ROI da IA no marketing: por que a conta não fecha e como calcular o ganho real

Se você abriu este artigo esperando uma defesa entusiasmada da inteligência artificial no marketing, precisamos alinhar expectativas. A pergunta que os conselhos de administração passaram a fazer em 2026 não é mais se a IA funciona, mas quanto ela devolve em caixa para cada real investido. E a resposta honesta, hoje, é menos confortável do que o mercado costuma admitir em apresentações de fornecedor.

O problema raramente está no modelo. Está na forma como as empresas contabilizam o que ele entrega. Um relatório produzido em 30 minutos em vez de duas horas é um ganho de produtividade real, mas produtividade não é lucro até que alguém traduza horas economizadas em margem. Enquanto essa tradução não acontece, o projeto de IA vive num limbo contábil: todos sabem que algo melhorou, ninguém consegue provar quanto.

Este artigo parte de um dado concreto que expôs esse abismo e segue por três frentes: o que a pesquisa mais recente sobre retorno de IA mediu de fato, onde os custos escapam da planilha original e qual método permite calcular o ganho real de uma automação antes de escalá-la.

A tese em uma frase: não existe IA que não fecha a conta, existe projeto sem linha de base, sem custo total e sem métrica conectada a uma pergunta de negócio. Corrigir essas três falhas é trabalho de gestão, não de tecnologia.

O que a pesquisa do BCG mediu e o que ela não diz

O levantamento do BCG com mais de 280 executivos de finanças colocou um número incômodo na mesa: o ROI mediano relatado para iniciativas de inteligência artificial e IA generativa ficou em 10%, enquanto muitas organizações trabalhavam com uma referência interna de 20%. Quase um terço dos entrevistados admitiu ganhos limitados. É metade do retorno esperado, num contexto em que os orçamentos cresceram.

Esse contraste foi detalhado na reportagem que serve de ponto de partida para esta análise, publicada pela Exame , e conversa com o que o próprio BCG publicou em outros estudos de 2026. A consultoria registrou que a fatia de empresas gerando valor substancial com IA saiu de uma base muito estreita em 2025 para perto de metade da amostra em 2026, segundo o Applied AI Index . Ou seja: a média melhorou, mas a média esconde uma dispersão brutal.

O retorno mediano não é baixo porque a IA é fraca. É baixo porque a maioria das iniciativas foi desenhada para demonstrar capacidade técnica e não para mover uma linha do resultado financeiro.

Há uma armadilha interpretativa aqui. Um ROI mediano de 10% não significa que todo projeto rende 10%. Significa que metade rende menos que isso, e a distribuição tem uma cauda longa de projetos que renderam zero ou negativo. É essa cauda que consome orçamento, tempo de engenharia e paciência do comitê executivo.

Por que o ROI mediano trava em 10% quando a expectativa era o dobro

Existem quatro forças estruturais empurrando o retorno para baixo, e nenhuma delas é resolvida comprando uma ferramenta melhor.

• Prazo real versus prazo prometido. A pesquisa da Deloitte com 1.854 executivos mostrou que 85% das organizações aumentaram o investimento em IA no período analisado e 91% planejavam aumentar de novo. Ao mesmo tempo, a maior parte relata que um caso de uso típico leva de dois a quatro anos para atingir retorno satisfatório. Quem aprova o orçamento com horizonte de dois trimestres está matematicamente condenado a frustrar a própria expectativa.
• Integração, não modelagem. O estudo do MIT NANDA apontou que 95% dos pilotos de IA generativa não entregaram retorno mensurável ao P&L, e a causa apontada é integração deficiente e prioridades desalinhadas, não modelos ruins, conforme reportado pela Fortune e pela Healthcare IT News .
• Automatizar tarefa em vez de redesenhar processo. Um chatbot interno que registra 40 mil interações por mês pode não ter eliminado um único atendimento humano, se o fluxo por trás dele continuar igual.
• Dados fragmentados. Sem uma base comparável entre o antes e o depois, qualquer cálculo de retorno vira estimativa de corredor.

A consequência prática é que o gargalo migrou do laboratório para a operação. A pergunta deixou de ser "o modelo acerta?" e passou a ser "o processo ficou mais barato ou mais rápido depois que o modelo entrou em produção?".

A conta que ninguém coloca na planilha: os custos ocultos da IA no marketing

Aqui está a origem mais frequente do desencontro entre ROI projetado e ROI realizado. A proposta comercial traz licença e implementação. O orçamento de verdade inclui uma camada inteira de custos que só aparece depois da assinatura do contrato.

