Depois de dois anos de experimentação, a conversa sobre inteligência artificial nas grandes empresas brasileiras mudou de eixo. A pergunta deixou de ser se a tecnologia funciona e passou a ser quanto ela devolve, em qual prazo e sob quais garantias. Essa virada ficou evidente nos dias 4 e 5 de agosto, no AI&Data Leaders 2026, principal encontro de líderes em IA e dados no Brasil, que reuniu executivos de negócio e lideranças técnicas com um objetivo bastante direto: tirar a inteligência artificial do terreno da promessa e colocá-la no terreno da execução.
Neste artigo, Sergio Silva, especialista em governança de dados na Keyrus e presidente da DAMA Brasil, explica por que o retorno da inteligência artificial depende menos da tecnologia escolhida e mais das fundações de dados, dos critérios de governança e da revisão humana que sustentam cada decisão automatizada.
ROI de IA: o que os números de 2026 já mostram
Dois casos apresentados ao longo dos dois dias ajudam a dimensionar o estágio atual. A Rede Américas, no setor hospitalar, alcançou 157% de retorno sobre o investimento em quatro meses. A Rodobens superou em 182% as metas de retorno que havia estabelecido, tratando a inteligência artificial como linha de resultado e não como iniciativa de inovação.
O que mais chama atenção nesses indicadores não é a magnitude, e sim o fato de existirem. Medir retorno de inteligência artificial exige saber qual era a linha de base antes do projeto, isolar o efeito do modelo de outras mudanças que aconteceram no mesmo período e ter alguém disposto a assinar embaixo do número. A maior parte das empresas ainda não consegue fazer nenhuma das três coisas, o que explica por que tantas iniciativas são descritas como bem-sucedidas sem que ninguém saiba dizer quanto renderam.
Cabe uma ressalva que raramente aparece nas apresentações: resultados dessa ordem costumam vir de escopos bem delimitados, com dado tratado e processo estável. A dificuldade começa quando a mesma lógica precisa ser replicada em áreas onde o dado é disperso e o processo muda a cada trimestre. E é exatamente aí que a diferença entre as empresas deixa de ser tecnológica.
O que trava a escala: fundações de dados antes de modelos
Nas conversas de bastidor do encontro, o diagnóstico se repetiu com uma consistência incômoda. Praticamente nenhuma equipe relatou ter travado por falta de modelo adequado. Quase todas relataram ter travado por causa do dado.
Três sintomas aparecem com frequência nas organizações que ainda não conseguiram sair do piloto:
Inconsistências e complexidades de integração que consomem cerca de metade do tempo total das equipes de tecnologia, esforço que se esgota em correção e nunca chega à criação de valor.
Bases sem qualidade e sem linhagem confiável, que sustentam uma prova de conceito em ambiente controlado e desmoronam quando encontram o volume e a variedade do dado real.
Agentes autônomos conectados a sistemas críticos sem que exista um registro claro de quem autorizou o quê e com base em qual informação.
Nenhum desses pontos se resolve com troca de fornecedor ou com a contratação de uma nova plataforma. São questões de arquitetura e de disciplina, e por isso costumam ser adiadas: não geram demonstrações impressionantes em reunião de diretoria e competem por orçamento com projetos que geram. A consequência prática é que o teto do retorno é definido bem antes de qualquer discussão sobre modelos, no momento em que a empresa decide o quanto vai investir na base que sustenta esses modelos.
Estrutura de times e letramento em dados
Há um segundo teto, menos visível, que se forma dentro das equipes. Quando um modelo entra em produção, a decisão sobre confiar ou não em uma recomendação deixa de ser da área de dados e passa para quem está na ponta, no crédito, no atendimento, na operação. Se essa pessoa não sabe o que o sistema pode e o que não pode fazer, ela vai adotar um de dois comportamentos igualmente caros: aceitar tudo sem questionar ou ignorar a ferramenta por completo.
Por isso, o letramento em dados e em inteligência artificial não é um treinamento acessório, e sim uma condição para que o investimento se converta em uso. E é também o que separa uma organização que aprende com os próprios erros de uma que apenas acumula dívida técnica.
Três dilemas concentraram as discussões da alta gestão, e nenhum deles tem resposta padronizada:
Estruturação de times de dados: como equilibrar a agilidade que a experimentação exige com o rigor operacional que a produção impõe, sem criar duas culturas incompatíveis dentro da mesma área.
