Quase 4 em cada 10 CFOs esperam retorno da IA generativa em até dois anos

A PYMNTS chegou ao Google News com um resultado marcante: quase quatro em cada dez CFOs pesquisados esperam retornos muito positivos da IA generativa em até dois anos. Essa confiança parece uma vitória para a IA empresarial. Os dados subjacentes contam uma história mais complexa.

Líderes financeiros estão observando resultados mais fortes em aplicações focadas. Ao mesmo tempo, estão ampliando o prazo necessário para incorporar a IA generativa em organizações inteiras. A aparente contradição separa o valor operacional inicial de um retorno financeiro completo.

A pesquisa com CFOs de empresas abrangeu 60 diretores financeiros de empresas dos Estados Unidos com pelo menos US$ 1 bilhão em receita anual. A PYMNTS Intelligence realizou a pesquisa de 15 a 19 de dezembro de 2025. Seus resultados descrevem um grupo pequeno e concentrado de grandes empresas, e não todas as empresas americanas.

Esses CFOs relataram melhores resultados em tarefas que vão de fluxos de trabalho automatizados a respostas a clientes. Também identificaram menos desvantagens do que seis meses antes. Ainda assim, os prazos esperados para integração completa praticamente dobraram.

Essa tensão importa mais do que o percentual da manchete. Os CFOs não estão apenas perguntando se um modelo consegue redigir textos, analisar registros ou produzir uma previsão. Eles estão decidindo se a IA pode operar dentro de fluxos de trabalho governados e gerar valor econômico duradouro.

A principal disputa, portanto, não é entre otimistas e céticos da IA. É entre a promessa de ganhos rápidos e direcionados e a realidade de uma mudança organizacional lenta. Os vencedores conectarão esses dois horizontes sem tratar estimativas de produtividade como retornos auditados.

O que a manchete do Google News realmente revela

A pesquisa mostra confiança crescente em aplicações específicas de IA, não uma prova de que a transformação em toda a empresa esteja quase concluída.

A PYMNTS constatou que as expectativas dos CFOs para o ROI da IA generativa se tornaram mais dispersas em dezembro de 2025. Um grupo maior previa retornos muito positivos em um ou dois anos. Outro grupo esperava um caminho muito mais longo até um retorno econômico completo.

Essa distribuição é mais informativa do que uma única média. Ela sugere que líderes financeiros deixaram de tratar todo projeto de IA generativa como o mesmo investimento. Um assistente de documentos e um sistema de previsão para toda a empresa têm custos, riscos e requisitos de implementação diferentes.

A distinção também explica por que expectativas favoráveis de ROI podem crescer enquanto as previsões de integração se alongam. Uma equipe pode economizar tempo em pesquisa ou relatórios antes que sua empresa redesenhe todo um processo financeiro. O valor inicial não exige transformação institucional imediata.

A PYMNTS informou que a satisfação ficou entre 80% e 100% em todos os casos de uso já implantados pelas empresas pesquisadas. As avaliações melhoraram especialmente para geração de código, fluxos de trabalho automatizados, inovação de produtos e respostas em tempo real aos clientes. Esses números descrevem as avaliações dos respondentes, não retornos financeiros auditados de forma independente.

Os CFOs pesquisados também relataram menos desvantagens percebidas. A média caiu de 6,92 desvantagens em julho de 2025 para 4,23 em dezembro. Entre as maiores empresas, a média recuou de 7,52 para 3,44.

Diversas preocupações operacionais diminuíram junto com esse número. A parcela que citava erros e problemas de saída caiu de 80% para 35%. As preocupações com integração e implementação recuaram de 70% para 45%, enquanto as preocupações com custos e manutenção caíram de 78,3% para 23,3%.

Essas mudanças sustentam uma interpretação plausível. A experiência está ajudando grandes empresas a resolver alguns problemas que pareciam intimidadores durante os primeiros pilotos. As equipes estão estabelecendo controles, escolhendo casos de uso mais restritos e aprendendo onde a revisão humana continua necessária.

