Dentro de empresas de qualquer porte, a decisão de substituir ou aumentar uma função com IA não é tomada com base numa ficha técnica de modelo. Ela é tomada numa planilha com três números no topo: Valor Presente Líquido, Taxa Interna de Retorno e Período de Payback. Se esses números não caírem na faixa que o CFO vai aprovar, a apresentação não passa da reunião de estratégia, por mais promissor que a demonstração tenha parecido.
A maioria dos profissionais do conhecimento não trabalha com essa matemática desde a faculdade de administração, quando trabalhou. O resultado é um debate público sobre IA e trabalho em que a economia operacional é discutida em termos de "vai custar menos?" enquanto a decisão de verdade é tomada em termos de "supera a taxa mínima de atratividade?". Não são a mesma pergunta. Uma implantação pode economizar dinheiro por ticket e ainda assim falhar na planilha — porque o custo inicial de integração se amortiza devagar demais, ou porque a curva de economia decai à medida que os preços de inferência caem, ou porque a taxa de desconto que o CFO aplica faz os dólares do ano 4 valerem muito menos do que a demonstração sugeria.
Este post apresenta os três números em linguagem simples, mostra o framework que a Investment View da Wagecore usa para calculá-los, e defende por que um dado que a maioria das análises ignora — o ritmo em que os custos de operação da IA caem ao longo do horizonte de projeção — é a diferença entre um "ganho claro" de cinco anos e um empate de cinco anos.
O formato da decisão é capex, não opex
Um projeto de substituição por IA se parece com um investimento de capital, mesmo produzindo economia de opex. Há um bloco inicial de gasto no ano zero: engenharia de integração, gestão da mudança, requalificação, infraestrutura de avaliação, custos de desligamento. Contra isso, você obtém um fluxo de economia de custo de mão de obra que se estende por quantos anos a implantação durar. Os números que resumem um investimento de capex com um fluxo de economia são o VPL, a TIR e o Payback.
Vale registrar de antemão: a decisão tem formato de capex, mas o custo de operação continua com formato de opex — e é exatamente por isso que a maioria das implantações de IA que erram a meta de VPL erram no lado do opex. O custo de integração é limitado; o custo de operação de auditoria, retentativas, custo de erro e supervisão não é, e cresce com a complexidade da carga de trabalho. Veja o framework de custo operacional para o detalhamento linha a linha.
VPL: quanto realmente pesa um dólar no ano quatro
O Valor Presente Líquido soma a economia em dólares que cada ano futuro produz, descontada até hoje por uma taxa que reflete o custo de capital da empresa. Uma economia de US$ 100 no ano um vale US$ 100. Uma economia de US$ 100 no ano cinco a uma taxa de desconto de 10% vale US$ 62. Um VPL negativo significa que a economia descontada não cobre o custo inicial nem ao longo de todo o horizonte. Um VPL positivo significa que cobre.
A escolha da taxa de desconto importa mais do que se imagina. O WACC de empresas de capital aberto nos EUA costuma ficar na faixa de 7–12%, com 9–10% sendo o número único mais comum. A Investment View da Wagecore usa 10% como padrão quando o usuário não informa um valor. Uma taxa de desconto mais alta pune mais duramente implantações de payback longo; uma taxa de 12% aplicada a um fluxo de cinco anos faz a economia do ano cinco valer 57 centavos por dólar em vez de 62.
Para a modelagem interna, recomendamos rodar o VPL a duas taxas: o WACC real da empresa para o caso-base e uma taxa de 14–15% como teste de estresse ajustado ao risco. Se a implantação continua positiva a 15%, é um ganho robusto. Se é positiva só a 7%, é sensível a premissas que podem não se sustentar.
TIR: a taxa de retorno implícita
A Taxa Interna de Retorno inverte o VPL — ela pergunta "a que taxa de desconto o VPL desta implantação seria igual a zero?". Essa taxa é o retorno implícito que o projeto gera. Se a TIR é 25% e o seu WACC é 10%, a implantação está criando valor acima do custo de capital. Se a TIR é 8% e o seu WACC é 10%, você estaria melhor colocando o dinheiro num fundo de índice de títulos do tesouro.
