Custo de IA: o que é, o que entra na conta e como calcular

Custo de IA na empresa é tudo o que ela gasta para uma ferramenta de inteligência artificial funcionar na rotina: a licença ou a cobrança por uso e também o dado a arrumar, o tempo do time para aprender, o período em que o jeito antigo roda junto e a revisão do que a ferramenta erra. Essa é a definição de trabalho da CGLC, e ela vai além da fatura do fornecedor.

Este guia mostra o que entra na conta, o que a pesquisa relata sobre os custos que ficam de fora e um roteiro de cinco passos para estimar antes de assinar. Um achado menos óbvio: numa revisão sobre IA em PMEs industriais, o custo está entre os desafios mais citados, e planejamento e duração do projeto são os dois desafios econômicos que menos aparecem. O que for método da casa vem marcado no texto.

Na nossa prática: a pergunta que chega ao dono da PME é quase sempre “quanto custa a ferramenta?”. A conta que decide se a IA vale a pena é outra: quanto custa fazer a ferramenta entregar uma tarefa pronta, todo mês, sem que alguém precise refazê-la. A diferença entre as duas perguntas é o assunto deste texto.

O que entra no custo de IA

Leitura da CGLC: o custo de IA tem cinco linhas. A primeira costuma ser a única que vem na proposta do fornecedor. As outras quatro são da empresa e aparecem no tempo das pessoas, não na nota fiscal. A tabela resume o que entra em cada linha e por onde começar a estimar.

Linha da conta (critério da CGLC)	O que entra	Onde aparece na PME	Como começar a estimar
1. Licença e uso	Assinatura por usuário, cobrança por volume de uso, ligação com o sistema que a empresa já tem	Na fatura do fornecedor	Proposta do fornecedor, com o uso previsto por mês e um teto
2. Dado	Juntar, limpar e manter o dado que a ferramenta usa	Nas horas de quem cuida do cadastro, da planilha ou do sistema	Horas por semana gastas hoje corrigindo cadastro e base
3. Pessoas	Aprender a usar, ajustar as instruções, semanas mais lentas no começo	Na agenda do time e do gestor	Horas de treino por pessoa, mais o ritmo menor das primeiras semanas
4. Processo	Rodar o jeito antigo junto, redesenhar o fluxo, decidir quem aprova o quê	Em duas rotinas pagas ao mesmo tempo	Semanas de operação em paralelo vezes as horas semanais da rotina antiga
5. Erro	Revisar a saída, corrigir o que saiu errado, arcar com o erro que passa	No retrabalho e, às vezes, no cliente	Proporção de saídas revisadas no teste e o custo de um erro que chega ao cliente

Na nossa prática: as linhas 2 a 5 quase nunca aparecem num orçamento de compra, porque ninguém as cobra. Elas existem mesmo assim, pagas em horas. A escolha de qual tarefa entra primeiro vem antes desta conta, e o guia de casos de uso de IA traz quatro critérios para essa escolha.

Por que a licença não é a conta toda

Brynjolfsson, Rock e Syverson (2021) tratam a IA como uma tecnologia de propósito geral e afirmam que tecnologias desse tipo possibilitam e exigem investimentos complementares significativos. Segundo os autores, esses investimentos costumam ser intangíveis e mal medidos nas contas nacionais. O trabalho desenvolve um modelo e o aplica a dados dos Estados Unidos; o resultado relatado é sobre a produtividade da economia como um todo, comparada às estatísticas oficiais.

O modelo descreve como essa medição falha nas contas nacionais pode levar a subestimar o crescimento da produtividade nos primeiros anos de uma tecnologia de propósito geral e, mais tarde, quando os benefícios dos investimentos intangíveis são colhidos, a superestimá-lo. Os autores chamam o fenômeno de curva J da produtividade.

Leitura da CGLC: na escala de uma PME, a lição que tiramos é de calendário. O custo do que a empresa faz em volta da ferramenta aparece antes do ganho, e quem mede só o primeiro mês tende a concluir que a IA não se pagou. O estudo é sobre a economia dos Estados Unidos, sem foco em empresas pequenas: a transposição é nossa.