No entanto, uma redução nas preocupações relatadas não faz com que elas desapareçam. Uma preocupação com erros de 35% continua relevante em relatórios financeiros, conformidade ou tesouraria. Uma preocupação com integração de 45% ainda indica trabalho substancial entre sistemas e dados.

O estudo também se baseia em percepções autorrelatadas de 60 executivos. Esse desenho pode identificar mudanças de sentimento e prática, mas não pode estabelecer causalidade. Ele não prova que a IA generativa tenha produzido uma melhoria específica de margem.

A manchete deve, portanto, ser lida como evidência de expectativas mais maduras. Quase quatro em cada dez CFOs preveem fortes retornos no curto prazo porque conseguem separar implantações úteis de uma transformação ampla. Seu otimismo se tornou mais seletivo, não menos sério.

Esta é a primeira mudança importante na pesquisa da PYMNTS com CFOs. Líderes financeiros acreditam cada vez mais que a IA generativa funciona em contextos definidos. Agora, enfrentam a questão mais difícil: se esses contextos podem se tornar sistemas operacionais repetíveis e controlados.

Ganhos rápidos com IA estão colidindo com uma integração lenta

O ROI da IA generativa parece ser mais rápido quando as empresas delimitam a tarefa, definem a linha de base e mantêm a responsabilidade com funcionários responsáveis.

Um caso de uso direcionado tem limites visíveis. Uma equipe financeira pode medir quanto tempo um relatório recorrente levava antes da implantação e comparar essa linha de base com os resultados posteriores. Também pode registrar correções, tempo de revisão e o custo de operar o modelo.

A integração empresarial não tem essa simplicidade. Ela envolve permissões de acesso, definições de dados, cadeias de aprovação, contratos de software, funções dos funcionários e obrigações regulatórias. Um modelo pode ter bom desempenho enquanto o processo ao redor permanece inadequado para automação.

Essa diferença ajuda a explicar os prazos mais longos na pesquisa da PYMNTS. Em dezembro de 2025, os respondentes esperavam que a integração completa levasse quase o dobro do tempo que haviam previsto entre julho e setembro. Mais experiência produziu maior confiança nos casos de uso e maior cautela quanto à expansão.

A Deloitte encontrou uma divisão semelhante em suas conclusões sobre ROI de IA. Sua pesquisa incluiu 1.854 executivos na Europa e no Oriente Médio, com apoio de 24 entrevistas detalhadas.

Entre os usuários de IA generativa nessa pesquisa, 15% relataram já alcançar ROI significativo e mensurável. Outros 38% esperavam tais retornos no prazo de um ano após o investimento. Ainda assim, 62% disseram que um caso de uso típico de IA atingia ROI satisfatório em dois a quatro anos.

A distribuição ressalta um problema crucial de mensuração. Retornos “significativos” e “satisfatórios” podem representar limites diferentes. Uma empresa pode reconhecer ganhos úteis de produtividade antes de recuperar todos os custos de implementação e mudança organizacional.

A IA agêntica torna o problema de prazo mais evidente. Um agente de IA é um software capaz de planejar e executar ações em várias etapas sob permissões definidas. A Deloitte constatou que 57% dos respondentes usavam IA agêntica, mas apenas 10% relataram ROI atual significativo.

Metade desses usuários de IA agêntica esperava retornos em até três anos. Outro terço esperava um prazo de três a cinco anos. Maior autonomia eleva o valor potencial, mas também aumenta os requisitos de integração e controle.

As funções financeiras ilustram o motivo. Um modelo pode resumir explicações de variações com acesso limitado e revisão obrigatória. Um agente que altera uma previsão ou inicia um ajuste precisa de permissões, regras de validação, registros e um responsável definido.