Categoria de custo: Infraestrutura e computação

O que costuma ficar de fora: Inferência em escala, janelas de contexto longas, etapas de agente, custo de GPU

Faixa de impacto: US$ 200 mil a US$ 2 milhões por ano em ambientes maduros

Categoria de custo: Engenharia de dados

O que costuma ficar de fora: Coleta, limpeza, integração entre CRM, mídia e BI

Faixa de impacto: 25% a 40% do gasto total

Categoria de custo: Manutenção do modelo

O que costuma ficar de fora: Detecção de drift , retreino, monitoramento de qualidade

Faixa de impacto: 15% a 30% de sobrecusto recorrente

Categoria de custo: Integração de sistemas

O que costuma ficar de fora: Conectores, middleware, dívida técnica herdada

Faixa de impacto: Prêmio de 2 a 3 vezes sobre a implementação base

Categoria de custo: Governança e conformidade

O que costuma ficar de fora: Auditoria, rastreabilidade, segurança, LGPD

Faixa de impacto: Risco de penalidade e retrabalho jurídico

Categoria de custo: Pessoas

O que costuma ficar de fora: Treinamento contínuo, realocação, retenção de especialistas

Faixa de impacto: Custo recorrente, não pontual

As faixas acima vêm da análise de custo total de propriedade publicada pela Cohere , que também reúne a projeção da Gartner de que os gastos globais com IA cheguem a US$ 2,52 trilhões em 2026, alta de 44% em um ano. O dado completo está no comunicado oficial da consultoria, e a leitura para o marketing é direta: se a infraestrutura está ficando mais cara e a inferência é cobrada por consumo, o custo marginal de um agente que roda todo dia nunca é zero.

O detalhe que mais desorganiza orçamento costuma ser o consumo. Modelos de crédito em plataformas de marketing e CRM, tokens de inferência, chamadas de API por enriquecimento de lead: tudo isso escala junto com o volume da operação. Um piloto com 500 leads por mês pode caber no plano. Uma operação com 50 mil leads por mês pode transformar a economia do projeto.

Regra de auditoria: nenhum caso de uso de IA deveria entrar em produção sem um teto de consumo mensal definido e um alerta de estouro. Custo variável sem governança transforma previsibilidade em surpresa no fechamento do trimestre.

Métricas de vaidade x métricas de margem: o filtro que separa atividade de resultado

O segundo erro estrutural é medir o que é fácil de medir. Número de interações automatizadas, volume de conteúdos gerados, quantidade de chamadas processadas pela IA: tudo isso descreve atividade. Nenhuma dessas linhas responde se a empresa ganhou ou perdeu dinheiro.

Métrica de vaidade: Conteúdos gerados por IA

Pergunta que ela não responde: Isso gerou pipeline?

Substituto orientado a margem: Receita influenciada por conteúdo assistido por IA

Métrica de vaidade: Interações de chatbot

Pergunta que ela não responde: Quanto custava antes?

Substituto orientado a margem: Custo por atendimento resolvido sem humano

Métrica de vaidade: Leads enriquecidos automaticamente

Pergunta que ela não responde: A conversão melhorou?

Substituto orientado a margem: Taxa de conversão de MQL para SQL no mesmo período

Métrica de vaidade: Horas economizadas

Pergunta que ela não responde: Quem foi realocado para quê?

Substituto orientado a margem: Custo por entrega do time, comparado à linha de base

Métrica de vaidade: Taxa de adoção da ferramenta

Pergunta que ela não responde: Adoção gerou decisão melhor?

Substituto orientado a margem: Ciclo de vendas e CAC no segmento afetado

Esse deslocamento é o que dá credibilidade ao marketing na conversa com a liderança. Em vez de impressionistas, o relatório passa a mostrar contribuição de pipeline, taxas de conversão por etapa e receita fechada com influência de marketing, como recomendado no material da HubSpot sobre métricas de automação. A IBM reforça o mesmo ponto em sua visão sobre IA na automação de marketing : o ganho cumulativo aparece em eficiência de campanha e conversão ao longo do tempo, não em volume bruto de execução.

A Braze resume esse movimento em sua análise sobre marketing com IA : o sucesso é avaliado por ROI, retenção, engajamento e valor de vida do cliente, não por cliques e aberturas. É a diferença entre reportar movimento e reportar resultado.

Como calcular o ROI da IA em sete passos auditáveis

A fórmula base é a mesma que qualquer analista de marketing digital já conhece: (ganhos gerados menos custo total) dividido pelo custo total, multiplicado por 100. O que muda é o rigor na apuração de cada termo.

