Auditoria encontra projeto de IA premiado que custava até 17 vezes mais por documento

Um audit publicado na CIO mostra como um workflow de contratos premiado por inovação escondia, atrás de um fundo central de inovação, um custo por documento 15 a 17 vezes maior que o processo manual. Para RevOps, o caso é um roteiro de auditoria antes de aprovar a próxima expansão de IA no funil.

Um audit publicado na CIO mostra como um workflow de contratos premiado por inovação escondia, atrás de um fundo central de inovação, um custo por documento 15 a 17 vezes maior que o processo manual. Para RevOps, o caso é um roteiro de auditoria antes de aprovar a próxima expansão de IA no funil.

O prêmio contava a história errada

O consultor Richard Ewing, que se apresenta como "The AI Economist", publicou em 8 de outubro de 2026 na CIO um relato de auditoria sobre um projeto de IA que havia recebido um prêmio de inovação. O workflow processava contratos de onboarding de fornecedores: conferir cláusulas, validar dados cadastrais e arquivar o documento. O estudo de caso do fornecedor e a imprensa especializada destacaram uma redução de 90% no tempo de resposta, e o patrocinador interno usou esse número para conseguir mais orçamento operacional no ciclo seguinte.

Dois trimestres depois, o financeiro da empresa notou algo estranho: o volume de documentos estava estável, mas a despesa operacional mensal subia a cada ciclo de faturamento. Ewing foi chamado para reconciliar os dados operacionais com o razão contábil. Esse é exatamente o tipo de reconciliação que RevOps deveria estar fazendo antes que o financeiro precise pedir.

A conta que ninguém tinha feito

No processo manual anterior, um analista levava de quatro a cinco minutos para revisar um contrato, usando taxa de trabalho totalmente carregada (salário, benefícios e overhead alocado). Isso dava algo como 80 centavos de dólar por documento. O pipeline automatizado, segundo a auditoria, custava entre US\$ 12 e US\$ 14 pelo mesmo documento, de 15 a 17,5 vezes mais caro.

O sistema em si era tecnicamente estável: processava milhares de arquivos por mês sem quedas, com o dashboard operacional sempre verde. O problema não era confiabilidade técnica, era economia unitária, e nenhum painel de uptime mostra isso.

Em resumo: ninguém percebeu a discrepância durante o piloto de três meses porque as contas de computação, consultas de dados e acesso a modelos de terceiros foram debitadas de um fundo central de inovação. O orçamento do departamento nunca viu a fatura. Quando o piloto terminou e o financeiro corporativo passou a alocar as faturas de infraestrutura diretamente à linha de negócio, a economia da unidade virou negativa em 60 dias.

Por que o preço do modelo caindo não significa conta caindo

Um contra-argumento comum é que o custo de computação está em queda livre. É verdade: o relatório AI Index do Stanford HAI documentou uma queda de mais de 280 vezes no custo de consultar modelos de referência entre o fim de 2022 e o fim de 2024. O erro é assumir que isso se traduz automaticamente em processos de negócio mais baratos.

Um workflow agentivo não faz uma chamada de modelo por transação: faz várias. No caso auditado, cada contrato passava por interpretação do documento, checagem contra regras internas, comparação com dados de referência e validação antes de fechar a transação. Se um pipeline precisa de múltiplas consultas e verificações para resolver o que um funcionário resolvia em cinco minutos, a empresa não eliminou um custo operacional: trocou uma folha de pagamento previsível por um custo de consumo que escala com a ambiguidade do trabalho.

A Gartner, citada no artigo, prevê que o custo de inferência por workflow agentivo deve mais que quintuplicar até 2028, justamente porque a complexidade dos workflows cresce mais rápido do que o preço por token cai. As duas coisas são verdadeiras ao mesmo tempo: o modelo base fica mais barato e o processo de negócio fica mais caro.

