Este artigo vai além do dado. Aqui você entende quais setores lideram a adoção de IA, por que 28% das empresas brasileiras ainda não saíram do lugar, quais barreiras são reais e quais são pretexto, e como calcular ROI de forma que convença um conselho de administração.
Resumo
- A adoção de IA nas empresas brasileiras saltou de 55% em 2023 para 72% em 2024, mas velocidade de adoção não é sinônimo de maturidade de uso.
- As barreiras que travam os 28% restantes são identificáveis e, em sua maioria, superáveis com governança adequada e uma estratégia de implementação progressiva.
- Empresas que documentam ROI de IA antes de escalar têm 2,5 vezes mais chances de obter aprovação orçamentária em ciclos seguintes, segundo dados do McKinsey Global Institute.
Introdução
Na prática, a adoção de IA nas empresas brasileiras atingiu 72% em 2024. No entanto, esse número veio de uma pesquisa amplamente citada e, como todo dado agregado, esconde mais do que revela. O crescimento de 17 pontos percentuais em um único ano é expressivo. Mas ele mistura empresas com modelos de linguagem integrados ao core do negócio com organizações que instalaram um chatbot no site e marcaram a caixa de “usa IA”.
Por isso, para um CIO ou CEO que precisa tomar decisões de investimento baseadas em evidências, o número de 72% é ponto de partida, não de chegada. Portanto, a pergunta relevante não é “quantas empresas usam IA”, mas “quem está usando com resultado mensurável e o que diferencia essas empresas das demais”.
Este artigo responde exatamente isso. Assim, começa pelo grupo que a maioria dos analistas ignora: os 28% que ainda não adotaram IA de forma estruturada. Entender por que eles não avançaram é tão estratégico quanto entender como os líderes chegaram onde chegaram. Confira também nossa análise sobre governança de TI como base para projetos de IA, que complementa diretamente o que discutimos aqui.
O que os 72% de adoção de IA realmente significam
O dado de 72% de adoção de IA vem de levantamentos como o do McKinsey Global Institute sobre o estado da IA, que rastreia adoção global e regional há anos. No Brasil, pesquisas da FGV e da Brasscom convergem para números semelhantes quando o recorte é empresas com mais de 100 funcionários.
O problema é que o conceito de “usar IA” abrange um espectro ampio. Na ponta mais básica, estão empresas que utilizam recursos de IA já embutidos em ferramentas como Microsoft 365 Copilot, Google Workspace ou plataformas de CRM. Na ponta oposta, estão organizações que treinaram modelos próprios sobre dados proprietários e os integraram a processos de decisão críticos.
A distinção importa porque o ROI, os riscos e os investimentos necessários são completamente diferentes. Uma empresa que ativou sugestões automáticas de e-mail no Outlook e uma empresa que implantou modelos preditivos de churn integrados ao pipeline de vendas estão no mesmo percentual dos 72%, mas em mundos operacionais distintos.
Os setores que lideram a adoção de IA no Brasil
Setores com maior volume de dados estruturados e maior pressão regulatória para eficiência saíram na frente. Na prática, o setor financeiro lidera com consistência: bancos digitais e incumbentes como Itaú, Bradesco e Nubank utilizam IA em análise de crédito, prevenção a fraudes e atendimento automatizado há pelo menos três anos.
Da mesma forma, o varejo segue de perto, com aplicações em precificação dinâmica, recomendação de produtos e gestão de estoque. Consequentemente, o setor de saúde avança em diagnóstico por imagem e triagem de pacientes. No entanto, a indústria manufatureira, historicamente mais lenta, acelerou com IA aplicada a manutenção preditiva e controle de qualidade.
Segundo o IDC Latin America AI Market Report, os investimentos em IA na América Latina devem atingir USD 6,4 bilhões até 2027, com o Brasil respondendo por aproximadamente 40% desse volume. Os setores financeiro e de varejo concentram mais da metade desse montante.
Por que 28% das empresas ainda não adotaram IA de forma estruturada
Na prática, esse grupo merece atenção analítica, não julgamento. Por exemplo, parte dele é composta por empresas que tomaram uma decisão consciente de esperar maturidade tecnológica e clareza regulatória. No entanto, parte está genuinamente presa em barreiras que são superáveis, mas exigem investimento e método.
As barreiras mais citadas em pesquisas do Gartner sobre adoção de IA não são tecnológicas. Elas são organizacionais e de dados.
