Por Fernando Negrini*
Um estudo do MIT publicado em 2025, dentro da iniciativa NANDA, chegou a um número que deveria constranger o mercado de tecnologia: 95% dos pilotos de IA generativa em empresas não produzem impacto mensurável no resultado financeiro. Na mesma direção, o Gartner projetou que cerca de 30% dos projetos de IA generativa seriam abandonados ainda na prova de conceito. O problema, convém dizer logo, não é a tecnologia.
O que mudou depois da popularização do ChatGPT foi a natureza do debate. A discussão sobre inteligência artificial deixou de ser predominantemente técnica e passou a ser conduzida por narrativas de marketing. Abriu-se espaço para promessas feitas por quem, muitas vezes, não domina os fundamentos de machine learning, modelagem matemática e engenharia de dados. O resultado é o descompasso que os números acima capturam: expectativa de um lado, capacidade real de gerar valor para o negócio de outro.
O sintoma mais claro desse descompasso é a obsessão por produtividade. Individualmente, o ganho é inquestionável: modelos generativos aceleram a produção de conteúdo e a síntese de informação. Mas produtividade, da forma como vem sendo medida, é uma métrica subjetiva, sem fator claro. Quando levada à escala, onde um conjunto de ações precisa se traduzir em ganhos no balanço, a conta não fecha. Vimos recentemente empresas demitirem programadores para substituí-los por IA e descobrirem, na prática, que o custo dos tokens superava o custo do profissional, casos como da Uber, Klarna e Microsoft. Se nem o ganho de produtividade se sustenta em escala, algo está errado na premissa.
O que interessa a um conselho de administração não é quantos e-mails foram escritos mais rápido. É quanto foi economizado, quanto risco foi evitado, quanto lucro adicional foi gerado. Redução de fraude em um banco. A decisão de abrir, ou de paralisar, uma nova planta industrial. São decisões que tocam a veia nevrálgica do negócio e que aparecem, de forma mensurável, em earnings, savings e exposição a risco. Se a inteligência artificial não altera essas decisões, ela segue sendo uma ferramenta de produtividade, não uma infraestrutura estratégica.
É aqui que entra uma crítica frequentemente mal compreendida. O problema nunca foi o dashboard. O problema é acreditar que acumular indicadores produz melhores decisões. Em muitos casos, a cadeia que alimenta esses indicadores já nasce fragmentada, inconsistente e pouco auditável. O excesso de informação com baixa capacidade de orientar uma ação concreta tem nome: infotoxicação. O decisor não precisa de mais dados na tela. Precisa de informação confiável, no momento certo, para uma decisão de alto impacto.
A resposta para isso não é um grande oráculo computacional. É engenharia. Consolidar dados fragmentados em um ambiente de fundamentação, conter os fluxos que alimentam qualquer aplicação de IA para impedir alucinações e desvios, converter dados operacionais em seu equivalente financeiro e contábil, e só então colocar algoritmos estatísticos e matemáticos para monitorar sinais de risco naquilo que o decisor de fato precisa. A informação vai sendo destilada ao longo de um processo auditável, seguindo a sequência lógica de quem decide: sinal, decisão e evidências que a sustentam. É essa tese que materializamos no TheraOS 2.0, nosso sistema operacional de decisão.
É o conceito central de decision-grade AI: uma infraestrutura que só se justifica onde a decisão tem impacto financeiro mensurável e exige evidência auditável, e não onde um ERP, um BI ou a experiência humana já resolvem. O mercado vai continuar debatendo se a IA é bolha ou revolução. Para quem senta em um conselho, a pergunta útil é outra: quais decisões da empresa merecem uma infraestrutura de evidências, e quantas delas, hoje, são tomadas no meio da infotoxicação? Quando essa pergunta for respondida, a discussão volta a ser técnica. E o valor, mensurável.
Siga nosso canal no WhatsApp e receba notícias relevantes para o seu dia
*Fernando Negrini é Co-Founder & CEO da Grand Thera Technologies