88,1% das organizações utilizam inteligência artificial rotineiramente em pelo menos uma função. Apenas 39,1% relatam algum impacto no EBIT da empresa como um todo, e meros 6,1% excedem 5,1% do EBIT atribuível à IA. Todos os três dados provêm do mesmo estudo da McKinsey de 2025, baseado em 1.993 participantes em 105 países, e a diferença entre o primeiro e o terceiro lugar reflete a realidade deste ciclo.
A conclusão da McKinsey é literal e merece ser lida duas vezes: um impacto significativo nos resultados financeiros continua sendo raro.
Quando apenas o 88% é citado, argumenta-se que aqueles que não o adotarem ficarão para trás. Quando os três são citados, a questão muda: O que o 6% está fazendo de diferente?
Outras fontes apontam na mesma direção, utilizando metodologias diferentes:
A magnitude varia. A direção, não.
A McKinsey identifica uma variável que supera todas as outras em sua correlação com o impacto no EBIT: ter fluxos de trabalho fundamentalmente redesenhados. Apenas 211 mil e três mil usuários de IA generativa fizeram isso, e aqueles que alcançam alto desempenho têm aproximadamente três vezes mais probabilidade de tê-lo feito.
Não é o modelo. Não é o fornecedor. Não é o orçamento. É a mudança na forma como o trabalho é feito.
Isso tem uma explicação operacional simples. Adicionar uma ferramenta a um processo existente economiza minutos por tarefa. Redesenhar o processo em torno da nova funcionalidade elimina etapas inteiras. A primeira é perceptível na percepção do funcionário; a segunda, nos resultados financeiros.
Abordagem | O que muda? | Onde o resultado aparece |
|---|---|---|
Adicionar ferramenta | As tarefas são concluídas mais rapidamente. | Pesquisas internas de satisfação |
Automatize o processo atual | O trabalho manual repetitivo é eliminado. | Custo operacional de um departamento |
Redesenhe o fluxo de trabalho | Passos, controles e espera desaparecem | EBIT |
A maioria das organizações está na primeira fila e espera resultados da terceira.
Há um fenômeno que vale a pena entender antes de prometer retornos. Quando uma ferramenta economiza vinte minutos por dia para cinquenta pessoas, isso não significa dezesseis dias de trabalho liberados. São vinte minutos distribuídos entre outras tarefas, que são então absorvidas sem qualquer alocação orçamentária.
A poupança só se torna um resultado quando uma destas três coisas acontece:
Uma etapa inteira é eliminada do processo. Não acelera: desaparece.
O aumento do volume é absorvido sem a necessidade de aumentar a força de trabalho. A equipe fabrica mais um 30% com a mesma estrutura.
Um custo direto identificável é reduzido. Menos erros, menos retrabalho, menos penalidades.
Se um projeto não consegue explicar qual dos três objetivos está buscando, ele não tem uma justificativa comercial: tem apenas uma expectativa.
Um projeto que atende a todos os quatro critérios pertence à categoria 6%. Um projeto que não atende a dois ou mais critérios pertence, estatisticamente, à categoria 42%, que é abandonada.
Este é o mesmo diagnóstico que apresentamos em o purgatório do piloto [link interno], vista da perspectiva do retorno em vez da implantação.
Seria igualmente desonesto usar esses dados para concluir que a IA não funciona. O modelo 6% existe e está obtendo vantagens reais; o custo da inferência caiu mais de 280 vezes em dois anos, de acordo com o Stanford HAI, expandindo a gama de casos de uso lucrativos; e o problema documentado não é a tecnologia em si, mas o trabalho organizacional que a envolve.
A leitura correta é mais útil: A adoção já não faz diferença, porque quase todos a têm; o que faz a diferença é a reformulação.. E a reformulação é lenta, pouco atraente e não está disponível para compra.
Provavelmente, esse é o motivo pelo qual apenas o 21% conseguiu isso.
Segundo a McKinsey (2025), 881% das organizações utilizam IA em alguma função, 391% relatam algum impacto no EBIT em nível corporativo e apenas 61% ultrapassam 51% do EBIT atribuível. A IBM estima que 25% das iniciativas alcançaram o retorno esperado e 16% daquelas que foram implementadas em nível organizacional.
A reformulação profunda dos fluxos de trabalho. A McKinsey identifica isso como o fator com maior correlação com o impacto no EBIT e destaca que apenas 211 mil e trinta mil dos que adotaram IA generativa a implementaram, enquanto empresas de alto desempenho têm cerca de três vezes mais probabilidade de tê-la feito.
Porque vinte minutos economizados por cinquenta pessoas são absorvidos por outras tarefas sem gerar qualquer alocação orçamentária. As economias só chegam à demonstração de resultados se uma etapa do processo for eliminada, se um volume maior for absorvido sem aumentar o quadro de funcionários ou se um custo direto identificável for reduzido.
Esse número vem de um relatório preliminar do Projeto NANDA do MIT de 2025, que não foi revisado por pares e enfrentou críticas metodológicas em relação ao tamanho da amostra e à janela de medição. Fontes mais confiáveis apontam na mesma direção, embora com magnitudes diferentes: o problema de escala é real, mas o valor exato ainda não foi estabelecido.
Que processo específico será alterado e qual etapa será eliminada, qual é a métrica e o limite que determinarão se o processo deve continuar ou ser interrompido, quem é o responsável pelo resultado comercial e qual é o custo unitário extrapolado para o volume real, considerando picos e novas tentativas?.
Não. O modelo 6% que obtém uma vantagem significativa existe, e a queda nos custos de inferência — mais de 280 vezes entre 2022 e 2024, segundo o Stanford HAI — amplia o leque de casos de uso lucrativos. O que os dados indicam é que a adoção já não faz diferença e que o fator determinante é o trabalho organizacional em torno da tecnologia.
Seu projeto de IA pertence ao 6% ou ao 42%? Analisamos o caso de uso, as métricas de negócios e o custo unitário antes que se torne apenas mais um projeto piloto. Duas horas, sem compromisso. Vamos conversar → |
Español Español 
English
Français
العربية
Português
Deutsch
Italiano