A ideia de complementaridade é anterior à IA generativa. Bresnahan, Brynjolfsson e Hitt (2002), com dados de empresas dos Estados Unidos sobre tecnologia da informação em geral, relatam evidência de complementaridade entre a tecnologia, a reorganização do trabalho e novos produtos e serviços. Relatam também efeitos maiores da tecnologia sobre a demanda de trabalho quando ela vem combinada com os investimentos organizacionais que identificam.

O que a revisão sobre PMEs industriais relata

Oldemeyer, Jede e Teuteberg (2025) fizeram uma revisão sistemática, pelo protocolo PRISMA, de 71 estudos revisados por pares sobre IA em pequenas e médias empresas industriais, publicados desde 2010, e identificaram 27 desafios de implantação. A tabela traz os mais citados.

Desafio (como a revisão o nomeia)	Artigos que o mencionam, entre 71
Conhecimento	35
Custos	24
Nível de maturidade digital e infraestrutura de TI	17
Disponibilidade de dados	16
Gestão (direção da empresa)	14
Avaliação da produtividade (retorno incerto)	13
Qualidade do dado	12
Complexidade e individualidade	11
Risco de fracasso	10

Segundo a revisão, os estudos atribuem o custo, de forma unânime, aos recursos financeiros limitados da PME. Os autores acrescentam outro fator que complica: muitas PMEs têm consciência limitada da própria capacidade financeira, ou não conseguem avaliá-la com precisão. E ligam o custo ao conhecimento, porque a PME muitas vezes não consegue pagar consultoria externa de IA.

Os autores destacam que o segundo e o terceiro desafios econômicos mais citados, a avaliação da produtividade e o risco de fracasso, também estão ligados a dinheiro. Destacam também que planejamento e duração do projeto são os dois desafios econômicos menos citados, o que leem como sinal de que a execução concreta de um projeto de IA na PME é vista de forma pouco crítica.

Leitura da CGLC: é justamente na execução, no tempo do projeto e no planejamento das semanas de transição, que as linhas 2 a 5 da conta se acumulam. Quando a literatura sobre PME industrial quase não cita planejamento e duração como desafio, o dono também tende a orçar pouco.

As cinco linhas da conta, uma por uma

1. Licença e uso: o preço não é o custo

É a linha mais fácil de ver: assinatura por usuário, cobrança por volume de uso e o trabalho de ligar a ferramenta ao sistema da empresa. Haug, Zachariassen e van Liempd (2011) lembram que custos escondidos às vezes são definidos como as despesas que normalmente não entram no preço de compra de um equipamento, como manutenção, suprimentos, treinamento e atualizações. Daí surgiram conceitos como o custo total de propriedade, criados para incluir todos os gastos associados a uma ação da empresa.

Na nossa prática: na cobrança por uso, o valor do mês depende de quanto o time usa. Por isso a estimativa da linha 1 precisa de um teto combinado com o fornecedor, e não só de uma média. Preço de tabela muda depressa e não ajuda a decidir; o uso previsto da sua tarefa, sim.

2. Dado: bom o bastante, não perfeito

Haug, Zachariassen e van Liempd (2011) separam dois custos. O de manter o dado em ordem é relativamente fácil de avaliar: são horas internas, consultoria e software. O causado pelo dado de má qualidade é bem mais difícil de estimar, pelos muitos efeitos indiretos e intangíveis. Os autores definem custo escondido como o custo que a empresa tem e do qual a gestão não sabe.

Tipo de custo	Efeito em tarefas operacionais	Efeito em decisões estratégicas
Direto (visível para a gestão)	Erros de fabricação, entregas erradas, erros de pagamento	Poucas vendas, baixa eficiência, dificuldade de cumprir prazos de entrega
Escondido (a gestão não sabe que tem)	Prazos longos, dado registrado várias vezes, insatisfação dos funcionários	Foco no segmento errado de clientes, planejamento ruim da produção, política de preços ruim

A tese central deles é que, a partir de certo ponto, limpar o dado à exaustão deixa de compensar. A meta, segundo os autores, é melhorar o dado até certo nível, e não até a perfeição.

Na PME industrial, 12 dos artigos reunidos na revisão de Oldemeyer, Jede e Teuteberg (2025) apontam a qualidade do dado como exigência. Os autores apontam que a PME muitas vezes não tem padrão de coleta nem forma de limpar o dado ruim, o que faria da preparação do dado uma tarefa demorada para muitas empresas desse porte.

