AI nas empresas: estudo da PwC expõe o fosso do ROI até 2026

Em muitos documentos de estratégia de grandes grupos, a AI já ocupa o lugar central. As apresentações estão cheias de visões, promessas de poupança e novos modelos de negócio. Porém, quando controladores e directores financeiros colocam os números em cima da mesa, o retrato tende a ser bem mais sóbrio. Um grande estudo internacional mostra agora quão grande é, afinal, a distância entre o hype e o retorno real.

Administrações sob pressão: expectativas elevadas, resultados fracos

De acordo com um inquérito global realizado pela PwC em 95 países, mais de 4.400 líderes empresariais partilharam a sua experiência com projectos de AI. A conclusão contraria muitas narrativas internas: mais de metade das empresas que investiram fortemente em AI ainda não consegue apontar um ganho financeiro mensurável.

"56 por cento dos gestores de topo inquiridos afirmam que a AI não aumentou as receitas nem reduziu os custos de forma perceptível."

Isto coloca em causa a ideia da “máquina milagrosa da AI” que, quase por si só, garantiria crescimento e eficiência. A desilusão é clara - e surge num momento em que os orçamentos para AI continuam a subir e os investidores revelam cada vez menos paciência.

Quem ganha - e quem fica para trás?

O panorama não é totalmente negativo. Uma parte das empresas já consegue gerar dinheiro de forma concreta com AI:

• Cerca de 30 por cento reportam um aumento de receitas perceptível graças a aplicações de AI.
• Apenas 12 por cento atingem a combinação de mais receitas e custos mais baixos.
• A grande maioria fica algures no meio: despesa elevada, efeitos difusos e poucas métricas verdadeiramente claras.

Estes 12 por cento são, neste momento, vistos como os mais avançados: não tratam a AI como um “brinquedo”, mas ligam a tecnologia directamente a processos críticos - por exemplo, definição de preços, logística, manutenção ou atendimento ao cliente em grande escala.

O grande equívoco: a AI não é um produto de ligar à tomada

Uma das razões principais para as rendibilidades fracas é a forma como muitas organizações encaram a AI: como se fosse um produto fechado. Compra-se, implementa-se e está feito - é essa a expectativa. No terreno, o funcionamento é bem diferente.

"A AI não funciona como um rato que se liga e fica logo pronta a usar - precisa de dados, processos, treino e controlo."

Em muitas empresas, o cenário típico é este:

• Projectos de AI ficam presos em fases-piloto.
• Equipas testam ferramentas de forma isolada, sem ligação ao núcleo do negócio.
• TI e áreas de negócio não se alinham; os orçamentos fragmentam-se em múltiplas experiências pequenas.

O resultado: há apresentações, demonstrações internas e histórias para marketing. Mas as cadeias de valor que realmente movem a empresa quase não são tocadas. Nesses casos, a AI pode até melhorar um reporting, escrever alguns textos ou organizar e-mails - mas isso raramente se reflecte de forma visível no resultado global.

Decisões dolorosas: quando se substituem pessoas por AI demasiado depressa

A percepção errada torna-se especialmente evidente quando empresas eliminam postos de trabalho para os trocar por AI. Alguns grupos chegaram a vangloriar-se de pouparem milhões ao despedir grandes partes da força de trabalho e ao substituí-las por sistemas automatizados.

A correcção veio depressa: processos colapsaram, o acompanhamento ao cliente piorou e as taxas de erro aumentaram. As poupanças anunciadas transformaram-se em programas de recuperação dispendiosos e em problemas de reputação. Embora os modelos generativos modernos impressionem à primeira vista, continuam a ser surpreendentemente falíveis quando colocados em processos do dia a dia.

Há ainda outro ponto: muitos investigadores de referência em AI alertam, eles próprios, contra uma aposta excessiva na substituição de empregos no curto prazo. Quando o foco é apenas cortar custos, sem criar novas propostas de valor, o caminho tende a acabar num beco sem saída.

Limites técnicos: alucinações, falhas de dados e riscos de segurança

Um relatório frequentemente citado do MIT evidencia como a realidade da AI generativa pode ser dura: em 95 por cento dos projectos analisados, não se verificou um aumento rápido e claro das receitas. Por trás desse número estão problemas muito concretos, que afectam as empresas no quotidiano:

• Alucinações: os modelos de AI inventam factos, fontes ou números. Para textos de marketing pode ser tolerável; para áreas como direito, finanças ou engenharia, não.
• Fragilidade em tarefas simples: até tarefas relativamente básicas e estruturadas muitas vezes não correm com estabilidade suficiente para serem realmente automatizadas.
• Protecção de dados e confidencialidade: não há garantias de que dados sensíveis da empresa não entrem em pools de treino e, indirectamente, voltem a sair.

"Muitas empresas não confiam totalmente na sua própria AI - e por isso mantêm-na deliberadamente afastada de dados e processos críticos."

