O planejamento estratégico decide se a IA vira investimento com retorno ou lista de pilotos que consome orçamento sem entregar resultado mensurável. A diferença está em três critérios aplicados antes de qualquer recurso ser alocado. A iniciativa precisa comprovar impacto no negócio, ter um responsável formalmente definido pela decisão que vai apoiar, e contar com dados prontos para sustentá-la.
Empresas que pulam essa etapa chegam à reunião de orçamento com uma lista de desejos em vez de um portfólio. Cada área apresenta sua iniciativa. Cada patrocinador defende seu projeto com o argumento que tiver à mão, e o resultado é orçamento fragmentado em experimentos que não conversam entre si.
Sem critério de portfólio, vence a melhor retórica
Uma proposta de automação de atendimento, um projeto de previsão de demanda e um experimento de IA generativa para marketing têm naturezas de risco diferentes e horizontes de retorno diferentes. Colocar os três para disputar o mesmo orçamento sem critério comum favorece quem apresenta melhor. Essa dinâmica é a origem do que o mercado já batizou de teatro de IA: o piloto que roda por meses, impressiona em demonstração, e nunca sustenta uma decisão real de negócio.
O tamanho do problema está documentado. O MIT Project NANDA analisou mais de 300 implantações públicas de IA generativa em empresas e concluiu que 95% dos pilotos não entregam impacto mensurável no resultado financeiro da organização (MIT NANDA, “The GenAI Divide: State of AI in Business 2025”, agosto de 2025). O estudo aponta a ausência de critério de seleção antes da aprovação do orçamento como causa mais comum, junto com a falta de integração do piloto ao fluxo de trabalho real da equipe que deveria usá-lo.
O padrão se repete em empresas B2B complexas com estrutura industrial. Uma indústria que fabrica para outras empresas costuma levar ao planejamento anual três ou quatro propostas de IA ao mesmo tempo: previsão de demanda para a cadeia de suprimentos, triagem automática de chamados técnicos, geração de propostas comerciais. Sem critério comum, a decisão sobre qual delas recebe orçamento depende de quem tem mais capital político na sala.
Esse tipo de falha custa caro de um jeito que raramente aparece na planilha do projeto. Ela consome a capacidade organizacional que a empresa levaria para a próxima iniciativa, porque a equipe sai do piloto fracassado mais cética e menos disposta a testar de novo. Já tratamos esse mecanismo em detalhe no artigo sobre o que fica quando a iniciativa de um projeto termina.
Critérios de portfólio substituem entusiasmo
A seleção disciplinada de iniciativas de IA passa por três exigências, aplicadas antes de qualquer conversa sobre orçamento.
A primeira é impacto comprovável. A iniciativa precisa demonstrar efeito esperado em receita, eficiência operacional, conformidade regulatória ou experiência do cliente, com uma hipótese de valor explícita. Uma promessa genérica de “modernização” não passa nesse filtro.
A segunda é patrocínio executivo formal. Um projeto sem um executivo que responda publicamente por ele fica sustentado apenas por entusiastas dentro da equipe técnica que o levaram adiante por conta própria.
A terceira é métrica de sucesso definida antes do investimento. Uma empresa que não consegue dizer, antes de começar, como vai medir o resultado, transforma a avaliação final em debate de opinião em vez de leitura de dado.
Esse rigor também exige saber descartar. Documentar a recusa de uma iniciativa sem valor comprovado funciona como disciplina de portfólio. Manter um piloto morto vivo, só para adiar a admissão de que ele não vingou, custa mais caro do que encerrá-lo cedo e redirecionar o orçamento. Esse padrão de custo, que raramente aparece na demonstração financeira do projeto mas corrói a margem aos poucos, segue a mesma lógica que descrevemos no artigo sobre custos invisíveis.
Cada decisão apoiada por IA precisa de um dono
O planejamento estratégico costuma definir meta e orçamento para a iniciativa de IA, mas raramente define quem responde por cada decisão que ela vai passar a apoiar. O efeito prático é o projeto órfão. O resultado fica sem responsável, a aprovação dos próximos passos nunca é formalizada, e não há ninguém para responder quando o modelo erra.
A correção passa por uma estrutura de responsabilidade em três papéis. Uma pessoa gera a recomendação, outra aprova a decisão, e uma terceira executa a ação, cada uma com alçada clara. Cada iniciativa aprovada no plano anual precisa nascer com esses três papéis nomeados e com limite de autonomia explícito para o sistema de IA envolvido.
A IA pode sugerir, sinalizar desvio, organizar opções para quem decide. A decisão final permanece com uma pessoa responsável, registrada e auditável depois. Esse desenho de responsabilidade segue a mesma lógica que estrutura a arquitetura organizacional em outras áreas da empresa: a ausência de estrutura formal empurra o problema para as pessoas, que acabam carregando uma responsabilidade que devia estar desenhada no processo, como mostramos no artigo sobre por que o problema geralmente não está nas pessoas.