As empresas também precisam decidir o que conta como valor. A PYMNTS constatou que a melhoria da experiência do cliente e das margens eram as principais medidas de ROI em dezembro. Redução de custos, expansão de receita e menores despesas de capital também ganhavam atenção.

A redução de quadro de pessoal tornou-se uma métrica menos comum. Essa mudança enfraquece a narrativa mais simples sobre automação. Os CFOs veem cada vez mais valor em ciclos mais rápidos, melhores decisões e melhor atendimento, em vez de apenas na eliminação direta de mão de obra.

Esses benefícios continuam difíceis de comparar. Horas economizadas não se convertem automaticamente em lucro. Uma análise mais rápida só importa quando os funcionários redirecionam esse tempo para decisões úteis ou trabalho adicional.

Um modelo confiável de ROI de IA generativa deve, portanto, considerar saídas aceitas, esforço de revisão, taxas de falha e efeitos posteriores sobre o negócio. Deve incluir infraestrutura, integração, governança, treinamento e gestão de fornecedores. Ignorar esses custos cria um resultado atraente, mas incompleto.

É por isso que o acesso ao conhecimento importa nas implantações cotidianas. Os funcionários precisam de contexto confiável antes que a IA possa produzir trabalho útil. Uma base de conhecimento de IA pesquisável pode reduzir a fricção na recuperação de informações, mas a verificação humana ainda protege decisões consequentes.

Os ganhos iniciais são reais quando as equipes os medem com cuidado. A colisão começa quando os líderes pressupõem que esses ganhos serão escalados sem redesenhar os fluxos de trabalho. Cada sistema, permissão e parte interessada adicional introduz outra condição para o sucesso.

Agora os CFOs precisam defender velocidade e controle

Líderes financeiros enfrentam pressão para financiar a IA rapidamente, preservando ao mesmo tempo os controles que tornam os sistemas financeiros confiáveis.

Tradicionalmente, os CFOs questionam investimentos que não têm retornos mensuráveis. A IA generativa os coloca em uma posição incomum. Eles precisam atuar como guardiões de capital enquanto concorrentes, conselhos e equipes operacionais exigem adoção mais rápida.

Essa pressão já é visível. Uma pesquisa de julho de 2026 relatou que 92% dos CFOs e executivos seniores de finanças sentiam pressão para demonstrar retornos aceitáveis de IA. A pesquisa sobre pressão sobre líderes financeiros abrangeu 1.505 executivos em quatro países.

Metade dos respondentes afirmou que seus agentes de IA haviam gerado apenas ROI mensurável limitado. Apenas 7% disseram que suas organizações priorizavam a governança de IA em relação à velocidade de adoção. Esses resultados expõem o risco de permitir que cronogramas de implantação ultrapassem a responsabilização.

Apenas 44% se sentiam plenamente confiantes de que poderiam explicar as ações de um agente de IA a um auditor ou regulador. Outros 30% disseram que os controles internos não haviam sido atualizados no ano anterior. Essas lacunas importam quando o software começa a influenciar transações ou julgamentos financeiros.

Auditabilidade significa que uma empresa pode reconstruir o que um sistema fez, quais informações usou e quem aprovou o resultado. O software convencional segue uma lógica predefinida. Sistemas generativos podem produzir saídas variáveis, portanto as organizações precisam de registros mais robustos sobre prompts, fontes, revisões e aprovações.

A mesma pesquisa constatou que apenas 28% exigiam registros de auditoria documentados que mostrassem como um agente de IA chegou a decisões. Outros 23% disseram que a responsabilidade por um erro de IA seria pouco clara ou não seria atribuída a ninguém. Essas são deficiências de governança, não detalhes técnicos menores.

Um erro de modelo em um rascunho interno tem uma consequência administrável. Um erro inexplicado em impostos, relatórios ou conformidade pode criar exposição financeira e legal. O ambiente de controle deve corresponder ao impacto da ação.

