Seis passos para medir o impacto da inteligência artificial na produtividade das empresas

A adoção da inteligência artificial continua a crescer, mas os ganhos de produtividade nem sempre são fáceis de comprovar. A Foundever identifica seis medidas que ajudam as empresas a avaliar o impacto da tecnologia, desde a definição de indicadores até à análise dos resultado.

A inteligência artificial (IA) está cada vez mais presente nas empresas, mas os ganhos de produtividade associados à sua utilização continuam a ser difíceis de demonstrar. Apesar das expectativas de redução de custos, maior eficiência e melhoria da satisfação dos colaboradores, muitas organizações ainda não conseguem comprovar o retorno do investimento nesta tecnologia.

Segundo dados da McKinsey & Company, no final de 2025, quase nove em cada dez empresas já utilizavam inteligência artificial em pelo menos uma área de negócio. No entanto, 94% dos inquiridos afirmavam ainda não ter obtido valor significativo deste investimento.

Por outro lado, um estudo publicado pelo National Bureau of Economic Research (NBER), com base em dados de 5.179 profissionais de apoio ao cliente, concluiu que a utilização de uma ferramenta de IA generativa permitiu aumentar a produtividade, em média, 14%, considerando o número de problemas resolvidos por hora.

Já um estudo da S&P Global Market Intelligence, realizado junto de 1.006 profissionais de tecnologias de informação e de outras áreas de negócio na América do Norte e na Europa, revelou que 42% das empresas abandonaram a maioria das suas iniciativas de IA antes de estas chegarem à fase de produção, uma percentagem significativamente superior aos 17% registados no ano anterior.

Para ajudar as organizações a distinguir os benefícios efetivos das expectativas associadas à tecnologia, a Foundever identificou seis passos para medir os ganhos de produtividade, desde a definição de um ponto de partida e a escolha dos indicadores adequados até à avaliação dos resultados obtidos.

1. Estabelecer um ponto de partida

Não é possível medir uma melhoria sem conhecer o ponto de partida. Antes de implementar uma nova solução, devem ser analisados 60 a 90 dias de dados, incluindo indicadores como o tempo médio de atendimento, a resolução no primeiro contacto e os índices de qualidade.

Este período permite ter uma imagem mais fiel da operação numa situação normal e uma referência para comparar os resultados depois da introdução da tecnologia. Não ter este ponto de partida é também uma das razões pelas quais muitos projetos-piloto de IA têm dificuldade em provar ganhos reais.

2. Escolher a métrica certa

O tempo médio de atendimento é um indicador frequente, mas nem sempre conta toda a história. Se uma ferramenta reduz a duração de uma chamada, mas aumenta o trabalho necessário depois dessa chamada, o ganho de produtividade pode não ser real. O trabalho apenas passou para outro momento.

Por isso, é importante decidir desde o início o que se pretende melhorar e medir: tempo, volume, qualidade ou uma combinação destes indicadores.

3. Separar quem implementa de quem avalia

Quem lidera a implementação de uma ferramenta está naturalmente focado na sua adoção e nos prazos. A avaliação dos resultados deve ter um responsável diferente, concentrado em perceber se os números mostram uma melhoria real.

Separar estas responsabilidades ajuda a evitar que uma implementação bem-sucedida seja confundida com um ganho efetivo de produtividade.

4. Transformar expectativas em metas concretas

‘Melhorar a eficiência’ não é um objetivo suficientemente concreto. É necessário definir o que vai ser medido, qual é a meta, em quanto tempo deve ser atingida e o que acontece se o objetivo não for alcançado.

Um projeto desenvolvido pela Foundever com uma seguradora especializada norte-americana, que envolveu 150 profissionais dedicados à gestão de sinistros, mostra esta abordagem. O objetivo era reduzir o tempo médio de atendimento sem aumentar as necessidades de formação, alterar o fluxo de trabalho ou afetar a satisfação dos clientes. Para tal, foi integrado o EverAssist na operação, uma ferramenta de AI desenvolvida pela Foundever, que apoia tarefas como o registo de notas, os resumos das interações e a consulta de informação em tempo real.

Em 30 dias, o tempo médio de atendimento passou de 12 minutos para 10 minutos e 12 segundos, uma redução de 15%, mantendo a satisfação do cliente nos 90%.

5. Não confundir os resultados do piloto com a realidade do negócio

Os projetos-piloto recebem normalmente mais atenção, acompanhamento e monitorização. Podem também envolver colaboradores particularmente motivados para testar uma nova tecnologia. Tudo isto pode contribuir para melhores resultados.

Antes de aplicar os resultados do piloto ao resto da operação, é importante perceber se estes se mantêm quando esse apoio adicional deixa de existir e comparar, sempre que possível, os resultados com os de um grupo que não tenha recebido o mesmo acompanhamento.

6. Dar visibilidade ao que não funciona

Medir resultados significa olhar tanto para os sucessos como para os objetivos que não foram atingidos.

Se os resultados positivos ganham destaque, mas os objetivos falhados são justificados como parte de uma “fase de adaptação”, torna-se difícil perceber o verdadeiro impacto da tecnologia.

Os resultados negativos também são informação útil. Permitem perceber o que não funcionou e dar maior credibilidade às decisões e projeções seguintes.

Medir o ponto de partida, escolher os indicadores certos, definir responsabilidades e estabelecer objetivos concretos são passos essenciais para passar das promessas da IA para ganhos de produtividade que podem ser comprovados.