LLM FinOps: o custo da IA para quem assina o orçamento · Capítulo 3 de 24 · 12 min
Antes de acreditar em qualquer número de IA
Os cinco números mais repetidos do mercado de IA medem coisas diferentes do que a manchete diz. O 95% do MIT Project NANDA mediu retorno de piloto no P&L, e o 40% da Gartner é projeção para 2027. Separar previsão de medição é a primeira defesa do seu orçamento.
Este capítulo faz parte do curso gratuito LLM FinOps: o custo da IA para quem assina o orçamento.
A cena se repete em conselho, em comitê de investimento e em reunião de fornecedor. Alguém projeta um slide com uma frase e um número grande: noventa e cinco por cento dos projetos de IA falham, segundo o MIT. Metade da sala usa o dado para pedir cautela, a outra metade para pedir mais orçamento, porque quem falha é sempre o vizinho que fez mal feito. Ninguém pergunta o que o estudo mediu.
O erro de citação é a parte barata. A parte caríssima é a decisão de orçamento tomada em cima de uma frase que ninguém abriu, num tema em que a fatura cresce rápido e a evidência pública tem prazo de validade curto.
Este arco já mostrou a linha de despesa que chegou à sua mesa e, em "O paradoxo: o preço cai e a conta sobe", o mecanismo que a faz crescer enquanto o preço unitário desaba. Falta a defesa. Ela é a competência de prazo de validade mais longo deste curso, porque continuará valendo depois que toda tabela de preço aqui citada estiver obsoleta.
Ao final deste módulo você será capaz de: (1) classificar qualquer número de IA que chegue à sua mesa como medição, projeção ou alegação órfã, em menos de um minuto; (2) exigir do time e do fornecedor as cinco informações que tornam um número utilizável numa decisão, a saber quem mediu, quando foi o campo, qual a base, o que foi medido e quem pagou a pesquisa; (3) reprovar o número que não sobrevive a essas cinco perguntas, sem precisar de conhecimento técnico para isso; (4) usar o 95% do MIT como pergunta de diagnóstico sobre a sua própria carteira, em lugar de veredito sobre o mercado.
O laudo de vistoria e o anúncio do vendedor
Você está comprando um imóvel e recebe dois papéis sobre o mesmo prédio. O anúncio do vendedor afirma que a região valoriza trinta por cento em três anos, tem foto boa e nenhuma metodologia anexada. O laudo de vistoria informa que a laje do terceiro andar tem infiltração, diz quem assinou, em que data entrou no imóvel e o que exatamente inspecionou. Ninguém confunde os dois papéis numa compra de imóvel, e nenhum banco financia obra com base no anúncio. Em decisão de IA os dois chegam no mesmo formato, com o mesmo logotipo de consultoria respeitada no canto, e a sala trata os dois como laudo.
Onde a analogia para de valer: o laudo de imóvel é assinado por profissional com registro, que responde pessoalmente pelo que escreveu. Pesquisa de mercado de IA não tem esse regime, e nem precisa ter. A vistoria aqui é você que institui, e ela cabe em cinco perguntas.
Duas espécies de número circulam com o mesmo crachá
Medição olha para trás. Alguém perguntou a um conjunto identificável de pessoas o que aconteceu num período fechado, contou as respostas e publicou a base. Você pode discordar da amostra, do recorte e da redação da pergunta, e pode conferir cada um dos três. O número tem data de campo, e essa data envelhece de forma previsível.
Projeção olha para frente. Um analista parte de uma medição, acrescenta premissas sobre adoção, preço e comportamento, e produz um número para um ano que ainda não chegou. Projeção séria declara horizonte e premissas. O estrago acontece na viagem do relatório até o slide, onde o tempo do verbo muda sem que ninguém avise: mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027 vira 40% dos projetos de IA agêntica são cancelados, e uma hipótese sobre 2027 passa a ser tratada como retrato de hoje. IA agêntica é o nome de mercado para os projetos em que o sistema decide sozinho quantos passos dar até cumprir a tarefa, e o curso abre a conta deles em "A conta do agente não é a conta do chat"; aqui o que está em jogo é só o tempo do verbo.