Isso não significa que todo caso de uso exija as mesmas restrições. Uma sumarização de baixo risco pode usar uma revisão mais leve do que alocação de capital ou relatórios externos. Controles baseados em risco permitem que as empresas avancem rapidamente quando as consequências permanecem limitadas.

Os CFOs também precisam resolver a questão da propriedade. As equipes de tecnologia podem operar modelos, mas não podem definir todos os resultados financeiros aceitáveis. As equipes financeiras entendem materialidade e requisitos de aprovação, enquanto as equipes de segurança entendem acesso e exposição de dados.

A governança bem-sucedida reúne essas responsabilidades antes da implantação. O responsável pela área de negócio define o resultado e a tolerância a erros. As equipes de tecnologia mantêm o sistema, e as funções de risco testam se os controles operam conforme o previsto.

As conclusões da PYMNTS sugerem que grandes empresas estão melhorando nesse trabalho. As preocupações relatadas sobre erros, custos e implementação diminuíram substancialmente em seis meses. As avaliações crescentes de eficácia indicam que uma exposição controlada pode fortalecer a confiança institucional.

No entanto, a confiança pode se tornar perigosa quando substitui os testes. A satisfação autodeclarada não revela com que frequência os funcionários corrigem silenciosamente os resultados. Ela também pode excluir pilotos abandonados, o que pode fazer com que as implantações ativas pareçam mais robustas.

As organizações devem acompanhar todo o funil. Isso inclui tarefas tentadas, resultados concluídos, resultados aceitos, revisões, escalonamentos e falhas. Um modelo que produz rascunhos rapidamente, mas exige verificação extensiva, pode deslocar trabalho em vez de eliminá-lo.

A pressão sobre os CFOs se intensificará à medida que os orçamentos aumentarem. A Bain entrevistou mais de 100 CFOs globais e constatou que 83% planejavam aumentar os gastos empresariais com IA em mais de 15% ao longo de dois anos. Seus planos de gastos com IA também mostraram que 42% esperavam aumentos acima de 30%.

Apenas 15% a 25% haviam escalado a IA em todas as funções financeiras, segundo a Bain. No total, 31% estavam satisfeitos com seus resultados. A satisfação superava 60% entre empresas no quartil superior de maturidade em IA.

Essa lacuna torna a maturidade operacional o fator decisivo. Comprar mais acesso não cria dados, fluxos de trabalho ou controles maduros. Os CFOs precisam financiar o trabalho organizacional que transforma um modelo em uma capacidade confiável.

O que os Números Ainda Não Provam

As evidências sustentam um otimismo cauteloso, mas não estabelecem um prazo universal de dois anos para o ROI da IA generativa.

A amostra da PYMNTS é limitada por definição. Todos os participantes lideravam a área financeira de empresas dos Estados Unidos que geravam pelo menos US$ 1 bilhão por ano. Grandes empresas dispõem de recursos, dados e equipes técnicas que organizações menores talvez não tenham.

A amostra também inclui apenas 60 CFOs. Cada participante representa cerca de 1,7 ponto percentual. Portanto, uma pequena mudança nas respostas pode produzir uma variação visível nas proporções informadas.

Essa limitação não invalida o estudo. Ela significa que os leitores devem evitar transformar seus resultados em uma previsão para todos os negócios. A pesquisa é mais bem entendida como uma visão da liderança financeira de grandes empresas.

A linguagem sobre o prazo também merece cautela. Os participantes foram questionados sobre quando os retornos se tornariam “muito positivos”, e não sobre quando todos os custos de implementação seriam recuperados. Executivos diferentes podem aplicar limiares diferentes a essa expressão.

A PYMNTS relatou um portfólio mais amplo de métricas de ROI, incluindo margens, experiência do cliente, redução de custos e receita. Essa abordagem reflete como as empresas realmente criam valor. Ela também dificulta comparações, a menos que cada empresa defina seu cálculo de forma consistente.

