KPMG constata que a adoção de IA empresarial ainda supera o impacto mensurável

As mais recentes conclusões da KPMG sobre IA empresarial chegaram ao Google News com um contraste marcante: 95 por cento das organizações pesquisadas têm uma estratégia de IA, mas apenas 8 por cento relatam retornos estabelecidos.

Essa diferença importa mais do que outro anúncio sobre modelos mais rápidos ou investimentos maiores em infraestrutura. As empresas adquiriram ferramentas de IA, lançaram pilotos e incentivaram funcionários a experimentar. A maioria, porém, não reconstruiu os fluxos de trabalho, os sistemas de responsabilização ou as práticas de medição necessários para transformar essa atividade em desempenho empresarial.

O Global AI Pulse da KPMG para o primeiro trimestre de 2026 coloca 54 por cento das organizações nos estágios iniciais de pesquisa, experimentação ou planejamento estratégico. Outros 39 por cento estão ampliando a IA ou impulsionando sua adoção. Apenas um pequeno grupo passou da atividade ampla para retornos mensuráveis e repetíveis.

A divisão resultante já não é entre organizações que usam IA e aquelas que não usam. Ela separa empresas que tratam a IA como software acessível daquelas que a operam como uma capacidade empresarial integrada.

Essa é a verdadeira história por trás da mais recente manchete do Google News. A adoção continua se espalhando, mas o impacto permanece concentrado entre organizações que redesenham o trabalho em torno da IA, em vez de simplesmente colocá-la ao lado do trabalho existente.

Google News destaca uma lacuna na adoção de IA, não no acesso

A IA empresarial tornou-se comum o suficiente para que a adoção básica já não comprove maturidade.

A KPMG baseou suas conclusões do primeiro trimestre em uma pesquisa com 2.110 executivos seniores de 20 países, territórios e jurisdições. Os participantes representavam oito setores e incluíam líderes da alta administração e seus subordinados diretos em grandes organizações.

Os números principais parecem contraditórios à primeira vista. Segundo o Global AI Pulse, 95 por cento das organizações têm uma estratégia de IA. Sessenta e quatro por cento relatam valor empresarial significativo, mas apenas 8 por cento afirmam ter ROI estabelecido.

Essas respostas medem diferentes níveis de progresso. Uma equipe pode economizar tempo na revisão de documentos ou no desenvolvimento de software sem produzir um resultado visível nas demonstrações financeiras da empresa. Também pode relatar resultados úteis antes de comprovar que eles superam os custos de implantação, integração, supervisão e computação.

A divisão de maturidade da KPMG torna essa distinção mais clara. Onze por cento das organizações continuam focadas em pesquisa e desenvolvimento. Vinte e dois por cento estão experimentando por meio de provas de conceito ou pilotos, enquanto 21 por cento estão construindo estratégias, indicadores de desempenho e infraestrutura de dados.

Juntos, esses grupos representam os 54 por cento ainda classificados como adotantes em estágio inicial. Vinte e seis por cento estão ampliando a IA em toda a empresa, e 13 por cento estão impulsionando uma adoção organizacional mais ampla. Os 8 por cento restantes relatam retornos estabelecidos vinculados a resultados empresariais significativos.

Isso não é evidência de que 92 por cento dos programas de IA tenham falhado. A pesquisa não faz essa afirmação. Ela mostra que a maioria das organizações ainda não chegou ao ponto em que os retornos são simultaneamente estabelecidos e mensuráveis.

Uma pesquisa separada da McKinsey aponta na mesma direção. Ela constatou que 88 por cento dos participantes relataram uso regular de IA em pelo menos uma função empresarial durante 2025. No entanto, apenas cerca de um terço disse que suas organizações haviam começado a ampliar programas de IA.

A lacuna existe porque usar IA em uma função é um limiar baixo. Um chatbot aprovado, um assistente de programação ou uma ferramenta automatizada de resumo podem atender a essa definição. O impacto empresarial exige mudanças conectadas em processos, dados, incentivos, controles e decisões.