Desenvolver ou comprar: quais critérios devem orientar a escolha entre construir soluções proprietárias e adquirir tecnologia de mercado, considerando que a decisão define também o grau de dependência futura.
Experimentação responsável: como manter espaço para testar sem transformar cada teste em risco reputacional ou regulatório.
IA agêntica: quando a autonomia muda o tipo de risco
A infraestrutura que sustenta a etapa seguinte se apoia em uma combinação bastante específica: arquitetura de dados aberta, transmissão contínua de dados e inteligência de dados operando de forma integrada. Sem essa base, agentes autônomos até funcionam em demonstração, mas não têm como acessar o contexto atualizado que uma decisão real exige.
Duas frentes concentram as oportunidades mais concretas de modernização. A primeira é a engenharia de contexto, que deixou de ser refinamento técnico para se tornar alavanca de margem, já que reduz de forma expressiva o custo de processamento enquanto eleva a precisão das respostas. A segunda é a inteligência artificial agêntica, que leva sistemas a conduzir etapas inteiras da jornada do cliente no varejo e na educação, com personalização que se reflete em engajamento e conversão.
A mudança de fundo, porém, é outra. Um modelo preditivo sugere, e alguém decide. Um agente decide, e alguém descobre depois. Essa inversão não aumenta apenas a eficiência: aumenta também a superfície de erro, porque a falha deixa de ser uma recomendação ruim e passa a ser uma ação executada. Autonomia sem critério definido, limite explícito e ponto de revisão não é maturidade, é exposição.
Se a inteligência artificial errar, quem responde?
Essa exposição tem endereço jurídico. Quando uma decisão automatizada causa prejuízo a um cliente, a responsabilidade recai sobre quem desenvolveu o modelo, sobre quem o operou ou sobre quem se beneficiou do resultado? A pergunta parece abstrata até o primeiro caso concreto, e nesse momento a empresa descobre se consegue ou não reconstruir como aquela decisão foi tomada.
É isso que uma governança baseada em risco organiza. O princípio é simples: classificar cada aplicação pelo impacto potencial de suas decisões e aplicar controles proporcionais a esse impacto, com transparência, rastreabilidade e revisão humana obrigatória onde o dano possível é maior. É a lógica que orienta o PL 2338/2023 e que já está implícita nas exigências da LGPD sobre decisões automatizadas.
Empresas que tratam isso como camada de conformidade a ser resolvida depois costumam descobrir que refazer arquitetura para inserir rastreabilidade custa várias vezes mais do que tê-la previsto desde o início. Mitigar risco jurídico e reputacional deixou de ser contrapeso à inovação e virou parte do que torna a inovação sustentável.
O que separa as empresas em 2026
O que os dois dias de discussão deixaram mais claro é que a distância entre as organizações não está no acesso à tecnologia, que hoje é praticamente equivalente para todas. Está na capacidade de provar.
Provar que o retorno existe exige medição estruturada. Provar que a decisão foi correta exige rastreabilidade. Provar que o sistema opera dentro de limites aceitáveis exige governança e supervisão humana. As três capacidades dependem da mesma fundação de dados, e nenhuma delas se constrói no prazo de um projeto-piloto.
No horizonte de 2026, a pergunta relevante para qualquer liderança não é mais quantos sistemas de inteligência artificial a empresa colocou em produção. É quantas decisões ela passou a tomar melhor e quantas delas conseguiria explicar, com evidência, se alguém perguntasse.
É o modelo que classifica cada aplicação de inteligência artificial pelo impacto potencial de suas decisões e aplica controles proporcionais a esse impacto, com transparência, rastreabilidade e revisão humana nos casos de maior risco. É a lógica adotada pelo PL 2338/2023 e compatível com as exigências da LGPD sobre decisões automatizadas.
Modelos tradicionais respondem a uma solicitação e devolvem uma saída que alguém interpreta antes de agir. Sistemas agênticos executam sequências de tarefas de forma autônoma, tomam decisões intermediárias e interagem com outros sistemas para chegar a um objetivo, o que desloca o controle humano do momento da decisão para o momento da definição de regras e da auditoria.
Na maior parte dos casos o obstáculo não é o modelo, e sim a base de dados. Sem qualidade, integração e linhagem confiável, o piloto funciona em ambiente controlado e falha quando encontra o volume, a variedade e as inconsistências do dado real.
É preciso registrar a linha de base do processo antes da implementação, isolar o efeito do modelo de outras mudanças ocorridas no mesmo período e definir um responsável pelo indicador. Sem esses três elementos, o resultado informado é estimativa, não medição.