Um ganho na experiência do cliente pode ter relevância financeira, mas essa ligação exige evidências. Os líderes precisam demonstrar se um serviço melhor alterou a retenção, a conversão, os custos de suporte ou outro resultado mensurável. Caso contrário, o benefício permanece um indicador intermediário.

A cronologia da pesquisa cria outra ressalva. A PYMNTS coletou respostas durante cinco dias em dezembro de 2025. A manchete entrou mais tarde no ciclo atual do Google News, mas as respostas subjacentes são um retrato de um momento específico.

Modelos, contratos e estratégias empresariais mudaram desde essa coleta. Alguns projetos avançaram, enquanto outros enfrentaram problemas de custo ou segurança. Uma manchete atual não deve tornar invisível a data da pesquisa.

Estudos independentes também descrevem níveis de sucesso bastante diferentes. Um estudo sobre adoção empresarial da Wharton e da GBK Collective entrevistou 801 tomadores de decisão empresariais em 2025. Ele constatou que 72% mediam formalmente o ROI da IA generativa.

Três em cada quatro participantes desse estudo relataram retornos positivos. Quatro em cada cinco esperavam que os investimentos se pagassem em aproximadamente dois a três anos. Essas conclusões reforçam o otimismo, ao mesmo tempo que estendem o horizonte esperado além da janela de dois anos da manchete.

A pesquisa da Wharton também constatou que 82% usavam IA generativa pelo menos semanalmente, enquanto 46% a usavam diariamente. O uso regular havia claramente se tornado comum entre os tomadores de decisão empresariais. A adoção, contudo, não é a mesma medida que impacto econômico.

O estudo também identificou uma limitação humana. Oitenta e nove por cento concordaram que a IA generativa aprimorava as habilidades dos funcionários, mas 43% viam risco de queda na proficiência. A IA pode melhorar a produção enquanto enfraquece a expertise se os funcionários deixarem de praticar tarefas essenciais.

Os líderes financeiros precisam considerar essa possibilidade. Um analista mais rápido que preserva seu discernimento representa valor duradouro. Um processo mais rápido que corrói a capacidade de detectar erros cria um passivo oculto.

Outras pesquisas identificam lacunas operacionais relevantes mesmo onde os retornos parecem favoráveis. Uma pesquisa financeira de 2026 relatou adoção de IA por 97% dos participantes e retornos positivos para mais de 75% dos investimentos. Ainda assim, 45% continuavam gastando mais de 60% do tempo em tarefas manuais.

Essa lacuna na adoção financeira mostra por que alegações amplas precisam de contexto. Um departamento financeiro pode relatar retornos positivos da IA enquanto continua dependendo de planilhas, reconciliações manuais e relatórios intensivos em mão de obra.

A interpretação mais cética é que pesquisas otimistas medem expectativas e vitórias selecionadas mais facilmente do que a transformação total. A interpretação mais favorável é que o valor direcionado chega antes de uma mudança organizacional visível.

Ambas podem ser verdadeiras. A IA generativa pode gerar retornos valiosos sem refazer um departamento financeiro inteiro. O erro é tratar o sucesso inicial como prova de que todos os processos agora devem ser automatizados.

Os CFOs devem exigir evidências no nível de cada caso de uso e agregação no nível do portfólio. Experimentos fracassados devem entrar no cálculo ao lado das implantações bem-sucedidas. Excluí-los infla o desempenho aparente do programa como um todo.

Eles também devem distinguir melhorias recorrentes de ganhos únicos. Um modelo pode ajudar a eliminar um acúmulo de trabalho, mas esse benefício não se repetirá indefinidamente. Um ROI duradouro exige trabalho contínuo, custos recorrentes menores, decisões melhores ou efeitos sustentados na receita.

A manchete é útil porque captura uma mudança real no sentimento dos executivos. Ela se torna enganosa apenas quando é separada dos limites da amostra, das escolhas de medição e dos prazos mais longos de integração. Esses detalhes definem se a expectativa de dois anos é crível.