Assim, algumas organizações acabam por se bloquear a si próprias: com receio de fugas de informação e de erros, mantêm uma postura conservadora na integração e na automação. Ainda assim, os custos existem; o benefício, esse, fica curto.

Porque é que, apesar da frustração, as empresas continuam a investir em AI

Mesmo com os contratempos, a maioria das administrações não está a travar. Pelo contrário: a maior parte planeia aumentar de forma significativa o investimento em AI nos próximos anos. Há várias razões por detrás desta insistência:

• Medo de ficar para trás: quem sai agora receia estar tecnologicamente muito atrasado dentro de poucos anos.
• Pressão dos investidores: os financiadores querem sinais de “capacidade de futuro” - e a AI é vista como obrigatória.
• Competição por talento: profissionais altamente qualificados esperam ferramentas modernas e formas de trabalho orientadas por dados.

Por isso, muitos conselhos de administração encaram a AI menos como um motor imediato de rendibilidade e mais como infra-estrutura estratégica, cujo retorno total só deverá aparecer mais tarde. A PwC destaca, em particular, o ano de 2026 como um possível ponto de viragem para perceber quem fez o trabalho de base.

O que as empresas de AI bem-sucedidas fazem de forma diferente

Ao observar as 12 por cento que já conseguem, hoje, mais receitas com menos custos, surgem padrões claros. É comum nestas empresas:

• Integrar a AI em processos centrais, em vez de a limitar a iniciativas periféricas.
• Investir em paralelo na qualidade dos dados, na arquitectura de TI e na formação dos colaboradores.
• Definir métricas objectivas: onde, exactamente, a AI deve gerar receita ou reduzir custos?
• Privilegiar controlo humano em vez de automação total.

Frequentemente, os primeiros ganhos vêm de casos menos “vistosos”, mas muito eficazes: melhores previsões de procura, optimização de stock, manutenção preditiva de máquinas e planeamento inteligente de rotas na logística. Têm menos brilho de relações públicas do que um “chatbot para tudo”, mas pagam-se de forma mensurável.

O que “Return on Investment” significa, na prática, em AI

Quando se fala de rendibilidade, muitos pensam apenas em valores duros em euros. Com AI, compensa olhar de forma mais ampla. As empresas com uma visão de longo prazo avaliam o ROI em três níveis:

Nível	Exemplos
Financeiro	Mais receitas, menores custos com pessoal, menos desperdício, menos devoluções
Operacional	Processos mais rápidos, menos erros, melhor utilização de máquinas e equipas
Estratégico	Novos modelos de negócio, melhor base de dados, marca mais atractiva para clientes e talentos

Em especial, o nível estratégico costuma materializar-se apenas após anos. Quem hoje organiza dados de forma consistente, constrói competências de AI e instala modelos úteis no dia a dia consegue, mais tarde, escalar muito mais depressa do que concorrentes que hesitaram.

Exemplos práticos no dia a dia das empresas

Casos de uso concretos ajudam a calibrar expectativas de forma mais realista:

• Atendimento ao cliente: a AI faz triagem de pedidos, sugere respostas e trata casos padrão. As pessoas continuam a resolver temas complexos ou emocionalmente sensíveis.
• Indústria: sensores e modelos de AI detectam padrões antes de ocorrerem avarias. As manutenções passam a ser definidas pela carga real e não por planos rígidos.
• Finanças: a AI apoia a detecção de irregularidades em lançamentos, melhora modelos de scoring no crédito e ajuda a identificar riscos mais cedo.
• Marketing: ofertas personalizadas são geradas automaticamente, os públicos-alvo são segmentados com maior precisão e os orçamentos são distribuídos de forma mais eficiente.

Em todas estas áreas, a AI não substitui equipas inteiras de forma directa; redistribui tarefas: a rotina passa para os sistemas, enquanto excepções e decisões permanecem com as pessoas.

O que vem a seguir: oportunidades, riscos e exigências para as empresas

Para empresas no espaço de língua alemã, o padrão é, no essencial, semelhante ao que se observa internacionalmente: quem adopta AI apenas porque “toda a gente o faz” tende a perder dinheiro. Quem define objectivos claros, trabalha com bons dados e mantém expectativas realistas consegue criar valor real com passos controlados.

Os riscos, ainda assim, mantêm-se: dependência de poucos fornecedores de cloud, enquadramento legal pouco claro sobre dados de treino, falta de especialistas em Data Science e Machine Learning. Somam-se barreiras culturais: colaboradores que vêem a AI como ameaça acabam muitas vezes por travar projectos, mesmo que de forma inconsciente.

Ao mesmo tempo, os números actuais mostram que o grande ROI em AI não aparece automaticamente. Ele surge quando tecnologia, organização e pessoas funcionam de forma articulada. Até 2026 deverá ficar claro quais as empresas que transformaram uma tendência cara numa estratégia sustentável - e quais ficarão com apresentações bonitas, mas sem retorno.

---