Essa distinção também explica por que pesquisas aparentemente conflitantes podem estar todas corretas. Um estudo pode medir se os funcionários têm acesso à IA. Outro pode perguntar se uma empresa implantou agentes. Um terceiro pode exigir retornos financeiros verificados.

Portanto, os leitores do Google News precisam examinar o denominador e a definição de maturidade por trás de cada manchete. “Usar IA”, “ampliar IA” e “obter ROI com IA” descrevem estados diferentes, mesmo quando a cobertura os trata como equivalentes.

A pesquisa da KPMG é útil porque posiciona esses estados em uma única progressão. Ela começa com pesquisa e pilotos, continua com a expansão empresarial e termina com retornos estabelecidos. A maioria das organizações permanece em algum ponto intermediário.

Os gastos crescem mais rápido do que os retornos mensuráveis

As empresas estão aumentando seus compromissos com IA antes de definirem como o valor deve ser medido.

A KPMG afirma que as organizações pesquisadas planejavam investir, em média, US$ 186 milhões em IA nos 12 meses seguintes. A média foi ponderada para refletir o porte das empresas e a representação regional, portanto não deve ser interpretada como um orçamento corporativo universal.

Os planos regionais também variaram. Organizações da Ásia-Pacífico relataram o maior investimento médio planejado, de US$ 245 milhões. As Américas vieram em seguida, com US$ 178 milhões, enquanto Europa, Oriente Médio e África tiveram média de US$ 157 milhões.

Esses números demonstram compromisso, mas gasto é um insumo. Ele diz pouco sobre se uma empresa selecionou fluxos de trabalho valiosos, alcançou adoção consistente ou capturou benefícios suficientes para cobrir os custos operacionais.

As despesas com IA também se comportam de forma diferente de muitas despesas tradicionais com software. O uso de modelos pode crescer conforme aumentam os tokens, as solicitações, as etapas automatizadas e o número de agentes envolvidos. Assim, um piloto bem-sucedido pode se tornar mais caro quando alcança mais trabalhadores ou passa a lidar com processos mais longos.

A atualização da KPMG para o segundo trimestre tornou esse problema mais visível. A pesquisa constatou que 42 por cento dos líderes tinham apenas visibilidade parcial dos gastos com IA. Trinta e três por cento citaram compreensão limitada das estruturas de custos, incluindo tokens, como um desafio na implantação de agentes.

Essa questão pressiona simultaneamente diretores financeiros, líderes de tecnologia e responsáveis por unidades de negócios. As equipes de finanças querem retornos defensáveis. As equipes de tecnologia precisam de infraestrutura e segurança confiáveis. Os líderes operacionais precisam demonstrar que uma implantação melhora um processo real, em vez de criar mais atividade.

A pressão se intensifica quando uma empresa automatiza trabalhos de várias etapas. Um agente de IA é um sistema capaz de planejar e executar diversas ações rumo a um objetivo. Diferentemente de uma única resposta de chatbot, um agente pode chamar ferramentas, recuperar dados da empresa, revisar sua saída e transferir trabalho para outro sistema.

Cada etapa adicional pode gerar custo, latência e outra oportunidade de falha. Um processo que parece impressionante em uma demonstração controlada pode se tornar difícil de supervisionar quando milhares de funcionários o utilizam com dados reais.

É por isso que o ROI estabelecido continua raro, mesmo quando o valor empresarial relatado é muito mais comum. O valor empresarial pode incluir conclusão mais rápida, melhor experiência dos funcionários ou melhor acesso à informação. O ROI exige uma comparação financeira definida entre os benefícios e o custo total para produzi-los.

O cálculo deve incluir mais do que assinaturas de modelos. Trabalho de integração, preparação de dados, treinamento de funcionários, avaliação, revisões de segurança, resposta a incidentes e supervisão humana também consomem recursos.

