Por que a IA nas empresas ainda não chega ao lucro

A IA nas empresas virou rotina, e o resultado financeiro não acompanhou. Na edição 2026 do levantamento anual da McKinsey, publicada em agosto, quase nove em cada dez organizações dizem usar inteligência artificial com regularidade em ao menos uma área. Só 37% atribuem a ela algum efeito sobre o EBIT, praticamente o mesmo patamar de um ano antes (The state of AI in 2026, McKinsey).

Por que isso importa: as empresas escalaram a tecnologia, os funcionários dizem produzir mais e o lucro ficou parado. Com a conta de licenças, tokens e pilotos chegando ao orçamento de 2027, conselhos e CFOs vão cobrar retorno. A explicação mais consistente para a demora tem mais de cem anos e não envolve escolher um modelo melhor.

Por que a IA nas empresas não aparece no EBIT

A pesquisa ouviu 1.719 profissionais em 97 países entre maio e junho de 2026. O retrato tem duas camadas que não conversam entre si.

No nível individual, 80% dos respondentes dizem que a IA melhorou a própria produtividade, e metade afirma que ela ajuda a tomar decisões melhores. No nível da empresa, o efeito some. A fatia de organizações que escalam IA em toda a operação subiu de 38% para 44% em um ano. A de quem enxerga impacto no EBIT ficou onde estava.

O grupo de elite também não cresceu. Os chamados high performers, que atribuem 5% ou mais do EBIT à IA e descrevem o valor obtido como significativo, seguem em cerca de 6% dos respondentes, mesma proporção de 2025.

O ponto crítico: a pesquisa mede a percepção de quem responde, não balanços auditados. O EBIT atribuído à IA é uma estimativa. Ainda assim, um número que fica parado enquanto o uso cresce dificilmente se explica só por erro de medição.

O que o dínamo de 1900 ensina sobre IA e produtividade

Em 1990, o economista Paul David, de Stanford, publicou um artigo curto que virou referência para quem estuda tecnologia e produtividade (The Dynamo and the Computer, American Economic Review). A dúvida da época era parecida com a de hoje: computadores em toda parte e quase nenhum efeito nas estatísticas.

David foi buscar a resposta na eletrificação das fábricas americanas. As plantas a vapor funcionavam em torno de um único motor central, que girava eixos e correias ligados a todas as máquinas. Por isso eram prédios de vários andares, empilhados ao redor da fonte de força.

Quando o dínamo chegou, muitos donos fizeram a troca mais óbvia. Tiraram a máquina a vapor e instalaram um grande motor elétrico no mesmo lugar. Eixos, correias e layout continuaram iguais. A produtividade quase não se mexeu.

O salto veio nos anos 1920. Cada máquina ganhou o próprio motor, e as fábricas foram redesenhadas em um único andar, organizadas pelo fluxo do material em vez do eixo de transmissão. Entre a comercialização da eletricidade e o ganho nas estatísticas passaram-se cerca de quatro décadas, como resume o economista Tim Harford (History News Network).

A tecnologia estava pronta desde a década de 1890. O que demorou foi a reorganização.

Por que o ganho de uma etapa se perde na seguinte

O padrão atual da IA nas empresas tem a mesma forma. Um Copilot liberado no financeiro, um agente no atendimento, pilotos espalhados por áreas que continuam trabalhando como antes.

A produtividade individual que os funcionários relatam é real. E é justamente ela que esconde o problema. Um analista que redige um parecer em 20 minutos, e não mais em duas horas, entrega o documento à mesma fila de aprovação, ao mesmo comitê semanal, ao mesmo prazo de cinco dias. O tempo poupado fica parado entre uma etapa e outra. A ferramenta acelera a tarefa e desloca o gargalo para o passo seguinte.

Os números da McKinsey apontam nessa direção. Quase três quartos dos high performers dizem ter redesenhado fundamentalmente fluxos de trabalho por causa da IA, ante 55% no ano anterior. Entre os demais respondentes, a proporção é de um quarto.

Há também a conta. Cerca de um em cada cinco respondentes afirma que custos operacionais de IA, incluindo tokens, já limitam o uso na empresa. Gastar tokens para acelerar um processo que continua lento no conjunto é a versão 2026 do dínamo instalado no lugar da caldeira.

Como redesenhar processos com IA: por onde começar

Escolher um fluxo inteiro antes da ferramenta. O ponto de partida é um processo com início, fim e custo mensuráveis, como concessão de crédito, onboarding de cliente ou fechamento contábil. A pergunta útil é quais etapas existem só porque o trabalho humano era lento ou caro. Essas são as candidatas a sumir.

Recalcular metas junto com o processo. Se sete etapas viram duas, prazos, SLAs, metas e custos precisam mudar no mesmo movimento. Um SLA antigo aplicado a um fluxo novo transforma o ganho em folga, e a folga não aparece no EBIT.

Dar a caneta ao gestor de linha. O relatório do MIT sobre IA generativa nas empresas, publicado em 2025, aponta que a adoção avança quando gestores de linha lideram a integração, sem depender só de laboratórios centrais de IA (Fortune). Quem conhece a área a fundo sabe quais aprovações são controle e quais são hábito.

Medir no resultado, não na adoção. Licenças ativas e prompts por semana medem uso. Na pesquisa da McKinsey, os high performers têm duas vezes mais chance de contar com processos definidos para medir o impacto das iniciativas e com líderes seniores comprometidos com elas.

Usar o tamanho a favor. Entre empresas com receita acima de US$ 1 bilhão, 40% já escalam agentes de IA, contra 22% nas menores. A distância parece de orçamento, mas redesenhar um fluxo depende mais de quantas camadas de aprovação existem do que de quanto se gasta em licenças. Empresas menores têm menos camadas para desmontar.

Sinais para acompanhar em 2027

O sinal: 32% dos respondentes da McKinsey dizem que suas empresas desistiram de comprar algum software porque conseguiram construir a funcionalidade internamente com agentes de programação. Para a própria consultoria, é um indício de que a IA começa a mudar a forma como o orçamento de tecnologia é distribuído.

O ruído: em 2025, 32% esperavam cortes de pessoal causados pela IA nos 12 meses seguintes. Neste ano, só 14% relataram redução efetiva. A expectativa de corte subiu de novo, para 39%. Previsões de demissão em massa seguem à frente dos fatos.

O que observar: empresas que passarem a reportar a IA por processo redesenhado, com custo e prazo antes e depois, e não por número de pilotos. É ali que o EBIT deve se mover primeiro.

O tema está na pauta da Master Talk em que os sócios da StartSe discutem, no dia 5 de novembro, às 19h, em exibição única, o que 2026 mostrou sobre IA nas empresas e o que 2027 vai cobrar delas. O acesso é pelo grupo de WhatsApp da Master Talk.

As fábricas que lucraram com a eletricidade nos anos 1920 não compraram motores melhores que os da concorrência. Mudaram de prédio.