Três Sinais Testarão o Retorno em Dois Anos

A próxima fase será julgada por resultados operacionais auditados, adoção em escala de produção e evidências de que os controles estão acompanhando o ritmo.

O primeiro sinal é uma mudança na forma como as empresas reportam o valor da IA. Estimativas de produtividade e pesquisas com funcionários ajudaram durante a experimentação. Os conselhos de administração esperarão cada vez mais métricas ligadas a margens, receita, capital de giro, redução de erros ou ciclos de transações concluídos.

Uma divulgação mais robusta incluiria custos operacionais e revisão humana. Ela separaria economias brutas de tempo do valor financeiro efetivamente realizado. Também identificaria se o resultado veio de IA generativa, automação convencional ou uma reformulação mais ampla de processos.

Se as empresas começarem a reportar resultados financeiros repetíveis, a previsão de curto prazo da PYMNTS ganhará sustentação. Se as divulgações continuarem limitadas ao uso e às horas economizadas estimadas, a lacuna de verificação persistirá.

O segundo sinal é a transição de pilotos para produção controlada. A Bain constatou que apenas 15% a 25% dos CFOs pesquisados haviam escalado a IA em todas as áreas financeiras. Isso deixa uma grande distância entre a experimentação e as operações normalizadas.

A implantação em produção deve significar mais do que acesso organizacional a um chatbot. Ela exige integração com dados aprovados, tarefas definidas, monitoramento, regras de escalonamento e responsáveis nomeados. Os funcionários também precisam de instruções claras para contestar resultados não confiáveis.

As taxas de escala revelarão se os casos de uso mais fortes conseguem sobreviver à complexidade operacional real. Um aumento nas implantações governadas e repetíveis fortaleceria a tese dos dois anos. Um inventário crescente de pilotos paralisados a enfraqueceria.

O terceiro sinal é se as métricas de governança melhoram junto com a adoção. A pesquisa financeira de julho identificou baixo uso de registros documentados de agentes e ampla incerteza sobre a responsabilização. Essas lacunas se tornam mais relevantes à medida que os sistemas recebem maior autonomia.

Observe controles internos atualizados, trilhas de auditoria obrigatórias, planos de incidentes testados e responsabilidade explícita por erros de IA. Essas medidas não garantem ROI positivo. Elas reduzem a chance de que uma falha apague os ganhos de muitas tarefas bem-sucedidas.

Melhorias de governança também tornariam a medição financeira mais confiável. Uma empresa não consegue calcular o valor com precisão se não registra o comportamento do sistema, as correções e as exceções. Os controles criam as evidências necessárias para sustentar uma alegação de ROI.

A manchete do Google News, portanto, marca um ponto de controle, não uma linha de chegada. Quase quatro em cada dez CFOs esperam retornos muito positivos em dois anos, enquanto a mesma pesquisa mostra que a integração completa leva mais tempo.

Essa divisão é racional. As empresas não precisam transformar todos os fluxos de trabalho antes de receber valor de aplicações selecionadas. Elas precisam, sim, de medição disciplinada antes de tratar esse valor como um retorno empresarial duradouro.

Para os desenvolvedores, a lição é projetar para rastreabilidade, revisão e ações delimitadas. Para compradores empresariais, é avaliar resultados de fluxos de trabalho, e não demonstrações de modelos. Profissionais do conhecimento devem examinar se a IA melhora seu discernimento ou apenas acelera os primeiros rascunhos.

A questão decisiva já não é se a IA generativa pode ajudar as equipes financeiras. Ela já ajuda em muitas tarefas definidas. A questão é se as organizações conseguem transformar esses ganhos em desempenho financeiro repetível e governado.

Nos próximos dois anos, observe o que os CFOs relatam depois que custos de implementação, correções e trabalho de controle entram no livro contábil. Essas evidências determinarão se o otimismo de hoje se torna uma vantagem operacional ou mais uma previsão que avançou mais rápido do que a realidade.