Alguns benefícios também resistem à mensuração financeira imediata. Um assistente pode ajudar um analista a encontrar contexto relevante mais rapidamente, mas a empresa ainda precisa conectar esse tempo economizado à capacidade, à receita, à qualidade ou ao risco evitado.

As organizações frequentemente param na primeira métrica. Elas contam licenças, usuários ativos, prompts ou documentos gerados. Essas medidas mostram atividade, não impacto empresarial.

Uma cadeia de medição mais forte começa com um fluxo de trabalho específico. Em seguida, acompanha se a IA altera o tempo de ciclo, as taxas de erro, a conversão, a qualidade do serviço ou outro resultado operacional. Somente depois que essa conexão é estabelecida os líderes podem fazer uma alegação financeira crível.

As conclusões posteriores da KPMG para o segundo trimestre sustentam essa abordagem. Organizações com forte visibilidade de custos tinham cinco vezes mais probabilidade de relatar ROI estabelecido, com 15 por cento em comparação com 3 por cento.

Essa relação não prova que painéis de controle criam retornos. Organizações mais capazes podem ser melhores tanto no controle de custos quanto na implantação de IA. Ainda assim, o padrão reforça um ponto prático: equipes não conseguem administrar um investimento que não conseguem enxergar.

A verdadeira divisão é entre orquestração e implantação de ferramentas

As organizações que avançam estão coordenando a IA entre fluxos de trabalho, dados, governança e decisões humanas.

A KPMG identifica cerca de 11 por cento dos participantes como líderes em IA. Sua vantagem não vem apenas de gastar mais ou implantar mais ferramentas. Ela vem de tratar a IA como parte de um modelo operacional.

O relatório chama isso de orquestração. Nesse contexto, orquestração significa coordenar modelos, agentes, dados, controles, funcionários e processos empresariais como um único sistema gerenciado.

Esse é um padrão mais elevado do que oferecer um chatbot aos funcionários. Um assistente geral pode ajudar na redação, no resumo ou na exploração, deixando o fluxo de trabalho ao redor inalterado. A IA orquestrada muda como o trabalho entra em um processo, como o contexto o acompanha, quem revisa decisões e como os resultados retornam como feedback.

Considere um fluxo de trabalho de suporte ao cliente. Uma implantação básica permite que um agente redija uma resposta. Um sistema mais maduro recupera o histórico correto da conta, aplica políticas, sinaliza incertezas, encaminha casos sensíveis a uma pessoa, registra a resolução e mede se o atendimento melhorou.

O segundo sistema exige muito mais do que um modelo capaz. Ele precisa de dados confiáveis, permissões de sistema, regras claras de escalonamento, monitoramento e um responsável pelo processo.

O mesmo padrão se aplica ao desenvolvimento de produtos. Um assistente isolado pode resumir entrevistas ou gerar requisitos. Um fluxo de trabalho integrado conecta evidências de pesquisa, feedback de clientes, decisões de produto, restrições técnicas e resultados posteriores.

Essa conexão explica por que uma base de conhecimento de IA pesquisável pode importar mais do que outra interface genérica. O modelo precisa de contexto organizacional relevante, enquanto os funcionários precisam de uma maneira de inspecionar e reutilizar o material por trás de sua saída.

Pesquisas anteriores da McKinsey constataram que o redesenho de fluxos de trabalho tinha uma das relações mais fortes com o impacto relatado nos lucros provenientes da IA generativa. Ainda assim, menos de um terço dos participantes afirmou que suas organizações seguiam a maior parte das práticas pesquisadas de adoção e expansão.

Menos de um em cada cinco relatou acompanhar indicadores de desempenho claramente definidos para soluções de IA generativa. Essa constatação expõe a fragilidade por trás de muitas alegações de adoção. Uma empresa não pode aprender quais implantações funcionam se não definiu o que significa sucesso.

