Além do AI-First: converter a inteligência artificial em resultados de negócio

1. Perguntas que todo líder deveria fazer

Imagine uma empresa que investiu seriamente em inteligência artificial nos últimos dois anos. E não me refiro apenas a comprar tecnologia. Ela implantou ou pilotou assistentes de IA generativa, construiu modelos preditivos, testou agentes, automatizou tarefas em várias áreas e criou dashboards para acompanhar tudo isso. Os funcionários usam as ferramentas, algumas aprovadas pela empresa e outras por conta própria. A equipe de tecnologia ou de operações entrega os projetos no prazo. O comitê executivo recebe relatórios periódicos de adoção e avanço. Tudo parece estar bem.

Até que alguém, um diretor cético em relação à IA ou o próprio conselho, começa a fazer perguntas de outro tipo. Quanto aumentou a receita por funcionário? Em que percentual melhorou a margem bruta? Os custos operacionais caíram ou o EBITDA subiu? E, sobretudo, a diretoria-geral, operações ou finanças conseguem dizer quais iniciativas de IA contribuíram para algum desses resultados?

Na minha experiência com conselhos e equipes executivas, a resposta sincera costuma ser "na verdade, não tenho certeza; teríamos de medir". A partir daí, uns apostam em melhorar as iniciativas e outros em cortá-las. Em ambos os casos, quem as desenvolveu ou liderou não é necessariamente quem errou: o erro costuma estar mais atrás, em não ter definido desde o início qual resultado elas deveriam mover e como isso seria medido.

E não é só impressão minha. Em sua pesquisa global de agosto de 2026, a McKinsey constatou que quase 9 em cada 10 empresas já usam IA regularmente em pelo menos uma função, mas apenas 37% atribuem à IA algum impacto no EBIT (o lucro operacional), e somente 6% cumprem os critérios que a McKinsey usa para classificar uma empresa como de alto desempenho.² A BCG estimava em 2025 que apenas 5% das empresas capturavam valor substancial.⁴ Segundo seu novo índice de 2026, 7,5% capturam valor em escala e cerca da metade obtém algum valor; a outra metade ainda não obtém nada significativo.⁵ A lacuna entre adotar e rentabilizar continua sendo a regra.

Desses mesmos dados, a BCG extrai uma conclusão mais ambiciosa do que a que proponho neste artigo: as empresas que ela chama de future-built (construídas para o futuro) crescem 2,4 vezes mais em receita e 2,8 vezes mais em EBITDA do que as retardatárias, e por isso recomenda adotar um modelo operacional AI-first.⁵ O dado é real, mas não obriga a seguir essa receita, por três razões. Primeiro, porque essas empresas não chegaram lá por acaso: já tinham dados melhores, mais disciplina de gestão e mais capital antes da IA. Parte de sua vantagem vem do que já eram, não da IA, e uma pesquisa não consegue separar as duas coisas. Segundo, porque o que a BCG mede nelas — redesenho de fluxos, disciplina de resultados, investimento sustentado — é exatamente o que este artigo chama de capturar valor. E isso pode ser feito sem adotar o rótulo nem redesenhar toda a empresa de uma vez. Terceiro, porque os 5% de 2025 e os 7,5% de 2026 vêm de índices com definições distintas: mostram uma tendência, mas não são cifras comparáveis entre si.

Aí está o problema central da IA empresarial hoje: as organizações implantam tecnologia cada vez mais sofisticada sem desenvolver, com a mesma seriedade, a capacidade de convertê-la em resultados de negócio mensuráveis. Na maioria dos casos de analítica e automação, não é a tecnologia que falha. A exceção é a IA generativa, que ainda inventa respostas em tom seguro e carrega vieses, e por isso exige supervisão humana e monitoramento nas decisões que importam. Mas, mesmo aí, o que costuma falhar é o que cerca a tecnologia: processos, regras sobre quem decide o quê e modelos operacionais que nunca foram redesenhados para aproveitar o que a IA pode fazer.

Por isso a conversa precisa ir além da adoção. O objetivo não é maximizar o número de aplicações de IA implantadas. É decidir onde e como a IA pode melhorar o desempenho econômico da organização.

