IA agêntica: por que o retorno esperado quadruplicou em um ano

O que a pesquisa da SAP mediu, exatamente?

O estudo The Value of AI: Brazil 2026, da SAP em parceria com a Oxford Economics, ouviu 2.600 líderes empresariais em 13 países, 200 deles no Brasil, e mediu expectativa de retorno com agentes de IA — não retorno já realizado. As empresas brasileiras projetam 15% de ROI em agentes até 2028, o equivalente a US$ 24,8 milhões (SAP Brasil, 10/09/2026).

Essa distinção entre expectativa e resultado é a primeira coisa a fixar, porque ela muda a leitura de todo o resto. O número foi divulgado durante o SAP Now Tour Brasil e repercutiu como aceleração do retorno financeiro com IA agêntica (CNN Brasil, 10/09/2026). O que ele mede, na origem, é o que os executivos acreditam que vai acontecer.

Por que a expectativa de retorno quadruplicou em um ano?

A projeção saltou de US$ 3,8 milhões para US$ 24,8 milhões porque as empresas saíram do teste isolado e passaram a ver a IA funcionando em processo real. No mesmo levantamento, o ROI médio já obtido com IA em geral subiu de 16% para 19%, e a fatia de tarefas apoiadas por IA chegou a 26%, com projeção de 44% em dois anos.

Há um segundo motivo, menos comentado: a base de comparação era baixa. Em 2025, agente de IA era assunto de prova de conceito, e ninguém projeta retorno alto sobre algo que ainda não rodou. Quadruplicar uma expectativa pequena é mais fácil do que quadruplicar um resultado.

O sinal mais consistente de amadurecimento não é a cifra — é a mudança de estrutura. A parcela de empresas que usa IA de forma estratégica e integrada subiu de 6% para 18%. Ainda assim, 48% seguem adotando IA projeto por projeto, o que significa que a maioria acumula ferramentas sem conectá-las.

Esses milhões valem para uma empresa de porte médio?

Não diretamente, e é importante dizer isso com clareza. Uma média de US$ 20,8 milhões de investimento anual em IA descreve empresas grandes, com orçamento de tecnologia em dólar e equipe dedicada. Uma companhia com 40 funcionários não tem essa conta, nem precisa dela para obter retorno.

O que se aproveita da pesquisa não é a cifra: é o padrão de causa. Os fatores que os 200 líderes brasileiros apontaram como limitadores do retorno — dado desorganizado, integração mais difícil do que o previsto, falta de governança — não têm relação com tamanho. Eles aparecem igual numa distribuidora com três sistemas que não se falam.

Traduzindo para escala menor: onde a empresa grande projeta US$ 24,8 milhões, a empresa média projeta horas de trabalho que deixam de ser gastas relançando dado de um sistema no outro. A matemática é diferente; o gargalo é o mesmo.

Por que só 3% se dizem prontas para escalar agentes de IA?

Porque agente de IA não é ferramenta que se instala — é software que toma decisão dentro de um processo, e isso exige controles que a maioria das empresas ainda não montou. Enquanto 77% dos respondentes veem potencial moderado a alto nos agentes e 55% já fizeram pilotos, apenas 3% se declaram totalmente preparados para implantar e escalar.

Os problemas relatados por quem já testou são específicos e reconhecíveis:

• 61% disseram que o esforço de integração foi maior do que o esperado
• 54% viram problemas de confiabilidade crescerem conforme o uso aumentou
• 45% obtiveram resultados inconsistentes entre equipes ou regiões no mesmo processo
• 40% relataram agentes tomando ações incorretas
• 39% tiveram dificuldade de reproduzir ou depurar o comportamento do agente

Nenhum desses itens é problema de modelo de IA. Todos são problemas de engenharia e de processo — e é por isso que trocar de modelo raramente resolve.

O que mais trava o retorno é o dado, não o modelo

Três de cada quatro empresas ouvidas (75%) apontam qualidade e disponibilidade de dados como o fator que impede um retorno maior com IA. E o dado que chama atenção é o movimento contrário da autoavaliação: a parcela que se considera pronta em dados para IA caiu de 68% para 56% em um ano.

Essa queda provavelmente não significa que os dados pioraram. Significa que as empresas descobriram, ao usar, o que "estar pronto" realmente exige. É o efeito comum de sair do slide e entrar na operação.