Existe uma terceira espécie, a mais perigosa das três, porque nenhuma base a sustenta. É o número órfão: circula há anos, todo mundo repete, e a cadeia de citação termina numa peça de marketing. O módulo volta a ele no fim, com o exemplo mais didático que conheço, e ele não vem do assunto IA.
O que cada espécie de número autoriza numa decisão de orçamento
Projeção usada como se fosse medição
Coluna a evitar
- Fala de um ano que ainda não chegou, portanto não há nada a conferir
- Depende de premissas de adoção e de preço que o slide raramente reproduz
- Troca de tempo verbal no caminho do relatório para a apresentação
- Serve de argumento para qualquer lado da mesa, porque nada nela foi observado
- Se a premissa mudar, o número continua circulando igual, sem correção visível
Medição com base declarada
Coluna recomendada
- Refere-se a um período fechado, com data de campo que você pode exigir
- Declara quem respondeu, quantos responderam e em que país ou faixa de empresa
- Permite comparar o objeto medido com aquilo que a manchete afirma
- Pode ser confrontada com outra medição independente sobre a mesma pergunta
- Envelhece de forma previsível, e você sabe em que mês precisa de dado novo
Cinco alegações que você vai ouvir neste trimestre
A tabela abaixo tem uma coluna que costuma faltar em toda citação de mercado, e é por ela que se lê a linha. Nas cinco, a manchete e o objeto medido deixam de coincidir, cada uma por um motivo diferente: manchete que troca o objeto, projeção vendida como retrato, gasto de terceiro apresentado como gasto seu, número que só existe em repercussão secundária e base amostral pequena carregando percentual grande.
As cinco alegações mais repetidas e o que cada uma mediu de fato
| Alegação como ela circula | Quem mediu e quando | Base declarada | O que foi medido de fato |
|---|---|---|---|
| "95% dos projetos de IA falham, segundo o MIT" | MIT Project NANDA, ago/2025 | Mais de 300 iniciativas públicas, 52 entrevistas e 153 respostas de survey | Retorno mensurável no resultado financeiro de pilotos de IA generativa, sobre base estimada de US$ 30 a 40 bilhões investidos. Nada foi medido sobre projetos de IA em geral, nem sobre a capacidade da tecnologia. |
| "40% dos projetos de IA agêntica são cancelados" | Gartner, jun/2025 | Enquete com 3.412 respondentes | Nenhum cancelamento foi medido. É projeção de que mais de 40% serão cancelados até o fim de 2027, com causas declaradas em custo crescente, valor de negócio indefinido e controles de risco inadequados. |
| "As empresas vão gastar US$ 2,595 trilhões com IA em 2026" | Gartner, mai/2026 | Projeção de gasto mundial, alta de 47% sobre US$ 1,765 trilhão em 2025 | Gasto mundial projetado, e a própria Gartner registra que o dinheiro ainda vem de fornecedores e hyperscalers, e não das empresas usuárias. O número não descreve o orçamento da sua empresa em nenhuma hipótese. |
| "Agente consome de 5 a 30 vezes mais tokens que um chatbot", ou seja, um sistema que decide sozinho quantos passos dar gasta de 5 a 30 vezes mais da unidade cobrada pela IA do que um assistente de pergunta e resposta | Gartner, citada pela CIO.com em abr/2026 | Não publicada na repercussão | Ordem de grandeza citada em veículo secundário, sem base amostral no texto que a divulgou. Confiança: verificar. Serve para dimensionar risco de orçamento em projetos desse tipo, e não para fechar número em business case. O mecanismo por trás do multiplicador é o assunto de "A conta do agente não é a conta do chat", e aqui interessa só a procedência do número. |
| "57% dos funcionários usam IA em conta pessoal no trabalho" | Gartner, fev/2026 | 175 funcionários, campo de maio a novembro de 2025 | Autodeclaração de 175 pessoas, com 33% admitindo inserir informação sensível em ferramenta não aprovada. A direção do achado é útil, e a base é pequena para sustentar percentual em slide de conselho sem a ressalva. |
Projeção tem uso legítimo, e o uso é montar cenário com premissa explícita. O que ela não faz é ocupar o lugar da medição na hora de aprovar dinheiro. Ao copiar esta tabela para material interno, mantenha a quarta coluna: é ela que impede o número de voltar sem contexto seis meses depois, na apresentação de alguém que não estava nesta aula.