Defina o problema antes da ferramenta. Escreva em uma frase qual resultado de negócio a iniciativa precisa mover: reduzir CAC, encurtar ciclo de vendas, baixar custo por atendimento ou aumentar ticket médio.; Estabeleça a linha de base. Meça o indicador por pelo menos um trimestre antes da implantação. Sem o número anterior, não existe comparação válida.; Some o custo total, não o preço da licença. Some licença, infraestrutura, integração, treinamento, manutenção anual e consumo variável projetado para o volume real.; Monetize o ganho. Converta horas economizadas em custo por hora carregado, ou margem incremental quando o ganho for receita. O que não é monetizado não entra no cálculo.; Desconte o que não é atribuível. Fatores externos como sazonalidade, mudança de mix de mídia e ações paralelas precisam ser isolados, senão o ROI vira ficção.; Calcule e compare com o custo de oportunidade. Um ROI de 15% em doze meses pode ser bom ou ruim dependendo do retorno da alternativa mais simples disponível.; Reavalie a cada ciclo. Modelos degradam e o custo de consumo muda. ROI de IA é um indicador vivo, revisado trimestralmente, não uma foto de aprovação.

Um exemplo numérico ajuda a ver onde a conta costuma escapar. Considere uma operação B2B que investe R$ 180 mil em uma automação de qualificação de leads: R$ 60 mil de licença anual, R$ 70 mil de integração e engenharia de dados, R$ 30 mil de treinamento e R$ 20 mil de consumo variável no primeiro ano.

Componente: Custo total do primeiro ano

Cenário otimista: R$ 120 mil (só licença e consumo)

Cenário auditado: R$ 180 mil (inclui integração e treinamento)

Componente: Horas de SDR economizadas

Cenário otimista: R$ 25 mil

Cenário auditado: R$ 25 mil

Componente: Margem incremental por conversão

Cenário otimista: R$ 120 mil

Cenário auditado: R$ 120 mil

Componente: Ganho total

Cenário otimista: R$ 145 mil

Cenário auditado: R$ 145 mil

Componente: ROI do primeiro ano

Cenário otimista: 20,8%

Cenário auditado: −19,4%

Componente: Manutenção do ano 2 (25% a 40%)

Cenário otimista: não prevista

Cenário auditado: R$ 30 mil a R$ 48 mil

O mesmo projeto, o mesmo ganho, dois resultados opostos. A diferença é escopo do custo. É exatamente esse descompasso que aparece quando a média de retorno fica abaixo do esperado: o ganho foi real, o custo é que estava subestimado.

Linha de base: o que precisa estar medido antes de ligar a automação

Nenhuma auditoria de ROI sobrevive à ausência de dados anteriores. Antes de ativar qualquer automação, consolide por escrito:

Volume de oportunidades e leads qualificados por mês, no mesmo recorte de segmento.; Taxa de conversão por etapa do funil, de MQL a SQL e de SQL a fechamento.; Tempo médio de ciclo de vendas, medido em dias corridos.; CAC e custo por lead qualificado, com a fórmula de rateio de mídia documentada.; Headcount e custo por hora carregado das funções afetadas.; Taxa de erro ou retrabalho do processo atual.; Receita e margem do período de referência.

Esse conjunto transforma uma afirmativa vaga em evidência. Sem ele, a conversa termina em "melhoramos muito" contra "não vi melhora no número", e ninguém consegue arbitrar.

Como priorizar automações que geram eficiência mensurável

Priorizar não é escolher o caso de uso mais moderno. É escolher o que combina volume, repetição e clareza de critério de sucesso. Casos com grande volume de tarefas repetitivas e métrica bem definida oferecem o caminho mais confiável para retorno precoce, enquanto iniciativas mais ambiciosas, como agentes autônomos de decisão complexa, devem vir depois que a organização já provou disciplina de medição.

Prioridade: Fazer primeiro

Perfil do caso de uso: Alto volume, alta repetição, ganho mensurável, baixo risco

Exemplo na operação de marketing: Enriquecimento e pontuação de leads, resumo de relatórios, variações de criativo para teste A/B

Prioridade: Fazer depois

Perfil do caso de uso: Impacto relevante, mas depende de dados integrados

Exemplo na operação de marketing: Atribuição multicanal, previsão de pipeline, personalização de jornada por conta

Prioridade: Adiar

Perfil do caso de uso: Baixo volume, alto custo de integração, benefício difuso

Exemplo na operação de marketing: Agentes autônomos de decisão com pouca supervisão e critério de sucesso indefinido

Na prática, três filtros eliminam a maior parte das escolhas ruins:

Frequência: a tarefa acontece toda semana e consome horas de pessoas caras?; Mensurabilidade: existe uma métrica de negócio que muda de forma observável se isso funcionar?; Reversibilidade: dá para desligar com custo baixo caso o resultado não apareça?

Casos que passam nos três filtros entram em piloto com escopo fechado e prazo de avaliação definido. Casos que falham em mensurabilidade, independentemente do apelo tecnológico, não deveriam consumir orçamento agora.

Teste do comitê: se a proposta não responde em uma frase qual indicador financeiro muda e em quanto tempo, o projeto ainda não está pronto para aprovação. Volte ao passo 1.

