A miragem do retorno imediato
Durante anos, participei de dezenas de projetos de inteligência artificial — desde sistemas de recomendação para e-commerce até modelos de precificação dinâmica e detecção de fraudes. Em praticamente todos, a mesma pergunta surgia antes mesmo de qualquer linha de código ser escrita: "Qual vai ser o ROI?". E, invariavelmente, a resposta era construída sobre premissas frágeis: aumento de conversão de 5%, redução de custos de 20%, economia de milhares de horas-homem. O problema é que essas projeções raramente se materializavam nos primeiros meses, e quando o faziam, o custo real da operação — infraestrutura, manutenção, retreinamento — comia boa parte do ganho. A verdade incômoda é que métricas tradicionais de ROI, emprestadas de projetos de software ou campanhas de marketing, são insuficientes para capturar o valor real da IA. Elas tratam o modelo como um feature estático, quando na verdade ele é um sistema vivo, que degrada, requer governança e gera externalidades difíceis de quantificar.
Por que o ROI tradicional não funciona para IA
O cálculo clássico de ROI — (ganho − custo) / custo — depende de duas variáveis que, em projetos de IA, são notoriamente instáveis. O custo não se limita ao desenvolvimento inicial: inclui aquisição e armazenamento de dados, experimentação, infraestrutura de treinamento (que pode disparar com GPUs sob demanda), custos de inferência em produção, monitoramento contínuo, retreinamento periódico e, não menos importante, o tempo de engenheiros e cientistas de dados lidando com deriva de modelo, viés e falhas de integração. Já o ganho é frequentemente indireto ou defasado. Um modelo de recomendação pode aumentar o tíquete médio em 3%, mas esse incremento pode ser canibalizado por descontos ou por uma experiência de usuário pior devido a latência. Em um projeto que liderei em uma fintech, o modelo de prevenção de fraudes reduziu as perdas em 12% no primeiro trimestre, mas gerou um aumento de 40% nos falsos positivos, que por sua vez elevou o custo de atendimento ao cliente. O ROI líquido, quando calculado de forma agregada, foi positivo, mas o indicador isolado escondia um trade-off operacional relevante.
O erro de tratar IA como uma feature de software
Muitas organizações aplicam a mesma lógica de ROI usada para lançar uma nova funcionalidade de um aplicativo: estima-se o esforço de desenvolvimento, projeta-se o ganho de receita ou economia e define-se uma data de payback. Só que um modelo de machine learning não se comporta como um código determinístico. Ele precisa ser continuamente avaliado contra dados do mundo real, que mudam. O modelo que entregava 95% de acurácia no treinamento pode cair para 80% em produção após três meses, sem que ninguém perceba, porque a métrica de negócio (ex.: conversão) ainda se mantém estável graças a outros fatores. Aí, quando a métrica finalmente cai, o custo de recuperação é alto. Em projetos de software tradicionais, o ROI é calculado uma vez e revisado em ciclos longos. Em IA, ele precisa ser reavaliado a cada sprint, porque o ativo se deprecia naturalmente — e essa depreciação raramente é contabilizada.
Três níveis de métricas que realmente importam
Para escapar da miragem, minha prática tem sido estruturar a medição de ROI em três camadas interdependentes, que vão do operacional ao estratégico. A primeira camada é a das métricas de saúde do modelo: acurácia, precisão, recall, F1, latência, throughput, frequência de drift. Elas não são o ROI, mas são os termômetros que indicam se o modelo ainda está funcionando como esperado. Se a latência dobra porque o volume de requisições cresceu, o custo de infraestrutura pode corroer o ganho projetado — e isso precisa ser capturado como um custo variável. A segunda camada são as métricas de negócio diretamente impactadas: receita incremental, economia de custos, redução de churn, aumento de produtividade. Aqui é crucial isolar o efeito do modelo de outros fatores. Em um cliente de e-commerce, usamos grupos de controle (A/B testing) para medir o lift real de um modelo de personalização. O resultado foi um aumento de 2,3% na receita por usuário — mas o ROI só se tornou positivo depois de seis meses, quando o custo inicial de desenvolvimento foi amortizado. A terceira camada, a mais negligenciada, é a das métricas estratégicas e de aprendizado: tempo de ciclo de experimentação, capacidade de reutilização do modelo em outros contextos, redução de dívida técnica de dados, e até mesmo o valor de opção — isto é, o benefício de ter um ativo de IA que pode ser aplicado em problemas futuros.