3. Pessoas: o treino se conta por pessoa e por tarefa

Conhecimento é o desafio mais citado na revisão sobre PMEs industriais, em dois sentidos que os autores separam: a falta de profissionais qualificados e o entendimento geral de IA, como saber o caminho de uma implantação e conhecer as aplicações possíveis.

O ganho com a ferramenta também não é igual para todos. Brynjolfsson, Li e Raymond (2025), num estudo sem foco em PME, analisaram a introdução escalonada de um assistente de IA generativa entre 5.172 agentes de atendimento ao cliente. O acesso ao assistente aumentou a produtividade, medida em problemas resolvidos por hora, em 15% na média, com grande variação entre os agentes.

Os menos experientes e menos qualificados melhoraram velocidade e qualidade. Os mais experientes e mais qualificados tiveram pequeno ganho de velocidade e pequena queda de qualidade.

Leitura da CGLC: o treino de IA na PME costuma ser orçado como um evento, uma tarde de apresentação. A conta mais honesta é por pessoa e por tarefa: de quantas horas cada um precisa até entregar a tarefa no novo jeito, e quem confere a qualidade enquanto isso. O dado de Brynjolfsson, Li e Raymond sugere que essa conferência importa também para quem já faz bem o trabalho.

4. Processo: a operação em paralelo tem preço

Na nossa prática: a linha mais subestimada é a do período em que o jeito antigo continua rodando ao lado do novo. Enquanto a empresa não confia na saída da ferramenta, paga as duas rotinas. O guia de piloto de IA trata de quando esse período deve acabar; aqui o que importa é contar quanto ele custa.

A revisão sobre PMEs industriais trata de um ponto vizinho, o prazo da implantação. Segundo os autores, implantar IA costuma ser um processo de tentativa e erro, com resultado incerto no começo, e muitas soluções só funcionam depois de várias rodadas e abordagens. Isso dificulta prever o prazo e, com ele, quando a economia esperada aparece.

5. Erro: a revisão entra no orçamento desde o primeiro dia

Dietvorst, Simmons e Massey (2015) chamam de aversão a algoritmo a escolha frequente da previsão de uma pessoa em vez da de um algoritmo estatístico, embora, como os autores lembram, algoritmos baseados em evidência prevejam melhor.

Em cinco estudos experimentais, os autores relatam que as pessoas perdem a confiança num algoritmo de previsão mais depressa do que num previsor humano depois de vê-los cometer o mesmo erro. Os participantes que viram o algoritmo trabalhar ficaram menos dispostos a escolhê-lo, mesmo os que o viram superar a pessoa. O artigo é sobre previsão estatística, sem foco em IA generativa nem em empresa.

Leitura da CGLC: para a PME, isso põe na conta um custo que não vem do erro em si, e sim do efeito dele sobre a adoção. Um erro visível no primeiro mês pode fazer o time voltar ao jeito antigo, e o que foi gasto nas outras linhas se perde. Por isso a revisão entra no orçamento desde o primeiro dia, junto com a regra de quem revisa o quê.

A revisão sistemática de Oldemeyer, Jede e Teuteberg (2025) trata de outra ameaça, a de a implantação fracassar: como a PME muitas vezes não conhece o próprio perfil de risco e tem menos recursos, as tentativas que dão errado são um problema grande, que afeta fortemente o desempenho da empresa.

Como estimar o custo de IA antes de assinar, em 5 passos

Na nossa prática: o roteiro abaixo é método da CGLC, e não resultado de estudo. Ele serve para uma tarefa de cada vez, e é nos passos 3 e 4 que entram as linhas que a proposta comercial não traz.

1. 1. Escolher uma tarefa

   Uma só, recorrente, com volume conhecido e um dono claro

2. 2. Medir o hoje

   Horas por mês, quantas vezes é refeita e quem faz

3. 3. Somar as cinco linhas

   Licença, dado, pessoas, processo e erro, para o período do teste

4. 4. Rodar com prazo e teto

   Operação em paralelo com data para acabar e teto de uso combinado

5. 5. Decidir pelo custo por tarefa

   Compare o custo por tarefa entregue pronta, não a mensalidade

Passo 1: escolher uma tarefa

Uma tarefa só, que se repete, com volume conhecido e um responsável. Cada tarefa tem dado, gente e risco de erro diferentes, e por isso “IA para a empresa” não se orça.