Fonte: MIT Project NANDA (ago/2025), Gartner (jun/2025, mai/2026 e fev/2026) e Gartner via CIO.com (abr/2026). Cada linha traz a base exatamente como a fonte a declarou.
O número mais citado do mercado, aberto
Este caso merece ser aberto inteiro, porque ele é o mais provável de aparecer na sua próxima reunião e porque a distância entre a manchete e o estudo produz decisão errada nos dois sentidos. Quem usa o 95% para travar tudo e quem usa o 95% para dizer que o problema é dos outros cometem exatamente o mesmo erro de leitura.
O que o estudo do MIT Project NANDA mediu, e o que ele não mediu
O que exatamente foi medido?
Impacto no resultado financeiro de pilotos de IA generativa em empresas, sobre uma base estimada de US$ 30 a 40 bilhões investidos. O achado publicado é que 95% das iniciativas avaliadas não geraram retorno mensurável no P&L. O objeto é retorno apurado de piloto, e o relatório é de agosto de 2025.
Qual é a base, e o estudo é revisado por pares?
Mais de 300 iniciativas públicas de IA, 52 entrevistas com executivos e 153 respostas de survey. Trata-se de relatório de um projeto de pesquisa do MIT, publicado sob o título The GenAI Divide: State of AI in Business 2025 e repercutido em larga escala pela imprensa de negócios. Não é artigo submetido a revisão por pares, e a distinção importa no momento em que alguém afirma na sua frente que o MIT provou algo.
Então a tecnologia não funciona?
Os próprios autores não afirmam isso. Eles atribuem a divisão entre quem obteve retorno e quem não obteve à abordagem: comprar de fornecedor especializado contra construir internamente, aplicar em back-office contra aplicar em marketing, e a presença ou ausência de aprendizado e integração no fluxo de trabalho. Qualidade do modelo e ambiente regulatório não aparecem como causa. Quem cita o estudo como veredito sobre a tecnologia está citando o inverso da conclusão dele.
O que o 95% não autoriza você a afirmar?
Três coisas. Que 95% das iniciativas da sua empresa vão falhar, porque foram medidos pilotos de terceiros e não a sua carteira. Que a taxa é essa agora, porque o campo é de 2025 e há medição mais recente com números diferentes, apresentada em seguida neste módulo. E que o fracasso é da tecnologia, porque a causa apontada pelos autores é de abordagem.
Como usar o número numa reunião, então?
Como pergunta de diagnóstico dirigida ao seu próprio portfólio. Se a causa apontada foi abordagem, a pergunta útil é qual das suas iniciativas está no lado que deu retorno: tem dono nomeado, tem integração no fluxo de trabalho de quem executa, tem métrica de resultado acordada e deixou de ser demonstração perpétua. Essa conversa produz decisão. Discutir se o percentual verdadeiro é 95 ou 70 não produz nada.
Três medições independentes, mesma direção
Com o 95% devolvido ao lugar de pergunta, a dúvida prática continua de pé. O retorno de IA está aparecendo nas empresas ou não? Aqui existe medição, e existe em triplicado. Três organizações diferentes, com metodologias, públicos e datas diferentes, perguntaram versões da mesma coisa e chegaram perto do mesmo lugar. Convergência de três metodologias resiste à objeção de que a amostra estava enviesada, e é por isso que ela pesa mais numa reunião de orçamento do que qualquer número solto. Enviesar três amostras distintas no mesmo sentido dá bem mais trabalho.