Essa distinção importa no debate sobre as empresas "AI-first", as que colocam a IA no centro de seu modelo operacional. Nem toda empresa precisa se tornar uma delas. Uma mineradora pode reduzir a variabilidade de seus processos de planta, deixar de repetir erros operacionais e otimizar manutenção e energia sem reconstruir seu modelo operacional. Uma indústria de manufatura pode fazer o mesmo com sua produção e seus estoques. Uma firma de serviços profissionais ou uma empresa de software, em contrapartida, pode descobrir que integrar agentes de IA à própria forma de organizar o trabalho abre a porta para uma transformação muito mais profunda. Ambos os caminhos podem se justificar economicamente.

Ser AI-first é uma opção estratégica. Capturar valor da IA é um imperativo de negócio.

A tarefa da liderança é decidir que nível de integração cria mais valor para sua organização, e fazer com que esse valor seja mensurável.

2. Onde está o valor: indicadores e mecanismos por setor

A produtividade é o benefício mais atribuído à IA, e o pior medido. Contar horas economizadas diz muito pouco. Para um líder, a produtividade da IA só significa algo quando aparece no desempenho operacional e financeiro do negócio. Com quatro indicadores cobre-se a maioria dos casos, e em cada um convém ir além da definição e olhar os mecanismos concretos que o fazem subir ou descer.

Receita por funcionário. Sobe quando a IA entra no trabalho que gera receita. Em uma empresa de software ou de serviços de tecnologia, uma prova de conceito para um cliente, que antes levava semanas, hoje é montada em dias. Os ciclos de desenvolvimento (os sprints) rendem mais porque parte do código, dos testes e da documentação é gerada com ajuda da IA. Um engenheiro recém-contratado encurta sua curva de aprendizado porque um agente lhe entrega o contexto do sistema em minutos. Na área comercial, os vendedores administram carteiras maiores e preparam mais propostas. O sinal de alerta mais comum não é o indicador cair, mas ficar estagnado enquanto o negócio cresce: cada real adicional de receita exige contratar na mesma proporção. Quando isso acontece depois de dois anos de investimento em IA, a IA não está entrando no trabalho que gera a receita.

Margem bruta. Move-se quando a IA reduz o custo de produzir ou entregar cada unidade. Na mineração, isso significa conter a variabilidade da planta concentradora, manter a recuperação metalúrgica perto de seu ótimo e não repetir os mesmos erros turno após turno. Na manufatura, significa menos perdas e retrabalho, e um planejamento que reduz as trocas de linha. No varejo, previsões de demanda que evitem rupturas de estoque e liquidações. Em software, um custo de entrega por projeto mais baixo, porque a mesma equipe dá conta de mais trabalho. Em negócios intensivos em capital, pequenas melhorias de eficiência têm um efeito financeiro desproporcional, porque o custo das vendas é a maior rubrica da DRE.

EBITDA. A IA chega ao EBITDA por várias vias ao mesmo tempo: receita que cresce mais rápido do que as despesas operacionais, menores custos diretos de produção ou de serviço, melhor utilização dos ativos, menos despesa administrativa e melhores decisões sobre rentabilidade. O que exige disciplina é avaliar o impacto líquido, descontando o custo adicional da própria IA e sem contar duas vezes o que já está no lucro bruto.

Produtividade operacional. Os indicadores dependem do setor e convém nomeá-los com precisão. Em uma mina: toneladas processadas por hora efetiva, disponibilidade de equipamentos críticos, desvio em relação ao plano. Em uma fábrica: unidades por hora-homem, OEE, taxa de perdas. Em um banco ou uma seguradora: transações ou sinistros processados por funcionário e custo por transação. Na saúde: o tempo que o clínico dedica a documentar em vez de atender o paciente, a rapidez com que a informação relevante chega ao momento de decidir um tratamento e a clareza com que um diagnóstico é explicado ao paciente e à sua família. Em todos esses casos a IA apoia a equipe clínica; não a substitui. Em software: tempo da ideia ao protótipo, defeitos por entrega, tempo de ciclo de uma mudança até a produção.

O fio comum é que a produtividade da IA deve ser medida por meio de resultados de negócio, não do uso da tecnologia. A Figura 1 traça esse percurso, desde os processos e decisões que a IA melhora até o indicador financeiro que finalmente se move.

