Oitenta e três por cento das empresas esperam retorno sobre o investimento em IA em até 12 meses. Só 15% conseguem calcular o ROI de IA sem gargalos relevantes. É o que mostra nossa pesquisa, um levantamento com 500 líderes financeiros conduzido pela Sapio Research. Esse abismo não é falta de paciência nem de maturidade. É um problema de medição, e começa com uma conta que a maioria dos times financeiros ainda não questionou.
O que significa medir o ROI de IA hoje
Medir o ROI de IA é a prática de conectar o gasto com IA aos resultados que ele gera — impacto em receita, retenção, ganhos de produtividade, economia de custos — e traduzir essa relação em um retorno sobre o qual o financeiro consiga agir. Na prática, isso costuma se dividir em alguns componentes centrais.
Rastreamento de custos. Estabelecer o que foi de fato gasto: tokens consumidos, compute utilizado, a infraestrutura por trás de um determinado modelo ou funcionalidade. Entender como um LLM realmente processa uma requisição é um bom ponto de partida para enxergar de onde esse custo nasce.
Atribuição de valor. Ligar esse gasto a um resultado de negócio: uma renovação, um ganho de produtividade, uma funcionalidade que gera upsell, um ticket de suporte evitado.
Cálculo do período de payback. Traduzir a relação custo-valor em um prazo que o financeiro reconheça: quando o investimento se paga e quando começa a gerar retorno.
Monitoramento contínuo de margem. ROI não é cálculo de uma vez só. Conforme o uso escala, o custo por resultado pode variar — às vezes para melhor, às vezes não — e o programa precisa acompanhar essa variação continuamente, em vez de depender de um retrato trimestral.
Para investimentos em IA com escopo enxuto e bem delimitado — um modelo dedicado atendendo uma única funcionalidade, uma ferramenta licenciada com custo mensal fixo — essa conta costuma ser direta. Eduardo Mota, da DoiT, detalhou um framework prático de avaliação de ROI em 5 passos exatamente para esses casos. O problema mora em outro lugar.
Por que a fórmula tradicional de ROI trava no lado do custo
O ROI deveria ser uma razão simples: valor gerado dividido pelo custo incorrido. A maioria dos times parte do princípio de que a metade difícil dessa equação é o valor — provar que uma funcionalidade de IA realmente mexeu no ponteiro de uma métrica de negócio. Na prática, a metade mais difícil quase sempre é o custo.
Geralmente dá para identificar o resultado. Houve uma renovação. Um ticket de suporte deixou de existir. Uma funcionalidade foi lançada e a adoção subiu. O que é bem mais difícil de precisar é quanto realmente custou entregar aquele resultado, porque o gasto com IA raramente aparece como um número limpo e atribuível.
Esse é o mesmo problema de atribuição que trava o FinOps para IA, só que aplicado a uma pergunta financeira em vez de uma pergunta de gestão de custos. Uma API de modelo gerenciada atende dezenas de times a partir de uma única linha de faturamento. Um cluster de GPU compartilhado roda inferência para vários produtos ao mesmo tempo. Um gateway de LLM agrega o tráfego e apaga a identidade de quem chamou antes de a requisição chegar ao provedor. Um workload agêntico dispara sub-agentes que geram custos reais de infraestrutura, sem nenhum vínculo claro com a funcionalidade que os originou.
Medir ROI é um problema de atribuição fantasiado de pergunta financeira. Se você não consegue atribuir o custo, não consegue calcular a razão. Só dá para estimar — e estimativas acumulam erro justamente na direção que faz o investimento em IA parecer pior, ou melhor, do que ele de fato é.
Onde o manual antigo de ROI ainda serve, e onde não serve mais
O faturamento por conta mostra o gasto total, não o custo por funcionalidade
Uma fatura do provedor diz quanto a organização gastou com um modelo no mês passado. Não diz quanto custou a funcionalidade que sustenta suas renovações comparada àquela experimental que nem foi para produção. Sem essa separação, todo cálculo de ROI acaba caindo em uma média da organização inteira, o que praticamente não diz nada sobre um investimento específico estar valendo a pena.
Infraestrutura compartilhada torna o denominador pouco confiável
Quando um cluster de GPU ou uma conta de modelo atende vários produtos, o denominador de custo da sua razão de ROI se apoia em uma premissa de alocação, não em um número medido. Muda a premissa e o ROI muda junto — mesmo que nada tenha se movido no resultado real de negócio.
Workloads agênticos mudam rápido e deixam o modelo do trimestre passado obsoleto neste trimestre
Uma funcionalidade agêntica pode mudar o próprio perfil de custo da noite para o dia — disparando mais sub-agentes, chamando modelos mais caros, executando cadeias mais longas — sem que ninguém atualize o modelo de ROI construído no lançamento. Quando o financeiro percebe que a economia unitária mudou, vários meses de decisões já podem ter sido tomados em cima de números defasados.
Um exemplo concreto: a surpresa de US$ 44 mil
Um time de produto lança uma nova funcionalidade de IA amarrada a um release importante. A funcionalidade vai bem. A adoção é forte. Aí o financeiro fecha o mês e encontra um aumento de US$ 44.000 vinculado à funcionalidade, muito além de qualquer coisa que tenha sido modelada no lançamento.
Ninguém errou a previsão de propósito. O modelo que precificou o custo de IA da funcionalidade partiu de uma estimativa de tokens por usuário baseada em testes iniciais. Em produção, os padrões de uso foram outros: sessões mais longas, prompts mais complexos, um grupo de power users puxando um consumo desproporcional. Nada disso ficou visível até a fatura chegar, porque nada na stack estava atribuindo custo no nível de detalhe necessário para pegar o problema antes.
Esse é o cenário que faz da medição do ROI de IA uma pauta de conselho, e não uma tarefa de rotina do financeiro. A funcionalidade pode até continuar sendo um bom investimento. Ninguém consegue afirmar com certeza, porque ninguém consegue enxergar o lado do custo com clareza suficiente para fechar a conta.
Medição de ROI antes e depois da atribuição no nível do token
| Estimativa no nível da conta | Atribuição no nível do kernel | |
|---|---|---|
| Visibilidade de custo | Gasto total por provedor ou conta | Custo por token, por funcionalidade, por cliente |
| Tempo para detectar um problema | Fim do ciclo de faturamento, muitas vezes um mês ou mais | Quase em tempo real, conforme o consumo acontece |
| Confiança no número | Baseada em premissas de alocação | Baseada em consumo medido em runtime |
| Quem pode agir sobre isso | Financeiro, depois do fato | Financeiro e engenharia, enquanto acontece |
Atribuição no nível do token como base do ROI
Não dá para calcular uma razão que você não consegue medir. A atribuição no nível do token não só torna o cálculo de ROI mais preciso — ela torna esse cálculo possível, em primeiro lugar, para os workloads em que o faturamento por conta sempre seria um chute.
O Attribute™ da DoiT implanta um sensor eBPF dentro do sistema operacional que observa o consumo real — cada token, cada requisição de modelo, cada ciclo de GPU — no momento em que acontece, e mapeia cada unidade de volta ao processo, container e requisição responsáveis. Sem tags. Sem SDKs. Sem mudar código. A mesma abordagem no nível do kernel que resolve a alocação de custo no FinOps para IA é o que torna a medição de ROI confiável em vez de estimada: custo por funcionalidade, custo por cliente e custo por resultado, atribuídos automaticamente em vez de reconstruídos depois que a fatura chega.
Esse é o mesmo princípio arquitetural por trás da nossa abordagem de FinOps para IA, aplicado à pergunta financeira em vez da pergunta de gestão de custos. Tokenomics sem tags, SDKs ou mudanças de código.