Ignorar esse desenho fica mais arriscado à medida que a IA ganha autonomia dentro dos processos da empresa. A Gartner projeta que mais de 40% dos projetos de IA agêntica em curso hoje serão cancelados até o fim de 2027, por custo alto demais, valor de negócio pouco claro ou controle de risco insuficiente (Gartner, comunicado de 25 de junho de 2025). Agentes que executam ação direta, sem revisão humana em cada etapa, elevam a ausência de dono a uma falha de governança com consequência imediata sobre o risco do negócio.
O projeto órfão aparece com frequência em empresas B2B que aprovam um agente de IA para qualificar leads ou priorizar contas de risco na carteira. O time comercial adota a ferramenta, a responsabilidade por uma qualificação errada nunca é formalizada, e o problema só fica visível meses depois, quando um cliente importante é classificado como baixa prioridade e a receita perdida chega ao board sem explicação clara. Nomear o dono da decisão antes de aprovar o orçamento evita esse tipo de descoberta tardia.
Prontidão de dados como pré-condição do orçamento
O terceiro critério costuma ser o mais negligenciado, porque o orçamento anual costuma ser aprovado antes que alguém verifique se os dados sustentam a iniciativa proposta. A Gartner constatou que 63% das organizações não têm, ou não sabem se têm, as práticas de gestão de dados necessárias para sustentar IA, em pesquisa conduzida com 1.203 líderes de dados (Gartner, comunicado de 26 de fevereiro de 2025). A mesma pesquisa projeta que organizações vão abandonar 60% dos projetos de IA sem dados prontos até 2026, exatamente por falta desse tipo de preparo.
A prontidão de dados precisa virar condição de investimento, verificada como etapa formal do ciclo de aprovação do orçamento. A empresa precisa saber, antes de comprometer recurso, se os dados existem, se são acessíveis às equipes responsáveis, se têm qualidade suficiente para o uso pretendido, se há histórico relevante e se estão protegidos sob os requisitos regulatórios aplicáveis ao setor. Esse diagnóstico de prontidão é, na prática, um problema de arquitetura de dados, como detalhamos no artigo sobre alinhamento entre áreas como consequência da arquitetura de dados.
Alocar orçamento para uma iniciativa cujos dados não sustentam o modelo transforma o plano anual em uma aposta disfarçada de decisão de portfólio. O custo de descobrir esse problema na metade do projeto é conhecido: cronograma estourado, equipe que atribui aos dados um erro que já estava no planejamento desde o início. Levar o diagnóstico de dados para dentro do ciclo de planejamento, como pré-condição de aprovação, transforma dado de obstáculo em ativo estratégico.
Na prática, esse diagnóstico cabe em quatro perguntas que o comitê de planejamento faz antes de aprovar orçamento para qualquer iniciativa. Os dados necessários existem hoje, em algum sistema da empresa, ou precisam ser criados do zero. As equipes que vão usar o modelo têm acesso a esses dados sem depender de um pedido manual a outra área.
O histórico disponível cobre um período longo o suficiente para o tipo de previsão ou classificação que a iniciativa promete. Os dados envolvidos estão protegidos sob os requisitos de compliance do setor, o que em indústrias B2B regulamentadas costuma incluir cláusulas contratuais específicas com clientes e fornecedores.
O que muda quando o planejamento trata IA como portfólio
A priorização de IA por critério, em vez de por entusiasmo, produz três mudanças práticas na reunião de planejamento anual.
Cada iniciativa chega à mesa de orçamento com hipótese de valor, dono nomeado e diagnóstico de dados já feito. Isso reduz o tempo de discussão sobre qual projeto merece recurso, porque o critério já filtrou boa parte da lista antes mesmo da reunião acontecer.
O portfólio aprovado fica menor, mas com taxa de execução mais alta. Menos iniciativas competem por atenção executiva ao longo do ano, e as que sobrevivem ao filtro chegam à execução com governança já embutida desde a aprovação.
A empresa ganha um histórico auditável de decisões de IA, incluindo as que foram descartadas e o motivo do descarte. Esse histórico vira ativo institucional na próxima rodada de planejamento, porque reduz a repetição de pilotos que já foram tentados e abandonados sem registro formal do que não funcionou.
A pergunta que fica para a próxima reunião de planejamento é direta. Quantas iniciativas de IA do plano anual da empresa passariam pelos três critérios, hoje, se fossem avaliadas com esse rigor. Uma resposta incerta é o sinal de que o método precisa entrar na pauta antes do orçamento.