Qualidade de dados: a barreira mais subestimada
Portanto, nenhum modelo de IA performa bem sobre dados ruins. Por exemplo, empresas que passaram anos com sistemas legados isolados, sem integração entre ERP, CRM e plataformas operacionais, chegam a um projeto de IA e descobrem que o primeiro ano de trabalho é de limpeza e estruturação de dados. Isso não estava no plano original e desencoraja a liderança.
O Gartner estima que empresas perdem em média USD 12,9 milhões por ano por conta de dados de baixa qualidade. Para quem está avaliando adotar IA, o dado correto a incluir no business case não é só o custo da plataforma, mas o custo da preparação do ambiente de dados.
Ausência de casos de uso claros e mensuráveis
Outro padrão recorrente: a iniciativa de IA começa no departamento de TI, sem ancora em um problema de negócio específico. A liderança aprova um piloto genérico de “explorar IA”, sem KPIs definidos, sem um sponsor de negócio comprometido e sem critério claro de sucesso. O piloto termina, ninguém sabe se funcionou e o orçamento do próximo ciclo vai para outro lugar.
A solução é simples de descrever e difícil de executar: o caso de uso de IA precisa nascer de uma dor de negócio com métrica existente. Se o problema é tempo médio de atendimento, a IA precisa ser medida contra esse número desde o dia zero.
Receio regulatório e de compliance
Com a LGPD consolidada e o debate sobre regulação de IA avançando no Congresso, algumas empresas optaram por cautela estratégica. Isso é racional, especialmente em setores como saúde, financeiro e educação, onde o uso de dados pessoais em modelos de IA levanta questões legítimas de responsabilidade.
O movimento correto não é esperar a lei. É construir uma arquitetura de governança de dados que antecipe os requisitos regulatórios mais prováveis. O MIT Sloan Management Review documentou casos de empresas que usaram o processo de preparação regulatória como acelerador de maturidade de dados, não como freio.
Como as empresas líderes em adoção de IA calculam ROI
A adoção de IA nas empresas que conseguem escalar projetos tem uma característica comum: ROI definido antes da implementação, não depois. Isso parece óbvio, mas a maioria dos projetos de IA ainda é aprovada com base em promessa de “eficiência” sem número atrelado.
As categorias de ROI mais mensuráveis em projetos de IA corporativa são:
- Redução de custo operacional por automação de processos repetitivos (RPA com camada de IA)
- Aumento de receita por personalização e recomendação em canais digitais
- Redução de perdas por detecção de fraude e anomalias em tempo real
- Aceleração de ciclos de desenvolvimento com ferramentas de geração de código assistida
- Diminuição do tempo médio de resolução em operações de suporte e campo
O McKinsey Global Institute aponta que empresas no quartil superior de adoção de IA reportam ganhos de produtividade entre 20% e 40% nas funções onde a IA foi implantada de forma integrada ao fluxo de trabalho. Por isso, a palavra-chave é “integrada”: IA como ferramenta paralela que o colaborador precisa abrir separadamente tem adoção muito inferior à IA que aparece no contexto do trabalho já em andamento.
Para líderes que precisam estruturar um business case sólido, recomendo também a leitura do nosso material sobre gestão de TI orientada a resultados de negócio, que aborda frameworks de avaliação de investimento em tecnologia.
Os erros mais comuns na implementação de IA e como evitá-los
A adoção de IA nas empresas falha por razões previsíveis. Por isso, identificá-las antes do projeto é mais barato do que corrigi-las durante a execução.
Começar pelo modelo, não pelo problema
Equipes técnicas entusiasmadas com um modelo de linguagem de última geração tentam encontrar problemas para ele resolver. Portanto, o fluxo correto é o inverso: identificar o problema de negócio com maior impacto potencial e então selecionar a abordagem técnica mais adequada. Na prática, nem sempre a resposta é um LLM. Por exemplo, às vezes é um modelo preditivo simples ou até automação de regras.
Subestimar o componente humano
No entanto, a resistência dos colaboradores a ferramentas de IA é um fator de risco real e frequentemente ignorado no planejamento. Não porque as pessoas sejam irracionais, mas porque a comunicação sobre como a IA vai impactar o trabalho delas costuma ser tardia, vaga ou inexistente.
Consequentemente, segundo a Forrester Research, empresas que incluem treinamento e gestão de mudança no orçamento de projetos de IA têm, consequentemente, taxa de adoção interna 3 vezes superior às que tratam o componente humano como item opcional. Esse dado deveria aparecer em todo slide de aprovação de budget.
Escalar antes de validar
O piloto funcionou bem em um departamento. No entanto, a pressão para escalar é imediata. Na prática, o problema é que condições controladas de um piloto raramente reproduzem a variabilidade dos dados em produção plena. Por isso, empresas que pulam a fase de validação com dados reais em escala intermediária enfrentam falhas que são proporcionalmente mais caras e mais visíveis.
