagas. Na mesma sessão, ela apresentou o dado que dá à metáfora seu lado incômodo: segundo a Gartner, menos de 1% das demissões é diretamente atribuível à IA, e os casos de negócio de IA baseados em reduzir o quadro de pessoal são, nas palavras dela, irreconciliáveis com a forma como a IA cria valor na prática.²

Vale a pena ler essas duas afirmações juntas. Ao longo de 2025, boa parte das reduções de quadro foi explicada a conselhos, acionistas, CEOs, ao mercado, a outros tomadores de decisão e às próprias pessoas demitidas com alguma versão de "a IA está nos tornando mais produtivos". Se menos de 1% desses cortes se deveu de fato à IA, então a explicação era um pretexto, ou os casos de negócio eram sinceros, mas estavam errados em alguma coisa. Acho que foi sobretudo o segundo, e acho que essa "alguma coisa" merece um nome preciso, porque dois papers que a Gartner publicou desde maio a descrevem em detalhe.

1. As quatro parcelas da hipoteca

The Hidden Workforce Costs of AI (Bansch e Coyle, junho de 2026)¹ parte de um dado que soa como boa notícia: 88% das organizações planejam aumentar seus gastos com IA.¹ A tese é que boa parte do custo real desse gasto não aparece nos casos de negócio que o justificaram, porque a IA, mais do que reduzir o custo da força de trabalho, o desloca para lugares onde o modelo original não olhou. Os autores identificam quatro mecanismos. Vale a pena vê-los um a um, porque o padrão que eles compartilham é o ponto central desta nota.

Agora olhemos para os quatro em conjunto e façamos uma pergunta simples: qual deles foi causado pela tecnologia?

Nenhum. O modelo fez exatamente o que devia fazer. Cada um dos quatro custos nasceu de uma decisão: com que agressividade automatizar, quem cortar, se manter os juniores, se redesenhar a remuneração. Alguém tomou essas decisões sobre a tecnologia, com um caso de negócio que incluía a economia e omitia as parcelas. Esse é o padrão, e é por isso que acredito que a evidência da Gartner aponta um passo mais atrás do que o ponto em que a própria Gartner para.

Quatro custos, quatro decisões. A IA funcionou. A hipoteca nasceu de decisões de liderança.

2. Duas cadeias, uma única implantação

A cadeia do caso de negócio, a que termina na Demonstração do Resultado do Exercício (DRE/P&L), é conhecida:

IA → Produtividade ↑ → Quadro ↓ → Custo ↓ → DRE ↑

Não há nada de falso nela. Cada elo é real e mensurável, e é exatamente por isso que ela convence numa reunião de orçamento. O problema é que "quadro ↓" não é um ponto final. É o primeiro elo de uma segunda cadeia, a que os quatro mecanismos de Bansch e Coyle descrevem:

Quadro ↓ → Pipeline ↓ → Conhecimento tácito ↓ → Capacidade ↓ → Contratação externa a 3–4× → Recontratação de até 30% até 2029 → Custo futuro ↑¹

Duas coisas distinguem a segunda cadeia da primeira. Ela é lenta: as parcelas chegam entre dezoito meses e três anos depois, não no próximo trimestre. E é anônima: quando chegam, vêm como uma rubrica de recrutamento, um contrato de consultoria, um bônus de retenção ou uma segunda onda de IA que trava, e nenhum desses lançamentos leva o nome da decisão que os originou. A organização termina, assim, com duas curvas. Uma é contabilizada a cada trimestre. A outra é contabilizada, se tanto, no dia em que alguém percebe que a organização já não consegue fazer algo que antes fazia. Essa assimetria, e não a tecnologia, é o que torna a decisão perigosa.

A DRE pode estar certa — e a decisão sobre IA ainda estar errada.

3. De quem é a dívida?

Em agosto, a Gartner deu um nome ao conjunto dessas consequências. The Workforce Impact of AI: Acting on Changes to Work, Jobs and Talent (Vaziri, Mullery, Mesaglio e outros, 4 de agosto de 2026)³ afirma em seu resumo que "a IA amplifica as características da organização e contribui para o acúmulo de talent debt nas empresas", e recomenda que os CIOs gerenciem essa dívida em três frentes: o trabalho, os cargos e o redesenho do pipeline de talento.

O verbo importa: amplifica. A IA não corrige um pipeline frágil nem o conhecimento que ninguém documentou; amplifica o que já estava ali. É uma observação útil e, na minha opinião, correta. Mas é preciso notar onde a Gartner para. Ela descreve a dívida onde ela aparece: na força de trabalho. Não diz quem a contraiu. Dar o passo atrás, até as decisões que a produziram, é por minha conta, e o argumento deve ser julgado por esse passo.