O redesenho de fluxos de trabalho também cria dificuldades políticas e organizacionais. Ele altera responsabilidades, caminhos de aprovação, premissas de pessoal e, às vezes, os limites entre departamentos. Instalar uma ferramenta costuma ser mais fácil do que negociar essas mudanças.

Os funcionários podem usar um assistente com frequência, mas evitar utilizá-lo em decisões consequentes. Os gestores podem incentivar a experimentação sem mudar as expectativas de entrega. As equipes de segurança podem aprovar uma interface, mas bloquear as conexões de dados necessárias para uma integração mais profunda.

Essas condições produzem uso visível, mas sem impacto estrutural. Os funcionários geram mais rascunhos e resumos, porém as decisões continuam passando pelos mesmos gargalos. A organização fica mais ocupada sem se tornar materialmente mais rápida.

O grupo de líderes da KPMG sugere outro caminho. Essas organizações alinham a IA ao crescimento, em vez de se concentrarem apenas na redução de custos. Elas também relatam maior preparo da força de trabalho e mais confiança na medição do impacto nos negócios.

Isso importa porque a redução de custos incentiva uma pergunta de implementação limitada: quais tarefas existentes um modelo pode executar? Uma pergunta orientada ao crescimento busca entender como a IA muda o produto, a experiência do cliente ou a velocidade de aprendizado.

A primeira abordagem pode proporcionar eficiência útil. A segunda exige mais coordenação, mas também cria resultados que os concorrentes podem ter mais dificuldade para copiar.

A Microsoft descreve um destino semelhante por meio de seu conceito de “Frontier Firm”. Seu Work Trend Index analisou 31.000 trabalhadores em 31 países, dados de mercado de trabalho do LinkedIn e atividade no Microsoft 365.

A Microsoft afirma que essas empresas organizam o trabalho em torno de equipes formadas por humanos e agentes, com inteligência disponível sob demanda. Esse enquadramento reflete a perspectiva de um fornecedor, portanto suas alegações de desempenho merecem análise cuidadosa. Ainda assim, ele captura a direção organizacional destacada pela KPMG.

A divisão competitiva, portanto, não é Microsoft versus Google, nem um modelo fundacional versus outro. É implantação de ferramentas versus orquestração operacional.

As organizações no primeiro caminho acumulam licenças e projetos-piloto. As do segundo selecionam fluxos de trabalho, conectam contexto confiável, atribuem responsabilidades, medem resultados e revisam o processo.

A escolha do modelo ainda importa para qualidade, custo, segurança e latência. No entanto, trocar de modelo não pode corrigir a ausência de responsabilidade definida ou de um objetivo de negócio claro.

O Que os Números de Adoção de IA Ainda Não Comprovam

O impulso das pesquisas é real, mas maturidade e valor autorrelatados continuam sendo medidas imperfeitas do desempenho operacional.

A pesquisa da KPMG captura percepções de executivos em grandes organizações. Esses líderes podem descrever estratégia, investimento e direção organizacional, mas talvez não observem o uso cotidiano em todas as equipes.

A pesquisa também abrange organizações que diferem por região, setor, regulação e capacidade técnica. Um banco que implanta IA em processos controlados de revisão enfrenta restrições diferentes das de uma empresa de software que adiciona um assistente às ferramentas de desenvolvimento.

Percentuais agregados podem ocultar essas diferenças. Eles também podem esconder se os respondentes usam a mesma definição de “valor significativo para os negócios”.

Um executivo pode interpretar valor como uma produção mais rápida dos funcionários. Outro pode exigir aumento de receita ou redução de despesas. Um terceiro pode considerar a mitigação de riscos, mesmo quando a perda evitada não pode ser observada diretamente.

ROI estabelecido parece mais preciso, mas os respondentes da pesquisa ainda podem aplicar métodos diferentes. Alguns podem incluir custos de implementação e supervisão, enquanto outros comparam os benefícios apenas com as taxas do software.