A TIR é a métrica que os CFOs usam para comparar implantações de IA contra outros usos do mesmo capital — uma campanha de marketing, uma aquisição, uma nova linha de produtos. A pergunta estratégica raramente é "esta implantação de IA é lucrativa" (a maioria parece lucrativa por ticket); é "esta implantação de IA é mais lucrativa que a próxima melhor coisa que poderíamos fazer com o mesmo orçamento de engenharia e gestão da mudança". A TIR é a métrica de comparação.
Payback: o teste de intuição que os executivos de fato querem
O Período de Payback é o tempo, em meses, até a economia acumulada igualar o custo inicial. Ele ignora o valor do dinheiro no tempo — o que é por que é tecnicamente inferior ao VPL e à TIR — e é o que os executivos pedem mesmo assim, porque responde a uma pergunta que o VPL e a TIR não respondem: "quanto tempo até essa coisa ter se pagado sozinha, caso o mundo esteja completamente diferente até lá".
As barreiras corporativas comuns são assim, embora variem bastante por setor e apetite ao risco: abaixo de 18 meses costuma ser um sinal verde confortável na maioria das empresas; de 18 a 36 meses aciona escrutínio sobre as premissas; acima de 36 meses geralmente perde para as alternativas, a menos que a implantação tenha valor estratégico além do retorno financeiro. São regras de bolso, não limiares da Wagecore — a Investment View reporta os meses reais e deixa a decisão sobre a barreira a cargo do usuário.
O dado que a maioria das análises ignora: a queda no custo de inferência
A maioria das projeções de ROI de IA presume que o custo de inferência e infraestrutura do ano um se mantém ao longo do horizonte. Não deveriam. O preço de inferência por token caiu na ordem de uma ordem de grandeza a cada 18–24 meses para capacidade comparável nos últimos três anos, e estimativas de analistas (o Gartner é a fonte pública mais citada) projetam quedas contínuas até 2030. Se a linha de custo cai 35% ao ano e o modelo presumiu que ficou estável, o fluxo de economia de cinco anos fica subestimado por um fator de cerca de 1,6.
A Investment View da Wagecore trata a taxa de queda de inferência como um dado explícito. O padrão é 35% ao ano (conservador diante das curvas mais agressivas do Gartner; um caso de limite superior a 50% colocaria a projeção mais alinhada às estimativas centrais atuais dos analistas). Quando o usuário roda o motor, ele vê o quão sensível o VPL é a esse dado. Muitas vezes a diferença entre um caso levemente negativo e um claramente positivo é a curva de queda de inferência.
Ressalva importante: a queda de inferência empurra a linha de custo de modelo para baixo na projeção, mas não reduz o custo de auditoria, o custo de retentativa nem o custo de erro. Esses escalam com a complexidade da carga de trabalho e o regime regulatório, não com o preço do modelo. Uma implantação em que o custo operacional é dominado pelo tempo de auditoria verá benefício modesto com as quedas de inferência — a planilha ainda depende sobretudo de se as ferramentas de avaliação e orquestração deixam você cortar a taxa de auditoria.
Um exemplo prático: equipe de suporte de 50 pessoas, três cenários
Tome uma empresa SaaS hipotética com uma equipe de suporte de 50 pessoas, custo de mão de obra totalmente onerado de US$ 80 mil/ano por agente (ou seja, US$ 4 milhões de mão de obra anual), custo inicial de integração de IA de US$ 250 mil tratado como saída no Ano 0, e uma premissa de queda anual de custo de inferência de 35%. A taxa de desconto é 10%. Rode três cenários para a participação do trabalho que a IA assume:
Cenário A — a IA assume 30% do trabalho. Mão de obra anual deslocada: US$ 1,2 milhão. Custo operacional de IA no Ano 1: US$ 120 mil. Fluxo de caixa líquido do Ano 1: US$ 1,08 milhão (mão de obra economizada menos custo de IA). Saída no Ano 0: o custo de transição de US$ 250 mil. VPL de cinco anos a 10% de desconto e 35% de queda de inferência: ~US$ 4,1 milhões. TIR: bem acima de qualquer WACC plausível (acima de 400%, mas nessa faixa o motor está efetivamente dizendo "a taxa de retorno é enorme porque o custo inicial é minúsculo em relação ao fluxo de caixa que destrava"). Payback: ~3 meses. A implantação é solidamente positiva mesmo antes de incorporar ganhos de produtividade.