O retorno declarado de IA em três medições independentes
56%
CEOs sem aumento de receita nem redução de custo com IA nos últimos 12 meses
PwC, 29ª Global CEO Survey, jan/2026, base de 4.454 CEOs em 95 países. Apenas 12% viram os dois ao mesmo tempo.
39%
Organizações que relatam algum impacto de IA no EBIT corporativo
McKinsey, The State of AI, nov/2025, base de 1.993 respondentes. A maioria desses coloca o impacto abaixo de 5% do EBIT.
57%
Empresas em que o retorno de IA não supera o investimento
Domino Data Lab e BARC, jul/2026, base de 639 líderes em empresas de US$ 100 milhões ou mais. Inalterado desde 2025.
Fonte: PwC (jan/2026, n=4.454), McKinsey (nov/2025, n=1.993) e Domino Data Lab / BARC (jul/2026, n=639, campo de abr/2026). As três medem autodeclaração de executivos, e nenhuma delas é auditoria contábil.
Onde o retorno aparece, segundo as mesmas pesquisas
O detalhe mais útil da pesquisa da Domino Data Lab com a BARC, publicada em julho de 2026, é o par de números que não fecha. A capacidade de colocar IA em produção melhorou, com 93% relatando avanço contra 88% no ano anterior, e o percentual sem retorno acima do investimento ficou parado em 57%. Entregar ficou mais fácil. Retorno não veio junto. Quem trata volume de piloto como indicador antecedente de retorno está lendo a coluna errada da própria pesquisa.
As mesmas fontes apontam separadores. A PwC registra que CEOs cujas organizações têm fundações de IA estabelecidas, com estrutura de IA responsável e ambiente técnico que permita integração corporativa, têm três vezes mais chance de relatar retorno financeiro relevante. A Gartner, em pesquisa de março de 2026 com 204 líderes de finanças, registra que as funções que investiram em iniciativas do tipo Upend, aquelas que criam proposta de valor, produto ou mercado novo, tiveram mais que o dobro de chance de reportar alto valor realizado. Os dois achados são associação, sem causalidade demonstrada, e ainda assim mudam a pergunta que você faz ao time. Sai quantos pilotos temos. Entra qual deles muda o que vendemos.
Um número órfão, escolhido de propósito fora do assunto IA. Há mais de uma década, apresentações de diretoria abrem com a informação de que a atenção humana caiu para oito segundos, menos que a de um peixe dourado. O dado sustentou decisão sobre formato de conteúdo, duração de vídeo, desenho de treinamento e política de comunicação interna em milhares de empresas. Nenhum estudo o sustenta. A reportagem da Fast Company de fevereiro de 2024 rastreou a cadeia de citação até material de marketing que citava a Statistic Brain, que não conseguiu apresentar a fonte quando a BBC foi checar. Nunca houve experimento controlado, e ninguém replicou nada. Repare no mecanismo, porque é o mesmo que opera nos números de IA: um dado circula por ser citável, e cada repetição empresta autoridade à seguinte sem que ninguém volte à origem. Dez anos de repetição não converteram esse número em evidência, e o mesmo vale para o que você vai ouvir na quinta-feira.
Um fornecedor apresenta uma plataforma de atendimento com IA. O terceiro slide afirma que clientes comparáveis reduziram 40% do custo de atendimento, com o logotipo de uma consultoria global no canto e sem nota de rodapé. O contrato proposto é de 18 meses, com pagamento anual antecipado. A área de operações gostou da demonstração e quer fechar antes do fechamento do trimestre.
Qual é a sua primeira exigência, antes de qualquer conversa sobre preço?
