Como é que se pode escapar à armadilha do ROI da IA?

Tal como indicam os resultados do nosso inquérito, as organizações estão a adotar uma grande variedade de abordagens nas decisões relativas à arquitetura e à implementação da IA, sendo que a maioria opta por colaborar com parceiros externos. Apenas 9% estão a desenvolver os seus próprios modelos de linguagem de grande dimensão (LLMs), enquanto 18% estão a desenvolvê-los em colaboração com fornecedores externos. Em contrapartida, a maioria recorre a modelos externos — sendo que 41% utilizam modelos fechados, 27% abertos e 26% abordagens híbridas. Além disso, a personalização é, em grande parte, incremental: 62% utilizam modelos externos padrão, enquanto 51% incorporam a geração reforçada por recuperação (RAG) e 46% realizam um ajuste fino com dados proprietários. As duas últimas abordagens não são mutuamente exclusivas, pelo que algumas organizações utilizam ambas.

O elevado grau de pragmatismo nas escolhas das empresas em matéria de arquitetura de IA reflete-se na seleção de fornecedores e nas abordagens de conceção de soluções, conforme ilustrado no gráfico abaixo. Quanto à decisão entre construir ou comprar, a escolha mais frequente é utilizar uma estratégia híbrida caso a caso para equilibrar a personalização com a rapidez. As soluções prontas a usar surgem a seguir, permitindo uma implementação mais rápida e funcionalidade imediata, mesmo que isso resulte em custos iniciais mais elevados. São cada vez menos as organizações que recorrem a prestadores de serviços externos ou que desenvolvem internamente capacidades de IA específicas para determinadas soluções. Ao contratar fornecedores, 61% das organizações dão prioridade às abordagens «best-of-breed» em detrimento das abordagens «best-of-suite». 

As organizações também variam na forma como equilibram a implementação rápida de soluções pontuais com a reformulação abrangente dos processos, alinhando normalmente a sua abordagem aos resultados pretendidos. As soluções de rápida implementação — tais como os sistemas de apoio ao cliente baseados em IA — continuam a ser predominantes em comparação com objetivos de maior envergadura, como a integração da IA em todos os aspetos da função financeira. Esta preferência por opções de implementação rápida deve-se, em grande parte, a benefícios imediatos, tais como a rapidez de implementação, a eficiência em termos de custos, a escalabilidade e, em menor medida, a facilidade de integração com os processos existentes. No entanto, a reformulação de processos tende a superar as soluções rápidas no que diz respeito a proporcionar maior flexibilidade e controlo, bem como alinhamento estratégico.

A mensagem geral é clara. Na ausência de uma visão empresarial clara em relação à IA, as escolhas de implementação tendem a privilegiar a rapidez, os custos e a contenção de riscos — reforçando, na prática, os projetos-piloto e as soluções pontuais, apesar dos objetivos empresariais de transformação de processos e alinhamento estratégico. Essas escolhas pragmáticas são racionais — mas criam lacunas em termos de avaliação e governação que impedem o retorno do investimento (ROI) da empresa.

À medida que as empresas enfrentam a difícil transição de projetos-piloto de IA para uma transformação a nível de toda a organização, outros fatores que limitam o retorno sobre o investimento (ROI) em IA incluem o facto de a avaliação dos benefícios obtidos ser, em grande parte, qualitativa e não quantitativa, e de os indicadores-chave de desempenho (KPI) utilizados serem, muitas vezes, insuficientemente especificados.

Cerca de 61% dos inquiridos consideram que a implementação da IA está a criar mais valor do que aquele que conseguem quantificar com precisão. E embora as empresas apontem para ganhos em termos de produtividade e transparência, carecem de indicadores-chave de desempenho (KPI) claros para medir os impactos a nível empresarial. Isto parece refletir uma falta de definição prévia dos resultados e indicadores pretendidos.

Estas questões são agravadas por uma governação que é implementada de forma inconsistente e que ainda se encontra numa fase inicial de desenvolvimento. Conforme ilustram os gráficos abaixo, as empresas estão a adotar abordagens diversas no que diz respeito à responsabilidade pela governação da IA — sendo as opções mais populares a atribuição dessa responsabilidade ao Diretor Técnico (CTO) e a sua distribuição por várias funções — e estão também a aplicar várias estratégias para integrar a liderança em matéria de IA, com uma divisão bastante equilibrada entre uma abordagem centralizada e a sua localização a nível funcional. Entretanto, a grande maioria dos inquiridos já criou um conselho interdepartamental ou tenciona fazê-lo.

A questão central não é a estrutura da governação, mas sim o facto de os processos de governação serem aplicados de forma desigual. Num mundo NAVI — não linear, acelerado, volátil e interligado — esta inconsistência prejudica o retorno do investimento e aumenta o risco.