Os números da KPMG devem, portanto, ser tratados como evidência direcional sobre maturidade, não como prova auditada de retornos econômicos.

A mesma cautela se aplica a comparações entre relatórios. O AI Index 2026 de Stanford informa que a adoção organizacional de IA atingiu 88% em 2025. Também observa que a implantação de agentes permaneceu em dígitos únicos em quase todas as funções empresariais.

Esses fatos são compatíveis porque o amplo acesso chegou antes do uso operacional profundo. Eles também mostram por que um único percentual de adoção não pode responder se a IA mudou a organização.

O AI Index aponta ganhos de produtividade mais fortes em trabalhos estruturados e mensuráveis. Ele cita estudos que mostram ganhos em atendimento ao cliente, desenvolvimento de software e produção de marketing, ao mesmo tempo em que observa resultados mais fracos em tarefas que exigem raciocínio mais aprofundado.

Esse padrão oferece uma limitação importante. A IA tem melhor desempenho onde as equipes conseguem definir entradas, inspecionar saídas e medir resultados. O trabalho estratégico aberto tem menos sinais confiáveis de feedback.

Uma empresa ainda pode usar IA para trabalhos complexos, mas precisa de revisão humana mais forte e de uma forma mais clara de detectar erros. Sem essas salvaguardas, uma produção mais rápida pode simplesmente acelerar decisões fracas.

Segurança e privacidade acrescentam outra fonte de atrito. A KPMG constatou que 75% dos respondentes expressaram preocupação com riscos e segurança relacionados à IA. Apenas 20% das organizações em estágio inicial relataram confiança na gestão de riscos de IA, em comparação com 47% dos líderes em IA.

Essas preocupações não são um argumento para interromper a implantação. Elas mostram por que o acesso, por si só, não pode produzir maturidade. Uma organização precisa de políticas, controles técnicos, rotinas de avaliação e responsáveis por incidentes antes de poder expandir casos de uso sensíveis.

O preparo da força de trabalho cria uma limitação semelhante. A KPMG constatou que 68% das organizações expressaram alguma confiança em seu pipeline de talentos, mas apenas 22% relataram alta confiança.

Treinar funcionários para escrever prompts não resolverá essa lacuna por si só. Os trabalhadores precisam saber quando a IA é apropriada, quais evidências uma saída exige, quais dados podem ser usados e quando uma pessoa deve assumir o controle.

Os líderes também precisam decidir como o tempo economizado será convertido em valor. Se um funcionário conclui uma tarefa mais rápido, mas recebe mais trabalho de baixo valor, a organização melhorou a eficiência local sem alterar seu desempenho.

É aqui que os programas de adoção frequentemente se desconectam do desenho do negócio. As equipes de tecnologia gerenciam as ferramentas, as equipes de aprendizagem gerenciam o treinamento, as equipes financeiras exigem retornos e as equipes operacionais mantêm suas metas existentes. Nenhum responsável único controla o resultado completo.

A leitura cética da pesquisa da KPMG, portanto, não é que a IA não tenha produzido valor. É que a distância entre o valor relatado e o ROI estabelecido continua grande demais para conclusões simples.

A leitura otimista é mais específica. Um pequeno grupo começou a conectar a implantação a resultados empresariais mensuráveis, sugerindo que o valor é possível quando as condições organizacionais o sustentam.

Ambas as interpretações rejeitam o mesmo erro: tratar acesso, uso e impacto como sinônimos.

Três Sinais Mostrarão se a Lacuna Está Diminuindo

A próxima fase será decidida pela adoção de fluxos de trabalho no dia a dia, pela responsabilidade sobre custos e por resultados operacionais mensurados.

O primeiro sinal é o avanço ao longo da curva de maturidade da KPMG. Sua pesquisa do segundo trimestre já mostrou que a parcela de organizações em que a IA faz parte do trabalho cotidiano subiu de 13% no primeiro trimestre para 22%.