O talent debt toma sua lógica emprestada da dívida técnica: um atalho que se toma hoje e gera custo amanhã. Se levarmos essa lógica até o fim, aparece algo mais. A dívida técnica nunca é culpa do código: alguém decidiu ir para produção com o atalho. Pelo mesmo raciocínio, o talent debt não é culpa do talento. O talento não decidiu ir embora. Alguém decidiu quanto automatizar e a que velocidade. Alguém decidiu quais cargos eram "só custo". Alguém decidiu quanta arquitetura de dados construir primeiro, quanta governança era suficiente por ora, se a economia iria para a margem ou seria reinvestida, e se o modelo operacional ia mudar ou simplesmente encolher. Nenhuma dessas é uma decisão da IA. São decisões da liderança sobre a IA, e são a causa comum de todas as dívidas que a transformação deixa para trás.

AI Leadership Debt. O custo organizacional futuro que se acumula quando as decisões de liderança sobre adoção, investimento e transformação com IA superam a capacidade da organização de redesenhar as capacidades de que precisa para sustentar a criação de valor.

O talent debt é a forma que a Gartner mediu, e é a primeira a aparecer porque as pessoas são o ativo mais fácil de cortar. Mas as mesmas decisões deixam pelo menos outras cinco: dívida de arquitetura, de governança, de capacidades, de modelo operacional e de medição. A última merece um parágrafo próprio, porque o paper mais recente da Gartner não trata de outra coisa.

Seis formas, uma mesma origem. O talent debt é a única que já tem um nome reconhecido e um sinal mensurável. A dívida de medição é a mais recente: o paper da Gartner de 31 de agosto mostra que 84% dos CFOs não conseguem medir o retorno da IA, enquanto o gasto se aproxima de US$ 5,6 trilhões.⁴ Cada forma tem um responsável executivo diferente, e é exatamente por isso que o total não tem nenhum.

Uma objeção razoável

Isso não é só uma taxonomia? Seis problemas conhecidos sob um rótulo novo. Levo a objeção a sério, e minha resposta é prática, mais do que conceitual. Cada uma dessas seis dívidas tem um responsável diferente (CHRO, CIO, conselho, COO, CEO, CFO), o que, na maioria das organizações, significa que ninguém responde pelo total. Um passivo com seis responsáveis parciais e sem um número consolidado é um passivo que nunca chega à pauta do conselho. Dar um nome ao total é o que o coloca lá.

4. A variável que o caso de negócio deixa de fora

É aqui que, acredito, muda a economia do problema, e não só o vocabulário. Um caso de negócio convencional de IA é estático: investimento, produtividade, economia e retorno, avaliados em um período. Mas os quatro mecanismos acima são dinâmicos: uma decisão tomada no momento t muda o que a organização consegue fazer em t+1 e, portanto, o que a próxima iniciativa de IA pode render. Isso significa que, por trás da expressão "valor da IA", escondem-se duas coisas diferentes:

Tomemos os próprios números da Gartner e construamos um caso concreto. Um programa de IA gera US$ 10 milhões por ano eliminando cem cargos. Os US$ 10 milhões inteiros são contabilizados como redução de custo. Agora apliquemos os 30%: até 2029, trinta desses cargos são recontratados, com salário maior, mais o custo de recrutamento. Apliquemos o efeito pipeline: os seniores que esses cargos teriam formado são comprados no mercado por três ou quatro vezes o custo. Apliquemos a meia-vida das habilidades: os especialistas em IA contratados para construir o sistema terão de ser substituídos em dois a cinco anos.¹

Foram criados US$ 10 milhões? Ou parte da capacidade organizacional de 2029 foi monetizada em 2025 e contabilizada como se fosse valor? Um retorno calculado sobre um único período não consegue distinguir esses dois casos. Não é um defeito do ROI; é uma limitação do horizonte com que ele é calculado.

É por isso que a equação convencional precisa do termo que hoje lhe falta:

A objeção óbvia: não se pode subtrair o que não se consegue medir. E é aqui que entra o quarto paper da Gartner. The Real Threat to AI ROI Is Unchecked AI Spend (Clougherty Jones, 31 de agosto de 2026)⁴ relata que 84% dos CFOs têm dificuldade para medir o retorno da IA, enquanto o gasto com IA caminha para US$ 5,6 trilhões em 2030, mais do dobro do nível atual. Essa é a dívida de medição resumida em uma frase: a organização está dobrando um gasto que não sabe avaliar. Mas "difícil de medir" não significa "melhor ignorar", e as finanças resolvem o primeiro caso todos os dias: com provisões, cronogramas de depreciação e taxas de desconto. Hoje ninguém provisiona a AI leadership debt. Isso é uma decisão, não uma regra contábil.

Onde isso se encaixa no AVRT.⁶ No sistema de medição AVRT, o acúmulo de dívida é a restrição a montante capturada pelo ALDI, o AI Leadership Debt Index, que limita todas as taxas de conversão a jusante (DCR, ACR, VCR e AIRR). O AI-Labor Cost Ratio⁵ da Gartner encaixa como uma variável de contexto ao lado delas, não como substituto.