Figura 1. O percurso do valor vai dos processos e decisões que a IA melhora ao indicador financeiro que se move; medir a IA na extremidade esquerda da cadeia não diz nada sobre a direita.

Onde procurar, então? As oportunidades mais valiosas raramente são as mais sofisticadas tecnologicamente. Costumam estar em três lugares.

Processos recorrentes. Conciliações financeiras, planejamento da produção, gestão de pedidos, reposição de estoque, processamento de sinistros, e também os relatórios e apresentações que consomem horas toda semana. Esses processos são atraentes porque as melhorias se acumulam: uma pequena redução do custo unitário, multiplicada por um grande volume, é um benefício anual significativo. Contudo, é preciso distinguir entre acelerar uma atividade e melhorar o processo completo: automatizar uma etapa serve de pouco se o ritmo continua sendo ditado por outros gargalos.

Decisões recorrentes. São as que a empresa toma repetidas vezes: quanto estoque repor, quais pedidos priorizar, quais clientes requerem intervenção comercial, quais equipamentos manter, quais produtos estão perdendo margem. A IA pode fazer com que essas decisões sejam tomadas a tempo, com mais consistência, com melhor qualidade e em maior escala. O valioso não são as previsões mais precisas, mas as melhores decisões que se convertem em ações efetivas.

Gestão contínua do desempenho. A maioria das empresas tem dashboards sofisticados de vendas, rentabilidade, produção e estoque. Eles dão visibilidade, mas a visibilidade não produz melhorias por si só. Um dashboard mostra que a margem se deteriora; não diz por quê, nem escolhe a ação corretiva, nem a executa, nem verifica se funcionou. Passar do monitoramento à gestão do desempenho apoiada em IA significa combinar as capacidades adequadas — da inteligência de negócios e da analítica preditiva à otimização e aos agentes — e usar cada uma só onde já é confiável.

A Figura 2 ordena exemplos dessas três categorias segundo sua recorrência e seu impacto econômico. No quadrante superior direito, uma pequena melhoria em cada decisão se transforma em um benefício anual significativo.

Figura 2. A recorrência multiplica o impacto: o quadrante superior direito é onde uma melhoria modesta por decisão se converte em um benefício anual material.

3. Um caso: levar a margem bruta de 30% para 31%

Considere uma empresa de bebidas: refrigerantes, sucos e águas, com duas fábricas, uma rede própria de distribuição e cerca de 1.800 funcionários. Vende às redes de supermercados, a dezenas de milhares de pequenos mercados e depósitos de bebidas por meio de seus próprios caminhões, e a restaurantes e hotéis. Fatura US$ 200 milhões por ano com margem bruta de 30% (lucro bruto de US$ 60 milhões), despesas operacionais de US$ 36 milhões e EBITDA de US$ 24 milhões, ou seja, margem EBITDA de 12%. Os números são hipotéticos, mas o perfil é o de muitas engarrafadoras de médio porte da região.

Sua margem vive espremida entre três frentes. Do lado dos custos, o açúcar, as resinas das embalagens e a energia sobem e descem com os mercados. Do lado da receita, as redes exigem promoções e descontos por volume que, se ninguém os acompanha, corroem a margem de uma categoria inteira. E no meio está a distribuição: cada caminhão que sai com meia carga ou visita um pequeno mercado que compra duas caixas tira margem de toda a rota.

A empresa tem um ERP, um CRM, sistemas de produção e de roteirização e uma plataforma de inteligência de negócios. A diretoria revisa todo mês dashboards de vendas por canal, custos de fábrica, custo de distribuição, preços e rentabilidade. Apesar disso, a margem bruta vem caindo em algumas categorias e a organização tem dificuldade para reagir. Os dashboards revelam o problema; a resposta trava. Finanças identifica o desvio; a diretoria comercial revisa preços e promoções com as redes; produção examina os custos de fábrica; distribuição olha suas rotas; suprimentos, seus contratos de açúcar e resina. Cada um separadamente e com KPIs independentes. São necessárias várias reuniões para acordar uma ação e, quando a empresa finalmente age, mais margem já se erodiu.

