À medida que 2025 chega ao fim, a conta do boom da Inteligência Artificial chegou oficialmente. Embora os roteiros empresariais continuem repletos de projetos-piloto generativos, a lacuna entre a “mágica” e a “margem” na geração de receitas da IA está a aumentar.
Dados recentes mostram um quadro nítido dessa “lacuna de ROI”. De acordo com um estudo de dezembro de 2025 do MIT, quase Atualmente, 95% dos projetos empresariais de IA não conseguem entregar retornos mensuráveis. Da mesma forma, a Forrester relata que apenas 15% dos executivos observaram alguma melhoria nas margens de lucro de seus investimentos em IA no último ano.
O silêncio desconfortável nas salas de reuniões não é mais sobre se a tecnologia funciona – mas sobre por que ela não está compensando.
Passar de uma demonstração promissora para um mecanismo gerador de receitas requer mais do que apenas dados limpos e bons modelos; requer uma mudança fundamental na estratégia – uma mudança que reduza a divisão entre a ambição executiva e a realidade da engenharia.
Para navegar nesta divisão, recorremos a Vladislav ChekryzhovDiretor de Ciência de Dados e IA da AUTODOC. Operando em 27 mercados europeus distintos, Chekryzhov situa-se na rara interseção entre propriedade executiva de produtos e arquitetura de sistema prática. Ao contrário dos futuristas teóricos que frequentemente dominam as manchetes, o seu mandato baseia-se na realidade de alto risco do grande comércio eletrónico: fornecer sistemas de nível de produção que influenciam diretamente os preços, a retenção e a fidelidade do cliente.
Ele representa uma disciplina que poderíamos chamar de “Realismo de Receitas” – a compreensão de que um modelo de IA só é tão valioso quanto a sua capacidade de sobreviver na natureza e proporcionar um impacto comercial mensurável.
Aqui estão cinco eixos estratégicos necessários para transformar o hype da IA em realidade de lucros e perdas.
O “Filtro de Utilidade”: Priorização Implacável
A primeira armadilha em que muitas organizações caem é a da “solução em busca de um problema”. Com a barreira de entrada para IA generativa mais baixa do que nunca, a tentação de criar recursos “legais” é alta. No entanto, a geração de receitas exige uma recusa disciplinada em perseguir tendências que não fazem avançar a situação.
Para Chekryzhov, a distinção entre um recurso e um motivador de negócios é gritante. Não começa com código, mas com modelagem financeira.
“Em última análise, priorizar quaisquer iniciativas de IA/ML se resume à disciplina de construir suposições. Não confie na intuição; modele o impacto primeiro – ganhe dinheiro no Excel antes mesmo de o código ser escrito.”
Ele categoriza as iniciativas em três níveis: Otimização da economia atual (Nível 1), Desbloqueio da economia de novos produtos (Nível 2) e Remodelação do ecossistema empresarial (Nível 3). A zona de perigo, observa ele, é geralmente o Nível 3, onde as histórias estratégicas muitas vezes mascaram suposições fracas.
“O modo de falha comum é construir um brinquedo caro… Forço um teste do fornecedor: pagaríamos por essa capacidade com base nas taxas do fornecedor (por exemplo, OpenAI) e ainda manteríamos as margens? Se não houver um caminho defensável para o crescimento da receita ou uma mudança radical nas despesas operacionais, é apenas um experimento caro.”
Equilibrando o algoritmo: preço x retenção
No comércio eletrônico, a IA costuma ser encarregada da otimização. Mas a otimização raramente é de soma zero. Um modelo concebido para maximizar a margem imediata (Preços Dinâmicos) pode punir inadvertidamente a lealdade a longo prazo (Retenção).
Chekryzhov argumenta que gerenciar essa tensão não consiste em encontrar a arquitetura de rede neural perfeita, mas em estabelecer os limites organizacionais adequados.
“O mínimo que funciona surpreendentemente bem é a cultura, não a arquitetura: experimentação rigorosa com as proteções corretas. Cada mudança de preço ou promoção é medida não apenas pela eficiência imediata, mas também pelos “efeitos halo”: como ela muda o comportamento entre coortes e segmentos… Definimos antecipadamente quais métricas podem se mover, em que direção e por quanto. Se uma vitória na margem vier com uma retenção ou um impacto no CLV fora desses limites, não será uma vitória.”
Para implementar isso tecnicamente, ele sugere evitar monólitos de “caixa preta” em favor de uma abordagem em camadas que dê controle aos líderes empresariais sem exigir uma reciclagem completa do modelo.
