Introdução
A pergunta que mais ecoa nos escritórios de CFOs ao redor do mundo é direta: como extrair mais valor dos investimentos em inteligência artificial? Sarah Friar, CFO da OpenAI, apresenta uma resposta estruturada através de um framework prático que promete revolucionar a forma como empresas medem o retorno sobre investimento (ROI) em IA. O conceito central é simples, mas poderoso: em vez de medir sucesso por número de licenças ou usuários ativos, o foco deve estar no trabalho efetivamente realizado.
Para gestores brasileiros que enfrentam o desafio de justificar orçamentos crescentes em tecnologia de IA, este scorecard chega em momento oportuno. Com empresas nacionais investindo bilhões em transformação digital, a necessidade de métricas concretas para avaliar o sucesso dessas iniciativas nunca foi tão crítica.
A métrica fundamental: Inteligência Útil por Real
O framework proposto pela OpenAI gira em torno de um conceito central: ‘Useful Intelligence per Dollar’ – que podemos traduzir como ‘Inteligência Útil por Real’ no contexto brasileiro. Esta métrica responde a quatro perguntas essenciais que todo executivo deveria fazer ao avaliar investimentos em IA:
Primeiro, a IA está completando trabalho que realmente importa? Segundo, qual o custo real de cada tarefa bem-sucedida? Terceiro, os resultados são confiáveis o suficiente para uso em produção? E quarto, cada real investido está gerando mais valor conforme o uso escala?
A beleza desta abordagem está em sua simplicidade e aplicabilidade universal. Seja uma startup de fintech em São Paulo ou uma indústria tradicional no interior, os princípios permanecem os mesmos: o valor da IA deve ser medido pelo trabalho útil que produz, não pela sofisticação da tecnologia em si.
Medindo o trabalho útil: além dos tokens
A primeira dimensão do scorecard foca em quantificar o trabalho real completado pela IA. Quantos tickets de suporte foram resolvidos? Quantas linhas de código foram escritas e aprovadas? Quantos contratos foram revisados dentro do prazo? Estas são métricas tangíveis que conectam diretamente o investimento em IA com resultados de negócio.
Para ilustrar, considere uma equipe financeira preparando uma revisão de forecast. Tradicionalmente, grande parte do tempo é gasto em tarefas operacionais: localizar a última versão do forecast, migrar dados para planilhas, identificar mudanças, reconciliar abas, reconstruir apresentações e verificar se todos os números batem. Com ferramentas como o ChatGPT Work, essas tarefas podem ser automatizadas, liberando a equipe para focar nas questões estratégicas: o que mudou, por quê, e quais ações tomar.
Este exemplo ressoa particularmente com a realidade brasileira, onde equipes enxutas precisam maximizar produtividade. A capacidade de automatizar trabalho repetitivo não é apenas uma conveniência – é uma necessidade competitiva em um mercado cada vez mais acelerado.
O custo real por tarefa: uma nova matemática
A segunda dimensão do scorecard desafia a obsessão do mercado com custo por token. Um modelo mais barato pode ter tokens com menor preço, mas se requer múltiplas tentativas, mais tempo de processamento ou extensa revisão humana para chegar ao resultado correto, o custo total pode ser maior que um modelo mais caro que acerta de primeira.
A OpenAI propõe uma fórmula clara: some todos os custos envolvidos na conclusão do trabalho (compute, tempo de funcionários, revisões, retrabalho), conte apenas as tarefas que atingiram o padrão de qualidade necessário, e divida o custo total pelo número de tarefas bem-sucedidas. Esta abordagem holística revela o verdadeiro custo-benefício de diferentes soluções de IA.
Com o lançamento da família GPT-5.6, a empresa demonstra esta filosofia na prática. O modelo oferece três níveis – Sol (flagship), Terra (balanceado) e Luna (rápido e acessível) – permitindo que empresas otimizem para diferentes casos de uso. No benchmark Artificial Analysis Coding Agent Index, o GPT-5.6 Sol estabeleceu novo recorde de 72.7% de sucesso usando 54% menos tokens de saída que modelos concorrentes, ilustrando como maior capacidade pode resultar em menor custo total.
