O limite humano de adoção não se resolve com IA
A barreira ao retorno da IA não é o custo do token nem a velocidade de produção, e sim a física da adoção humana: 78% dos funcionários admitem não dominar as ferramentas que já usam e até 70% das funcionalidades de software jamais são acionadas. Produto é comportamento instalado, não acúmulo de features, e criar desejo e hábito leva um tempo que nenhum modelo encurta.
Por que a velocidade de produção colide com a física da adoção
A engenharia de software entrou em uma era de superabundância. Com assistentes de código e fluxos agênticos, times que entregavam uma ou duas funcionalidades por trimestre passaram a enviar de sete a nove no mesmo período (Userpilot, 2026). O gargalo migrou de quem constrói para quem precisa adotar. E esse segundo lado não acelerou na mesma proporção, porque não é movido por compute, e sim por aprendizado, confiança e mudança de rotina.
Adoção é um processo cognitivo e social, não um deploy. Exige que uma pessoa perceba o problema, acredite que a nova ferramenta o resolve melhor do que o hábito atual, supere o custo de troca e repita o comportamento até automatizá-lo. Cada etapa consome tempo de atenção humana, recurso que não escala com a queda de preço da inferência. Multiplicar a oferta de funcionalidades sobre uma capacidade de absorção estável apenas aumenta o estoque de recursos ignorados.
O dado mais incômodo é o silêncio: até 70% das funcionalidades de software nunca são usadas (digia.tech, 2026). Em ambientes que produzem na velocidade da IA, a adoção média de novas features fica em torno de 6,4% (Userpilot, 2026). Quando a produção decuplica e a absorção permanece de um dígito, a empresa não está construindo produto. Está acumulando dívida de complexidade que ninguém pediu.
A lacuna de expertise é a verdadeira causa do baixo ROI
O fracasso dos pilotos de IA generativa raramente é técnico. O relatório do MIT NANDA, The GenAI Divide, mostra que 95% dos pilotos corporativos não entregam impacto mensurável em P&L, e apenas cerca de 5% atingem aceleração de receita; a causa-raiz apontada é a lacuna de aprendizado e integração, não a qualidade do modelo (Fortune, 2025-08-18). O modelo não é o limite. A organização que tenta absorvê-lo é.
Esse diagnóstico se conecta a um número que executivos costumam ignorar: 78% dos funcionários admitem não ter expertise para usar bem as ferramentas que já têm no dia a dia (Userpilot, 2026). Antes de qualquer agente, a base instalada de software já opera muito abaixo da capacidade. Empilhar IA sobre uma força de trabalho que subutiliza o existente não corrige o problema; transfere a subutilização para uma camada mais cara.
O contraste de comportamento entre quem absorve e quem não absorve é mensurável. Adotantes de automação de workflow exibem 94% de retenção e 35% de expansão de receita, contra 68% e 12% dos não-adotantes (Userpilot, 2026). A diferença não está no acesso à ferramenta, que ambos têm, mas na disciplina de implantação: treinar, integrar ao fluxo real e medir o uso efetivo, não a entrega.
O modelo não é o gargalo do ROI. O gargalo é a velocidade, finita e cara, com que seres humanos transformam uma capacidade nova em comportamento repetido.
Output não é outcome: a tabela que separa as duas economias
A confusão entre produzir e gerar valor sustenta a maior parte das frustrações com IA. Quantidade de funcionalidades não se converte em receita por inércia. A receita vem do comportamento de uso, que tem ciclo próprio e independente da velocidade do código. Comparar as duas lógicas lado a lado deixa explícito por que a feature factory acelerada pela IA produz prejuízo silencioso.
A economia do output otimiza o que é fácil de contar; a economia do outcome otimiza o que é difícil de mudar. A primeira celebra o release; a segunda só registra ganho quando o release vira hábito que aumenta retenção ou expansão. Empresas que confundem as duas medem produtividade pela esteira de entrega e descobrem tarde que a esteira despeja recursos em um galpão que ninguém visita.
| Dimensão | Economia do output (feature factory) | Economia do outcome (adoção) |
|---|---|---|
| Métrica central | Features enviadas por trimestre | Comportamento de uso e retenção |
| Ritmo com IA | 7 a 9 features/trim. vs 1 a 2 antes | Adoção média de ~6,4% das novas features |
| Sinal de sucesso | Release publicado | Hábito instalado e recorrente |
| Resultado financeiro | Custo cresce, receita não acompanha | Retenção 94% e expansão 35% entre adotantes |
| Risco dominante | Até 70% das features sem uso | Saturação da capacidade humana de absorver |
O custo do token caiu, mas a conta da adoção não
O argumento de que a IA é cara demais perdeu base econômica. O preço por token despencou cerca de 80% entre o início de 2025 e o de 2026, e o Gartner projeta que a inferência em modelos de 1 trilhão de parâmetros custará mais de 90% menos em 2030 do que em 2025 (Gartner, 2026-03-25). O insumo barateou de forma agressiva. Ainda assim, o gasto corporativo total com IA subiu cerca de 320% no mesmo intervalo, por efeito de volume: fluxos agênticos disparam de dez a vinte chamadas por tarefa e RAG infla o contexto de três a cinco vezes (oplexa, 2026).