A diretoria fixa um objetivo (por exemplo, um OKR): melhorar a margem bruta em um ponto percentual sem reduzir a qualidade nem comprometer o relacionamento com os clientes. A meta de um ponto não é arbitrária. Um diagnóstico prévio mostrou que a empresa está três pontos de margem abaixo do quartil superior de seu setor, e que o primeiro desses pontos pode ser recuperado atuando sobre preços e promoções, planejamento da produção, roteirização e suprimentos.

Observe o que a diretoria não faz. Não começa perguntando qual modelo de IA implementar. Pergunta: quais decisões recorrentes determinam nossa margem bruta e como a IA pode nos ajudar a tomá-las melhor? Esse reenquadramento torna visíveis seis oportunidades: detectar mais cedo que a categoria sucos perdeu dois pontos de margem por uma promoção de rede que ninguém compensou; identificar qual formato, qual cliente e qual rota explicam a queda; estimar o que acontece se o preço de tabela do formato família for elevado ou se a frequência de visita aos pequenos mercados de menor compra for reduzida; coordenar comercial, produção, distribuição e suprimentos em uma única decisão; executar mais rápido o que foi aprovado; e medir se as ações melhoraram a rentabilidade. A Figura 3 contrasta o estado atual com o estado-alvo.

Figura 3. O estado-alvo não tira as pessoas do ciclo; elimina a espera entre detecção, decisão e ação.

O caso de negócio. Suponha um investimento inicial de US$ 1,2 milhão em integração de dados, modelos e mudança organizacional, mais US$ 400 mil anuais de custo de operação, que são lançados como despesa e, portanto, descontados do EBITDA. Com receita constante, um ponto de margem bruta equivale a US$ 2 milhões de lucro bruto adicional. Descontado o custo operacional da IA, restam US$ 1,6 milhão de EBITDA adicional por ano, cerca de 6,7% a mais do que os US$ 24 milhões de partida. Se o ponto de margem fosse alcançado de imediato, o investimento seria recuperado em cerca de nove meses; com um período realista de seis meses até atingir o ponto completo, a recuperação leva entre 12 e 15 meses. E convém olhar primeiro o que acontece se o resultado for menor do que o esperado: com meio ponto de margem, o EBITDA adicional cai para US$ 0,6 milhão e a recuperação se estende para dois anos; com apenas dois décimos de ponto, o custo operacional da IA absorve todo o benefício. Esse exercício mostra onde está o risco do caso: não na tecnologia, mas em quanto de margem se consegue mover de fato. A Tabela 1 resume o antes e o depois.

Indicador financeiro	Antes	Depois	Variação
Receita	US$ 200,0 M	US$ 200,0 M	—
Lucro bruto	US$ 60,0 M	US$ 62,0 M	+US$ 2,0 M
Margem bruta	30,0%	31,0%	+1,0 pp
Despesas operacionais (sem IA)	US$ 36,0 M	US$ 36,0 M	—
Custos operacionais incrementais de IA	—	US$ 0,4 M	+US$ 0,4 M
EBITDA	US$ 24,0 M	US$ 25,6 M	+US$ 1,6 M (+6,7%)
Margem EBITDA	12,0%	12,8%	+0,8 pp

Tabela 1. Impacto financeiro ilustrativo de uma melhoria de um ponto de margem bruta, líquido dos custos operacionais de IA. Fora da DRE: investimento inicial de US$ 1,2 M (recuperação ≈ 9 meses em regime pleno, 12–15 com rampa de seis meses). Sensibilidade: com +0,5 pp, EBITDA +US$ 0,6 M e recuperação ≈ 24 meses; com +0,2 pp, o custo operacional da IA absorve o benefício.

Esses números ilustram um resultado possível; não são uma previsão. Os resultados reais dependem de quais decisões forem implementadas, de quanto da melhoria se dever de fato a elas e do custo total da solução. Algumas ações de preço podem reduzir a demanda. Algumas melhorias de produção podem exigir investimento de capital. Algumas melhorias de margem podem vir do mercado, e não da IA. Uma medição crível compara o desempenho observado com uma linha de base ou com um cenário contrafactual, isto é, com o que teria acontecido sem a intervenção.

O ponto central se mantém: o que se avalia não é o sistema de IA, mas a melhoria no desempenho econômico que esse sistema torna possível.