Quando o ROI não aparece: cinco diagnósticos possíveis

Antes de concluir que a IA não funciona, vale checar se o problema é de execução. Na maior parte dos casos, é um destes cinco:

• Métrica desconectada do objetivo. O indicador escolhido não responde à pergunta que justificou o investimento.
• Custo incompleto. O orçamento considerou licença e ignorou integração, manutenção e consumo, um padrão que aparece em boa parte dos projetos que estouram a previsão inicial.
• Tarefa automatizada, processo intacto. A IA acelerou uma etapa que não era o gargalo.
• Sem base de comparação. Não existe número anterior, então não existe impacto demonstrável.
• Modelo degradado. O desempenho caiu com a mudança dos dados e ninguém monitorou o drift .

Nenhum desses diagnósticos pede um modelo mais avançado. Todos pedem governança de medição.

O que os 20% que capturam 74% do valor fazem diferente

A análise da PwC com 1.217 executivos de 25 setores mostrou que quase três quartos do valor econômico gerado por IA ficou com apenas um quinto das empresas. A concentração é o dado mais relevante de toda a pesquisa, porque desmonta a ideia de que investir mais leva a retornar mais.

O que diferencia esse grupo não é volume de ferramentas. É a combinação de estratégia definida, dados organizados, tecnologia integrada, força de trabalho preparada e governança consistente. Em outras palavras: as líderes tratam IA como gestão baseada em evidências, e não como projeto de inovação.

Para uma operação de marketing B2B, isso significa três decisões concretas. Primeiro, conectar cada automação a uma etapa específica do funil, com dono nomeado. Segundo, tratar growth marketing como disciplina de experimentação contínua, onde toda hipótese tem métrica e prazo. Terceiro, integrar marketing digital , dados de CRM e finanças na mesma base de verdade, porque atribuição que se perde na junção entre sistemas não sustenta decisão de orçamento.

A leitura vale também para quem opera com apoio externo: parceiros que já preveem custos ocultos no planejamento inicial reduzem a chance de surpresa no segundo ano. Vale conhecer como uma agência de SEO e performance trabalha esse encadeamento entre canal, dado e margem.

Perguntas que o seu CFO vai fazer na próxima reunião de orçamento

Qual é o retorno mediano de projetos de IA nas empresas hoje?

O levantamento do BCG com mais de 280 executivos de finanças apontou ROI mediano de 10% em iniciativas de IA e IA generativa, metade da referência de 20% que muitas organizações usavam. Quase um terço dos entrevistados relatou ganhos limitados.

Como medir o ROI da IA no marketing sem depender de estimativa de fornecedor?

Somando o custo total do primeiro ano, incluindo integração, treinamento, manutenção e consumo variável, e comparando com o ganho monetizado contra uma linha de base medida antes da implantação. O ganho precisa ser atribuível e o efeito de fatores externos, isolado.

Quanto tempo é razoável esperar por retorno?

A pesquisa da Deloitte com 1.854 executivos indica que um caso de uso típico leva de dois a quatro anos para atingir retorno satisfatório. Casos de alto volume e alta repetição tendem a chegar ao ponto de equilíbrio antes disso.

O que fazer quando a conta não fecha?

Revisar a relação entre investimento e resultado esperado, reconstruir a linha de base, somar os custos omitidos e reavaliar o portfólio: um projeto pode ter retorno individual limitado e ainda assim contribuir para uma transformação maior quando combinado a outros processos.

Vale a pena investir mais quando o retorno atual é baixo?

Mais investimento não garante mais retorno. A concentração apurada pela PwC mostra que poucas empresas capturam a maior parte do valor, e a diferença está na forma de aplicar a tecnologia, não no tamanho do cheque.

A disciplina que transforma IA em caixa

A conclusão prática deste percurso é menos sedutora do que o mercado gostaria. A inteligência artificial aplicada ao marketing não falha por falta de capacidade técnica; falha por falta de contabilidade. Ganha quem define o problema antes da ferramenta, mede antes de implantar, soma todos os custos e revisa o retorno a cada trimestre.

O mais importante não é o tamanho do investimento em IA, mas quanto dele volta para o caixa com evidência que resiste à auditoria do comitê de finanças. Essa é a diferença entre uma iniciativa que sobrevive ao corte de orçamento e uma que virou custo fixo sem resultado demonstrável.

Se o seu time já usa IA no dia a dia e ainda não consegue responder qual indicador financeiro mudou por causa dela, o próximo passo não é comprar mais uma plataforma. É reconstruir a linha de base, mapear o custo total e conectar cada automação a uma métrica de margem. O ponto de partida pode ser uma conversa sobre prioridades de performance antes da próxima rodada de investimento.