“Uma maneira prática de fazer isso é uma cascata de modelos: um modelo de precificação propõe preços candidatos e, em seguida, modelos leves preveem os resultados do usuário e atuam como um filtro ou reclassificador de ponderação. O benefício é o controle: você pode ajustar a lógica de negócios alterando a configuração final, em vez de treinar novamente o modelo pesado sempre que as prioridades mudam.”
A “lacuna de produção”: onde o ROI morre
Uma Prova de Conceito (POC) é um experimento controlado; a produção é uma zona de guerra. Muitas projeções de receita falham porque subestimam as despesas gerais de engenharia necessárias para manter um modelo funcionando em escala.
Chekryzhov alerta que a IA introduz um tipo específico de dívida técnica que os engenheiros de software tradicionais muitas vezes ignoram: o não determinismo.
“A resposta honesta é que um PoC bem-sucedido não prova que você tem um produto escalável… O modelo não é determinístico: uma nova execução pode produzir resultados diferentes. Isso explode o custo de depuração, torna os incidentes mais difíceis de reproduzir e eleva o nível de monitoramento. A dívida técnica aparece mais cedo em sistemas de IA do que em software tradicional, tornando-se um imposto sobre a velocidade de desenvolvimento de toda a equipe.”
Estrategicamente, isso significa que o cálculo do ROI deve incluir o custo da confiabilidade. Se você orçar apenas para o desenvolvimento e não para o “imposto” de manutenção, suas margens irão evaporar.
“Os melhores investimentos que vi aqui não são exóticos… eu pressiono pela higiene básica (Cultura MLOps e o processo contínuo de design de sistemas de ML)as peças que não ficam desatualizadas: qualidade mensurável, capacidade de depuração e reversibilidade.”
Isolando o sinal: o desafio da atribuição
Talvez a questão estratégica mais complexa a ser respondida seja: “A IA fez isso?” Num ecossistema complexo que envolve dezenas de mercados, sazonalidade e gastos com marketing, atribuir receitas a fontes específicas é estatisticamente confuso. No entanto, sem uma atribuição clara, é impossível justificar o investimento contínuo ao nível C-suite.
Chekryzhov aborda esta questão com o rigor de um cientista, rejeitando a ideia de que modelos complexos geram confiança. Em vez disso, ele confia em contrafactuais – provando o que teria acontecido na ausência da IA.
“A única maneira de afirmar que ‘IA impulsionou X’ com uma cara séria é ancorar-se em um contrafactual confiável. Confio em duas famílias de evidências: experimentos aleatórios (A/B) quando viáveis, e métodos quase-experimentais quando não. Se a decisão for importante além da janela de teste, adicionamos uma resistência global à configuração A/B: um grupo de controle persistente que nunca vê o recurso. É doloroso – você está literalmente perdendo dinheiro. Mas muitas vezes é o único link confiável para a realidade. “
“Para o alto escalão, a mensagem é consistente: a confiança não vem de um modelo complexo. Ela vem de uma abordagem transparente e de um design de medição que você pode explicar claramente.”
Trilhos de segurança: confiando na máquina
Finalmente, a automatização de decisões sobre receitas – como licitações ou preços – acarreta riscos inerentes. Um chatbot “alucinante” é constrangedor; um algoritmo de precificação que vende estoque com perda de 90% é catastrófico.
A implementação estratégica requer uma filosofia “human-in-the-loop” que evolui para uma governação “human-over-the-loop”. Chekryzhov aconselha avaliar o custo do erro antes de conceder autonomia.
“Começo com o design do sistema ML/IA, e um artefato é mais importante aqui: o custo do erro. Se a desvantagem for alta e difícil de reverter, não busco autonomia total… Quando o perfil de risco é aceitável, gosto de um “controle deslizante de autonomia”. As primeiras iterações são validadas por humanos. À medida que você acumula dados e confiança, você move o controle deslizante em direção à automação em etapas controladas.”
Mesmo quando um sistema é totalmente autónomo, deve operar dentro de limites estritos definidos pelo negócio e não pelo modelo.
“A autonomia deve ser limitada pela política como código. O sistema deve ter restrições explícitas, disjuntores e alternativas seguras… Você não está debatendo a autonomia em teoria; você a está conquistando.”
A receita de IA precisa de uma atualização de maturidade
A transição da experimentação da IA para as receitas da IA não é uma atualização tecnológica; é uma atualização de maturidade. Requer afastar-se do fascínio da novidade e abraçar o rigor da engenharia, a complexidade da atribuição e a disciplina da priorização.
Como demonstra a experiência de Chekryzhov na AUTODOC, as empresas que vencerão não serão necessariamente aquelas com os modelos mais avançados, mas sim aquelas com as pontes mais robustas entre a ciência de dados e a estratégia empresarial.