5. Quando extrair é correto, e o que as organizações satisfeitas fazem de diferente

Não quero exagerar o argumento. Há situações em que capturar todo o ganho como margem é a decisão correta: um negócio em declínio administrado, um processo commodity cuja capacidade não tem valor futuro, um balanço que precisa do caixa agora. Extrair não é um erro em si. É uma opção com teto.

Suponhamos que a IA crie US$ 100 de valor. A liderança pode levá-los integralmente à margem, ou destinar uma parte a requalificação, capacidades de dados, arquitetura, governança, redesenho de fluxos de trabalho, aos juniores que ia cortar ou à próxima iniciativa. São duas trajetórias.

Até poucas semanas atrás, o modelo de capitalização era apenas um argumento lógico. O paper mais recente da Gartner acrescenta algo mais próximo de evidência: as organizações mais satisfeitas com seus resultados de IA gastam 30% mais em gestão de dados, governança e talento do que as menos satisfeitas, e as que relatam alto valor da IA gastam 5,6 vezes mais em IA e em seus alicerces do que as que relatam valor baixo.⁴

É preciso ler isso com cautela: a satisfação é declarada pelas próprias empresas, e uma correlação não é um mecanismo. Mas a direção é a que o modelo de capitalização prevê, e não a do modelo de extração: as organizações que obtiveram o valor foram as que pagaram pelas capacidades que o sustentam.

Modelo de extração	Modelo de capitalização
Otimiza um único período	Otimiza a soma de valor ao longo do tempo
Pergunta: "quantas pessoas podemos eliminar?"	Pergunta: "quais capacidades eliminamos, preservamos, redesenhamos ou construímos?"
100% do valor da IA → margem	Taxa explícita de reinvestimento em IA (AIRR)
Ciclo fechado; a próxima onda parte de uma base mais fraca	Ciclo aberto; cada onda financia a seguinte
Correto quando a capacidade não tem valor futuro	Coerente com o padrão de gasto +30% / 5,6×

Isso me leva a suspeitar que a alocação de capital de IA, a decisão explícita sobre que fração do valor da IA é reinvestida e em quais capacidades, vai importar mais nos próximos cinco anos do que a adoção. Adotar IA já não diferencia ninguém: 88% estão aumentando o gasto.¹ É na alocação que as trajetórias se separam.

Quais capacidades a IA deveria nos permitir eliminar, quais deveríamos preservar, quais redesenhar e quais novas deveríamos construir?

A receita de Karamouzis no summit foi uma "mudança de paradigma: do empoderamento do funcionário para o redesenho de processos e a integração do trabalho".² Eu colocaria como uma mudança de pergunta. Quantas pessoas podemos eliminar? não é uma pergunta errada. É uma pergunta incompleta, e o que lhe falta tem exatamente a forma da dívida. Um caso de negócio capaz de responder à pergunta difícil é uma transformação. Um que só responde à primeira é um programa de redução de custos com rótulo de IA, e o número de 1% sugere que executamos muitos desses.

A pergunta para qualquer caso de negócio de IA em 2026: o que teremos de reconstruir depois, e não apenas o que vamos eliminar hoje? Se a resposta for "nada", a economia é real. A hipoteca também.

A Gartner já mediu a primeira forma dessa dívida e lhe deu um nome. O resto do balanço, e a hipoteca, é tarefa da liderança.

Referências

1. Gartner (2026). The Hidden Workforce Costs of AI. Jan Bansch e Joe Coyle, 1 de junho de 2026. gartner.com/en/articles/ai-workforce-costs
2. Gartner (2026). Beyond the Hype: AI's Impact on Headcount and Business Value. Frances Karamouzis, Data & Analytics Summit, Londres, 13 de maio de 2026 (destaques do dia 3). gartner.com/en/newsroom
3. Gartner (2026). The Workforce Impact of AI: Acting on Changes to Work, Jobs and Talent. Kabeh Vaziri, Alicia Mullery, Mary Mesaglio, Kristin Moyer, Meghna Joshi, Lily Mok e Caroline Hewings, 4 de agosto de 2026. gartner.com/en/documents/8226561
4. Gartner (2026). The Real Threat to AI ROI Is Unchecked AI Spend. Lydia Clougherty Jones, 31 de agosto de 2026. gartner.com/en/articles/rein-in-ai-spend
5. Gartner (2026). The AI-Labor Cost Ratio: A New Metric to Guide Workforce Change. Jonathan Jackson, Grace Myers e Vatsala Syed, 21 de julho de 2026. gartner.com/en/documents/8155129
6. Barrientos, C. (2026). AI Value Realization Theory (AVRT): Framework and Measurement System. Working paper e série no LinkedIn. Resumo executivo do AVRT