Esse é um progresso significativo porque o uso rotineiro exige mais do que um projeto-piloto temporário. No entanto, a confirmação mais forte seria um aumento correspondente no ROI estabelecido, e não apenas uma mudança da experimentação para a adoção.

A pesquisa da KPMG do segundo trimestre constatou que o ROI estabelecido permaneceu concentrado em 7%. A amostra e o enquadramento trimestral exigem comparação cuidadosa, mas a mensagem continua consistente. O uso cotidiano está crescendo mais rápido do que os retornos verificados.

Se pesquisas futuras mostrarem adoção mais ampla acompanhada de ROI crescente, o argumento em favor do aprendizado empresarial ganhará força. Se a adoção aumentar enquanto o ROI permanecer próximo dos níveis atuais, a lacuna de valor ficará mais difícil de descartar como um atraso temporário.

O segundo sinal é a visibilidade de custos. Os líderes devem observar se as organizações conseguem atribuir despesas de modelos, agentes, infraestrutura, integração e revisão humana a fluxos de trabalho específicos.

Painéis de custos, por si só, não comprovam valor. Eles se tornam úteis quando combinados com métricas operacionais e responsáveis definidos.

A KPMG relatou que 53% das organizações tinham painéis de monitoramento de custos de IA no segundo trimestre. Cinquenta e quatro por cento incluíam revisões de custos nos processos de aprovação de IA.

O teste mais rigoroso é saber se esses controles mudam decisões. As equipes devem descontinuar casos de uso fracos, redesenhar os caros e ampliar implantações que produzam resultados defensáveis.

Se as empresas continuarem escalando sem compreender os custos baseados no uso, a IA agêntica poderá ampliar a lacuna. Sistemas multiagente podem multiplicar chamadas, tokens, ferramentas e pontos de falha dentro de uma única tarefa.

O terceiro sinal é a evidência no nível do fluxo de trabalho. Pesquisas amplas com funcionários continuarão úteis, mas os tomadores de decisão precisam de métricas ligadas a processos específicos.

Uma implantação de suporte deve acompanhar a qualidade da resolução, o tempo de ciclo, as taxas de escalonamento e os resultados para os clientes. Uma implantação de desenvolvimento deve acompanhar o tempo de entrega, defeitos, carga de revisão e manutenibilidade. Uma implantação de pesquisa deve medir precisão, qualidade das fontes e velocidade de decisão.

Essas medições devem ir além de demonstrações curtas. Um fluxo de trabalho que tem sucesso por quatro semanas pode enfraquecer à medida que os dados mudam, os funcionários se adaptam ou o uso se expande.

As organizações também devem publicar distinções mais claras entre produtividade bruta e valor capturado. Economizar dez minutos não cria automaticamente um retorno financeiro. A organização precisa redirecionar essa capacidade ou melhorar um resultado que os clientes valorizem.

O Google News continuará destacando grandes percentuais de adoção porque eles rendem manchetes simples. As evidências mais importantes aparecerão em métricas operacionais menos dramáticas.

Observe a parcela de organizações que relatam ROI estabelecido. Observe se a visibilidade de custos muda as escolhas de implantação. Depois, observe se fluxos de trabalho individuais produzem ganhos duradouros depois que os custos de supervisão, integração e risco são incluídos.

Para compradores corporativos e trabalhadores do conhecimento, a questão prática já não é se a IA merece experimentação. As evidências mostram que a experimentação já está disseminada.

A questão é se sua organização consegue identificar um fluxo de trabalho importante, definir sua linha de base, conectar o contexto certo, atribuir um responsável e medir o resultado ao longo do tempo.

Se não conseguir, outro modelo ou agente não fechará a lacuna. Se conseguir, a adoção de IA terá um caminho rumo a um impacto que sobreviva à próxima manchete do Google News.