O mesmo padrão verifica-se na gestão de dados. Quase metade (43%) dos inquiridos utiliza modelos de dados híbridos que repartem o controlo entre equipas centralizadas e descentralizadas, e outros 20% utilizam abordagens federadas, nas quais as unidades de negócio gerem os seus próprios dados de acordo com normas aplicáveis a toda a empresa. Para gerir estes esforços distribuídos, mais de 50% dos inquiridos referem a existência de processos formais para avaliar a preparação da arquitetura, dos dados, da força de trabalho, dos clientes e da empresa para a IA; no entanto, a aplicação destes processos apresenta atrasos: apenas 38% afirmam aplicar regularmente estes processos para avaliar a preparação da arquitetura e apenas 26% para avaliar a preparação dos dados.

A conclusão é clara: não existe uma única abordagem de governação "preferencial", mas existe uma lacuna persistente na execução. Mesmo nos casos em que existem processos de governação, estes não estão a ser utilizados de forma coerente. Colmatar essa lacuna — tornando as funções, as normas e as verificações de preparação repetíveis na prática — é o que levará a IA para além das fases-piloto e tornará o retorno do investimento demonstrável. A AI agentic agrava o custo dessa lacuna, uma vez que a autonomia aumenta tanto a escala como as consequências.

A AI agentic está a elevar a fasquia

À medida que a trajetória das organizações no domínio da IA avança para investimentos em IA com capacidade de ação, o resultado pode ser a repetição do foco excessivo em projetos-piloto que se verificou com a GenAI — mas em maior escala e com maior risco.

Para as organizações, o passo em frente da IA de geração (GenAI) para a AI agentic acarreta tanto oportunidades como complexidade. Em ambientes de governação ainda imaturos, as implementações baseadas em agentes correm o risco de replicar a armadilha do projeto-piloto da GenAI em maior escala — introduzindo mais variáveis e mais riscos. Tal como no caso da GenAI, algumas partes interessadas manifestam confiança de que os agentes estão a criar mais valor do que aquele que é possível quantificar com as métricas existentes, uma opinião com a qual 33% afirmam concordar. Além disso, as expectativas dos inquiridos quanto ao impacto que a adoção da AI agentic terá nas suas capacidades atuais em matéria de IA revelam pontos de vista divergentes — variando entre 40%, que esperam que ambas coexistam e se complementem, e 12%, que antecipam um impacto mínimo.

A GenAI tem potencial para ser transformadora, mas a concretização do seu valor exige disciplina. O sucesso depende de se encarar a IA como um investimento estratégico, assente na preparação, no rigor e em resultados mensuráveis. Em última análise, para escapar à armadilha do ROI da IA, é necessária uma alocação de capital disciplinada, bases sólidas e rigor na gestão da carteira. A GenAI é, cada vez mais, uma necessidade competitiva, mas o risco reside em investir sem disciplina, paciência e uma compreensão clara do tempo necessário para obter valor.

Uma abordagem de carteira ajuda os líderes a equilibrar os investimentos básicos "indispensáveis" com apostas a mais longo prazo que podem demorar algum tempo a amadurecer, mas que são fundamentais para o crescimento futuro, estabelecendo expectativas realistas quanto à concretização de valor. Sempre que for adequado, aplique uma abordagem semelhante à do capital de investimento (PE): implemente e oriente os investimentos de forma a obter rendimentos estáveis e previsíveis. Para obter um impacto transformador, adote uma mentalidade semelhante à do capital de risco (VC): diversifique através de muitas pequenas apostas, aceite que algumas irão falhar e aposte naquelas que forem bem-sucedidas. A chave reside na adoção de uma dupla perspetiva — otimizar a previsibilidade sempre que necessário e assumir o risco sempre que a transformação for possível.

Ao mesmo tempo, uma implementação bem-sucedida da IA encara a governação, o risco e a cibersegurança como fatores facilitadores, e não como obstáculos. O segredo está em transformar estes princípios de normas estáticas em pilares dinâmicos e integrados, garantindo que sejam aplicados de forma coerente em toda a organização. As organizações que conseguirem fazer isto corretamente obterão melhores resultados, não abrandando o ritmo, mas tornando a inovação ágil, sustentável e repetível. Os primeiros programas de GenAI tendiam frequentemente a privilegiar um controlo central rigoroso; a próxima fase irá recompensar a expansão disciplinada, acompanhada de medidas de proteção consistentes.

Um conjunto bem definido de ações pode aumentar e clarificar o retorno do investimento em IA, apoiando a expansão a nível de toda a empresa e o crescimento do valor. Com base na investigação e na experiência da EY, há cinco medidas que podem ajudar as organizações a aumentar o valor comprovável da IA e a preparar o terreno para a sua expansão: