Receita da IA sobe. A margem não acompanha.
Estudo da Carnegie Mellon liga divulgação específica de IA a mais receita, mas não a mais margem: a diferença é entre acelerar e decidir melhor.
Em 12 de agosto, a Carnegie Mellon University e a empresa de medição de retorno em IA Larridin publicaram o relatório “CMU-Larridin AI-Company Performance”. A pesquisa analisou cerca de 500 empresas americanas de capital aberto pela especificidade com que descrevem suas iniciativas de IA nos formulários 10-K enviados à SEC. Cada empresa recebeu uma nota de 1 a 5 pela concretude da divulgação; mais de 150 ficaram nos dois níveis mais altos, e cinco relataram casos de uso já implementados com resultado comercial quantificado.
O achado central: empresas com divulgações mais específicas cresceram receita, ano a ano, 8 pontos percentuais a mais que as de divulgação vaga — mesmo controlando por setor, porte e crescimento anterior. A mesma correlação não apareceu para margem operacional, nem para desempenho de ações.
A leitura óbvia é direta: empresa que trata IA a sério, com casos de uso concretos e mensuráveis, cresce mais rápido que a que ainda fala em termos genéricos sobre explorar a tecnologia. A lição pareceria simples: escolher casos de alto valor, medir o resultado, divulgar o número. A Visa é o exemplo do relatório — nota máxima em especificidade, cerca de 26 mil funcionários usando chats com tecnologia de IA em pilotos de agentes e transações, receita subindo 17% no ano. A Conagra, com divulgação genérica sobre “melhorias de dados conectados”, teve receita em queda de 2%. Quem é específico, cresce.
O que a nota de especificidade não pergunta
Só que o próprio relatório descarta essa leitura antes que ela vire slide de apresentação: a especificidade da divulgação não correlaciona com ganho de margem operacional. Ameya Kanitkar, fundador da Larridin, resume a mudança de fase: “A lot of these companies are now being very specific about AI.” O mercado saiu do discurso vago para o caso de uso nomeado.
Nomear o caso de uso mede uma coisa só: quanto a empresa fez com IA.
Não mede o que ela deixou de fazer por causa dela. Isso separa duas coisas que o discurso corporativo sobre IA trata como sinônimas: fazer mais rápido e decidir melhor. Visa com 26 mil funcionários operando chat de IA é evidência de escala de uso, não de critério novo. O relatório não mede se essas conversas mudaram o que a empresa parou de fazer — só quantas pessoas passaram a fazer a mesma coisa com mais velocidade.
Receita sobe quando IA, usada como ferramenta, aumenta volume: mais atendimento processado, mais proposta gerada. Margem sobe quando a mesma capacidade é usada para decidir o que não vale a pena fazer: que produto descontinuar, que cliente não compensa mais servir. É um ganho que não aparece em contagem de funcionário com acesso a chatbot, porque exige alguém disposto a decidir menos, não produzir mais.
A especificidade que o mercado aprendeu a exigir mede quanto a empresa fez com IA — não o que ela deixou de fazer por causa dela.
| A leitura óbvia | O que os números mostram |
|---|---|
| Divulgação específica de IA prova maturidade de gestão | Prova maturidade de uso, sem prova de mudança de critério |
| Mais receita valida o investimento em IA | Receita sobe sem margem subir; o custo pode estar subindo junto |
| Falar em caso de uso concreto é o próximo passo óbvio | O passo que falta é medir o que a empresa parou de fazer |
Onde a IA gera volume e onde ela não decide nada
Para quem dirige uma empresa brasileira lendo esse relatório à distância, a implicação não é “divulgar mais” nem “adotar mais”. É diferenciar, dentro do próprio uso de IA, o que está gerando volume do que está mudando critério, porque são investimentos com retorno diferente, medidos por indicadores diferentes, e a maioria dos comitês de IA hoje só acompanha o primeiro.
Um call center que usa IA para responder mais chamados por hora está no quadrante de volume: a receita marginal sobe, o custo por atendimento pode até cair, mas nenhuma decisão sobre quais clientes vale a pena atender mudou. Uma área comercial que usa a mesma tecnologia para identificar quais contas não geram margem suficiente para manter o nível de atendimento atual está no quadrante oposto, e é aí que apareceria o efeito sobre a linha que o relatório da CMU não encontrou. A diferença entre os dois não está na sofisticação da ferramenta nem no orçamento do projeto: está em qual pergunta o time fez antes de implementar. Um perguntou como atender mais rápido; o outro perguntou quem não vale mais a pena atender. A primeira pergunta sempre tem resposta mais fácil de aprovar em comitê, porque o retorno é imediato e a métrica já existe. A segunda exige admitir, por escrito, que parte do negócio atual não deveria continuar do jeito que está.
O risco prático é o comitê de IA aprovar projeto atrás de projeto pela métrica errada. Se o critério de aprovação é “quanto isso deve gerar de receita adicional”, toda iniciativa de volume passa. Se o critério fosse “que decisão isso muda”, a lista de aprovados seria bem menor, e a métrica de sucesso, mais difícil de preencher só com contagem de licença ativa.
A pergunta que falta no próximo 10-K
O relatório mede o que já existe na divulgação corporativa: caso de uso, escala, resultado de receita. Não existe hoje uma categoria de divulgação para “decisão que a IA mudou”. Até que exista, a métrica que sobra é a mais fácil de produzir e a menos informativa sobre gestão.
Antes de aprovar o próximo projeto de IA pelo argumento de que ele deve gerar receita, vale perguntar: que decisão essa ferramenta muda, e não apenas que trabalho ela acelera?
Perguntas frequentes
Esse padrão vale só para empresas de capital aberto, obrigadas a divulgar iniciativas de IA em relatório?
O estudo mede divulgação em formulários 10-K, exigência de empresas listadas nos Estados Unidos. Mas o mecanismo que ele expõe — receita subindo com uso de IA sem melhora de margem — não depende de divulgação pública. Qualquer empresa que meça só quanto uma iniciativa de IA gerou de receita, sem medir que decisão ela mudou, corre o mesmo risco de contar volume como se fosse gestão.
Como medir, na prática, se um projeto de IA mudou uma decisão em vez de só acelerar trabalho?
Verificar se o projeto produziu alguma escolha que a empresa não fazia antes: um cliente que deixou de ser atendido, um produto retirado de linha, uma etapa eliminada em vez de acelerada. Se o resultado documentado é só mais rápido ou mais volume, o projeto está no quadrante de ferramenta, não no de gestão, mesmo que o retorno financeiro pareça bom no primeiro ano.
Quanto tempo até essa diferença entre receita e margem aparecer no resultado de uma empresa que não está no grupo estudado pela CMU?
O estudo não estabelece prazo, porque mede um retrato de divulgações recentes, não uma série temporal. Mas o mecanismo é estrutural: se o ganho de IA está em volume, ele tende a atrair custo proporcional junto, como mais licença e mais infraestrutura. A margem só aparece quando alguma dessas linhas de custo para de crescer junto com a receita.
Fonte analisada: AI is showing a revenue payoff: Carnegie Mellon — CIO Dive
Análise produzida com assistência de inteligência artificial, sob critérios editoriais definidos pelo publisher. Ver política editorial.