De acordo com a Gartner, dois riscos ligados à IA figuram entre as cinco principais preocupações emergentes dos líderes de empresas
A inteligência artificial chegou ao centro das decisões empresariais pela porta dos investimentos, da produtividade e da competição. Agora, começa a ocupar também o mapa de riscos.
Uma pesquisa da Gartner publicada em 2 de novembro de 2026 identificou dois riscos ligados à IA entre as cinco principais preocupações emergentes dos 308 líderes de gestão de riscos, auditores e executivos seniores entrevistados. O chamado AI Strategy Miscalculation, ou erro de cálculo na estratégia de IA, apareceu em terceiro lugar no ranking do terceiro trimestre. A perda de competitividade provocada por concorrentes que usam IA com maior eficácia também ingressou na lista. O resultado retrata a percepção dessa amostra, sem constituir uma classificação universal dos maiores riscos corporativos.
Para Alexandre Azevedo, CEO da White Cube, consultoria de dados e IA, os dois riscos representam pressões distintas. Uma empresa pode investir rápido demais, escolher casos de uso inadequados e ampliar iniciativas antes de estar preparada. Também pode avançar lentamente, dispersar esforços e perder terreno para organizações capazes de converter IA em desempenho empresarial.
Na avaliação do executivo, a questão passa a ser como acelerar a adoção sem transformar a pressa por inovação em uma sequência de decisões tecnológicas e financeiras equivocadas.
Quando o investimento perde a conexão com a estratégia
A experimentação faz parte da adoção de qualquer tecnologia emergente. O problema começa quando projetos experimentais recebem orçamento, usuários e integrações sem critérios claros de continuidade.
Isso ocorre quando uma organização contrata ferramentas com funcionalidades semelhantes, escolhe modelos pela repercussão do lançamento, automatiza processos pouco relevantes ou expande pilotos sem validar qualidade, riscos e viabilidade econômica. O resultado costuma ser um portfólio de iniciativas que consome recursos, mas não revela qual prioridade estratégica está sendo atendida.
A Gartner descreve o erro de cálculo na estratégia de IA como uma combinação de investimentos excessivamente agressivos, casos de uso inadequados e avanço anterior à preparação operacional, cultural e de governança. Sua recomendação central consiste em tratar os investimentos como um portfólio de decisões empresariais, conectado a prioridades, tolerância a riscos, capacidades disponíveis e retornos esperados.
Segundo Azevedo, a distinção entre experimentação e expansão desestruturada está no método. Um experimento precisa ter hipótese, responsável, prazo, linha de base, critérios de sucesso e decisão prevista ao final. “Sem esses elementos, a empresa acumula demonstrações tecnológicas. Algumas impressionam. Poucas mudam o negócio”, afirma.
A fragmentação cria custos que ninguém consolidou
Enquanto a estratégia corporativa passa por comitês, os colaboradores adotam ferramentas por conta própria. Surge o Shadow AI: modelos, contas, extensões e automações utilizados fora dos processos aprovados de supervisão.
Esse uso descentralizado produz uma mistura desconfortável de benefícios e exposição. Pessoas economizam tempo em tarefas específicas, enquanto a organização perde visibilidade sobre dados compartilhados, serviços contratados, custos incorridos e resultados gerados. Também cresce a dependência de métodos individuais, armazenados em históricos pessoais ou em prompts que nunca passam por documentação e revisão.
Azevedo chama de Shadow Productivity o ganho local que permanece invisível para a empresa. “Um profissional consegue produzir um relatório em duas horas em vez de quatro, mas o processo ao redor continua igual. A aprovação mantém os gargalos, outra equipe reconstrói a análise e o conhecimento desaparece quando o profissional muda de função”, explica.
A pesquisa global da McKinsey de 2026, realizada com 1.719 participantes, evidencia essa distância. Entre os respondentes, 80% afirmaram que a IA melhorou sua produtividade individual, enquanto 37% atribuíram algum impacto sobre o EBIT (lucro antes de juros e impostos) de suas organizações. Cerca de 20% também relataram que custos operacionais de IA, incluindo tokens, limitaram seu uso. São medidas diferentes e não diretamente equivalentes, mas o contraste ajuda a expor o desafio: ganhos percebidos pelas pessoas ainda precisam ser convertidos em valor financeiro verificável para a empresa.
Governança é infraestrutura de escala
Governança costuma ser associada a restrição. Em IA, segundo o CEO da White Cube, ela funciona como infraestrutura para experimentar e crescer com critérios conhecidos.
Essa estrutura de governança de IA começa com identidades, perfis, permissões, classificação de dados, registros de uso e responsabilidades definidas. Inclui controle de acesso baseado em funções, trilhas de auditoria, políticas para informações sensíveis e supervisão compatível com a LGPD (Lei Geral de Proteção de Dados). Também exige clareza sobre quem responde por decisões apoiadas por modelos.