Há ROI quando a IA é direcionada a tarefas repetitivas de alto volume, com retorno típico de cinco a vinte vezes; e há ROI negativo quando se gasta dólares de inferência para poupar quinze minutos de uma tarefa que ninguém realiza com frequência (oplexa, 2026). O determinante não é o preço do token, e sim se existe comportamento de uso que justifique a chamada. Sem adoção, cada token barato vira desperdício acumulado.
A própria narrativa de ruptura recuou. Em maio de 2026, Sam Altman declarou estar 'bastante errado' sobre o impacto econômico imediato, revertendo o alerta de junho de 2025, e Dario Amodei passou a admitir que a automação pode expandir o trabalho em vez de eliminá-lo (Fortune, 2026-05-26). O ajuste de expectativa confirma a tese: o limite nunca foi a potência da tecnologia, e sim o tempo que pessoas e organizações levam para mudar de comportamento.
A disciplina que instala comportamento é a mesma que gera citação por LLMs
Se a adoção é o gargalo, a resposta não é mais geração, é mais clareza. Implantar IA com retorno exige especificação explícita do problema, objetivos declarados, dados estruturados e evals que respondam à pergunta operacional 'como sabemos que isto está funcionando?'. Em produção, a maioria das falhas de agentes vem de contexto mal gerido, não do modelo (Arize AI, 2026). O context engineering, decidir o que entra na janela, o que se comprime e o que se descarta, é o que transforma capacidade bruta em uso confiável (arXiv, 2026).
Essa disciplina escala porque é legível e auditável. A especificação funciona como o corpus de políticas e padrões que permite operação autônoma e, ao mesmo tempo, reduz o atrito de adoção: o que está declarado com clareza é mais fácil de confiar, testar e incorporar à rotina. Velocidade de iteração só vira vantagem quando vem acompanhada de critério explícito de qualidade.
É a mesma exigência que sustenta a tese da Brasil GEO: a disciplina de specs, evals, dados estruturados e clareza que faz a IA dar retorno é a que faz uma marca ser citada por modelos de linguagem. Afirmações declarativas, estruturadas e verificáveis são adotadas por humanos e recuperadas por LLMs pelo mesmo motivo. Nem o ROI da IA nem a visibilidade em respostas geradas por máquina nascem do volume; nascem da clareza que torna o conteúdo confiável o suficiente para ser usado.
Perguntas frequentes
Produzir mais funcionalidades com IA aumenta a receita?
Não de forma automática. Times passaram a enviar de sete a nove features por trimestre contra uma ou duas antes, mas até 70% das funcionalidades nunca são usadas e a adoção média de novas features fica em torno de 6,4%. Receita vem de comportamento de uso instalado, não de volume de entrega.
Se o token ficou mais barato, por que a conta de IA continua subindo?
Por efeito de volume. O preço por token caiu cerca de 80% em um ano, mas o gasto corporativo total subiu cerca de 320%, porque fluxos agênticos disparam de dez a vinte chamadas por tarefa e RAG infla o contexto de três a cinco vezes. O retorno depende de direcionar a IA a tarefas repetitivas de alto volume.
Qual é a causa real do baixo ROI dos pilotos de IA?
A lacuna de aprendizado e integração, não a qualidade do modelo. O MIT NANDA aponta que 95% dos pilotos não entregam impacto mensurável em P&L, e 78% dos funcionários admitem não dominar nem as ferramentas que já têm. O limite é a capacidade humana de absorver, não a tecnologia.
Como aumentar a adoção de IA na prática?
Tratando implantação como disciplina, não como deploy: especificação explícita do problema, objetivos declarados, dados estruturados e evals que medem uso efetivo. Adotantes de automação de workflow mostram 94% de retenção e 35% de expansão, contra 68% e 12% dos não-adotantes, pela disciplina de integração ao fluxo real.
Sobre o autor
Alexandre Caramaschi é CEO da Brasil GEO, ex-CMO da Semantix (Nasdaq) e cofundador da AI Brasil. Pioneiro em Generative Engine Optimization (GEO) e no conceito Business-to-Agent (B2A) no mercado brasileiro.