Blog

Um gerente de produto de uma fintech paulistana me contou, semana passada, que a empresa dele acabou de renovar contrato com um fornecedor de IA generativa por R$ 2,4 milhões anuais — e que ninguém no time consegue explicar direito o que aquele sistema entrega de diferente do que a equipe já fazia antes. “A gente renovou porque tinha medo de ficar pra trás”, ele disse. Esse medo, multiplicado por milhares de empresas, é o que está moldando onde o dinheiro vai parar em 2026.

A tese que circula nas conferências é que o mercado de IA generativa vai crescer porque a tecnologia ficou boa. A tese real — a que ninguém fala em painel — é diferente: o mercado vai crescer porque o custo de não investir ficou alto demais politicamente dentro das organizações. Não é adoção por convicção. É adoção por pressão de board, por benchmarking competitivo, por medo do auditor de tecnologia na próxima reunião trimestral. Entender essa diferença muda completamente onde apostar.

1. O dinheiro não vai pra onde você acha

Levantamentos do setor apontam que mais de 70% do orçamento destinado a IA generativa nas grandes empresas brasileiras em 2025 foi parar em três categorias: licenças de ferramentas SaaS (pense nos copilots de produtividade), consultoria de implementação e — aqui a parte que surpreende — treinamento que nunca chegou a ser aplicado. Isso não é fracasso. É o ciclo normal de qualquer tecnologia corporativa no Brasil: compra-se o acesso, contrata-se a consultoria pra justificar a compra, e o treinamento vira conteúdo gravado que ninguém assiste depois da semana de lançamento.

O que muda em 2026 é que os CFOs começaram a pedir ROI com número. Não narrativa, número. E aí o jogo muda de figura.

As grandes redes de varejo, por exemplo, estão reportando internamente resultados concretos em dois pontos específicos: geração de descrições de produto em escala (uma rede com catálogo de 400 mil SKUs que levava três semanas pra atualizar textos sazonais agora faz isso em dois dias) e atendimento ao cliente em primeiro nível. Esses dois casos têm algo em comum: são mensuráveis, têm baseline claro, e o benefício aparece na planilha em menos de 90 dias. Não por acaso, são exatamente esses os casos de uso que vão receber mais investimento em 2026.

2. Infraestrutura vira o novo campo de batalha

Por muito tempo, a conversa era sobre qual modelo usar — GPT, Claude, Gemini, modelo open source hospedado localmente. Essa discussão ainda existe, mas perdeu protagonismo. O que está ocupando a agenda dos times de tecnologia agora é outra coisa: onde e como os dados da empresa vão entrar nesse processo sem violar compliance, LGPD e os acordos de confidencialidade com clientes.

Esse problema de infraestrutura de dados — não o modelo em si — é onde os maiores investimentos vão se concentrar. Grandes bancos nacionais já estão gastando cifras relevantes não em licença de modelo, mas em arquitetura de dados que permita que a IA generativa acesse informação proprietária sem que essa informação saia do ambiente controlado da instituição. É o mercado de RAG (recuperação aumentada por geração), de embeddings privados, de orquestração de agentes dentro do perímetro corporativo.

Uma empresa de seguros com quem conversei em março deste ano — médio porte, faturamento na casa de R$ 800 milhões — gastou R$ 180 mil em licença de modelo e R$ 1,1 milhão em infraestrutura de dados pra suportar o projeto. A proporção vai se repetir no mercado em geral ao longo de 2026.

3. Agentes autônomos: a aposta que divide opiniões

O tema mais quente nas conferências de tecnologia de 2025 foi “agentes de IA” — sistemas que não apenas respondem perguntas, mas executam sequências de ações de forma autônoma. Reservar reunião, enviar e-mail de follow-up, atualizar CRM, acionar aprovação de contrato. O conceito é real. O hype em torno dele é desproporcional.

Minha posição aqui é direta: agentes autônomos vão gerar valor real em 2026 em casos específicos e falhar espetacularmente nos casos onde foram vendidos com excesso de promessa. Os casos que funcionam têm três características: processo bem definido, dados estruturados e tolerância zero a erros que alguém já mapeou. Processos de aprovação de crédito com regras claras, geração de relatórios regulatórios padronizados, onboarding de novos fornecedores com checklist fixo. Nesses casos, o investimento se paga.

Os casos que vão gerar dor de cabeça são aqueles onde alguém vendeu “o agente vai entender o contexto do negócio”. Contexto de negócio não está em nenhum manual — está na cabeça do analista sênior que trabalha há oito anos na empresa. Automatizar isso em 2026 ainda não é realista na maioria dos cenários corporativos brasileiros.

4. O que não funciona (e por que o mercado continua tentando)

Quatro abordagens que consomem orçamento e entregam pouco — e que vão continuar sendo vendidas em 2026:

• Chatbot genérico de atendimento sem integração real com sistemas internos. O chatbot que “resolve tudo” mas não tem acesso ao ERP, ao CRM, ao histórico de pedidos. O cliente pergunta sobre o status da entrega e o bot responde com FAQ. Isso não é IA generativa aplicada — é um FAQ com interface conversacional. O problema não é a tecnologia, é a arquitetura de integração que ninguém quis pagar pra fazer direito.
• Projetos-piloto que nunca escalam. O piloto funciona com 50 usuários internos entusiastas. Quando vai pra toda a operação, com usuários que não pediram pra estar lá, o engajamento cai pra menos de 15% em 60 dias. O erro é achar que adoção em piloto prediz adoção em escala. Não prediz.
• Fine-tuning de modelo quando o problema é de dado, não de modelo. Empresas que gastam meses treinando modelos customizados quando o problema real é que os dados internos são bagunçados, desatualizados ou incompletos. Treinar um modelo caro em dado ruim produz resultado ruim com mais confiança — que é pior que resultado ruim com incerteza.
• Comprar a ferramenta mais cara achando que ela resolve a estratégia. A licença mais sofisticada do mercado não substitui a pergunta “qual problema específico eu estou resolvendo e como vou medir se resolveu”. Empresas que pulam essa pergunta vão renovar contrato por medo, como a fintech lá do começo — e dois anos depois ainda não vão saber explicar o que o sistema entregou.