4. O que dizem os referenciais e em que convergem

Três relatórios recentes olham para o mesmo problema a partir de ângulos distintos. O Work Trend Index 2026 da Microsoft descreve as Frontier Firms (empresas de fronteira) como organizações em que pessoas e agentes de IA trabalham em equipe, e sustenta que o que separa as que avançam das que estagnam não é adotar a IA (tê-la disponível), mas absorvê-la (fazer com que ela faça parte da própria forma de trabalhar).¹ A McKinsey constatou em 2025 que redesenhar os fluxos de trabalho é o fator que mais aumenta a probabilidade de reportar impacto no EBIT.³ Em 2026 acrescentou que quase três quartos das empresas de alto desempenho já o fizeram.² A BCG propõe desenhar a empresa para a IA, e não a IA para a empresa, e, como vimos, vai mais longe: recomenda ser AI-first.⁶ O que segue — a aplicação de cada referencial ao caso da margem — é interpretação minha, não dessas firmas.

Lente 1: equipes humano-agente (a partir da Microsoft). Em nossa empresa de bebidas, a gestão da margem está distribuída entre quatro áreas: comercial, produção, distribuição e suprimentos. Um modelo humano-agente introduziria capacidades especializadas nesse processo: um agente de monitoramento que detecta desvios relevantes de margem por categoria, cliente, rota e fábrica com dados validados; um agente de diagnóstico que investiga causas como mudanças no mix de formatos vendidos, descontos a redes, custo de açúcar e resina, e rotas com baixa carga; um agente de apoio à decisão que prepara alternativas com seu efeito financeiro; e um agente de execução que coordena o que foi aprovado com os sistemas e as pessoas responsáveis. Nenhum precisa ser um decisor autônomo. Sua autoridade deve ser graduada segundo o risco de cada ação: uma mudança de preço ou de desconto a uma rede de supermercados requer aprovação comercial; um alerta sobre caminhões que saem com carga abaixo do padrão é emitido sozinho. Os funcionários dedicam menos tempo a coletar informação e mais a avaliar decisões e gerenciar exceções.

Lente 2: redesenho do fluxo de trabalho (a partir da McKinsey). Antes de pensar em agentes, a empresa mapeia o fluxo completo: como os desvios são detectados, como a informação circula, quem decide, quem aprova, como se executa e como se mede. Na maioria das empresas que vi, esse exercício mostra que o problema não é a velocidade do relatório financeiro, mas o tempo entre detectar um desvio, acordar uma ação e implementá-la. O fluxo é redesenhado em seis etapas — detectar, diagnosticar, avaliar, decidir, executar e medir —, e cada uma fica com um responsável, um tempo de resposta e um indicador. Essas seis etapas são os mesmos elos da cadeia de conversão que apresento na seção 6, apenas vistos a partir do processo e não do valor. A IA entra onde melhora cada etapa: modelos preditivos para antecipar, otimização para avaliar alternativas, IA generativa para explicar achados, automação para coordenar. O sucesso é medido pelo tempo que cada decisão leva e pela margem recuperada, não pela quantidade de modelos implantados.

Lente 3: desenho organizacional (a partir da BCG). A margem depende de decisões tomadas em quatro áreas, mas cada área otimiza apenas a sua parte. Introduzir IA em cada uma separadamente melhora a produtividade local sem resolver a coordenação. A alternativa é uma capacidade transversal para gerir a margem: não um departamento novo, mas um processo compartilhado, com um executivo que responde pelo resultado, regras claras sobre quem decide o quê, dados e analítica comuns e indicadores compartilhados. A organização é desenhada em torno do resultado, não em torno de aplicações isoladas.

A absorção na prática. Suponha que a empresa já tenha um assistente que analisa relatórios de margem e os funcionários lhe perguntam quais categorias perderam mais margem no mês passado. Isso é adoção. A organização continua dependendo de que alguém se lembre de perguntar, interprete, convoque e execute manualmente. Absorção, no sentido da Microsoft, é que toda manhã os desvios sejam detectados sozinhos e as causas investigadas sem que ninguém peça; que os responsáveis recebam recomendações priorizadas, que as ações fiquem atribuídas e que os resultados sejam comparados com o esperado. Dean Hardy, consultor que escreve a partir da experiência prática em sua newsletter Past the Pilot, descreve esse mesmo passo: a IA deixa de ser uma ferramenta que alguém pode usar e passa a fazer parte de como a empresa opera.⁷

