✔ Brazil SFE®: FinOps para IA | Gastos de IA Fora de Controle Não São Problema de TI

Propósito

✔ Brazil SFE® Pharma Produtivity, Effectiveness, CRM, BI, SFE, ♕Data Science Enthusiast, ✰BI, Big Data & Analytics, ✰Market Intelligence, ♕Sales Force Effectiveness, Vendas, Consultores, Comportamento, etc... Este é um lugar onde executivos e profissionais da Indústria Farmacêutica atualizam-se, compartilham experiências, aplicabilidades e contribuem com artigos e perspectivas, ideias e tendências. Todos os artigos e séries são desenvolvidos por profissionais da indústria. Este Blog faz parte integrante do grupo AL Bernardes®.

FinOps para IA | Gastos de IA Fora de Controle Não São Problema de TI — São Falha de Governança Corporativa

#BrazilSFE #IndústriaFarmacêutica #GovernançaDeIA #ROIDeIA #GoldmanSachs #FalhaDeGovernança #CustoDeIA #FinOps #GestãoExecutiva #RetornoSobreInvestimento #InteligênciaArtificial #Liderança

☕DOE UM CAFÉ

Gestores de todo o mundo aprovam projetos de Inteligência Artificial com entusiasmo genuíno, liberam acesso a ferramentas para suas equipes e aguardam os resultados prometidos nas apresentações de fornecedores. O que ninguém avisa, e o que os números de 2026 estão confirmando de forma inequívoca, é que a maioria desses projetos não consegue provar que gerou qualquer retorno mensurável. E isso não é problema do modelo de IA. É problema de como as empresas estão governando suas iniciativas.

A prova mais contundente veio de uma fonte improvável. O MIT, em relatório publicado em 2025 pelo seu NANDA Institute, analisou o resultado de 30 a 40 bilhões de dólares em investimentos corporativos globais em Inteligência Artificial generativa e encontrou que 95% das organizações não reportaram retornos mensuráveis. Apenas 5% dos pilotos integrados conseguiram extrair impacto real e documentado no resultado financeiro. No setor farmacêutico, onde cada investimento compete por verbas que poderiam ir para força de vendas, para lançamentos de produtos ou para infraestrutura regulatória, esse número deveria provocar uma revisão imediata dos critérios de aprovação de projetos de IA.

Desafiar esse padrão requer primeiro entender por que ele existe. A diferença entre os 5% que extraem valor e os 95% que não conseguem não é tecnológica. Não é o modelo de IA escolhido. Não é o fornecedor contratado. Não é o tamanho do time técnico. É gerencial. É a presença ou ausência de um framework de governança que define, antes do início de qualquer projeto, quais são os indicadores de sucesso, como serão medidos, quem é responsável por monitorá-los e o que acontece se não forem atingidos.

Esse vácuo de governança tem uma causa estrutural que o Goldman Sachs documentou com precisão: enquanto 54% das empresas discutiram produtividade de IA em calls de resultados do primeiro trimestre de 2026, apenas 11% quantificaram benefícios específicos de produtividade e somente 2% quantificaram impacto efetivo nos resultados financeiros. A maioria está falando sobre IA. Pouquíssimas conseguem provar que ela está funcionando. E as que não conseguem provar estão, cada vez mais, sob pressão de conselhos e acionistas para justificar os gastos crescentes.

A urgência desse dado fica ainda mais clara quando se considera o movimento de mercado de 2026. O Goldman Sachs revisou para cima suas projeções de gastos empresariais globais com IA em maio de 2026, com o ritmo anualizado de investimento chegando a 650 bilhões de dólares no primeiro trimestre e projetando ultrapassar 800 bilhões até o final do ano. Esse é o contexto em que empresas farmacêuticas estão operando: um mercado global injetando centenas de bilhões em IA enquanto a grande maioria ainda não sabe como medir se o investimento está gerando retorno.

Resignar-se a esse cenário como inevitável seria um erro estratégico. A divisão entre os que conseguem e os que não conseguem medir ROI em IA não é aleatória. Segundo a análise do Goldman Sachs, os projetos com maior probabilidade de gerar retorno mensurável são aqueles que, desde o início, definiram uma linha de base clara do processo que seria automatizado, estabeleceram um indicador específico de melhoria, e criaram um mecanismo de medição que compara o antes e o depois de forma auditável. No setor farmacêutico, isso pode ser tão direto quanto medir o tempo médio de geração de relatórios de visitação antes e depois da automação, ou a taxa de erro em processos regulatórios antes e depois da implantação de revisão assistida por IA.