5. Onde o investimento inteligente vai aparecer em 2026

Três áreas onde o dinheiro bem aplicado vai gerar resultado documentado:

Geração de conteúdo em escala com revisão humana no loop. Não conteúdo 100% automatizado — conteúdo onde a IA produz um rascunho e um humano revisa e aprova em fração do tempo que levaria pra criar do zero. Agências de publicidade, grandes empresas de e-commerce, produtoras de conteúdo educacional. O modelo funciona porque o humano ainda está lá — mas trabalhando em volume 4x maior com o mesmo time.

Análise de documentos não estruturados. Contratos, laudos técnicos, processos jurídicos, relatórios de auditoria. Escritórios de advocacia médios e grandes já estão vendo retorno real aqui. Um escritório com 40 advogados que antes levava uma semana pra revisar um data room de M&A agora faz em dois dias. Não é automação total — é aceleração de revisão com extração automática de cláusulas-chave pra o advogado validar.

Personalização de comunicação em marketing e CRM. Não o e-mail marketing genérico com o nome do cliente no assunto. Personalização real de oferta, timing e canal baseada em comportamento. As principais redes de varejo e operadoras de telecomunicações já têm isso funcionando — e os resultados em taxa de conversão são documentáveis porque o baseline existia antes.

6. O fator Brasil que todo mundo ignora

Tem um detalhe que relatórios internacionais não capturam bem: o mercado brasileiro de IA generativa tem uma característica específica que afeta onde o investimento vai. A concentração de decisão de compra de tecnologia em poucas pessoas dentro das empresas é muito maior aqui do que nos Estados Unidos ou Europa. Em muitas médias empresas, uma única pessoa — o CTO, o dono, o diretor de TI — decide sozinha o orçamento de tecnologia sem comitê formal.

Isso significa que o ciclo de venda de IA generativa no Brasil é mais curto em empresas menores (uma conversa boa com a pessoa certa fecha negócio em semanas) e mais longo e burocrático nas grandes (onde o processo passa por cinco comitês e leva de oito a dezoito meses). Os fornecedores que entenderem essa dualidade vão crescer mais rápido. Os que importarem o playbook americano de enterprise sales sem adaptar vão perder muito tempo e dinheiro.

A questão do idioma também importa mais do que parece. Modelos que performam bem em inglês ainda têm variação relevante de qualidade em português — especialmente em domínios técnicos específicos como direito brasileiro, contabilidade fiscal e linguagem regulatória da CVM ou do Banco Central. Empresas que precisam de qualidade alta nesses domínios estão investindo em fine-tuning local ou em curadoria humana mais intensiva, o que eleva o custo total do projeto em 20% a 35% comparado com estimativas feitas com base em benchmarks internacionais.

7. Um caso real com imperfeições incluídas

Uma empresa de logística de médio porte implementou IA generativa pra automatizar a geração de relatórios de ocorrências para clientes — aquele documento que explica por que a entrega atrasou, o que aconteceu e o que foi feito. Antes, um analista levava entre 25 e 40 minutos por relatório. Com o sistema novo, o rascunho sai em 3 minutos e o analista revisa e assina em mais 8. Resultado real, documentado.

O que não funcionou: nos primeiros dois meses, o modelo gerava textos que soavam “muito formais e frios” segundo feedback de clientes — e em três ocasiões produziu relatórios com informações ligeiramente inconsistentes que o analista não pegou na revisão rápida. Precisou de um mês extra de ajuste no prompt e de um checklist de revisão mais estruturado. O projeto atrasou 60 dias em relação ao cronograma inicial. Funcionou — mas não da forma limpa que a apresentação do fornecedor mostrava.

Isso é o normal. Não existe implantação de IA generativa sem iteração de ajuste. Quem vende resultado sem fricção está vendendo expectativa errada.

O que fazer essa semana

Se você trabalha com tecnologia, produto ou estratégia numa empresa brasileira, três movimentos pequenos que fazem diferença agora:

• Mapeie um processo que tem baseline claro. Não “melhorar atendimento”. Algo como “gerar proposta comercial demora X horas hoje”. Se você não tem baseline, não tem como medir resultado — e sem resultado medido, o projeto vira custo sem retorno documentado.
• Pergunte ao fornecedor qual é o custo total, não o custo da licença. Infraestrutura, integração, curadoria de dado, treinamento de time. O número real costuma ser 2x a 3x o valor da licença. Saber isso antes evita surpresa de orçamento no meio do projeto.
• Identifique quem na sua empresa vai ser o revisor humano no loop. Toda implantação que funciona tem uma pessoa específica responsável por validar o output da IA antes de ir pro cliente ou pro sistema. Se esse papel não está definido, o projeto não está pronto pra começar.