As três perspectivas convergem no mesmo ponto: mapear o fluxo, atribuir responsáveis e direitos de decisão, incorporar a IA à rotina e medir o resultado. O que nenhuma responde por completo são duas perguntas que ocupam a maior parte do meu tempo com equipes de liderança. Por que uma organização não implementa essas mudanças mesmo tendo a tecnologia? E como a diretoria sabe se a transformação gera valor de fato? A primeira leva ao que chamo de Dívida de Liderança em IA (seção 5); a segunda, ao funil de conversão (seção 6).

5. Por que o valor não é capturado: Dívida de Liderança em IA

Nas empresas que não conseguem capturar valor repete-se um padrão: a tecnologia chega antes da organização. Uma empresa pode ter acesso aos melhores modelos do mercado, engenheiros experientes, plataformas em nuvem e analítica sofisticada, enquanto sua equipe de direção carece do conhecimento ou das capacidades para tomar boas decisões sobre IA. É o que chamo de Dívida de Liderança em IA (AI Leadership Debt): ela se acumula quando o potencial da tecnologia avança mais rápido do que a capacidade da liderança de entender, governar e converter esse potencial em valor.⁸

Reconhece-se por sinais concretos. Uma organização a tem quando vários destes cinco se cumprem:

1. Há iniciativas de IA aprovadas sem um indicador financeiro atribuído.
2. Ninguém responde pelo resultado de ponta a ponta nem está definido quem pode agir sobre uma recomendação da IA. O efeito é que as áreas constroem soluções que competem entre si e os gerentes resistem, porque a responsabilidade não está clara.
3. Os líderes não distinguem o que a IA realmente sabe fazer do que aparenta saber, e oscilam entre acreditar em tudo o que diz um assistente generativo e delegar o tema à TI.
4. Finanças não consegue distinguir o benefício efetivamente obtido da produtividade que apenas foi estimada.
5. Os funcionários usam ferramentas de IA que ninguém aprovou nem supervisiona.

Quanto mais sinais, maior a dívida. E, como toda dívida, cobra juros: cada iniciativa lançada sem responsável nem métrica acrescenta integrações, dados e expectativas que depois custam mais para desmontar. Colocar a casa em ordem fica cada vez mais caro. A dívida de liderança não é a única causa de o valor não ser capturado: também pesam os dados sujos, o custo de integração, os incentivos dos gestores intermediários e a resistência do pessoal operacional. Mas a liderança é a causa raiz das demais, porque é a única que pode atribuir responsáveis, definir direitos de decisão e exigir medição. O Work Trend Index 2026 da Microsoft aponta na mesma direção: do impacto que os usuários atribuem à IA, os fatores organizacionais explicam o dobro da atitude individual (67% contra 32%), e apenas 26% dos usuários dizem que seus líderes têm uma posição clara e consistente sobre a IA.¹

O terceiro sinal merece uma pausa. Quando os líderes delegaram por completo o uso da IA, tendem a um de dois extremos. Alguns a superestimam: tomam o que um assistente generativo entrega como verdade absoluta, sem perguntar de onde saiu o dado, ou concluem que não será mais preciso contratar programadores. Outros a subestimam e a tratam como um tema de tecnologia que não lhes cabe. Ambos os extremos produzem más decisões de investimento, e ambos são difíceis de corrigir de baixo para cima.

Reduzir a dívida vai além de ensinar os executivos a escrever melhores instruções (prompts) para um assistente. Exige que a equipe de direção entenda quais decisões de negócio a IA pode melhorar, onde o julgamento humano continua sendo necessário, como os fluxos e as responsabilidades devem mudar, e como avaliar o retorno frente às alternativas de investimento. No caso de nossa empresa de bebidas, isso significa executivos capazes de decidir com fundamento quem é o responsável pelo processo, quanta autonomia os agentes têm, quem tem autoridade sobre os preços e quem responde pelo resultado financeiro. Fechar essa lacuna é uma responsabilidade da liderança, não um projeto tecnológico.