Confiabilidade: o fator crítico para adoção em escala
A terceira dimensão aborda uma questão fundamental: com que frequência a IA entrega resultados corretos e utilizáveis? A OpenAI propõe três categorias de resultados: ‘Pronto para uso’ (resultado atendeu ao padrão de qualidade), ‘Precisa correção’ (requer nova tentativa ou edições humanas), e ‘Precisa escalonamento’ (uma pessoa precisa intervir e completar o trabalho).
Esta taxonomia é especialmente relevante para empresas brasileiras navegando questões regulatórias e de compliance. A capacidade de definir claramente quando a IA pode agir autonomamente versus quando requer supervisão humana é crucial para implementações responsáveis e conformes com regulamentações locais como a LGPD.
O framework também enfatiza a importância de estabelecer limites claros antes da IA passar de assistente para agente autônomo: quais dados pode acessar, quais sistemas pode modificar, e quando ações requerem aprovação humana. Esta abordagem estruturada constrói a confiança necessária para expandir o uso de IA para workflows cada vez mais críticos.
Escalabilidade econômica: o teste definitivo
A quarta e última dimensão questiona se os benefícios econômicos melhoram com o aumento do uso. Uma implementação bem-sucedida de IA deve demonstrar que, ao longo do tempo, o número de tarefas completadas cresce mais rápido que o custo total, enquanto a qualidade se mantém ou melhora.
Este princípio de retornos crescentes é fundamental para justificar investimentos contínuos em IA. A OpenAI argumenta que melhorias em várias camadas – modelos mais eficientes, hardware especializado, algoritmos otimizados, design de produto superior – devem resultar em mais trabalho útil por real investido a cada geração.
Para o mercado brasileiro, onde recursos são frequentemente limitados e a pressão por resultados é alta, esta perspectiva de melhoria contínua oferece um caminho claro para construir casos de negócio sólidos para investimentos em IA.
Implicações para o mercado brasileiro
O scorecard da OpenAI chega em momento crucial para empresas brasileiras. Com a aceleração da adoção de IA generativa em 2024 e 2025, muitas organizações fizeram investimentos significativos sem frameworks claros para medir sucesso. Este modelo oferece uma linguagem comum entre tecnologia e finanças, facilitando conversas sobre valor e ROI.
Para setores como serviços financeiros, varejo e indústria – pilares da economia brasileira – a capacidade de quantificar o valor da IA em termos de trabalho completado, não apenas tecnologia implementada, representa uma mudança fundamental. Permite comparações diretas entre diferentes soluções e fornecedores, criando um mercado mais transparente e orientado a resultados.
Além disso, o foco em confiabilidade e limites claros ressoa com as preocupações crescentes sobre governança de IA no Brasil. Empresas que adotarem este framework estarão melhor posicionadas para demonstrar uso responsável e criar políticas internas robustas.
Conclusão
O scorecard apresentado pela OpenAI representa mais que uma nova métrica – é uma mudança de paradigma em como pensamos sobre valor em IA. Ao focar em trabalho útil completado em vez de métricas técnicas abstratas, o framework oferece um caminho prático para CFOs e líderes de tecnologia medirem e otimizarem seus investimentos em IA.
Para o mercado brasileiro, onde a pressão por transformação digital encontra a realidade de orçamentos apertados e necessidade de resultados rápidos, esta abordagem oferece clareza muito necessária. Empresas que adotarem esta mentalidade – medindo sucesso pelo trabalho realizado, otimizando custo por tarefa completa, priorizando confiabilidade e buscando melhorias escaláveis – estarão melhor posicionadas para extrair valor real de seus investimentos em IA.
O futuro da IA empresarial não será definido por quem tem os modelos mais avançados, mas por quem consegue transformar essa tecnologia em trabalho útil de forma consistente e econômica. O scorecard da OpenAI oferece o mapa para essa jornada.
Fonte original: Este artigo foi adaptado e traduzido a partir da matéria publicada em OpenAI, disponível em https://openai.com/index/a-scorecard-for-the-ai-age.
