Alerta URGENTE: Empresas Gastam Demais com IA por Erro BÁSICO, revela Executiva da SAS!

Empresas ao redor do mundo estão enfrentando um dilema crescente: os investimentos em inteligência artificial (IA) disparam, mas o retorno esperado muitas vezes não se concretiza. Segundo Manisha Khanna, head de marketing de produto para IA da SAS, essa disparidade não é um problema de custo inerente à tecnologia, mas sim o sintoma de um erro básico e estrutural na forma como as organizações abordam a implementação da IA. A executiva, em entrevista exclusiva à EXAME, destaca que o gasto excessivo com ‘tokens’ – a unidade de cobrança dos modelos de linguagem – é apenas a ponta do iceberg, revelando uma falha mais profunda na estratégia de adoção tecnológica.

A análise de Khanna surge em um momento crucial, onde a febre da IA generativa impulsiona orçamentos, mas a compreensão sobre o uso eficaz da tecnologia ainda engatinha. O alerta é claro: sem uma mudança fundamental na abordagem, os recursos continuarão a ser desperdiçados em projetos que não entregam valor real aos negócios.

O Erro Básico: Confundir Experimentação com Estratégia

Manisha Khanna compara a situação atual das empresas com uma criança que recebe um brinquedo divertido: há muita experimentação e uso, mas nem sempre com um propósito claro ou alinhado ao ambiente de trabalho. No contexto corporativo, especialmente em grandes empresas reguladas e com governança rigorosa, essa experimentação desmedida se torna perigosa e custosa. O problema central, segundo a executiva, reside na aplicação equivocada de modelos de linguagem grandes para tarefas que exigiriam sistemas determinísticos.

Modelos de linguagem, por sua natureza, são probabilísticos, ou seja, seus resultados podem variar e não são sempre replicáveis de forma exata. Por outro lado, sistemas determinísticos são projetados para produzir resultados previsíveis e consistentes a partir de um mesmo conjunto de entradas. A insistência em usar ferramentas probabilísticas para análises que demandam precisão e previsibilidade, e que poderiam ser realizadas por métodos tradicionais mais eficientes, gera um excesso de processamento e, consequentemente, um aumento desnecessário nos gastos com tokens.

Essa confusão entre o que a IA pode fazer de forma otimizada e o que ela deveria fazer para resolver um problema específico de negócio é a raiz do gasto excessivo. Muitas empresas se deixam levar pelo fascínio da tecnologia, investindo em soluções sem antes definir claramente o problema que buscam resolver ou o valor que esperam gerar.

A Necessidade Urgente de Governança e Propósito

A SAS, empresa de soluções analíticas e de IA, tem sido uma voz ativa na defesa da governança e da confiabilidade da inteligência artificial. Um estudo global realizado pela SAS em parceria com a IDC revelou que apenas 8% das empresas brasileiras conseguem alinhar a confiança que depositam na IA com os investimentos reais em governança. Isso aponta para um “dilema da confiança”, onde a crença no potencial da IA não é acompanhada por uma estrutura robusta de gestão de riscos, transparência e responsabilidade.

André Novo, Country Leader Brazil da SAS, reforça essa perspectiva, enfatizando que a viabilidade econômica e um caso de uso claro devem ser os critérios que separam o ‘hype’ da realidade na adoção da IA. Ele destaca que, embora muitas empresas estejam avaliando tecnologias como a IA Agêntica, poucas as colocam em produção em escala, justamente pela falta de um propósito bem definido e de uma camada de governança adequada. A SAS, inclusive, desenvolveu soluções como o SAS AI Navigator para auxiliar as organizações a mapear e gerenciar o uso da IA de forma unificada, integrando aplicações a políticas internas e regulamentações.

Supervisão Humana e o Fim dos Silos de Dados

Outro ponto crucial levantado por executivos da SAS é a importância da supervisão humana. Embora a IA ofereça autonomia crescente, a intervenção e o controle humanos são indispensáveis para garantir que os agentes de IA atuem dentro dos limites desejados e com responsabilidade. Além disso, a fragmentação de informações – os chamados “silos de dados” – impede a tomada de decisões inteligentes e integradas, um obstáculo que a IA tem a missão de ajudar a superar, mas que exige um esforço organizacional prévio.

Estudos Corroboram Falhas Organizacionais, Não Técnicas

A visão de Manisha Khanna não é isolada. Outros especialistas e pesquisas reforçam que os desafios da IA nas empresas são majoritariamente organizacionais, e não puramente técnicos. Viviane Menezes Penhalbel, especialista em estratégia e IA, também destacou à Exame que o erro comum é começar pela tecnologia em vez de identificar qual problema de negócio precisa ser resolvido. Para ela, a pergunta inicial não deveria ser “qual IA devemos usar?”, mas sim “qual problema de negócio precisamos resolver?”. Essa abordagem equivocada leva à adoção de ferramentas sem governança, treinamento adequado ou uma avaliação clara dos resultados esperados.

Um estudo do Stanford Digital Economy Lab, o Enterprise AI Playbook de 2026, entrevistou executivos de 51 implementações de IA bem-sucedidas e concluiu que 95% dos fracassos de IA nas empresas são de natureza organizacional, e não técnica. Os custos invisíveis, como gestão de mudança, qualidade de dados e redesenho de processos, foram apontados por 77% dos executivos como os maiores desafios, e não as limitações técnicas dos modelos. Isso sublinha que a tecnologia é frequentemente a parte mais fácil; o verdadeiro trabalho reside na adaptação dos processos e na cultura organizacional para integrar a IA de forma eficaz.

Maximizando o Valor da IA: Caminhos para a Otimização

Para reverter o cenário de gastos excessivos e projetos de IA subutilizados, as empresas precisam adotar uma abordagem mais estratégica e madura. Algumas ações essenciais incluem:

Definição Clara de Problemas de Negócio: Antes de qualquer investimento, identificar os gargalos, oportunidades de receita ou melhorias de produtividade que a IA pode realmente resolver.
Governança Robusta de IA: Estabelecer políticas claras para o uso da IA, garantindo transparência, responsabilidade e gestão de riscos ao longo de todo o ciclo de vida da tecnologia.
Educação e Treinamento: Capacitar equipes para entender as capacidades e limitações da IA, evitando o uso inadequado de modelos e promovendo a colaboração entre especialistas em dados e equipes de negócio.
Distinção entre Modelos: Compreender a diferença entre sistemas probabilísticos e determinísticos e aplicar a ferramenta certa para a tarefa certa, evitando o uso de LLMs para análises que exigem precisão absoluta.
Foco em ROI e Métricas de Sucesso: Desde o início do projeto, definir métricas claras de sucesso e critérios de continuidade, garantindo que o investimento em IA gere um impacto financeiro mensurável.

A inteligência artificial tem um potencial transformador inegável. No entanto, sua implementação bem-sucedida depende menos da capacidade tecnológica e mais da inteligência estratégica e organizacional das empresas. Ao corrigir esse “erro básico” de abordagem, as organizações podem finalmente destravar o verdadeiro valor da IA e garantir que seus investimentos se traduzam em inovação e competitividade duradouras.