6. Como saber se o valor é capturado: o funil de conversão

Nem mesmo um fluxo bem desenhado cria valor por si só. A organização precisa assegurar que o que a IA produz — a inteligência — influencie as decisões, que as decisões se convertam em ações e que as ações produzam resultados mensuráveis. Essa cadeia de conversão é o núcleo do que chamo de AI Value Realization Theory (AVRT), uma teoria sobre como o valor da IA se realiza, que apresento aqui como referencial em desenvolvimento.⁸ É também o fio condutor deste artigo: as seis etapas da seção 4 e os sete passos da seguinte são duas formas de percorrer a mesma cadeia.

IA → Inteligência → Decisões → Ações → KPIs operacionais → Valor financeiro

O valor pode vazar em cada elo. Um modelo pode identificar uma oportunidade e não passar daí. Um gerente pode aprovar uma recomendação que nunca é executada. E até uma ação executada pode não melhorar a rentabilidade. O valor só se realiza quando há uma melhoria mensurável e atribuível à intervenção.

Para localizar o vazamento, o referencial propõe três taxas de conversão. Elas são calculadas por coorte, isto é, pelo grupo de alertas que nasceu em um mesmo mês, e não por mês-calendário: todos os alertas de um mês são acompanhados até que seu efeito seja medido, ainda que isso leve três meses.

• Taxa de conversão em decisão (DCR, na sigla em inglês): alertas que receberam uma decisão registrada (agir, não agir com fundamento, ou escalar), divididos pelos alertas que superaram o limiar de relevância fixado por finanças. O vazamento são os alertas que ninguém olhou, não os que foram descartados com critério.
• Taxa de conversão em ação (ACR): ações efetivamente executadas nos sistemas, divididas pelas decisões de agir.
• Taxa de conversão em valor (VCR): ações com efeito positivo em relação à linha de base, divididas pelas ações executadas. As ações sem efeito e as que não foram medidas são reportadas à parte, porque são vazamentos distintos e se corrigem de maneira distinta.

Um mês ilustrativo em nossa empresa de bebidas: 40 alertas materiais de margem por categoria, cliente, rota ou fábrica; 25 com disposição registrada (DCR 63%; 15 nunca foram revisados); 18 ações executadas (ACR 72%), e 12 com efeito positivo (VCR 67%; 4 sem efeito, 2 sem medição). As doze efetivas são do tipo ajuste de preço de tabela de um formato, renegociação de um desconto com uma rede, mudança de frequência de uma rota, correção de um parâmetro da linha de envase ou troca de fornecedor de resina. O funil diz onde o valor se perde: aqui, nos 15 alertas que ninguém olhou. E os números batem com o caso da seção 3: doze ações efetivas por mês, com efeito médio próximo de US$ 14 mil cada, somam da ordem de US$ 2 milhões anuais. Essas taxas ainda estão em validação e hoje servem para diagnosticar, não para comparar entre empresas. Enquanto isso, convém complementá-las com medidas operacionais que qualquer diretoria pode acompanhar desde o primeiro mês: tempo entre detectar e decidir, tempo entre aprovar e executar, percentual de recomendações implementadas, lucro bruto atribuível às ações e custo incremental da solução.

Mais do que criar dashboards, o objetivo é estabelecer rastreabilidade entre as capacidades de IA, as decisões, as ações executadas e os resultados econômicos. A Figura 4 reúne a cadeia, o funil e os sinais de dívida que a interrompem.

Figura 4. O valor vaza em cada elo da cadeia; o funil localiza o vazamento (aqui, 15 de 40 alertas nunca se convertem em decisão) e os sinais de dívida de liderança o explicam.

7. Como começar e como sustentar

Não é preciso redesenhar todo o negócio para começar. O caminho mais eficaz é partir de um processo recorrente ligado a um indicador que pese no resultado, e percorrer a cadeia de conversão uma primeira vez em sete passos (Figura 5):

1. Escolher um objetivo financeiro ou operacional que importe e fixar sua linha de base; não partir de uma tecnologia.
2. Identificar as decisões recorrentes que o determinam e priorizá-las por peso no resultado, frequência e viabilidade.
3. Diagnosticar o fluxo atual: como a informação se converte hoje em decisões e onde o valor se perde.
4. Desenhar o processo-alvo com analítica, modelos, automação ou agentes, e com responsabilidades, aprovações e regras de escalonamento explícitas.
5. Implementar um piloto delimitado com critérios de sucesso operacionais e financeiros definidos antes de implantar; um bom piloto demonstra que as decisões apoiadas por IA mudam resultados, não apenas que o modelo funciona.
6. Medir o valor econômico distinguindo entre o benefício estimado no início, o que foi efetivamente implementado e o benefício obtido, descontados os custos.
7. Escalar o que funciona e reinvestir.