O caso da infraestrutura em nuvem: custos ocultos que comem o ROI
Em projetos de IA que rodam em cloud, o custo de infraestrutura é uma das variáveis mais voláteis. Já vi times celebrarem um modelo de NLP que reduziu o tempo de atendimento ao cliente em 30%, mas ignorarem que o custo de inferência em GPUs estava consumindo 40% da economia gerada. O ROI real, nesse caso, era quase nulo. A lição é simples: o custo de inferência precisa ser modelado como função do volume de requisições e da complexidade do modelo. Modelos mais leves (quantizados, destilados) podem sacrificar um pouco de acurácia, mas gerar um ROI muito superior porque o custo operacional cai drasticamente. Em um projeto de recomendação de conteúdo, trocamos um modelo baseado em transformer por uma versão otimizada com pruning e redução de precisão — a acurácia caiu 1,5%, mas o custo de inferência caiu 70%. O ROI saltou de 1,2x para 3,8x em seis meses. Esse tipo de trade-off só aparece quando a métrica de ROI é desagregada por componente.
Riscos e limitações de uma abordagem puramente financeira
Há um perigo real em superdimensionar o ROI de curto prazo para justificar investimentos em IA. Muitas empresas cometem o erro de escolher projetos com maior retorno financeiro imediato — como automação de processos — e deixam de lado aplicações de maior impacto estratégico, como modelos preditivos que abrem novas linhas de negócio. O resultado é um portfólio de IA que gera economia, mas não inovação. Além disso, métricas financeiras tradicionais não capturam externalidades negativas, como viés algorítmico que pode gerar danos reputacionais ou riscos regulatórios. Em um projeto de credit scoring que avaliei, o modelo reduzia o custo de inadimplência em 15%, mas penalizava desproporcionalmente certos perfis demográficos. O ROI financeiro era positivo, mas o risco regulatório e de marca tornava o projeto inviável. A solução foi incorporar métricas de equidade e justiça como parte do cálculo de ROI — algo que exige uma visão multidisciplinar que vai além da engenharia.
Quando o ROI negativo é aceitável (e desejável)
Existe um cenário em que o ROI financeiro pode ser negativo, e ainda assim o projeto faz sentido: quando o aprendizado gerado alimenta outros projetos. Em um cliente do setor de logística, investimos em um modelo de previsão de demanda que, isoladamente, não gerou economia suficiente para cobrir os custos de desenvolvimento e infraestrutura nos primeiros dois anos. Mas os dados e os pipelines construídos para esse projeto foram reutilizados em três outros modelos — otimização de rotas, precificação dinâmica e manutenção preditiva. O ROI agregado do portfólio, considerando a reutilização, foi de 4,5x. Se tivéssemos matado o projeto inicial por falta de ROI imediato, teríamos perdido todo o valor subsequente. Por isso, defendo que as organizações mantenham uma parcela do orçamento de IA dedicada a projetos de aprendizado, com métricas de sucesso baseadas em reutilização, capacidade de inovação e tempo de experimentação, não apenas em retorno financeiro direto.
Recomendações práticas para medir ROI de IA
Com base em mais de uma década de implementações, resumo algumas práticas que ajudam a evitar a miragem do ROI. Primeiro, estabeleça uma linha de base antes do modelo estar em produção — colete dados de desempenho atual (taxa de conversão, custo operacional, etc.) por pelo menos um mês. Sem isso, qualquer comparação é especulativa. Segundo, use experimentos controlados sempre que possível — A/B testing, holdout groups ou até mesmo simulações offline. Terceiro, modele o custo total de propriedade (TCO) incluindo custos de dados, infraestrutura, engenharia, manutenção e retreinamento. Ferramentas de cloud costumam subestimar custos de egress e de armazenamento de features. Quarto, defina um horizonte de tempo realista — projetos de IA raramente geram ROI positivo antes de 6 a 12 meses, a menos que sejam muito simples. Quinto, incorpore métricas de risco — viés, drift, latência, custo de falsos positivos — como parte do cálculo de retorno, e não como nota de rodapé.
Uma visão pessoal sobre o futuro da medição
Na minha opinião, a indústria ainda está amadurecendo na forma de avaliar investimentos em IA. O que vejo funcionar melhor são frameworks que combinam indicadores financeiros com métricas de capacidade de adaptação e aprendizado organizacional. Empresas que tratam a IA como um ativo estratégico, e não como um projeto com prazo de validade, tendem a colher retornos mais consistentes. O cálculo de ROI deve evoluir para incluir o valor de opção (a possibilidade de usar o modelo em novos cenários) e o valor de aprendizado (o conhecimento gerado para a equipe). Em última análise, o maior retorno da IA não está em uma planilha, mas na capacidade de tomar decisões melhores e mais rápidas — e isso, por mais subjetivo que pareça, é o que sustenta a vantagem competitiva no longo prazo. Se você está lutando para justificar o investimento em IA, talvez o problema não seja o modelo, mas as métricas que escolheu para medi-lo.