Por que isso importa agora
Esses dois números descrevem o abismo por dois ângulos: expectativa e capacidade. Um terceiro, da mesma pesquisa da Sapio Research, descreve a consequência: 79% das empresas já sofreram estouros de custo com IA.
A DoiT já gerenciou mais de 8 bilhões de dólares em gasto com nuvem para 4.500 clientes em 27 países, e vimos o mesmo padrão se repetir em toda categoria de custo que surgiu na nuvem: as organizações que estabelecem medição precisa cedo tomam decisões de investimento melhores dali em diante. Com o ROI de IA não é diferente — só que o custo de esperar se acumula mais rápido.
Estamos trabalhando com a Tokenomics Foundation, ao lado de JR Storment e da FinOps Foundation, para ajudar a definir como deve ser uma medição confiável de custo de IA para o mercado.
FAQ
O que é ROI de IA?
ROI de IA é o retorno gerado por um investimento em IA em relação ao seu custo, expresso como uma razão ou um período de payback. Ele exige dois números confiáveis: o valor produzido e o custo incorrido. A maior parte dos problemas de medição do ROI de IA vem de dados de custo pouco confiáveis, não de dados de valor pouco claros.
Como se calcula o ROI de IA?
A abordagem padrão divide o valor gerado por um investimento em IA — receita, economia, ganhos de produtividade — pelo custo de operá-lo. O cálculo é direto quando os dois números são confiáveis. Na maioria das organizações, o lado do valor é identificável. O lado do custo, muitas vezes, não é — especialmente em workloads de IA rodando em infraestrutura compartilhada ou passando por gateways de LLM.
Por que o ROI de IA é tão difícil de medir?
O gasto com IA passa com frequência por clusters de GPU compartilhados, gateways de LLM e fluxos agênticos que não preservam um vínculo claro entre o custo e a funcionalidade, o cliente ou o time responsável por ele. Tags e SDKs, as ferramentas tradicionalmente usadas para atribuir custo em nuvem, não sobrevivem a essas arquiteturas — e isso deixa o lado do custo da equação de ROI apoiado em estimativas, não em medição.
Qual é a diferença entre gestão de custos de IA e medição de ROI de IA?
A gestão de custos de IA foca em acompanhar e controlar o que está sendo gasto. A medição do ROI de IA vai um passo além, conectando esse gasto ao resultado de negócio que ele produziu e expressando essa relação como um retorno. A medição de ROI depende de uma gestão de custos confiável como base; sem atribuição precisa de custo, o cálculo do ROI vira estimativa.
Quanto tempo leva para ver ROI em um investimento em IA?
Depende do caso de uso, mas a maioria das empresas espera retorno em até 12 meses, segundo pesquisas do setor. Se esse prazo é cumprido ou não, muitas vezes só fica claro quando a atribuição de custo está no lugar — já que muitas organizações não conseguem calcular ROI com confiança enquanto não enxergam o custo no nível da funcionalidade ou do cliente.
De quem é a responsabilidade pela medição do ROI de IA dentro da organização?
Ela costuma ser compartilhada entre o financeiro, que responde pelo cálculo do retorno e pelo business case do investimento, e engenharia ou produto, que entendem o workload por trás do custo. Nenhum lado costuma ter visibilidade completa sozinho. O financeiro precisa do contexto da engenharia sobre como o gasto é gerado, e a engenharia precisa da leitura do financeiro sobre o que conta como retorno.
Dá para medir o ROI de IA sem taguear cada workload de IA?
Dá. A medição no nível do kernel observa o consumo no nível do sistema operacional, o que significa que a atribuição de custo não depende de o workload ter sido tagueado corretamente, nem sequer de ele poder ser tagueado. Isso importa ainda mais para os workloads que o tagueamento jamais alcançaria: clusters de GPU compartilhados, tráfego roteado por gateway e cadeias agênticas.
Pronto para enxergar o seu verdadeiro custo de servir com IA?
Quinze minutos para instalar. Sem instrumentação. Tokenomics até o fim do dia.