Figura 5. Sete passos para o primeiro ciclo; o sétimo é o que converte um projeto em uma capacidade.

Nossa empresa de bebidas começa pela margem, mas a mesma integração de dados, a mesma governança e as mesmas práticas operacionais servem depois para a roteirização, a manutenção das linhas de envase ou o planejamento da demanda. Uma fração do valor capturado é reinvestida nessas capacidades, e cada novo ciclo parte de um ponto mais alto do que o anterior. É o que chamo de Efeito Composto de Capacidades (Capability Compounding): a capacidade organizacional de converter IA em resultados cresce a cada ciclo da cadeia, assim como os juros compostos crescem sobre o capital acumulado.⁸ A ideia não é nova, e convém dizê-lo: a literatura de estratégia a chama de capacidades dinâmicas (a habilidade de uma empresa para se reconfigurar) e capacidade de absorção (a habilidade para incorporar conhecimento externo), e aqui ela se aplica ao ciclo concreto da IA. O efeito não é automático: o reinvestimento compete com outras prioridades e cada investimento adicional deve se justificar pelo que se espera dele. Mas é o que separa as empresas que executam projetos de IA isolados das que desenvolvem uma capacidade sustentada. A vantagem competitiva não virá de possuir um modelo ou um agente em particular, mas dessa capacidade.

Conclusão

O debate sobre as empresas AI-first é valioso porque obriga a repensar como se opera. Microsoft, McKinsey e BCG oferecem lentes úteis, e nenhuma exige que todas as organizações sigam o mesmo caminho. Algumas se beneficiarão de aplicações focalizadas; outras redesenharão fluxos específicos; outras integrarão a IA progressivamente a seu modelo operacional; algumas escolherão ser AI-first de verdade. A estratégia correta depende do negócio, de suas oportunidades, de suas restrições e de seus objetivos econômicos.

O que não deveria variar é a disciplina de conectar cada investimento em IA a um resultado mensurável: mais produtividade, mais receita por funcionário, margens mais sólidas, um EBITDA mais alto e decisões de melhor qualidade. Isso requer mais do que tecnologia. Requer uma liderança capaz de entender a IA, redesenhar a operação, governar as decisões e medir os resultados.

A pergunta mais importante não é se sua organização está se tornando AI-first, mas se ela converte cada vez melhor a IA em desempenho de negócio.

Referências e leituras recomendadas

1. Microsoft (2026). 2026 Work Trend Index Annual Report: Agents, Human Agency, and the Opportunity for Every Organization. Microsoft WorkLab, maio de 2026. microsoft.com/worklab
2. McKinsey & Company (2026). The State of AI in 2026: On the Road to ROI. Pesquisa global, agosto de 2026. mckinsey.com
3. McKinsey & Company (2025). The State of AI: How Organizations Are Rewiring to Capture Value. Março de 2025. mckinsey.com
4. Boston Consulting Group (2025). The Widening AI Value Gap. Outubro de 2025. bcg.com
5. Boston Consulting Group (2026). Applied AI Index 2026: AI Is Starting to Pay Off. 30 de setembro de 2026. bcg.com
6. Boston Consulting Group (2026). Design Your Company for AI, Not AI for Your Company. bcg.com
7. Hardy, D. (2026). The AI Frontier Firm Field Guide: Start Here. Newsletter Past the Pilot, LinkedIn. linkedin.com
8. Barrientos, C. (2026). Dívida de Liderança em IA, AI Value Realization Theory (AVRT) e Efeito Composto de Capacidades. Trabalho em andamento do autor. Resumo executivo do AVRT · AI Leadership Debt

Declaração de interesse: o autor é cofundador e CTO da Oncoger.ai, empresa de IA aplicada à oncologia. Os exemplos de saúde deste artigo são ilustrativos e não descrevem produtos dessa empresa.