Onde a fatura realmente infla: a exceção, não a regra

O problema apareceu quando os documentos reais pararam de parecer os PDFs limpos usados na demonstração de vendas. A fila de produção trazia digitalizações de baixa resolução, formulários rotacionados, anotações manuscritas e contratos com cláusulas conflitantes.

Sempre que o sistema encontrava essa ambiguidade, disparava passes extras de extração, consultas a bases internas e verificações secundárias, cada uma batendo na fatura de nuvem, sem necessariamente destravar a confiança necessária. Quando a confiança ficava abaixo do limite exigido, o que acontecia em cerca de 40% das transações diárias, o pipeline parava e mandava o arquivo para uma fila de exceção.

Resolver uma exceção levava dez minutos, o dobro da linha de base manual, porque o analista tinha que ler tanto o documento original quanto a extração confusa do sistema antes de digitar o dado correto. A empresa passou a pagar duas vezes: a fatura de nuvem inteira do software e a folha de pagamento da equipe que supervisionava as exceções.

O que isso significa para quem audita funil, CRM e forecast

O caso é sobre contratos de fornecedor, mas a estrutura é idêntica à de qualquer workflow que RevOps hoje empurra para IA: enriquecimento de lead, scoring, atualização de CRM por agente, triagem de renovação em CS. Antes de aprovar a expansão de qualquer um desses pilotos, três números precisam estar na mesa, com definição explícita:

• Custo por transação completada: soma de computação, consultas a banco de dados e tarifas de modelo de terceiros, dividida pelo número de transações fechadas sem intervenção humana, comparada à linha de base manual (salário totalmente carregado por unidade de trabalho).
• Taxa de exceção e seu custo de mão de obra: com que frequência um humano ainda precisa entrar, e quanto custa o tempo carregado dessa revisão, não só em minutos, mas em salário mais benefícios mais overhead.
• Economia em volume de produção: a conta ainda fecha quando o piloto vira operação plena, ou a organização só está movendo despesa de folha de pagamento para um medidor de consumo imprevisível?

Se esses números só fecham durante o piloto, financiado por um orçamento central de inovação, o projeto não criou alavancagem operacional. Criou uma despesa operacional que o piloto nunca mediu, e que vai aparecer na linha de CAC (custo de aquisição de cliente, calculado como investimento em marketing e vendas dividido por clientes fechados) ou de receita líquida retida (receita recorrente existente, menos churn e downgrade, mais expansão, no período) assim que o fundo de inovação for fechado.

O que medir antes de aprovar a próxima expansão

A recomendação prática de Ewing é simples de operacionalizar dentro de RevOps: tratar o custo por documento, por lead ou por ticket processado como uma métrica de produto, reportada ao lado da taxa de adoção e do uptime, não depois dela. Isso exige etiquetar o consumo de nuvem e de API por workflow desde o piloto, não só no agregado da conta corporativa, e pedir ao financeiro para simular o que acontece quando a fatura sai do fundo de inovação e entra no orçamento da área.

Vale também separar "taxa de automação efetiva" (percentual de transações concluídas sem toque humano) de "taxa de adoção" (percentual de usuários que usam a ferramenta): a segunda sobe fácil, a primeira é que paga a conta. Um workflow com alta taxa de adoção reportada e 40% de exceção, como no caso auditado, não é uma vitória de automação, é uma duplicação de custo.

O caso não diz que IA aplicada a documentos ou a workflows de funil não compensa. Diz que ela compensa sob condições específicas: entrada de dados relativamente limpa e de baixa variância, poucas etapas de validação por transação e um teto de custo de consumo que alguém, de preferência RevOps, mede e reporta antes que o financeiro precise perguntar.

Fonte

CIO: "I audited an award-winning AI project. The case study left out the cloud bill", por Richard Ewing, 8 de outubro de 2026 (https://www.cio.com/article/4232005/i-audited-an-award-winning-ai-project-the-case-study-left-out-the-cloud-bill.html).