Passo 2: medir o hoje

Horas por mês, quantas vezes a tarefa sai errada e precisa ser refeita, e quem a faz. Sem essa medida, nenhuma economia prometida pode ser conferida.

Passo 3: somar as cinco linhas

Uma estimativa por linha para o período do teste, em reais, convertendo horas pelo custo da hora de quem executa a tarefa. A linha 1 vem da proposta; as linhas 2 a 5, da sua operação.

Passo 4: rodar com prazo e teto

Operação em paralelo com data para acabar e teto de uso combinado com o fornecedor. Sem data, a linha 4 vira custo permanente; sem teto, a linha 1 vira surpresa no fim do mês.

Passo 5: decidir pelo custo por tarefa entregue

Divida a soma das cinco linhas pelo número de tarefas entregues prontas, sem retrabalho, e compare com o custo da mesma tarefa no jeito antigo. Decida no fim do prazo combinado, e não no primeiro mês.

Leitura da CGLC: decidir no fim do prazo, e não no primeiro mês, é a curva J de Brynjolfsson, Rock e Syverson (2021) transposta para a escala de uma empresa. Se o investimento em dado, pessoas e processo vem antes do ganho, o começo tende a parecer mais caro do que é.

O que cada fonte examinou, e até onde ela vai

Nenhum dos seis estudos tem como objeto o custo de IA numa empresa, e nenhum tem foco em PME brasileira.

Leitura da CGLC: a estrutura da conta é nossa, e as fontes iluminam partes dela: o que fica fora do preço de compra, os desafios que a literatura sobre PME industrial mais cita e o fato de o mesmo erro abalar a confiança num algoritmo mais depressa do que numa pessoa.

Fonte	O que examinou	O que os autores relatam	Limite do estudo
Oldemeyer, Jede e Teuteberg (2025)	Revisão sistemática (PRISMA) de 71 estudos sobre IA em PMEs industriais	27 desafios; conhecimento (35 artigos) e custo (24) são os mais citados; retorno incerto e risco de fracasso também ligados a dinheiro	PMEs industriais; conta artigos que mencionam cada desafio, e não empresas nem valores
Haug, Zachariassen e van Liempd (2011)	Revisão de literatura e estudo de caso sobre custo de dado de má qualidade	Manter o dado é relativamente fácil de avaliar; o custo do dado ruim é bem mais difícil de estimar; a meta não deve ser o dado perfeito	Dado em geral, sem foco em IA; um único estudo de caso, num fabricante de peças automotivas
Brynjolfsson, Rock e Syverson (2021)	Modelo aplicado a dados dos Estados Unidos	Tecnologias de propósito geral, como a IA, exigem investimentos complementares significativos, muitas vezes intangíveis e mal medidos	Produtividade agregada dos Estados Unidos, sem foco em empresa
Bresnahan, Brynjolfsson e Hitt (2002)	Dados de empresas dos Estados Unidos sobre tecnologia da informação	Complementaridade entre tecnologia, reorganização do trabalho e novos produtos e serviços	Tecnologia da informação em geral, sem foco em IA; associação em regressões
Brynjolfsson, Li e Raymond (2025)	Introdução escalonada de um assistente de IA generativa entre 5.172 agentes de atendimento	Aumento médio de 15% em problemas resolvidos por hora; os menos experientes e menos qualificados melhoraram velocidade e qualidade, e os mais experientes e mais qualificados tiveram pequeno ganho de velocidade e pequena queda de qualidade	Atendimento ao cliente, sem foco em PME
Dietvorst, Simmons e Massey (2015)	Cinco estudos experimentais de escolha entre a previsão de um algoritmo e a de uma pessoa	A confiança no algoritmo cai mais depressa que na pessoa depois do mesmo erro	Previsão estatística em estudos experimentais, sem foco em empresa

Erros comuns ao calcular o custo de IA

Na nossa prática: os erros que mais aparecem na conta do dono são estes:

• Comparar a mensalidade com um salário, como se a ferramenta fizesse a tarefa sozinha, sem dado, sem treino e sem revisão.
• Orçar o treino como um evento, e não por pessoa e por tarefa.
• Esperar o dado ficar perfeito antes de começar, ou começar sem olhar o dado.
• Deixar a operação em paralelo sem data para acabar.
• Medir o retorno no primeiro mês, antes de o investimento nas outras linhas ter tempo de render.
• Não definir quem revisa a saída, e descobrir isso no primeiro erro que chega ao cliente.