Na prática, um agente de IA amplifica o que já existe. Se o cadastro de clientes está duplicado em três lugares, o agente vai agir sobre a versão errada com a mesma velocidade com que agiria sobre a certa — e aí o erro escala. A VT Sávio costuma encontrar esse cenário antes de qualquer conversa sobre modelo: o problema a resolver primeiro é onde mora o dado confiável.

O que é shadow AI e por que 82% das empresas convivem com isso?

Shadow AI é o uso de ferramentas de IA de terceiros por funcionários, sem aprovação nem supervisão formal da empresa. No levantamento brasileiro, 82% das organizações relatam que isso acontece pelo menos ocasionalmente — e as consequências relatadas não são hipotéticas: 50% apontam resultados inconsistentes ou imprecisos, 43% citam vazamento de dados ou exposição de propriedade intelectual, 32% falam de vulnerabilidades de segurança e 31%, de violações de compliance.

Esse é o dado da pesquisa com implicação legal mais direta no Brasil. Colar dado pessoal de cliente numa ferramenta gratuita de IA é tratamento de dado pessoal por operador não contratado, sem base legal definida — exatamente o tipo de situação que a LGPD (Lei nº 13.709/2018) trata como responsabilidade do controlador, ou seja, da empresa.

Vale notar o que shadow AI revela em vez de só condenar: quando 82% das empresas têm gente usando IA por fora, há demanda real não atendida internamente. Proibir sem oferecer alternativa aprovada tende a empurrar o uso para mais longe da vista.

Como uma empresa menor começa sem apostar alto?

O caminho que reduz risco é o inverso do que a manchete sugere. Em vez de mirar o retorno de milhões, comece pelo processo onde o erro é barato e o volume é alto:

1. Escolha uma tarefa repetitiva com resultado verificável. Classificar mensagem de entrada, extrair dado de nota fiscal, preencher cadastro a partir de um formulário. Se ninguém consegue dizer se o resultado saiu certo, ainda não é hora de automatizar.
2. Arrume o dado daquele processo, só dele. Não é projeto de governança corporativa. É garantir que o agente leia de uma fonte só, e que essa fonte esteja correta.
3. Comece com automação de fluxo antes de agente. Boa parte do que se vende como "agente" é resolvido por um fluxo com regras claras — mais barato, previsível e auditável. A VT Sávio trabalha com n8n justamente para essa faixa.
4. Mantenha aprovação humana nos pontos de consequência. Enviar mensagem a cliente, emitir documento, alterar valor. No estudo, 35% das empresas não têm nenhum processo de human-in-the-loop; é uma das lacunas mais fáceis de fechar.
5. Registre o que cada automação faz. Metade das empresas ouvidas mantém registro formal dos agentes em uso. A outra metade, quando algo dá errado, não sabe onde olhar.
6. Meça antes e depois, no mesmo indicador. Tempo de resposta, retrabalho, erro por lote. Sem linha de base, retorno é opinião.

O que esses números não dizem

Vale registrar os limites do estudo, porque eles importam para quem vai decidir com base nele.

É pesquisa de autodeclaração. ROI de 15% em dois anos é o que os executivos projetam, não o que foi auditado. Expectativa de retorno é conhecida por ser otimista, e o próprio salto de US$ 3,8 milhões para US$ 24,8 milhões em um ano é grande o bastante para pedir cautela.

É pesquisa patrocinada por uma fornecedora. A SAP vende software de IA corporativa. Isso não invalida a metodologia — a Oxford Economics é casa séria e a amostra está declarada —, mas o recorte das perguntas e o destaque dado a cada achado servem a uma narrativa comercial. Ler os números junto com as ressalvas do próprio relatório, como o 3% de prontidão, é o que devolve o equilíbrio.

A média esconde a distribuição. Uma média de US$ 20,8 milhões entre 200 empresas pode ser puxada por poucas companhias muito grandes. Sem a mediana, não se sabe qual é a empresa típica por trás do número.

O que sobrevive a todas essas ressalvas é modesto e útil: a IA saiu do experimento e entrou no processo, o retorno começou a aparecer em tarefas repetitivas, e o que separa quem obtém retorno de quem não obtém é dado organizado e governança — não escolha de modelo.

---

Este artigo foi escrito a partir da reportagem da CNN Brasil sobre o SAP Now Tour Brasil, do release oficial da SAP Brasil sobre o estudo The Value of AI: Brazil 2026 e do anúncio global da pesquisa, realizada pela SAP em parceria com a Oxford Economics.