Assim, o que esperar do mercado de IA corporativa no Brasil em 2025 e além
A adoção de IA nas empresas brasileiras vai continuar crescendo, mas o diferencial competitivo vai migrar de “quem usa IA” para “quem usa IA com qualidade de dado, governança e integração ao processo decisório”.
Por isso, três movimentos merecem atenção estratégica nos próximos 24 meses:
- IA agêntica: modelos que não apenas respondem perguntas, mas executam sequências de ações autônomas em sistemas corporativos. Consequentemente, o impacto em operações financeiras, logística e atendimento será significativo.
- Da mesma forma, modelos menores e especializados: a corrida por modelos bilionários de propósito geral vai coexistir com uma demanda crescente por modelos menores, treinados sobre dados setoriais específicos, que rodam on-premises e atendem requisitos de privacidade mais restritivos.
- Regulação de IA no Brasil: o PL 2.338/2023 avança e deve ser aprovado em alguma forma até 2026. Portanto, empresas que já têm estrutura de governança de dados e documentação de seus modelos de IA estarão em posição muito mais confortável do que as que precisarão correr para se adequar.
A Google Cloud publicou um guia para líderes de negócio sobre IA que detalha como organizações de diferentes portes estão estruturando centros de excelência em IA para sustentar esse crescimento de forma ordenada. Vale a leitura para quem está desenhando o próximo ciclo de investimento.
Conclusão
O número de 72% de adoção de IA nas empresas brasileiras é uma fotografia de um mercado em movimento acelerado. Mas fotografia não conta a história completa. Na prática, a distância entre adoção nominal e uso estratégico é onde estão as oportunidades reais, tanto para quem já começou quanto para quem ainda está avaliando.
Para os 28% que ainda não estruturaram uma iniciativa de IA: as barreiras são reais, mas identificáveis. Por exemplo, qualidade de dados, ausência de casos de uso mensuráveis e receio regulatório têm soluções conhecidas. Portanto, o custo de esperar está aumentando, não diminuindo.
Da mesma forma, para quem já está no grupo dos 72%: a próxima pergunta não é “estamos usando IA?”, mas “estamos medindo o impacto com rigor suficiente para escalar com confiança?”. Quem responder bem a essa pergunta vai definir o padrão competitivo dos próximos três anos.
Perguntas frequentes
Por que tantas empresas brasileiras adotaram IA tão rapidamente entre 2023 e 2024?
A combinação de fatores foi incomum: o lançamento do ChatGPT democratizou o acesso a interfaces de IA generativa, grandes fornecedores como Microsoft e Google integraram IA a produtos já presentes nas empresas (como o Microsoft 365), e o ambiente competitivo criou pressão para que lideranças demonstrassem iniciativa. O resultado foi uma curva de adoção comprimida, com qualidade variável de implementação.
Qual é o investimento mínimo para uma empresa de médio porte iniciar um projeto de IA com resultado real?
Não existe número universal, mas projetos-piloto com ROI mensurável em empresas de médio porte raramente custam menos de R$ 300 mil quando se contabiliza preparação de dados, infraestrutura, licenciamento e gestão de mudança. Iniciativas que começam com orçamentos menores tendem a usar ferramentas de IA já embutidas em plataformas existentes, o que é um ponto de partida legítimo, desde que acompanhado de métricas claras.
Como a regulação de IA no Brasil pode impactar empresas que já adotaram a tecnologia?
O PL 2.338/2023, em tramitação no Senado, estabelece obrigações de transparência, avaliação de impacto e responsabilidade para sistemas de IA de alto risco. Empresas que utilizam IA em decisões de crédito, seleção de pessoal, saúde ou segurança pública serão as mais afetadas. A preparação adequada envolve documentar os modelos em uso, mapear os dados utilizados e estabelecer processos de auditoria interna. Quem ainda não iniciou esse processo está acumulando risco regulatório silenciosamente.
Como convencer um conselho de administração a aprovar um investimento maior em IA?
A linguagem que convence conselhos não é técnica, é financeira e competitiva. O argumento mais eficaz combina três elementos: um caso de uso com ROI documentado de um piloto já executado, um benchmark de como concorrentes diretos estão usando IA, e um mapa de risco explicitando o custo de não agir. Dados do McKinsey Global Institute mostram que empresas que apresentam pilotos com resultado antes de pedir budget para escalar têm aprovação 2,5 vezes mais frequente do que as que apresentam projetos greenfield.