Antes de um número de IA entrar numa decisão sua
As cinco perguntas de procedência
0/5Antes de mover dinheiro por causa dele
0/4Tarefa de uma hora, com a apresentação que você já tem. Abra o último material de IA que saiu da sua área e marque todo número de terceiro que aparece nele. Ao lado de cada um, escreva organização, data de campo e base. Critério de sucesso: você termina com duas listas. A primeira reúne os números que você defende numa pergunta de acompanhamento. A segunda reúne os que saem do slide na próxima versão, e ela costuma ser maior do que a expectativa. Instale a regra junto com o exercício: número de terceiro sem organização, data e link não entra em material que sai da sua área. É a única política deste curso cuja implantação custa zero. Com isso o Arco 1 fecha. O arco seguinte troca o objeto de análise: sai a evidência de mercado sobre retorno e entra a sua própria fatura, começando pela unidade em que ela é medida, em "Token, entrada e saída: a unidade da conta e a assimetria que decide onde cortar".
Responda em três linhas, sem voltar ao texto. Primeira: qual número da sua última apresentação você não conseguiria defender agora, se perguntassem a fonte? Segunda: das cinco perguntas de procedência, qual delas esse número reprova? Terceira: o que muda na recomendação daquela apresentação se o número for retirado dela? Se a resposta da terceira linha for nada, você tinha um enfeite no slide e o custo de removê-lo é zero. Se for a recomendação inteira, você aprovou uma decisão em cima de um número que não sobrevive a uma pergunta de acompanhamento, e essa é a conversa para abrir com o time nesta semana.
Perguntas frequentes deste capítulo
Se 95% dos projetos falham, por que eu deveria aprovar o meu?
Meu fornecedor citou um estudo da McKinsey na proposta. Como eu confiro?
Qual a diferença prática entre uma previsão de consultoria e uma medição?
Seu caderno neste capítulo
Abrir o caderno completoSelecione um trecho do capítulo para destacar ou anotar. Nos vídeos e áudios, use Anotar este momento. No teclado, selecione com Shift e as setas e use Alt+Shift+D para destacar ou Alt+Shift+N para anotar.
Salvo neste navegador. Entre na sua conta para levar o caderno a outros aparelhos.
Entre na sua conta para compartilhar o que aprendeu e convidar alguém para estudar com você.
Conexões deste capítulo
Veja o que estudar antes e para onde seguir depois, explore os conceitos e compare abordagens em outros cursos. Sugestões marcadas como “sugerido pelo grafo” vêm dos assuntos em comum, não do índice do curso.
Estude antes
- CursoVídeo com IA: Claude Code, Codex e ElevenLabssugerido pelo grafo4 capítulos de “LLM FinOps: o custo da IA para quem assina o orçamento” usam conceitos apresentados em “Vídeo com IA: Claude Code, Codex e ElevenLabs”.
- CursoPrompt Engineering para Executivossugerido pelo grafo5 capítulos de “LLM FinOps: o custo da IA para quem assina o orçamento” usam conceitos apresentados em “Prompt Engineering para Executivos”.
Conceitos deste capítulo
O mesmo assunto em outros cursos
- Do Agile ao Agentic Operating ModelTrocar a contagem de esforço por um painel que o conselho entendeExaminar conexões de Trocar a contagem de esforço por um painel que o conselho entende
- Software e IA para executivosComo ler um número sobre produtividade com IAExaminar conexões de Como ler um número sobre produtividade com IA
- Vendas Consultivas de Serviços de GEO e IAResponder às objeções de quem assina o contratoExaminar conexões de Responder às objeções de quem assina o contrato
- Gestão de Projetos GEOConferir uma estatística antes de usá-la na diretoriaExaminar conexões de Conferir uma estatística antes de usá-la na diretoria
Voltar ao capítulo anterior: O paradoxo: o preço cai e a conta sobe
Leve uma ideia para a prática
Escolha uma atividade no painel e volte a este curso quando quiser.
Atividades e evolução ficam reunidas no painel da sua conta.
Capítulos vizinhos em LLM FinOps: o custo da IA para quem assina o orçamento
- 01A conta da IA chegou à sua mesa
- 02O paradoxo: o preço cai e a conta sobe
- 03Antes de acreditar em qualquer número de IA
- 04Token, entrada e saída: a unidade da conta e a assimetria que decide onde cortar
- 05A conta em português custa mais caro