O custo real da IA não está na licença

Tem uma pergunta que aparece cedo demais em quase toda conversa sobre inteligência artificial na empresa: quanto custa a licença?

Eu entendo a pergunta. Ela é concreta. Cabe numa planilha. O fornecedor responde rápido. O financeiro compara três propostas, coloca uma linha no orçamento e a reunião segue. Tudo parece racional.

Só que essa pergunta, sozinha, quase sempre leva a uma decisão ruim.

A licença é o preço de entrada. Não é o custo da IA.

O custo real aparece depois, quando a ferramenta precisa usar dados da empresa, respeitar políticas internas, conversar com sistemas antigos, atender áreas diferentes, passar por segurança, sobreviver ao jurídico, ser entendida pelas pessoas e provar que entrega mais valor do que consome. É nesse momento que a empresa descobre se comprou produtividade ou apenas mais uma camada de complexidade.

E vou ser direto: muita empresa está comprando IA como quem compra software comum. Não é. IA não se comporta como um CRM, um ERP ou uma ferramenta de BI tradicional. Ela muda de custo conforme o uso, o volume, o risco, a qualidade do dado, o nível de automação e a maturidade de quem opera.

A pergunta certa não é quanto custa contratar IA. A pergunta certa é quanto custa transformar IA em resultado sem criar um passivo financeiro, operacional e jurídico que a empresa não consegue controlar.

A assinatura é só a parte confortável da conversa

A primeira camada de custo é visível. Licenças por usuário, consumo de API, nuvem, servidores, conectores, ferramentas de automação, consultoria, modelos especializados, ambientes de teste. Tudo isso entra na proposta comercial. Tudo isso precisa ser negociado.

Mas essa é a parte confortável da conversa.

O Gartner publicou em março de 2025 uma previsão que deveria chamar a atenção de qualquer diretoria: o gasto mundial com IA generativa deve chegar a US$ 644 bilhões em 2025, alta de 76,4% sobre 2024. O número impressiona. Mas o detalhe mais importante está dentro dele. Segundo o Gartner, cerca de 80% desse gasto está ligado a hardware, especialmente dispositivos e servidores.

Isso muda a perspectiva.

Quando a empresa olha para IA pela interface, parece que está comprando software. Quando olha pela infraestrutura, percebe que está comprando capacidade computacional, armazenamento, rede, segurança, observabilidade, integração e suporte. Parte disso vem escondida no preço do fornecedor. Parte aparece na nuvem. Parte aparece no time técnico. Parte aparece quando o piloto sai da apresentação e entra na rotina.

O piloto quase sempre parece barato. Cinco pessoas testam uma ferramenta por algumas semanas. O volume é baixo. O risco é controlado. Os dados são escolhidos a dedo. O resultado fica bonito no slide.

Depois vem a escala.

Cem pessoas usam. Depois quinhentas. Depois áreas diferentes começam a pedir integrações. O jurídico exige rastreabilidade. A segurança pede controle de acesso. O compliance pergunta onde os dados passam. O financeiro quer saber quem está consumindo. O gestor quer medir ganho real. O suporte começa a receber chamados. Aquele custo que parecia simples começa a se espalhar pela organização.

Não é que o piloto estivesse errado. Ele apenas respondia outra pergunta.

O piloto prova possibilidade, não viabilidade econômica

Existe uma confusão perigosa em projetos de IA: tratar prova de conceito como se fosse modelo econômico. Prova de conceito responde se algo pode funcionar. Modelo econômico responde se vale a pena manter, escalar e pagar todos os meses.

São perguntas diferentes. E muitas empresas fingem que são a mesma coisa.

O Gartner alertou em julho de 2024 que pelo menos 30% dos projetos de IA generativa seriam abandonados depois da prova de conceito até o fim de 2025. As razões citadas foram pouco românticas: baixa qualidade dos dados, controles de risco inadequados, custos crescentes e valor de negócio pouco claro.

Não faltou entusiasmo. Faltou disciplina.

A analista Rita Sallam, do Gartner, afirmou que os custos de IA generativa não são tão previsíveis quanto os de outras tecnologias. Essa frase deveria estar na primeira página de qualquer business case. Porque o custo muda demais conforme o caso de uso.

Um chatbot interno para dúvidas de RH tem uma conta. Um assistente jurídico que consulta documentos sensíveis tem outra. Um modelo para apoiar precificação tem outra. Um agente que executa ações dentro de sistemas corporativos tem outra completamente diferente.