A questão que raramente é feita na reunião de aprovação é a seguinte: se daqui a seis meses alguém perguntar se esse projeto gerou retorno, qual será a resposta? Se não existe uma métrica pré-definida, a resposta será "parece que sim" ou "as equipes gostaram muito". Essas respostas não sustentam orçamentos crescentes. Não convencem conselhos. E não sobrevivem ao primeiro ciclo de revisão de investimentos quando o budget aperta.

A lição mais valiosa que a Indústria Farmacêutica pode extrair do caso Uber é precisamente essa. O COO Andrew Macdonald declarou publicamente que a empresa não conseguia traçar uma linha direta entre o consumo crescente de tokens e a entrega de funcionalidades mais úteis ao consumidor. Ele não disse que a IA não estava funcionando — ele disse que não sabia como provar que estava. Para um gestor de alto nível que aprovou um investimento de escala, essa é a posição mais desconfortável possível: gastar muito sem poder demonstrar o retorno.

A raiz do problema está em como os projetos são estruturados desde o início. Quando uma empresa decide implantar IA para automação de análise de dados de mercado, a discussão costuma girar em torno de qual ferramenta escolher, qual fornecedor contratar e qual time implementar. Raramente a discussão começa pelas perguntas certas: qual processo exatamente será mudado? Como esse processo funciona hoje? O que vai medir a melhoria? Quem vai acompanhar o indicador? O que vai acontecer se o indicador não melhorar?

A resposta estruturada a essas perguntas transforma um projeto de IA de uma aposta em um investimento gerenciável. No contexto da Indústria Farmacêutica brasileira, onde a pressão por eficiência de força de vendas e otimização de cobertura médica é constante, a IA tem potencial real de gerar retorno mensurável — mas somente se o projeto for desenhado com essa mensuração como requisito, não como detalhe a ser resolvido depois.

A governança de IA não é responsabilidade exclusiva do time de TI. Quando a conta de infraestrutura de IA cresce sem controle, a responsabilidade é distribuída entre quem aprovou o projeto sem critérios financeiros claros, quem liberou o acesso sem limites de consumo e quem aceitou "a equipe adorou" como evidência de sucesso. Esses três papéis raramente são do time técnico. São funções de gestão, de finanças e de liderança executiva.

Na Indústria Farmacêutica, há um paralelo muito próximo com o processo de aprovação de estudos clínicos. Nenhum estudo clínico começa sem uma definição clara do endpoint primário — o indicador que vai determinar se o estudo foi bem-sucedido. Nenhum investidor de capital aceita financiar um estudo sem saber de antemão como o sucesso será medido. Por que projetos de IA seriam diferentes? Se a indústria já tem o framework mental correto para pensar em evidência e mensuração, ela tem tudo o que precisa para aplicar a mesma lógica às suas iniciativas de IA.

Bernardo Marinho, diretor de operações de uma das maiores redes farmacêuticas do Brasil, resumiu em uma entrevista recente: "A gente aprende rápido que ferramenta nova sem indicador de resultado é custo disfarçado de inovação". Essa percepção está chegando a mais gestores do setor à medida que os ciclos de entusiasmo inicial com IA dão lugar à realidade das faturas e à cobrança por resultados. A questão não é se você vai precisar responder sobre o ROI dos projetos de IA da sua empresa — é quando.

Transformar essa cobrança em oportunidade requer um único movimento: começar a tratar IA com a mesma disciplina gerencial que qualquer outro investimento relevante. Isso significa, na prática, que nenhum projeto de IA deve ser aprovado sem um indicador claro de retorno esperado definido antes do início. Esse indicador pode ser tempo economizado, taxa de erro reduzida, receita gerada, custo evitado ou qualquer combinação dessas dimensões — desde que seja mensurável, com linha de base documentada e prazo para avaliação.

Ela — a disciplina de governança — também precisa cobrir o lado dos custos com a mesma seriedade com que cobre o lado dos benefícios. Um projeto de IA que gera 100.000 reais de economia e custa 300.000 reais em infraestrutura de tokens não é um caso de sucesso — é um caso de desperdício bem intencionado. Medir o retorno sem medir o custo real é uma análise incompleta. E análises incompletas são a principal razão pela qual 95% das organizações não conseguem demonstrar ROI em IA.

Sabe-se que o movimento correto em governança de IA não é frear a adoção. É estruturá-la. As empresas que estão extraindo valor real de Inteligência Artificial em 2026 não são as que adotaram menos ou as que adotaram mais — são as que adotaram com critério. Com indicadores definidos. Com controles de custo implementados. Com responsabilidade clara por monitoramento e resultados. Esse é o modelo que transforma IA de aposta cara em investimento gerenciável.

O que sua empresa decide fazer com essa informação determina onde ela estará no ano que vem: entre os 5% que conseguem provar o retorno, ou entre os 95% que continuam aprovando projetos com entusiasmo e explicando para o conselho por que os números ainda não fecham.