Onde este guia se encaixa

Este texto é sobre a conta. Por onde começar está no guia de IA para empresas; quem já usa e com que resultado, no de adoção de IA nas empresas; exemplos de aplicação, no de IA para pequenas empresas.

Perguntas frequentes

O que é custo de IA?

Na definição de trabalho da CGLC, é tudo o que a empresa gasta para uma ferramenta de IA funcionar na rotina: a licença ou a cobrança por uso e também o dado, o treino do time, o período de operação em paralelo e a revisão do que a ferramenta erra. A licença costuma ser a única parte que vem na proposta do fornecedor.

Quanto custa implementar IA numa pequena empresa?

Não existe um número único, porque a licença varia por fornecedor e por uso, e os outros custos dependem da tarefa escolhida. Na leitura da CGLC, a estimativa útil é por tarefa: some licença, dado, treino, operação em paralelo e revisão no período de teste e divida pelo número de tarefas entregues prontas.

Por que a licença não é o custo todo?

Brynjolfsson, Rock e Syverson (2021), num modelo aplicado a dados dos Estados Unidos, afirmam que tecnologias de propósito geral, como a IA, exigem investimentos complementares significativos, muitas vezes intangíveis e mal medidos nas contas nacionais. Haug, Zachariassen e van Liempd (2011), num artigo sobre dado de má qualidade em geral, lembram que custos escondidos às vezes são definidos como as despesas que normalmente não entram no preço de compra de um equipamento, como manutenção, treinamento e atualizações. Na leitura da CGLC, esses custos aparecem, na PME, em horas do time, e não na fatura.

Preciso arrumar todos os dados antes de usar IA?

Não necessariamente. Haug, Zachariassen e van Liempd (2011), num artigo sobre dado de má qualidade em geral, defendem que a meta não deve ser o dado perfeito, e sim um dado melhorado até certo nível, a partir do qual limpar mais deixa de compensar. Na leitura da CGLC, o dado precisa estar bom o bastante para a tarefa escolhida, e o trabalho de prepará-lo entra na conta.

Quando dá para saber se a IA se pagou?

Brynjolfsson, Rock e Syverson (2021), num modelo aplicado a dados dos Estados Unidos, descrevem como investimentos intangíveis, mal medidos nas contas nacionais, podem levar a subestimar o crescimento da produtividade nos primeiros anos de uma tecnologia de propósito geral. Na leitura da CGLC, é por isso que a decisão vem no fim de um prazo definido de antemão, comparando o custo por tarefa entregue antes e depois da ferramenta, e não no primeiro mês.

Fontes e referências

• Bresnahan, T. F., Brynjolfsson, E., & Hitt, L. M. (2002). Information technology, workplace organization, and the demand for skilled labor: Firm-level evidence. The Quarterly Journal of Economics, 117(1), 339-376. https://doi.org/10.1162/003355302753399526
• Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889-942. https://doi.org/10.1093/qje/qjae044
• Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333-372. https://doi.org/10.1257/mac.20180386
• Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114-126. https://doi.org/10.1037/xge0000033
• Haug, A., Zachariassen, F., & van Liempd, D. (2011). The costs of poor data quality. Journal of Industrial Engineering and Management, 4(2), 168-193. https://doi.org/10.3926/jiem.2011.v4n2.p168-193
• Oldemeyer, L., Jede, A., & Teuteberg, F. (2025). Investigation of artificial intelligence in SMEs: A systematic review of the state of the art and the main implementation challenges. Management Review Quarterly, 75(2), 1185-1227. https://doi.org/10.1007/s11301-024-00405-4

A CGLC (Centro de Gestão e Liderança Contemporânea) é um laboratório de cocriação de soluções que apoia empresas e líderes no desenvolvimento de lideranças, cultura de inovação e gestão de pessoas.