Chamar tudo de IA é prático, mas empobrece a decisão.

Quando a empresa coloca todos esses projetos numa linha única chamada "inteligência artificial", ela cria uma planilha falsa. O CFO vê uma despesa agregada. O CIO vê complexidade técnica. O jurídico vê risco. O RH vê treinamento. A área de negócio vê promessa de produtividade. Cada um está olhando para uma parte da conta.

O problema é que ninguém está olhando para a conta inteira.

O dado ruim cobra juros

Toda empresa quer falar sobre modelo. Pouca empresa quer falar sobre dado. Modelo parece inovação. Dado parece faxina. E faxina corporativa raramente empolga alguém em reunião de diretoria.

Mas IA cobra caro pela bagunça.

A IBM publicou em maio de 2025 um estudo global com 2.000 CEOs em 33 países e 24 setores. Um achado é especialmente importante: 68% dos CEOs dizem que uma arquitetura de dados integrada em toda a empresa é crítica para colaboração entre áreas. Outro: 72% veem os dados proprietários da organização como chave para destravar valor em IA generativa.

Até aqui, todo mundo concorda.

O dado que incomoda vem depois. 50% dos CEOs reconhecem que investimentos rápidos deixaram suas empresas com tecnologia desconectada e fragmentada.

Essa é a contradição real. A empresa sabe que seu dado próprio é vantagem competitiva. Mas esse dado está espalhado, duplicado, inconsistente, mal classificado, preso em sistemas antigos, com permissões herdadas e sem dono claro.

O problema central não é falta de dados. Não exatamente. O problema é que os dados existem, mas ninguém sabe com segurança quais são confiáveis, quem pode acessar, de onde vieram, quando foram atualizados e se ainda representam a realidade.

A IA entra nesse ambiente e não organiza a casa sozinha. Ela amplifica o que encontra.

O custo aparece na limpeza, na integração, na classificação, no catálogo, na governança, na revisão de permissões, na criação de camadas seguras de acesso e na auditoria das respostas. Cada uma dessas etapas exige dinheiro. Mais do que isso, exige tempo de gente boa, que é onde a conta fica séria.

Um modelo caro em cima de dado bom pode ser discutido. Um modelo barato em cima de dado ruim costuma sair caríssimo.

Treinamento não é brinde da implantação

A parte mais subestimada da conta é gente.

A empresa compra a ferramenta, faz um evento de lançamento, grava um vídeo institucional, manda um e-mail com tom animado e chama aquilo de adoção. Três meses depois, alguém pergunta por que o uso é baixo, por que os resultados são superficiais ou por que só meia dúzia de entusiastas realmente usa a ferramenta.

A resposta é simples: acesso não cria competência.

No mesmo estudo da IBM de maio de 2025, os CEOs estimaram que 31% da força de trabalho precisará de retreinamento ou requalificação em até três anos. Também disseram que 54% estão contratando para funções relacionadas à IA que não existiam um ano antes.

Isso não é detalhe de RH. É custo estrutural.

Treinar pessoas em IA não é ensinar uma lista de prompts. Essa é a camada mais rasa. Treinamento corporativo de verdade precisa ensinar contexto, limite, validação, privacidade, risco, processo e julgamento.

O financeiro precisa aprender a usar IA para analisar variações, investigar anomalias e testar hipóteses. O jurídico precisa aprender a revisar melhor, não a terceirizar interpretação. O comercial precisa ganhar velocidade sem prometer o que a empresa não entrega. O RH precisa entender viés. A liderança precisa aprender a perguntar melhor, porque pergunta ruim com IA costuma gerar resposta bonita e inútil.

Aqui há um ponto que muita empresa evita porque incomoda: treinamento não é custo acessório. É parte do investimento principal.

Sem capacitação, a licença vira ativo ocioso. Com capacitação, a ferramenta começa a virar capacidade produtiva. Parece óbvio, mas boa parte dos orçamentos ainda trata pessoas como etapa complementar, quase decorativa.

Depois a empresa se surpreende quando o ROI não aparece.

Segurança e jurídico entram no custo, mesmo quando chegam tarde

Outro erro caro é tratar segurança, compliance e jurídico como freio de mão. Primeiro a empresa testa. Depois pensa no risco. Primeiro libera acesso. Depois revisa política. Primeiro automatiza. Depois pergunta quem responde se algo der errado.

