Como medir o retorno de um projeto de IA antes de começar

“Qual é o retorno?” é a primeira pergunta de qualquer administração sobre um projeto de IA. Muitas vezes é respondida com uma estimativa otimista num diapositivo e esquecida a seguir. A investigação económica sugere uma forma melhor de pensar no assunto, e explica porque é que os primeiros meses costumam desiludir.

A curva J

Em 2021, Erik Brynjolfsson, Daniel Rock e Chad Syverson publicaram um artigo que se tornou referência. A tese é simples: tecnologias de uso geral, como a IA, exigem grandes investimentos complementares e em grande parte invisíveis, como redesenhar processos, formar pessoas e organizar dados (Brynjolfsson, Rock e Syverson, 2021).

Durante essa fase, a produtividade medida parece estagnar, ou até cair: há custo e esforço, mas o resultado ainda não aparece. Mais tarde, quando esses investimentos amadurecem, a produtividade sobe acima do que as estatísticas conseguem captar. O desenho dessa trajetória lembra um J.

Os autores estimam que, corrigindo para estes investimentos invisíveis, a produtividade total dos fatores nos EUA estava 15,9% acima do valor oficial no fim de 2017.

Para um projeto, a lição é direta: os primeiros meses mostram o custo antes de mostrarem o ganho. Quem mede cedo demais toma a parte de baixo do J por um falhanço.

Desconfiar dos números fáceis

O retorno da IA é muitas vezes apresentado com números grandes. Um estudo da IDC encomendado pela Microsoft reporta 3,7 dólares de retorno por cada dólar investido em IA generativa (IDC, 2024). É um valor declarado pelos próprios inquiridos e financiado por um fornecedor.

Medições independentes são mais modestas. Um estudo do NBER sobre a adoção nos EUA concluiu que quem usa IA generativa no trabalho declara poupar cerca de 5,4% das horas de trabalho (Bick, Blandin e Deming, 2025). É um ganho real, mas não transforma uma operação sozinho. O retorno grande vem de redesenhar o processo, não de acelerar tarefas soltas.

Um método em cinco passos

1. Mede o ponto de partida. Recolhe algumas semanas de dados reais: tempo por caso, casos por semana, erros e retrabalho, tempo entre o problema acontecer e alguém dar por ele.

2. Escolhe poucas métricas, e as certas. Define uma principal, que a direção já acompanha, e duas ou três de controlo, para garantir que não se ganha num lado à custa de outro. Evita métricas que só existem dentro do projeto, como a “precisão do modelo”.

3. Conta o custo completo. Inclui a construção, o tempo da equipa interna, a infraestrutura mensal e a manutenção, e também os investimentos invisíveis da curva J: formação e redesenho do processo.

4. Define o ponto de decisão. Acorda uma data e um critério antes de começar. Por exemplo: ao fim de oito semanas em produção, se o tempo por caso não tiver descido para metade, paramos e revemos.

5. Mede em produção. Os números de uma demonstração são sempre bons. Os que contam vêm de semanas de uso real, com os casos difíceis e as exceções, e é aí que se vê se o projeto já saiu da parte de baixo do J.