Cenário B — a IA assume 50% do trabalho. Mão de obra anual deslocada: US$ 2 milhões. O custo operacional de IA no Ano 1 sobe para US$ 260 mil à medida que a implantação agora toca tickets mais complexos que elevam a taxa de auditoria e o custo de erro. Fluxo de caixa líquido do Ano 1: US$ 1,74 milhão contra a mesma transição de US$ 250 mil no Ano 0. VPL de cinco anos: ~US$ 6,8 milhões. TIR: muito alta, mas de novo menos informativa que o VPL aqui. Payback: ~2 meses. Ainda claramente positivo, mas o ganho por ponto percentual em "participação do trabalho assumido" já começa a desacelerar porque a tarefa marginal que a IA assume é mais cara de supervisionar.
Cenário C — a IA assume 70% do trabalho. Mão de obra anual deslocada: US$ 2,8 milhões. Custo operacional de IA no Ano 1: US$ 580 mil — nessa participação de trabalho, a taxa de auditoria não consegue ficar baixa sem que a qualidade caia. Fluxo de caixa líquido do Ano 1: US$ 2,22 milhões. Saída no Ano 0: US$ 250 mil. VPL de cinco anos: ~US$ 9,2 milhões. Agora rode a sensibilidade: se a taxa de auditoria real, dirigida pela qualidade da equipe, rodar 10 pontos percentuais acima do que o modelo presume e persistir, o custo operacional de IA no Ano 1 sobe para US$ 920 mil e a curva de custo elevada percorre os anos 2 a 5 também. VPL recalculado: ~US$ 8,4 milhões. A implantação continua positiva, mas a margem de segurança estreitou o suficiente para que um CFO prudente a condicione a um piloto de um trimestre antes de comprometer a transição da equipe inteira.
O padrão: o VPL cresce com a participação de substituição, mas cresce de forma sublinear porque a curva de custo operacional dobra para cima à medida que a IA passa do trabalho simples ao complexo. O formato da decisão é quase sempre "implantar agressivamente na metade de baixo da distribuição de complexidade, condicionar com cuidado na metade de cima".
Por que esta é a planilha que os executivos de fato usam
A evidência macro apoia rodar esse tipo de análise antes de se comprometer. O AI Radar de 2025 do BCG relatou que, das firmas que estudaram, apenas 5% estavam capturando valor em escala com IA e cerca de 60% não haviam relatado nenhum valor material ainda (citado em /methodology ). A análise fundamentada na indústria do MIT CSAIL (Svanberg et al., 2024) sobre a economia de implantação em tarefas de visão constatou que a IA "passou na planilha" em apenas cerca de 23% da participação salarial das tarefas de visão em que era tecnicamente capaz. A fronteira de capacidade está muito à frente da fronteira de viabilidade econômica, e o hiato se fecha devagar o bastante para que a planilha esteja fazendo trabalho de verdade.
A contribuição da Wagecore é tornar a planilha executável por função e por organização contra a matriz de capacidade atual, com dados explícitos para as premissas que importam — participação de substituição, taxa de desconto, queda de inferência, custo de transição — e bandas de confiança sobre os dados subjacentes da matriz de capacidade, para que o usuário veja onde o modelo está operando com sinal fraco.
Experimente
A Investment View vem com o Wagecore Pro e roda esta projeção em cada Wagecard que você calcula — seus dados, sua taxa de desconto, sua curva de queda de inferência presumida. Se você prefere ver primeiro a versão em nível corporativo, /org/preview é uma demonstração não persistente sem cadastro — cole suas funções mais headcount e veja o mapa de calor em nível de organização e a projeção de 5 anos consolidada.
Metodologia aberta em /methodology . Os detalhes do motor de projeção financeira, com os padrões conservadores nomeados explicitamente, ficam lá. Se o modelo conservador ainda mostra VPL positivo, isso é um sinal de verdade. Se não mostra, o negócio provavelmente não é um.