Esse roteiro parece rápido no começo. Depois vira retrabalho.

IA aumenta a superfície de risco. Pode expor dados sensíveis, produzir respostas erradas, reforçar vieses, gerar conteúdo inadequado, sugerir decisões sem evidência suficiente ou executar ações fora do fluxo previsto. Em algumas empresas, isso gera desconforto. Em outras, gera passivo.

Banco, saúde, seguros, educação, telecomunicações, energia e governo não podem tratar IA como brinquedo experimental. Mesmo empresas fora de setores altamente regulados deveriam ter mais cuidado. Cliente, colaborador, fornecedor e autoridade pública não se interessam muito pela diferença entre "era só um teste" e "foi colocado em produção sem controle".

Governança de IA não é burocracia. É seguro financeiro.

Ela define quais casos de uso podem avançar, quais dados podem ser usados, quais modelos são permitidos, quem aprova exceções, quando deve haver revisão humana, como incidentes são registrados e quais métricas decidem se uma iniciativa continua ou é encerrada.

A empresa madura não pergunta apenas se a IA funciona. Pergunta se funciona dentro do seu apetite de risco.

Essa segunda pergunta costuma economizar muito dinheiro.

FinOps deixou de ser assunto só de nuvem

Durante anos, FinOps foi tratado como disciplina de controle de custo em nuvem. Agora começa a virar disciplina essencial para IA. Não poderia ser diferente. IA consome nuvem, SaaS, APIs, dados, infraestrutura, licenças e serviços especializados. Sem visibilidade financeira, a empresa escala no escuro.

O State of FinOps Report 2025, da FinOps Foundation, ouviu 861 respondentes de organizações responsáveis por aproximadamente US$ 69 bilhões em gasto de nuvem pública. O relatório mostrou que 63% dos respondentes já gerenciam gastos de IA, contra 31% no ano anterior. Também apontou que 97% estão investindo em múltiplas áreas de infraestrutura para IA.

Esse dado marca uma virada. IA deixou de ser experimento isolado. Virou categoria de gestão financeira.

Na prática, isso significa alocar custos por área, produto, processo e caso de uso. Significa medir custo por resposta, por transação, por contrato analisado, por cliente atendido, por relatório produzido, por hora economizada. Significa criar limites de consumo, alertas, políticas de uso, comparação entre fornecedores, revisão de modelos e critérios claros para desligar o que não entrega valor.

Sem isso, a empresa entra no pior cenário: todo mundo usa IA, ninguém sabe quanto custa, ninguém sabe quem capturou valor e ninguém quer desligar a própria iniciativa.

Um condomínio sem síndico. Só que com GPU, API e contrato anual.

O ROI não aparece porque alguém declarou produtividade

A IBM trouxe outro número duro: apenas 25% das iniciativas de IA entregaram o ROI esperado nos últimos anos, e só 16% escalaram para toda a empresa.

A McKinsey publicou o relatório Superagency in the Workplace em 2025 e mostrou a mesma tensão por outro ângulo. Só 19% dos respondentes disseram que a IA aumentou receitas em mais de 5%. Outros 39% viram aumento moderado, entre 1% e 5%, e 36% não relataram aumento de receita.

Esses dados não provam que IA não funciona. Provam algo mais incômodo: muitas empresas ainda compram, implantam e medem IA de forma fraca.

ROI de IA não pode ser promessa de apresentação. Precisa ser desenhado por caso de uso.

Se a promessa é produtividade, qual tarefa será reduzida? Em quantos minutos? Para quais cargos? Com qual frequência? Esse tempo volta para a empresa como redução de custo, aumento de capacidade, melhora de qualidade ou apenas como sensação de alívio para uma equipe sobrecarregada?

Essa pergunta costuma esfriar a sala. Ainda bem.

Dizer que uma ferramenta economiza uma hora por dia de cada funcionário é fácil. Transformar essa hora em resultado financeiro é outra conversa. Se a pessoa economiza tempo, mas continua presa ao mesmo fluxo, à mesma fila de aprovação, à mesma meta mal desenhada e ao mesmo excesso de reunião, talvez o ganho não vire dinheiro. Pode virar conforto. Pode virar velocidade local. Pode virar melhor experiência. Tudo isso tem valor. Mas não é automaticamente ROI financeiro.