Referências como a ISO/IEC 42001, o NIST AI Risk Management Framework e o OWASP Top 10 para aplicações com LLMs (grandes modelos de linguagem) oferecem fundamentos complementares. A ISO organiza um sistema de gestão contínua. O NIST estrutura atividades de governar, mapear, medir e administrar riscos. O OWASP concentra-se em vulnerabilidades de segurança características de aplicações generativas e agênticas.
A adoção de agentes torna esse desenho mais urgente. Quando um sistema consulta bases, aciona ferramentas, modifica registros ou participa de processos operacionais, o risco passa a depender também de sua autonomia. Limites de ação, validação de entradas, monitoramento, possibilidade de interrupção e supervisão humana precisam fazer parte da arquitetura.
“Uma política escrita não controla um agente. O que garante o controle são mecanismos implementados, observabilidade e responsabilidades operacionais”, afirma Azevedo.
AI FinOps: do volume de uso ao valor econômico
Número de usuários ativos, prompts enviados e interações realizadas são métricas de adoção. Elas demonstram atividade, mas não comprovam geração de valor.
A gestão econômica da IA exige uma disciplina de AI FinOps capaz de relacionar consumo tecnológico, custos e resultados empresariais. Isso envolve acompanhar gastos por área, processo e aplicação; comparar modelos; identificar padrões de consumo; calcular o custo total de operação; e avaliar se a qualidade obtida sustenta a expansão.
Cada caso de uso precisa partir de uma linha de base. Quanto tempo o processo consome hoje? Qual é sua taxa de erro? Quanto retrabalho produz? Qual custo operacional carrega? Depois da implementação, a análise deve verificar alterações nessas medidas e seus efeitos financeiros.
O relatório da Gartner reforça que o valor da IA deve ser medido também por seu impacto sobre as decisões empresariais, superando a observação isolada da produtividade.
Essa disciplina permite expandir iniciativas que demonstram resultado, substituir modelos cujo custo supera o benefício e encerrar projetos mantidos apenas porque ganharam visibilidade interna. “A tecnologia merece avaliação econômica. O entusiasmo corporativo não costuma vir com centro de custo próprio”, resume o executivo.
Uma arquitetura corporativa para a IA
A expansão da IA exige uma camada arquitetural capaz de integrar modelos, usuários, dados e políticas. Sem essa camada, cada nova ferramenta amplia a fragmentação, cria outro ponto de controle e adiciona uma fonte de custos.
Plataformas corporativas de orquestração podem centralizar o acesso a diferentes modelos, aplicar permissões, registrar atividades, consolidar custos e disponibilizar mecanismos de compartilhamento de conhecimento. Essa arquitetura reduz dependências desnecessárias e permite selecionar modelos conforme requisitos de qualidade, segurança e economia.
Na White Cube, essa visão deu origem ao White Conductor. A plataforma centraliza o acesso corporativo a diferentes modelos de IA e reúne recursos de gestão de usuários e permissões, auditoria, guardrails, acompanhamento de adoção e custos. Também permite aperfeiçoar, organizar, compartilhar e reutilizar prompts, preservando contexto entre modelos conforme as configurações disponíveis.
Seu papel arquitetural consiste em enfrentar quatro fontes recorrentes de exposição: uso fragmentado, ausência de rastreabilidade, custos dispersos e conhecimento preso ao indivíduo. “A plataforma não substitui estratégia, governança ou gestão de processos. Ela fornece uma base para que essas disciplinas sejam aplicadas de forma consistente”, afirma Azevedo.
Segundo ele, nenhuma plataforma garante conformidade, retorno financeiro ou eliminação de riscos por conta própria. Os resultados dependem das políticas, responsabilidades, métricas e decisões que a organização constrói sobre a tecnologia.
A vantagem está na capacidade construída
Os dois riscos apontados pela Gartner formam um mesmo desafio empresarial. Investimentos desconectados de prioridades produzem desperdício, complexidade e exposição. A ausência de capacidades para aplicar IA com eficiência enfraquece a posição competitiva.
A resposta exige estratégia, arquitetura, governança, gestão econômica, desenvolvimento das pessoas e indicadores vinculados a processos completos. Também exige disposição para interromper iniciativas que não funcionam, mesmo quando a tecnologia envolvida ocupa o centro das atenções.
“Acumular ferramentas é simples. Construir uma organização capaz de governar, medir, compartilhar e aprimorar o uso da IA exige disciplina executiva”, conclui Azevedo.
A vantagem competitiva surgirá quando cada investimento em IA puder ser convertido em uma capacidade empresarial governada, reutilizável e economicamente sustentável.