A empresa precisa separar retorno direto, retorno indireto, retorno estratégico e retorno defensivo. Redução de custo é uma coisa. Melhora de qualidade é outra. Velocidade de inovação é outra. Evitar ficar para trás também tem valor, embora seja mais difícil de colocar em fórmula.

Misturar tudo na mesma conta cria ilusão.

O board não precisa matar projetos porque o ROI é difícil. Precisa exigir honestidade sobre qual valor está sendo buscado, em quanto tempo e com quais evidências.

O argumento que os gestores usam para não investir

Existe uma objeção previsível: se o custo real é tão amplo, talvez seja melhor esperar.

Eu discordo.

Esperar também custa. Custa em produtividade perdida, processo manual, análise lenta, atendimento pior, decisão menos informada, perda de talentos e atraso competitivo. Em alguns setores, não usar IA já é uma decisão econômica, mesmo quando ninguém coloca isso na ata.

O ponto não é evitar IA. O ponto é parar de fingir que IA é barata porque a assinatura parece pequena.

IA pode ser um dos melhores investimentos da empresa. Pode mesmo. Mas só quando entra com caso de uso claro, dados minimamente preparados, governança proporcional ao risco, pessoas treinadas e medição financeira honesta.

A empresa que não investe pode ficar para trás. A empresa que investe mal pode queimar dinheiro. A empresa que investe com método cria capacidade.

Essa diferença é central. Gastar com IA é comprar ferramenta. Construir capacidade de IA é desenvolver pessoas, processos, dados, arquitetura, governança e disciplina financeira.

Uma coisa aparece rápido na fatura. A outra aparece devagar no resultado.

A planilha honesta da IA

Se eu tivesse que começar essa conta em uma diretoria, não começaria perguntando qual ferramenta comprar. Começaria separando o custo em blocos.

O primeiro bloco é tecnologia visível: licenças, APIs, modelos, nuvem, conectores e ferramentas. O segundo é infraestrutura: servidores, armazenamento, rede, observabilidade, ambientes de teste e segurança. O terceiro é dados: limpeza, classificação, integração, qualidade, catálogo, permissões e governança.

O quarto é pessoas: treinamento, suporte, novos papéis, mudança organizacional e tempo dos times envolvidos. O quinto é processo: redesenho de fluxos, documentação, auditoria e gestão de exceções. O sexto é risco: jurídico, compliance, privacidade, revisão humana e resposta a incidentes. O sétimo é gestão financeira: FinOps, medição de consumo, alocação de custo, indicadores de valor e critérios de continuidade.

Quando esses sete blocos entram na conversa, a decisão melhora.

Algumas iniciativas continuam fazendo sentido. Outras perdem força. Algumas devem começar pequenas. Outras merecem escala. Algumas devem ser compradas prontas. Outras precisam ser construídas internamente. Algumas não deveriam existir, e dizer isso cedo é uma forma elegante de economizar dinheiro.

Esse é o tipo de maturidade que falta.

Não falta fornecedor. Não falta palestra. Não falta demonstração impressionante. Não falta executivo dizendo que IA é prioridade.

Falta planilha honesta.

Considerações finais

O custo financeiro real de usar IA na empresa não cabe em uma linha chamada "licença". Ele atravessa tecnologia, dados, pessoas, governança, risco e operação. Quem olha só para a assinatura enxerga o preço de entrada. Quem olha para o sistema inteiro enxerga o investimento necessário para gerar valor.

A boa notícia é que isso não torna IA inviável. Torna IA mais séria.

Empresas que tratam inteligência artificial como capacidade organizacional, e não como moda tecnológica, tendem a decidir melhor. Elas escolhem menos casos de uso, mas casos mais relevantes. Treinam melhor as pessoas. Medem com mais precisão. Escalam com mais segurança. Cancelam o que não funciona. Protegem o orçamento do desperdício.

Os dados sugerem isso. A minha experiência sugere que a diferença é ainda maior do que os números capturam, porque existe uma categoria de desperdício que quase nunca aparece na planilha: a decisão ruim evitável.

A pergunta para o board não deveria ser "quanto custa contratar IA?". Essa pergunta ficou pequena.

A pergunta certa é: quanto custa transformar IA em resultado sem criar um passivo que a empresa não consegue controlar?

Essa é a conta que separa entusiasmo de gestão.